Return to Video

Teorema de Bayes: Chave para o Universo, Richard Carrier Skepticon 4

  • 0:01 - 0:05
    Sem mais delongas Richard Carrier.
  • 0:12 - 0:14
    "Operar tecnologia dos Trouxas".
  • 0:15 - 0:20
    Uma das vantagens de falar para uma audiência de jovens ateus
  • 0:20 - 0:24
    é que não há falta de gênios da tecnologia para ajudar quando alguma coisa dá problema.
  • 0:25 - 0:28
    Mas um agradecimento especial vai para Darrel Ray, cujo computador estou utilizando hoje.
  • 0:33 - 0:36
    Certo, eu vou falar sobre o Teorema de Bayes.
  • 0:36 - 0:37
    O que raios será isso?
  • 0:37 - 0:41
    Um jovem cavalheiro se aproximou de mim mais cedo e disse "Sabe, eu dei uma olhada na internet...".
  • 0:41 - 0:44
    E eu respondi "Tem certeza?!".
  • 0:45 - 0:47
    Eu vou mostrar o que o assustou.
  • 0:47 - 0:50
    Este é o Teorema de Bayes.
  • 0:53 - 0:57
    E provavelmente você está pensando "que porra é essa?!!".
  • 0:57 - 1:01
    Ao final desta fala 83.8% de vocês entenderão o que isto significa.
  • 1:04 - 1:05
    Bom, ele pode ser escrito de outras formas.
  • 1:05 - 1:07
    Estas são algumas das mais curtas.
  • 1:07 - 1:09
    Há uma variedade de formas em que se pode escrever.
  • 1:09 - 1:11
    Mas todas elas apenas escondem o fato de que, na verdade, é isto aqui.
  • 1:11 - 1:14
    E então é disto que falaremos hoje.
  • 1:14 - 1:17
    Então por que falar sobre o Teorema de Bayes?
  • 1:17 - 1:19
    Eu o uso como a lógica da explicação.
  • 1:19 - 1:24
    Existem várias formas de o utilizar, pois é um tipo de teorema universal
  • 1:24 - 1:26
    para qualquer tipo de análise de probabilidades.
  • 1:26 - 1:29
    Mas eu uso deste modo específico, e então o resto da minha fala vai ser sobre
  • 1:29 - 1:32
    esta maneira específica de aplicação do teorema de Bayes.
  • 1:32 - 1:38
    Eu o vou utilizar para modelar como determinar a explicação mais provável de um corpo de evidências.
  • 1:38 - 1:41
    O que quer dizer qual a causa mais provável daquelas evidências.
  • 1:41 - 1:47
    Para nós, vai ser falar sobre se é Deus, aliens, poderes psíquicos ou porcarias normais.
  • 1:48 - 1:49
    E o modo como o teorema de Bayes funciona é que,
  • 1:49 - 1:51
    uma vez que você decide quais são os fatos incontestados
  • 1:51 - 1:53
    i.e. os fatos em que todo mundo concorda,
  • 1:53 - 1:56
    você pode então determinar o que os causou.
  • 1:56 - 1:59
    E esta é a vantagem desta abordagem.
  • 1:59 - 2:03
    Se você quiser aprender mais sobre Bayes, porque eu não posso dar uma explicação completa aqui,
  • 2:03 - 2:09
    eu tenho uma página útil. www.richardcarrier.info/bayescalculator.html
  • 2:09 - 2:11
    que lhe ensinará mais coisas legais.
  • 2:11 - 2:16
    E também, eu tenho alguém produzindo um aplicativo que terá todos os tipos de calculadoras.
  • 2:16 - 2:20
    Você entrará com os números e ele fará a conta para você.
  • 2:21 - 2:25
    Certo, então de onde vem isto? O teorema de Bayes na verdade é bastante velho.
  • 2:25 - 2:31
    Ele foi originalmente formulado por Thomas Bayes no meio do século XVIII.
  • 2:31 - 2:35
    Mas ele não o formalizou em notação moderna ou com os conceitos que temos agora.
  • 2:35 - 2:39
    A prova formal e a formalização com as quais somos familiares hoje
  • 2:39 - 2:44
    vieram do maior matemático do século XIX, Pierre-Simon Laplace.
  • 2:44 - 2:47
    Você talvez o conheça como um dos famosos ateus que responderam a Napoleão:
  • 2:47 - 2:49
    "Como assim não existe Deus em suas equações?"
  • 2:49 - 2:52
    Ele respondeu: "Eu não vejo utilidade nessa hipótese."
  • 2:53 - 2:57
    E depois, no século XX, um dos mais importantes contribuidores para o desenvolvimento do teorema
  • 2:57 - 3:00
    foi E.T. Jaynes, porque mostrou como todos os métodos científicos
  • 3:00 - 3:04
    podem ser reduzidos a ele de um ou outro modo.
  • 3:04 - 3:07
    Então, o teorema de Bayes existe tem algum tempo. Quase trezendos anos já.
  • 3:08 - 3:12
    "Você é tão velho quando o teorema de Bayes, cara."
  • 3:18 - 3:19
    Então, o que é?
  • 3:19 - 3:22
    É uma descrição do raciocínio indutivo válido.
  • 3:22 - 3:28
    É um argumento dedutivo formalmente válido com apenas três premissas.
  • 3:28 - 3:31
    Se as premissas não podem ser negadas, a conclusão não pode ser negada.
  • 3:31 - 3:35
    É uma condição logicamente necessária dadas as premissas.
  • 3:35 - 3:39
    Sua conclusão é a probabilidade de que um colocação seja verdadeira.
  • 3:39 - 3:43
    E todas as suas premissas são afirmações de probabilidade.
  • 3:43 - 3:45
    Então por que essa trolha de equação?
  • 3:45 - 3:50
    A razão é que todo o raciocínio indutivo empírico é probabilístico.
  • 3:50 - 3:54
    Existe sempre uma chance de estar errado, e essas chances variam.
  • 3:54 - 3:56
    E dado que probabilidades são, por definição, de natureza matemática,
  • 3:56 - 4:00
    e que algumas coisas são mais ou menos prováveis do que outras,
  • 4:00 - 4:03
    decorre que as regras para o raciocínio correto deve ser matemática.
  • 4:03 - 4:07
    É o único modo de modelar como este tipo de raciocínio funciona.
  • 4:07 - 4:12
    E quando você faz o trabalho, e descobre como é o modelo correto, você chega ao teorema de Bayes.
  • 4:12 - 4:17
    Agora essa parte é uma afirmação ousada. Existem matemáticos e filósofos que discutirão comigo,
  • 4:17 - 4:22
    mas eu o vou demonstrar em um livro que está para ser lançado em breve.
  • 4:22 - 4:25
    Minha afirmação ousada é a seguinte:
  • 4:25 - 4:30
    O teorema de Bayes é o modelo matemático para todo raciocínio correto sobre colocações empíricas.
  • 4:30 - 4:35
    Toda vez que pensa corretamente, você segue o teorema de Bayes, mesmo que sem saber.
  • 4:35 - 4:39
    E se não está seguindo, não está raciocinando corretamente.
  • 4:39 - 4:43
    E entender o teorema de Bayes é, portanto, a chave para entender como raciocinar corretamente.
  • 4:43 - 4:45
    Então deve ser algo bastante importante para esta comunidade.
  • 4:45 - 4:49
    Isto faz dele uma ferramenta poderosa para compreender o universo.
  • 4:49 - 4:51
    Para que possa fazer isto com ele:
  • 4:51 - 4:52
    "Conan, o que é o melhor na vida?"
  • 4:53 - 4:55
    "Destruir seus inimigos,
  • 4:55 - 4:57
    vê-los arrastados à sua frente
  • 4:57 - 4:59
    e ouvir o lamento de suas mulheres!"
  • 5:02 - 5:06
    Pra falar a verdade, essa piada não é exatamente engraçada, porque tem um fundo de verdade.
  • 5:06 - 5:10
    O governo americano tem destruido seus inimigos usando o Teorema de Bayes desde
  • 5:10 - 5:11
    a Segunda Guerra Mundial.
  • 5:11 - 5:19
    Foi tão importante para a vitória nesta guerra e para o sucesso na guerra fria contra os russos
  • 5:19 - 5:22
    que, na primeira metade do século XX, todas as novas descobertas
  • 5:22 - 5:25
    acerca do teorema de Bayes e suas aplicações eram consideradas informação sigilosa,
  • 5:25 - 5:27
    e portanto mantidas escondidas do público.
  • 5:27 - 5:32
    A razão disto é que não queriam que os inimigos percebecem que o teorema é útil pra caralho.
  • 5:32 - 5:35
    Se você quiser ouvir esta história, existe um livro muito bom
  • 5:35 - 5:39
    sobre a história do teorema, contando desde a época de Thomas Bayes, quando os vampiros nasceram.
  • 5:40 - 5:46
    A autora é Sharon McGrayne, e o livro se chama "The theory that would not die".
  • 5:46 - 5:49
    O subtítulo entrega o jogo: "Como o teorema de Bayes quebrou o código da Enigma,
  • 5:49 - 5:54
    caçou submarinos russos, e emergiu vitorioso de dois séculos de controvérsia".
  • 5:54 - 5:57
    Este é um livro muito bom a respeito da história do teorema,
  • 5:57 - 5:59
    e você pode ver como ele de fato foi muito importante.
  • 5:59 - 6:01
    É agora fundamental na indústria de seguros.
  • 6:01 - 6:07
    Praticamente qualquer um que corra riscos sérios vai usar o teorema de Bayes,
  • 6:07 - 6:12
    pois é a melhor forma de lidar com probabilidades e situações como estas.
  • 6:14 - 6:16
    Vamos lá.
  • 6:16 - 6:19
    Antes de voltar o teorema, eu gostaria de parar um instante
  • 6:19 - 6:21
    para falar sobre matemática em geral.
  • 6:21 - 6:28
    É importante que você aprenda mais matemática, que se familiarize, mesmo que ela te assuste.
  • 6:31 - 6:34
    E não apenas para que entenda o teorema de Bayes, porque na boa,
  • 6:34 - 6:37
    os tipos de aplicações que você, sendo um cético típico, vai aplicar
  • 6:37 - 6:40
    você não precisa das técnicas mais complicadas que os cientistas usam.
  • 6:40 - 6:42
    A versão deles para o teorema de Bayes.
  • 6:42 - 6:44
    Você pode usar aritmética bastante simples.
  • 6:44 - 6:45
    Pode usar o teorema de uma forma bem simples.
  • 6:45 - 6:47
    Você não precisa de matemática muito avançada.
  • 6:47 - 6:49
    Só precisa de conhecimentos básicos de princípios matemáticos
  • 6:49 - 6:53
    e ideias gerais de teoria de probabilidades, que você pode aprender e que são até legais.
  • 6:53 - 6:56
    Mas existem outros motivos para você aprender saber matemática.
  • 6:56 - 7:01
    É o fato de que todo mundo com um interesse especial ou poder para utilizar-se dela
  • 7:01 - 7:03
    está o fazendo de modo a manipular você.
  • 7:03 - 7:06
    Corporações, grupos de interesses políticos, empresas de marketing.
  • 7:06 - 7:09
    Todos estão usando matemática para controlar e manipular você,
  • 7:09 - 7:12
    e eles dependem da seu analfabetismo matemático para tanto.
  • 7:12 - 7:17
    Raramente existe algum debate político, acerca de uma decisão política específica que não possa
  • 7:17 - 7:21
    ser confirmada ou refutada em um cálculo de aproximadamente 10 segundos se você tiver acesso
  • 7:21 - 7:25
    a dados, que normalmente podem ser obtidos em cinco minutos no Google.
  • 7:25 - 7:27
    Então é importante ter um conhecimento básico disto.
  • 7:27 - 7:30
    Se você quiser exemplos, há estes dois livros:
  • 7:30 - 7:35
    "Innumeracy - Analfabetismo matemático e suas consequências" é um livro curto e interessante.
  • 7:35 - 7:39
    Mais elaborado e com exemplos mais pesados é
  • 7:39 - 7:43
    "Proofiness - As artes sombrias do engodo matemático".
  • 7:43 - 7:47
    Eu recomendo ambos, e acho que qualquer cidadão responsável precisa saber como usar matemática
  • 7:47 - 7:53
    para avaliar colocações e argumentos - mesmo os próprios - então leia estes livros.
  • 7:53 - 7:56
    Eu também gostaria de apresentar-lhes esta senhora.
  • 7:56 - 8:01
    Esta moça bonita é Danica Mckellar.
  • 8:01 - 8:07
    Conhecida por muitos papéis como atriz, deusa, e matemática.
  • 8:07 - 8:09
    Ela é graduada em matemática.
  • 8:09 - 8:15
    Ela tem um teorema matemático com o próprio nome que ela codescobriu e publicou.
  • 8:15 - 8:19
    E ela tem se tornado uma embaixatriz na popularização da matemática.
  • 8:19 - 8:23
    Ela tem feito esforços para despertar o interesse de meninas do colegial em matemática,
  • 8:23 - 8:28
    e evitar que sejam afastadas da matemática por certas atitudes sociais que as façam pensar
  • 8:28 - 8:30
    que precisem se manter burras para serem
  • 8:30 - 8:33
    consideradas bonitas, por exemplo, ou outras diferenças culturais.
  • 8:33 - 8:37
    Ela escreveu uma série de livros começada com "Math doesn't suck",
  • 8:37 - 8:40
    que cobre do sexto ao decimo ano que são basicamente livros-texto,
  • 8:40 - 8:43
    e ensinam a matemática que você precisa saber para se sair bem.
  • 8:43 - 8:45
    É dirigido a meninas de vários modos.
  • 8:45 - 8:49
    É meio feminista em diversos aspectos indiretos.
  • 8:49 - 8:54
    Mas eu li estes livros e eles são realmente bons. São tão bons quanto para meninos -
  • 8:54 - 8:55
    especialmente se você tiver adolescentes.
  • 8:56 - 8:59
    Dê esse livro a eles, e não só aprenderão matemática, pois o livro a ensina
  • 8:59 - 9:05
    de modo intuitivo e inteligente, mas também os ensina sobre meninas.
  • 9:06 - 9:09
    Eles os agradeceram por isso. Acredite em mim.
  • 9:09 - 9:15
    Eles também não são fracos para adultos. Pra dizer a verdade, esse primeiro é para sexta série.
  • 9:16 - 9:21
    Ele é o meu favorito. Eu amo este livro. Aprendi coisas com ele. Foi bem útil.
  • 9:21 - 9:24
    E pra falar a verdade, ainda o consulto quando preciso fazer certas coisas.
  • 9:24 - 9:27
    Ela fez outros livros para outras séries.
  • 9:27 - 9:32
    "Kiss my Math" e "Hot X: Algebra Exposed".
  • 9:36 - 9:39
    Mas "Math doesn't suck" é o que vocês precisarão mais,
  • 9:39 - 9:44
    porque contém toda a matemática que vocês usarão nas suas vidas cotidianas.
  • 9:44 - 9:48
    Tem muito pouco aqui que não seja útil em alguma aplicação do modo normal
  • 9:48 - 9:52
    como vocês vivem enquanto céticos, ou mesmo como gente normal.
  • 9:52 - 9:56
    E digo isso em relação ao parâmetros americanos de matemática para o colegial.
  • 9:56 - 9:59
    Existe outra matemática que vocês precisam saber também que não está nos parâmetros
  • 9:59 - 10:01
    e, portanto, ela não incluiu neste livro.
  • 10:01 - 10:06
    Mas ele é ótimo para começar com muito do básico.
  • 10:06 - 10:11
    Estes são outros livros. Se você tem mesmo medo de matemática, ou quer aprender com algo que não
  • 10:11 - 10:14
    tenha sido escrito para estudantes de matemática, engenharia ou ciências.
  • 10:14 - 10:18
    "The Mathematical Pallete" foi especificamente escrito para estudantes de arte.
  • 10:18 - 10:21
    Ele ensina uma ampla gama de conceitos e campos da matemática.
  • 10:21 - 10:24
    É um ótimo livro para isso.
  • 10:24 - 10:27
    "101 Things Everyone Should Know About Math" é dirigido ao público geral.
  • 10:27 - 10:31
    Ambos são ótimos para ganhar tempo.
  • 10:31 - 10:37
    Agora eu queria tomar a oportunidade para voltar a este livro.
  • 10:37 - 10:41
    Eu certa vez dei um tutorial sobre o teorema de Bayes para um grupo de professores universitários
  • 10:41 - 10:45
    e um professor de uma universidade da Ivy League que, enquanto eu explicava
  • 10:45 - 10:48
    algumas das ideias básicas de multiplicação e tal, ele levantou a mão e perguntou:
  • 10:48 - 10:53
    "Como eu multiplico porcentagens? Porque 100% x 80% é 8000%!".
  • 10:53 - 10:57
    "Que tipo de resultado é este?"
  • 10:57 - 11:00
    Eu parei e falei "puta que pariu".
  • 11:06 - 11:12
    Bom, é isso. Página 163. Deve resolver essa ai.
  • 11:12 - 11:14
    No caso de alguém ai estar se encolhendo na cadeira e pensando:
  • 11:14 - 11:17
    "Que merda! Eu também não sei a resposta."
  • 11:17 - 11:20
    É bem simples: converta para decimais e multiplique.
  • 11:20 - 11:28
    Então 80% x 80% é 64%. 80% x 100% ainda é 80%. E assim sucessivamente.
  • 11:28 - 11:30
    Pequenas coisas deste tipo podem ser aprendidas do livro dela, e é por isso que
  • 11:30 - 11:35
    se você está defasado assim, o livro pode ajudar você a se recuperar. É um livro bom para isso.
  • 11:35 - 11:44
    A outra coisa sobre a qual eu quero falar é probabilidade condicionada.
  • 11:51 - 11:54
    Probabilidade dependente ou condicionada - existe um número de modos de as calcular.
  • 11:54 - 12:00
    De vez em quanto você vai à Wikipedia e é bem confuso ou você não verá aplicação prática.
  • 12:00 - 12:04
    Mas existem diferentes modos de entender probabilidade condicionada. Esta é uma delas.
  • 12:04 - 12:07
    Se você está participando de um quiz e dizem a você:
  • 12:07 - 12:12
    "Tem alguém atrás daquela porta, mas você precisa adivinhar o sexo. Se é menino ou menina."
  • 12:12 - 12:16
    Você não sabe. Se não tiver informação alguma é aproximadamente meio a meio, certo?
  • 12:16 - 12:19
    É perto o suficiente de 50/50.
  • 12:19 - 12:24
    Por outro lado, se disserem que o nome da pessoa é Jayne, a chance muda.
  • 12:24 - 12:29
    Dado o fato de que alguém se chama Jayne, se assumirmos que 99 de cada 100 pessoas
  • 12:29 - 12:33
    escolhidas aleatoriamente cujo nome é Jayne são meninas, então agora,
  • 12:33 - 12:36
    a chance de que seja uma menina é de 99%, e não mais 50%.
  • 12:36 - 12:41
    Entretanto, 99% quer dizer que em 1% das vezes, é menino.
  • 12:44 - 12:47
    O importante é que, uma vez que você obtem informação,
  • 12:47 - 12:50
    se você estiver falando sobre uma probabilidade que é dependente de outra suposição ser verdade,
  • 12:50 - 12:52
    a probabilidade muda.
  • 12:52 - 12:55
    E o teorema de Bayes está baseado neste princípio.
  • 12:55 - 12:58
    O importante são proporções. A maneira de você entender é assim:
  • 12:58 - 13:04
    A probabilidade prévia de que Jayne é uma menina é igual ao número de Jaynes que são meninas
  • 13:04 - 13:08
    dividido pelo número de Jaynes que são meninas mais o número de Jaynes que são meninos.
  • 13:08 - 13:12
    Isso é o que você vê na equação bem simples aqui embaixo.
  • 13:12 - 13:16
    A coisa a perceber aqui é que estes (em amarelo) são os mesmos números.
  • 13:16 - 13:19
    Então quando você vê uma proporção deste tipo, este número se repete.
  • 13:19 - 13:23
    Isso é importante, porque a outra coisa que é importante é que o denominador
  • 13:23 - 13:29
    é a soma de todas as possibilidades. Você tem as 99 meninas e o menino chamados Jayne. São todos.
  • 13:29 - 13:36
    Você coloca todos os Jaynes embaixo, e depois coloca em cima os que está tentando medir.
  • 13:36 - 13:39
    A significância disto é que o teorema de Bayes funciona bem assim.
  • 13:39 - 13:46
    Note que as expressões marcadas são exatamente iguais. O que você está vendo é uma proporção.
  • 13:46 - 13:53
    Funciona meio que assim: a chance de uma colocação ser verdadeira é A dividido por A + B.
  • 13:53 - 13:57
    Agora só precisa descobrir o que é A e B, certo?
  • 13:57 - 14:03
    Esta é a versão mais enxuta do teorema de Bayes. A probabilidade de que uma colocação seja verdadeira
  • 14:03 - 14:07
    é igual ao número de vezes em que é verdadeira dividida pelo número de vezes em que é verdadeira
  • 14:07 - 14:08
    mais o número de vezes que é falsa.
  • 14:08 - 14:12
    Então vamos supor que você tenha um conjunto de evidências e que consiga tirar várias conclusões dele.
  • 14:12 - 14:14
    E que o tem feito faz algum tempo.
  • 14:14 - 14:19
    E que percebe que 9 em cada 10 vezes a conclusão sobre este conjunto é acertada.
  • 14:19 - 14:23
    A probabilidade de que a próxima conclusão que você extrair deste conjunto esteja correta é de 90%,
  • 14:23 - 14:27
    pois você tem experiência passada e está errado a cada 10 tentativas.
  • 14:27 - 14:31
    Então a próxima provavelmente vai ser uma das 9 em 10 vezes.
  • 14:31 - 14:34
    O teorema de Bayes é a maneira de usar esse conceito de proporção.
  • 14:34 - 14:38
    Mais uma vez, perceba. Estes são os mesmos números.
  • 14:42 - 14:48
    De agora em diante, eu vou escurecer aquela expressão embaixo, porque é uma cópia da acima.
  • 14:48 - 14:52
    E agora que você entendeu a função dela, ela não vai nos distrair mais.
  • 14:52 - 14:59
    Isso deixa duas expressões. Está ficando mais fácil. Estamos chegando lá.
  • 14:59 - 15:04
    Então o que isso significa? O que essa coisa ali em cima significa?
  • 15:04 - 15:12
    Em inglês simples, ou ainda num híbrido entre inglês e matemática, essa uma quimera bastarda,
  • 15:12 - 15:18
    significa que, dado tudo que sabemos, dada toda a informação sobre que temos sobre o mundo,
  • 15:18 - 15:25
    sobre a física, natureza humana, história, e todas as evidências, a probabilidade de que nossa explicação
  • 15:25 - 15:30
    seja real é igual a quão típica nossa explicação é.
  • 15:30 - 15:33
    Em outras palavras, quão tipicamente essa é a explicação para este tipo de evidências
  • 15:33 - 15:37
    multiplicada por quão esperadas essas evidências são caso tal explicação seja verdadeira.
  • 15:37 - 15:41
    Então, se você assumir que a explicação é verdadeira, quão provável é o corpo de evidências
  • 15:41 - 15:44
    que temos, ou quão esperado ele é.
  • 15:44 - 15:50
    E então, você divide isso por uma cópia da expressão acima, somada a quão atípica nossa explicação é.
  • 15:50 - 15:55
    Ou, em outras palavras, quão típicamente verdadeiras são outras explicações que não a nossa,
  • 15:55 - 15:59
    multiplicado por quão esperadas as evidências são se nossa explicação não é verdadeira.
  • 15:59 - 16:03
    Em outras palavras, assumindo que alguma outra explicação é verdadeira que não a nossa,
  • 16:03 - 16:06
    então, quão prováveis são as evidências que temos.
  • 16:06 - 16:09
    Então, temos que levar em consideração explicações alternativas para as evidências.
  • 16:09 - 16:12
    Não se pode ignorá-las. Essa ideia de começar com uma teoria e,
  • 16:12 - 16:15
    se ela couber nas evidências, é porque deve ser verdade - não, não, não!
  • 16:15 - 16:18
    Você também precisa olhar para teorias alternativas para tais evidências e ver se elas não as explicam melhor.
  • 16:18 - 16:22
    E é assim que o teorema de Bayes as leva em consideração.
  • 16:22 - 16:26
    Para dar uma noção visual - e esta é uma aproximação bem rudimentar,
  • 16:26 - 16:30
    mas é a forma mais intuitiva que eu consegui formular,
  • 16:30 - 16:34
    se você tiver uma balança e de um lado você coloca a hipótese
  • 16:34 - 16:39
    e do lado oposto coloca todas as outras que não a sua para explicar um conjunto de evidências.
  • 16:39 - 16:41
    Cada lado da balança tem duas cestas.
  • 16:41 - 16:45
    Um delas, você preenche com ovos representando quão típica sua explicação é.
  • 16:45 - 16:49
    A outra, preenche com ovos representando quão verossímeis as evidências são.
  • 16:49 - 16:52
    Depois repete para o outro lado e vê para onde a balança pende.
  • 16:52 - 16:58
    Vou mostrar um exemplo disto baseado no avistamento de um OVNI que pipocou na mídia
  • 16:58 - 17:02
    e foi ao ar nas televisões do país todo.
  • 17:02 - 17:06
    Passou até no programa do Larry King em 2008.
  • 17:09 - 17:14
    Os relatos iniciais que surgiram em Stephenville eram bem sensacionalistas.
  • 17:14 - 17:18
    Você lia e pensava - "isso não pode ser verdade". Era inacreditável.
  • 17:18 - 17:26
    Os relatos diziam que em dezenas de cidadezinhas dezenas de testemunhas avistaram um OVNI.
  • 17:26 - 17:29
    Um objeto grande e silencioso, com luzes intensas.
  • 17:29 - 17:35
    Droga, alguns textos não estão aparecendo... vou os falar para vocês.
  • 17:35 - 17:39
    Alguns relatos falavam de caças perseguindo o OVNI.
  • 17:39 - 17:42
    Algumas testemunhas estimaram o tamanho em uma milha de comprimento por meia milha de largura.
  • 17:42 - 17:46
    Se isto for mesmo o que viram, é bastante incrível.
  • 17:46 - 17:51
    Quando você começa a ver o relato da MUFON ao invés de ver os relatos originais, que a imprensa
  • 17:51 - 17:56
    sensacionalizou, parece um pouco mais com o que está aqui na imagem aqui do meio.
  • 17:56 - 17:58
    Isso não é uma foto do que foi visto em Stephenville.
  • 17:58 - 18:03
    É a foto de um meteorito se partindo na atmosfera.
  • 18:03 - 18:08
    e então você tem múltiplas luzes que espalham informação velozmente e a longas distâncias,
  • 18:08 - 18:12
    e mudando de cor. Todas essas coisas são importantes sobre esse estranho objeto no Texas.
  • 18:12 - 18:17
    Então, a ideia inicial foi de que isso soa muito como um meteoro se partindo na atmosfera.
  • 18:19 - 18:22
    Se pensarmos nisso em termos de probabilidades prévias, de eventos passados,
  • 18:22 - 18:26
    suponha que olhamos em todos os casos anteriores em que houveram descrições semelhantes
  • 18:26 - 18:30
    e depois vimos onde a investigação levou e o que concluiu.
  • 18:30 - 18:35
    Você descobriu que 9 em 10 vezes, acabou sendo um meteoro se partindo na atmosfera.
  • 18:35 - 18:39
    Se for o caso, você tem esse conhecimento prévio. Voce viu acontecer 9 em 10 vezes antes.
  • 18:39 - 18:43
    Isso significa que as chances de que dessa vez vai ser a mesma coisa também são 9 em 10.
  • 18:43 - 18:47
    E nessa proporção de 9 pra 1, você coloca 9 ovos em uma cesta e 1 na outra,
  • 18:47 - 18:50
    e o resultado é bastante desequilibrado em direção à explicação de que é um meteoro.
  • 18:50 - 18:52
    Entretanto, ainda temos outro cesto a pra preencher.
  • 18:52 - 18:55
    Portanto, não podemos parar a investigação por aqui.
  • 18:55 - 18:57
    Podemos até dizer que as chances são de que seja isso mesmo,
  • 18:57 - 18:59
    que eu não posso ter certeza até fazer uma investigação.
  • 18:59 - 19:04
    Mas se não pudermos fazê-la, nos restringimos ao ponto de que 9 de cada 10 vezes é um meteoro.
  • 19:06 - 19:10
    Sabemos que meteoros algumas vezes se parecem bastante com o descrito pelas testemunhas.
  • 19:10 - 19:13
    Espaçonaves, no entanto, não costumam parecer muito.
  • 19:13 - 19:16
    Pois eles não descreveram os atributos que você esperaria de uma espaçonave.
  • 19:16 - 19:19
    As esquisitices que foram descritas:
  • 19:19 - 19:24
    as luzes mudando de cor, de forma e de distância soam muito mais como meteoros.
  • 19:24 - 19:31
    Então você pensa "Eu não sei... Talvez naves sejam assim. Aliens são estranhos, certo?"
  • 19:31 - 19:34
    Então suponha que você magicamente saiba que espaçonaves alienígenas tem aquela aparência
  • 19:34 - 19:37
    com metade da frequência com que meteoros a tem.
  • 19:37 - 19:39
    Mas sabemos que essa probabilidade deve ser bem menor do que isso,
  • 19:39 - 19:45
    porque as naves devem parecer muito mais com as que vemos nos filmes concebidas pelos criadores.
  • 19:45 - 19:48
    Sabemos portanto o que pareceria com uma nave aos olhos das testemunhas.
  • 19:48 - 19:52
    Elas normalmente não parecem com o descrito, mas meteoros sim.
  • 19:52 - 19:55
    Nós fazemos isso e colocamos os ovos na cesta, e dividimos em 6 para 3 ovos.
  • 19:55 - 19:59
    Mas agora está pendendo ainda mais para o lado dos meteoros. Analisamos e colocamos mais
  • 19:59 - 20:04
    evidências, e está pesando ainda mais em direção ao meteoro.
  • 20:04 - 20:11
    Entretanto, se você fizer a conta apropriadamente, sem as balanças,
  • 20:11 - 20:19
    usando a equação você chega em uma probabilidade de 94,7% de chance de serem meteoros.
  • 20:19 - 20:22
    Isso quer dizer que você tem uma chance de aproximadamente 1 em 20 de estar errado.
  • 20:22 - 20:27
    Se você fizesse isso para 100 colocações, em 5 delas estaria errado.
  • 20:27 - 20:29
    Então você vai errar bastante.
  • 20:29 - 20:36
    Não é um nível de confiança muito alto, mas é suficiente para estar seguro de que não são aliens.
  • 20:36 - 20:40
    Entretanto, se você obtem mais informações, mais evidências,
  • 20:40 - 20:43
    EXÉRCITO CONFIRMA ACIDENTALMENTE QUE TEXANOS SÃO ESTÚPIDOS
  • 20:43 - 20:49
    você pode atualizar a equação, e reverter até uma grande probabilidade inicial de que eram meteoros.
  • 20:49 - 20:51
    Tinha uma chance de 9 em 10 de serem meteoros, mas com evidência suficiente, você pode confirmar
  • 20:51 - 20:53
    que não são meteoros, e sim alguma outra coisa.
  • 20:53 - 20:56
    Acontece que o governo do Estados Unidos confirmou que naquela data e lugar
  • 20:56 - 21:00
    ocorreu um teste de descarga de sinalizadores aéreos.
  • 21:00 - 21:05
    Perceba que alguns relatos falaram de caças perseguindo os objetos.
  • 21:05 - 21:07
    Na verdade, eles estavam voando na frente, porque os estavam descarregando.
  • 21:07 - 21:11
    Testemunhas também falaram sobre o OVNI ter uma milha por meia milha.
  • 21:11 - 21:14
    O que é um tamanho condizente com uma bateria de sinalizadores.
  • 21:14 - 21:18
    As luzes estão aqui na parte em baixo.
  • 21:18 - 21:22
    Essas são as luzes de Phoenix, que criaram a mesma reação de medo de OVNIs.
  • 21:22 - 21:26
    Pareciam uma nave gigante, no formato do logo da Chevron medindo uma milha voando sobre Phoenix.
  • 21:26 - 21:29
    Acontece que essas eram luzes sinalizadoras lançadas com paraquedas.
  • 21:29 - 21:36
    São derrubadas e flutuam, iluminando o chão abaixo e facilitando a ação de soldados durante a noite.
  • 21:36 - 21:39
    São apenas sinalizadores, mas seus olhos completam a imagem.
  • 21:39 - 21:44
    São luzes voando independentemente, mas o padrão delas em vôo faz com que seu cérebro complete,
  • 21:44 - 21:50
    e então você vê um objeto de forma triangular, uma nave que não está lá.
  • 21:50 - 21:56
    Nós vimos esse tipo de coisa antes, e ocorreu dos militares confirmarem que foi isso mesmo.
  • 21:56 - 22:02
    Se levarmos isso em consideração, teremos um monte de ovos colocados na cesta "Sinalizadores".
  • 22:02 - 22:05
    E veremos uma descida drástica daquele lado da balança.
  • 22:05 - 22:06
    É evidência para lotar aquele cesto.
  • 22:06 - 22:10
    Sabemos que o local é uma base fixa da Aeronáutica.
  • 22:10 - 22:14
    O local onde pessoas avistaram o ocorrido é uma base de testes da Aeronáutica.
  • 22:14 - 22:16
    Isso é informação conhecida.
  • 22:16 - 22:21
    A Aeronáutica confirmou ter testado sinalizadores naquele período, e isso também é evidência forte.
  • 22:21 - 22:24
    Cargas de sinalizadores tem aparência exata do que foi reportado.
  • 22:24 - 22:27
    Na verdade, sinalizadores explicam a história até mesmo melhor do que meteoros.
  • 22:27 - 22:29
    Porque meteoros normalmente não se pulverizam na atmosfera.
  • 22:29 - 22:31
    O comum é ver uma trilha única.
  • 22:31 - 22:34
    Mas ocasionalmente eles até se partem.
  • 22:34 - 22:37
    Sinalizadores sempre tem essa aparência descontínua.
  • 22:37 - 22:40
    Além disso, claro, tem o fato que nenhum outro dado surgiu para sustentar as hipóteses de meteoros ou
  • 22:40 - 22:46
    alienígenas. Nenhum dado de satélite ou radar, nenhuma invasão ou coisa do tipo.
  • 22:46 - 22:50
    Então temos uma pancada forte em direção aos sinalizadores.
  • 22:50 - 22:53
    Então começamos a perceber todos aqueles ovos em favor de meteoros.
  • 22:53 - 22:55
    A probabilidade prévia é muito forte em direção aos meteoros.
  • 22:55 - 22:57
    Mas colocando as evidências, a coisa muda de forma.
  • 22:57 - 23:00
    E aqui é onde chegamos.
  • 23:00 - 23:05
    A coisa a se destacar é que apesar de normalmente luzes se movendo rapidamente serem meteoros,
  • 23:05 - 23:08
    as evidências são ao menos 1000 vezes menos prováveis
  • 23:08 - 23:12
    se você fizer a conta das chances de cada uma dessas coisas nas caixas brancas
  • 23:12 - 23:18
    acontecerem por qualquer outro motivo são tão baixas, ao menos 1000 vezes mais baixas. Até mais.
  • 23:19 - 23:24
    Então se você for resolver, assumindo que 9 em 10 vezes são meteoros,
  • 23:24 - 23:29
    que é a suposição inicial, que 9 de cada 10 vezes que não forem meteoros são sinalizadores,
  • 23:29 - 23:35
    e, sejamos generosos, que no resto das vezes são naves alienígenas.
  • 23:35 - 23:37
    "Se". Isso é "se". É hipotético.
  • 23:37 - 23:39
    Supondo ainda que naves produzam essas evidências com metade da frequência com que
  • 23:39 - 23:42
    meteoros o fazem, como tinhamos suposto anteriormente.
  • 23:42 - 23:44
    Mas levando em conta também que sinalizadores produzem tais evidências
  • 23:44 - 23:46
    ao menos 1000 vezes mais frequentemente que meteoros,
  • 23:46 - 23:51
    após termos analizado os dados, então quando fizer a conta, obterá os seguintes resultados:
  • 23:51 - 23:53
    99% de chance de serem sinalizadores,
  • 23:53 - 23:55
    1% de chances de serem meteoros
  • 23:55 - 23:57
    e 0,006% de chance de serem alienígenas.
  • 23:57 - 24:01
    Isso quer dizer chances piores do que 1 em 18000 contra alienígenas.
  • 24:01 - 24:05
    E lembre-se que fomos bastante generosos. Se você fosse ajustar esses números para os tornar
  • 24:05 - 24:08
    essas probabilidades ficariam ainda piores para os alienígenas.
  • 24:08 - 24:12
    Essa conclusão é intuitivamente óbvia.
  • 24:12 - 24:14
    Vocês provavelmente já estavam a obtendo na sua cabeça ao longo do processo
  • 24:14 - 24:16
    e do mesmo modo que fariam se eu nunca tivesse mencionado o teorema de Bayes
  • 24:16 - 24:18
    e apenas mostrasse as evidências.
  • 24:18 - 24:21
    É basicamente a mesma conclusão a que chegariam por conta própria.
  • 24:21 - 24:27
    O teorema de Bayes simplesmente explica porque estão pensando corretamente ao fazê-lo.
  • 24:27 - 24:31
    Enquanto sua intuição estiver equiparando probabilidades de acordo com o teorema de Bayes
  • 24:31 - 24:34
    e souber quais probabilidades você deveria estar equiparando, então suas estimativas
  • 24:34 - 24:38
    da chance de que qualquer explicação dada seja verdadeira estarão corretas.
  • 24:38 - 24:41
    E ocorre de isso ser verdade com qualquer conjunto de números razoáveis.
  • 24:41 - 24:42
    Você pode colocar quase quaisquer números na equação.
  • 24:42 - 24:47
    Enquanto forem remotamente razoáveis, o resultado da conta vai sempre se aproximar
  • 24:47 - 24:49
    de 100% de chance de serem sinalizadores,
  • 24:49 - 24:53
    e menos do que 1 em 18000 chances de serem alienígenas.
  • 24:54 - 24:58
    Essa é a idéia básica de como funciona o teorema de Bayes.
  • 24:59 - 25:05
    Permitam-me voltar e olhar para essa equação complicada aqui.
  • 25:08 - 25:11
    Imagina que isso está escrito em uma lingua estrangeira.
  • 25:11 - 25:14
    São palavras estrangeiras. Você não precisa saber o que cada uma significa logo de largada.
  • 25:14 - 25:20
    É como se você estivesse tentando traduzir alemão ou russo. Tem mais cara de russo.
  • 25:21 - 25:27
    Ou sumério antigo. Então fãs da Buffy, isso é um feitiço.
  • 25:29 - 25:36
    O que o primeiro elemento da equação quer dizer é:
  • 25:36 - 25:42
    esta é a probabilidade de que a afirmação h, de hipótese, é verdade,
  • 25:42 - 25:48
    dadas as evidências "e" e o conhecimento prévio "b", que é tudo o que você sabe sobre o mundo.
  • 25:48 - 25:52
    "e + b" é todo o conhecimento que você tem está contido ai.
  • 25:52 - 25:56
    Então isso diz: "dado tudo que se sabe, qual a probabilidade de h ser verdade?"
  • 25:56 - 26:00
    E você calcula isso usando os outros números aqui.
  • 26:00 - 26:03
    Lembre-se que esse é o mesmo que o numerador, então pode ser ignorado por agora.
  • 26:03 - 26:08
    Então nos concentramos em três números.
  • 26:08 - 26:14
    A probabilidade prévia de que sua hipótese seja verdadeira, baseada no passado.
  • 26:14 - 26:17
    A verossimilhança do seu conjunto de evidências, dado que sua hipótese seja verdadeira.
  • 26:17 - 26:21
    Lembre-se, isso é quão bem suas evidências se encaixam com a sua hipótese ser verdadeira.
  • 26:21 - 26:25
    E a verossimilhança destas evidências se alguma outra hipótese for verdadeira.
  • 26:25 - 26:31
    Você pode notar que existe um quarto número ali, mas ele é derivado do primeiro.
  • 26:31 - 26:37
    Pois se 9 em 10 vezes são meteoros, então tem 1 em 10 chances de que não seja.
  • 26:37 - 26:41
    Então se você sabe uma probabilidade prévia, você também sabe a outra probabilidade prévia.
  • 26:41 - 26:44
    Isso implica em que existam apenas três números com os quais devemos nos preocupar.
  • 26:44 - 26:45
    E essas são as premissas.
  • 26:45 - 26:49
    Cada um é uma afirmação de probabilidade.
  • 26:49 - 26:52
    Na verdade, você pode pegar qualquer argumento que lhe for proposto
  • 26:52 - 26:56
    ou que propuser a alguém e o modelar com o teorema de Bayes.
  • 26:56 - 27:01
    E assim destrinchar exatamente o que se está propondo.
  • 27:01 - 27:04
    Isso quer dizer que cada argumento pode ser reduzido a três números.
  • 27:04 - 27:08
    Por vezes, se você está discutindo com alguém, já concordam em dois dos três números.
  • 27:08 - 27:09
    Ou nem precisa discordar a respeito deles.
  • 27:09 - 27:13
    Mesmo que discorde, pode ser desnecessário discuti-los.
  • 27:13 - 27:17
    Isso significa reduzir cada argumentação para uma disputa acerca de um único número.
  • 27:17 - 27:21
    Você pode então analisar a correção do caso sendo apresentado para aquele número,
  • 27:21 - 27:24
    expor o que há de errado com ele ou aceitar a conclusão.
  • 27:24 - 27:28
    E esta é uma das aplicações mais fortes do teorema de Bayes enquanto um racionalista.
  • 27:28 - 27:33
    Esse é um tutorial bem curto sobre o que é e como funciona o teorema de Bayes.
  • 27:33 - 27:36
    Mas eu também gostaria de falar sobre porque você deve se importar com isso.
  • 27:36 - 27:37
    Qual é o uso dessa coisa?
  • 27:37 - 27:38
    Tem um monte de coisas.
  • 27:38 - 27:42
    Um vez que entender o teorema de Bayes, quando respirar fundo e entendê-lo -
  • 27:42 - 27:47
    - talvez não tenha ainda, mas se continuar indo atrás, pode chegar lá -
  • 27:47 - 27:51
    Eu levei um tempo pra isso também.
  • 27:51 - 27:54
    Mas uma vez que chegar lá, você começa a aprender coisas novas e inteligentes
  • 27:54 - 27:56
    sobre como funciona um raciocínio correto.
  • 27:56 - 27:58
    Coisas em que provavelmente não pensou antes.
  • 27:58 - 28:01
    Esse é um dos grandes usos pro teorema de Bayes.
  • 28:01 - 28:02
    Eu vou dar alguns exemplos.
  • 28:02 - 28:04
    Apenas alguns deles, não todos.
  • 28:04 - 28:06
    Estas são algumas das coisas que você aprende:
  • 28:06 - 28:11
    Uma das coisas que aprende é que a probabilidade prévia é sempre relativa.
  • 28:11 - 28:14
    Não é uma probabilidade absoluta. Esse é um erro comum que as pessoas fazem ao argumentar.
  • 28:14 - 28:21
    Eu me deparo com isso o tempo todo ao discutir sobre a ressurreição com apologistas cristãos.
  • 28:21 - 28:24
    Logo mostro esse exemplo.
  • 28:24 - 28:28
    O ponto aqui é que é indiferente quão raros os meteoros são, voltando no exemplo.
  • 28:28 - 28:33
    O relevante é com que frequência luzes no céu são meteoros ao invés de alienígenas ou outra coisa.
  • 28:33 - 28:36
    É a probabilidade relativa de todas as explicações possíveis.
  • 28:36 - 28:40
    Não é a probabilidade absoluta de que meteoros ocorram.
  • 28:40 - 28:42
    Então, por exemplo, se em 9 de 10 vezes as luzes no céu são meteoros,
  • 28:42 - 28:45
    mesmo se a chance de ver um meteoro for 1 em 1000000,
  • 28:45 - 28:50
    a probilidade prévia de que luzes no céu sejam meteoros ainda é de 9 em 10 vezes.
  • 28:50 - 28:53
    Um em um milhão é irrelevante para esta análise.
  • 28:54 - 28:57
    E aqui chegamos ao argumento da ressurreição...
  • 28:57 - 29:00
    EI, CARA, CORPOS LEVANTAM DOS MORTOS TODA HORA...
  • 29:00 - 29:06
    Traduzindo: Não importa quão improvável seja que os discípulos de Jesus
  • 29:06 - 29:09
    tenham roubado seu corpo e mentido a respeito de o ver ressuscitado
  • 29:09 - 29:11
    com intenção de promover suas reformas sociais.
  • 29:11 - 29:14
    Essa parece uma hipótese absurdamente improvável.
  • 29:14 - 29:15
    Soa fantástico.
  • 29:15 - 29:17
    É o tipo de coisa que aconteceria uma única vez na história.
  • 29:17 - 29:21
    Uma vez na história... espera.. meio que...
  • 29:21 - 29:23
    Não importa quais são as chances disso acontecer.
  • 29:23 - 29:24
    Poderia ser um em um trilhão.
  • 29:24 - 29:26
    Não faz diferença. É irrelevante.
  • 29:27 - 29:30
    O que importa é quão frequentemente fanáticos religiosos fazem coisas do tipo,
  • 29:30 - 29:36
    em relação à frequência com que eles vêem mesmo corpos sendo reanimados.
  • 29:36 - 29:40
    Se em apenas 1 de cada 10 vezes os corpos são realmente reanimados,
  • 29:40 - 29:43
    e notem que essa é uma suposição extremamente generosa,
  • 29:45 - 29:51
    então no resto das vezes, os relatos de ressurreição são falsos,
  • 29:51 - 29:55
    e então, a probabilidade prévia de reanimação é simplesmente de 1 em 10.
  • 29:55 - 30:02
    Aquele um em um trilhão citado antes é irrelevante. É isso. Esta é a probabilidade prévia.
  • 30:02 - 30:03
    Lembrem-se do exemplo de Jayne.
  • 30:03 - 30:10
    Do mesmo modo, se em 100 pessoas com nome Jayne 99 são meninas e 1 é menino,
  • 30:10 - 30:14
    a probabilidade de que alguém seja um menino, dado que seu nome é Jayne é de 1%.
  • 30:14 - 30:17
    Não faz a menor diferença quão improvável é que alguém se chame Jayne, pra começar.
  • 30:17 - 30:24
    Enquanto você souber essa proporção prévia de 99 para 1, está a única informação que precisa.
  • 30:24 - 30:27
    Outra coisa se aprende é que você não precisa saber as frequências ou
  • 30:27 - 30:30
    probabilidades reais de nada.
  • 30:31 - 30:39
    Por exemplo, você já sabe que qualquer que seja a frequência real de corpos serem reanimados,
  • 30:39 - 30:41
    seja zero, ou se realmente existir uma frequência, não faz diferença.
  • 30:41 - 30:43
    Você não precisa saber qual é.
  • 30:43 - 30:45
    Você sabe que não é maior do que 1:10.
  • 30:45 - 30:48
    Pra ser honesto, sabe que não é nem 1:10.
  • 30:48 - 30:52
    Pois isso implicaria que 1 em cada 10 corpos desaparecidos levantou dos mortos.
  • 30:52 - 30:55
    E isso causaria um inferno para o INSS, certo?
  • 30:55 - 30:58
    Como seriam as regras pra isso?
  • 30:58 - 31:01
    "Sinto muito. Você deu azar e morreu".
  • 31:02 - 31:05
    Você pode até mesmo explorar quanto essa proporção poderia ser.
  • 31:05 - 31:09
    Pode ser maior que 1:100? Pode ser maior que 1:1.000.000? 1:1.000.000.000?
  • 31:09 - 31:13
    Dado o que você conhece, qual seria a taxa mais alta a descrever a evidência?
  • 31:13 - 31:18
    Existe alguma taxa acima da qual você sabe que não é frequente assim, certo?
  • 31:18 - 31:22
    Não importa qual é a proporção real, mas você pode explorar onde fica esse limite.
  • 31:22 - 31:24
    E esta é uma das coisas úteis a fazer com o teorema de Bayes.
  • 31:24 - 31:28
    Você também pode fazer a conta para todo o tipo de valores diferentes.
  • 31:28 - 31:30
    Nem que seja só para ver o que seria necessário para convencer você,
  • 31:30 - 31:34
    ou no que você precisaria acreditar para aceitar qualquer conclusão dada.
  • 31:34 - 31:39
    Então ele mostra como fazer suas crenças mais consistentes.
  • 31:39 - 31:42
    Mas no fim das contas você precisa ter razões boas para qualquer número que estabelecer.
  • 31:42 - 31:47
    E normalmente você consegue estabelecer um limite. Por exemplo, tem que ser menos do que 1 em 10.
  • 31:47 - 31:49
    Então qualquer coisa que você chegar maior que 1 em 10, você sabe que é menos que isso.
  • 31:49 - 31:54
    Então você pode ter essas probabilidades incertas, e elas funcionam bem.
  • 31:54 - 31:55
    Esse é o ponto:
  • 31:55 - 31:58
    qualquer que seja a probabilidade prévia em que os cristãos insistam
  • 31:58 - 32:00
    com que corpos desaparecidos tenham sido reanimados
  • 32:00 - 32:04
    eles precisam mostrar evidências de que essa é, de fato, a frequência.
  • 32:04 - 32:08
    Porque temos montes de evidências de fanáticos religiosos mentindo, alucinando e exagerando.
  • 32:08 - 32:10
    Então sabemos que este comportamento é frequente.
  • 32:10 - 32:12
    Sabemos se reanimações são frequentes? Não.
  • 32:12 - 32:17
    Então não temos conhecimento prévio para estabelecer essa frequência.
  • 32:22 - 32:24
    Mas lembre-se, esta é apenas a probabilidade prévia.
  • 32:24 - 32:27
    Mesmo se reanimação de corpos for extremamente improvável,
  • 32:27 - 32:30
    evidências boas o suficiente podem reverter este quadro.
  • 32:30 - 32:32
    Lembre se do exemplo dos sinalizadores.
  • 32:32 - 32:37
    Mas é preciso que você tenha essa evidência de verdade.
  • 32:37 - 32:39
    Essa é a parte realmente desafiadora para apologistas cristãos.
  • 32:39 - 32:45
    Para quem quiser ver o final deste argumento, quiser ver um argumento bayseiano
  • 32:45 - 32:49
    conclusivo contra a ressurreição de Jesus, que na verdade responde a todas tentativas de
  • 32:49 - 32:51
    usar o teorema de Bayes para provar a ressurreição de Jesus.
  • 32:51 - 32:53
    Sim, cristãos tentaram isso.
  • 32:53 - 32:58
    Se quiserem ver o argumento, ele está no livro Christian Delusion, editado por John Loftus.
  • 32:58 - 33:03
    Eu tenho dois capítulos nele. Um deles é meu texto definitivo sobre a ressureição.
  • 33:03 - 33:08
    Está todo um inglês normal, mas se você olhar as notas no final, está traduzido em termos bayseianos.
  • 33:08 - 33:14
    Dá pra ver como o pensamento bayesiano traduz a partir de descrições comuns do raciocínio.
  • 33:14 - 33:19
    Mas eu também tenho neste livro, "The End of Christianity", que está sendo vendido hoje aqui.
  • 33:19 - 33:25
    Na verdade, eu só recebo deste livro se vocês comprarem aqui, então comprem, especialmente
  • 33:25 - 33:29
    se vocês estiverem interessados no teorema de Bayes, porque eu tenho três capítulos nele.
  • 33:29 - 33:32
    Um é meu capítulo sobre a fundação da minha teoria moral, mas os outros dois são
  • 33:32 - 33:35
    o teorema de Bayes aplicado a coisas.
  • 33:35 - 33:39
    E um deles prova que toda a religião cristã é falsa.
  • 33:39 - 33:41
    Baseando-se apenas em como ela começou.
  • 33:41 - 33:45
    E não apenas a ressurreição, mas em várias coisas.
  • 33:45 - 33:49
    Você vai achar várias coisas ali, mas também ver como a análise de Bayes permite entender
  • 33:49 - 33:52
    coisas que você sabia intuitivamente, mas não conseguia articular como um argumento.
  • 33:52 - 33:55
    Bayes permite uma goleada, e transforma a discussão em argumentos de números
  • 33:55 - 33:58
    em que você atinge o ponto onde eles não podem refutar mais estes números
  • 33:58 - 34:01
    pois você está sendo tão generoso ao lado deles, e ainda assim atinge
  • 34:01 - 34:03
    a conclusão a favor da sua moção.
  • 34:03 - 34:06
    Eles não podem mexer nos números sem parecerem ridículos.
  • 34:06 - 34:11
    E eu também tenho neste livro um capítulo aplicando o teorema de Bayes ao argumento do design.
  • 34:11 - 34:15
    Eu aplico à evolução x criacionismo, aplico à abiogênese,
  • 34:15 - 34:18
    mas também aplico à cosmologia, e mostro que -
  • 34:18 - 34:21
    - e o interessante é que não fui eu que fiz isso, apenas coloquei termos leigos -
  • 34:21 - 34:25
    mas mostro que a sintonização das constantes da física - o argumento de sintonia
  • 34:25 - 34:31
    que muitos de vocês já ouviram - na verdade prova que Deus não existe.
  • 34:31 - 34:33
    Você pode pensar "como caralhos você faz isso?"
  • 34:33 - 34:35
    Bem, leia o capítulo.
  • 34:42 - 34:44
    E como eu disse, não fui eu.
  • 34:44 - 34:47
    Na verdade, duas equipes de matemáticos independentemente,
  • 34:47 - 34:50
    sem ao menos saber do trabalho dos outros,
  • 34:50 - 34:54
    chegaram à mesma conclusão bayesiana usando a mesma análise, provando este ponto.
  • 34:54 - 35:01
    Eu os cito no capítulo, e explico em inglês o que eles descobriram e porque estão certos.
  • 35:01 - 35:04
    E estes capítulos explicam um pouco mais do teorema de Bayes.
  • 35:04 - 35:06
    Eles dão exemplos, mostram aplicações.
  • 35:06 - 35:10
    Se você quer dar uma fuçada para tentar aprender mais a respeito,
  • 35:10 - 35:14
    também estão referenciados livros onde pode buscar mais informações.
  • 35:14 - 35:19
    Mas se você quer o meu livro definitivo ensinando o teorema de Bayes e como aplicar,
  • 35:19 - 35:26
    meu livro "Proving History: O teorema de Bayes e a busca pelo Jesus histórico" está escrito e revisado
  • 35:26 - 35:31
    e agora está agendado para lançamento em abril de 2012, e eu fiz um esforço consciente
  • 35:31 - 35:36
    de o fazer compreensível para historiadores, estudantes de humanidades,
  • 35:36 - 35:39
    então ele não depende de você ser um matemático para entender.
  • 35:39 - 35:43
    Ele dá um monte de exemplos e também prepara o caminho para argumentar
  • 35:43 - 35:46
    que Jesus não existiu de verdade. Este livro não argumenta isso especificamente,
  • 35:46 - 35:51
    mas mostra que todos os argumentos para sua existência são baseados em lógica falha.
  • 35:53 - 35:59
    Outra coisa que se aprende é que "afirmações extraordinárias exigem evidências extraordinárias."
  • 35:59 - 36:02
    O teorema de Bayes prova que isso está certo.
  • 36:02 - 36:08
    Ausência de evidência algumas vezes é evidência de ausência. E o teorema diz quando é o caso.
  • 36:08 - 36:15
    (O telão diz "A lâmina de Ockham corta mesmo, vadia")
  • 36:21 - 36:26
    Então deixa eu só dar mais um exemplo, que vocês acabaram de ler.
  • 36:26 - 36:30
    Vamos começar com esse argumento específico.
  • 36:30 - 36:33
    Muitos devem conhecer, e os que não, deveriam.
  • 36:33 - 36:38
    Pois isso é de 300 A.E.C. Epícuro fez o argumento e ele é meio que definitivo.
  • 36:38 - 36:40
    Quer dizer... sério. O argumento está posto.
  • 36:40 - 36:42
    Levanta e vai embora.
  • 36:42 - 36:43
    Porque eles insistem eu não entendo, mas vai saber...
  • 36:43 - 36:47
    Tem Deus vontade de parar o mal, mas incapaz? Então ele não é poderoso.
  • 36:47 - 36:50
    Ele é capaz, mas não tem vontade? Então não é bom.
  • 36:50 - 36:53
    Ele é capaz e tem vontade? Então como pode existir o mal?
  • 36:53 - 36:57
    Ele não é capaz nem tem vontade? Então porque chamar-lhe de Deus?
  • 37:06 - 37:12
    Deixa eu dar um exemplo. Vou pegar um só. Escravidão nos Estados Unidos.
  • 37:12 - 37:14
    Eu não tenho tempo para recontar seus horrores.
  • 37:14 - 37:18
    É suficiente dizer que é uma das merdas mais maldosas que já fizemos.
  • 37:18 - 37:23
    Não poderia Deus ter feito uma revelação aos brancos do sul explicando isso?
  • 37:23 - 37:26
    Quer dizer, é trivial de fazê-lo...
  • 37:32 - 37:36
    Pense nas centenas de anos e vidas que poderiam ter sido tornadas melhores.
  • 37:36 - 37:41
    Pense no estado em que a África poderia estar hoje se não tivesse sido assolada pela escravidão.
  • 37:41 - 37:47
    É aterrador. O jeito como o mundo seria melhor com apenas uma voz vinda do céu dizendo
  • 37:47 - 37:52
    "Ei, essa parada de escravidão, parem com essa merda. Eu não aprovo isso".
  • 37:53 - 37:55
    Fácil.
  • 37:55 - 37:57
    A Bíblia não diz nada contra a escravidão.
  • 37:57 - 38:04
    Ao contrário, ela a codifica junto com os dez mandamentos como parte da lei de Deus.
  • 38:04 - 38:10
    E trata escravidão como uma norma moral de capa a capa.
  • 38:10 - 38:13
    Mesmo no novo testamento, mesmo Jesus a trata como norma moral.
  • 38:13 - 38:15
    Então esse é um argumento avassalador.
  • 38:15 - 38:17
    É preto no branco.
  • 38:17 - 38:21
    A probabilidade de que Deus não falaria sobre esse horror,
  • 38:21 - 38:23
    especialmente para aqueles que supõem o seguir devotamente.
  • 38:23 - 38:28
    Certamente o querem seguir, e muitos provavelmente faziam.
  • 38:28 - 38:31
    Quer dizer, essa era óbvia...
  • 38:32 - 38:34
    Dá pra ganhar a discussão só com isso.
  • 38:34 - 38:39
    Mas que tal o monte de desculpas que os fiéis descarregam nessa hora?
  • 38:39 - 38:44
    A propósito, também conhecido como "inventar merda"...
  • 38:47 - 38:50
    E é onde chegamos nesta questão.
  • 38:50 - 38:53
    Raciocínio ad hoc - inventar justificativas pras coisas.
  • 38:53 - 38:56
    Porque você pode pegar qualquer hipótese e fazer caber em qualquer corpo de evidências
  • 38:56 - 38:59
    criando o número de desculpas que precisar para tanto.
  • 38:59 - 39:02
    Agora suponha que você cria uma desculpa para justificar Deus,
  • 39:02 - 39:07
    mas não tem evidência alguma de que ele tem essa desculpa, dizendo apenas que ele poderia ter.
  • 39:07 - 39:10
    Vamos dizer que você também não tem nenhum evidência contra ele ter essa desculpa.
  • 39:10 - 39:15
    Então é 50/50, porque você não sabe. Poderia pender pra qualquer lado.
  • 39:15 - 39:18
    De acordo com o que você sabe, é tão provável ele ter quanto não ter.
  • 39:18 - 39:19
    É meio a meio.
  • 39:19 - 39:23
    E se você fizer isto, você tem esse diagrama onde o círculo representa
  • 39:23 - 39:26
    todas as hipóteses de Deus que você puder imaginar.
  • 39:26 - 39:30
    Em frequência, metade tem a desculpa, metade não.
  • 39:30 - 39:34
    Isso quer dizer que a probabilidade de a hipótese deles ser verdadeira com aquela desculpa
  • 39:34 - 39:40
    é igual a metade da probabilidade prévia daquela hipótese.
  • 39:41 - 39:43
    Tirar essas desculpas do nada divide à metade suas chances.
  • 39:43 - 39:44
    Funciona assim:
  • 39:44 - 39:49
    Se a probabilidade de que seu Deus existe a partir de conhecimento prévio é 50%,
  • 39:49 - 39:51
    e isso é extremamente generoso - estou apenas dizendo que você não tem evidência
  • 39:51 - 39:53
    contrária à existência de Deus, nem a favor,
  • 39:53 - 39:57
    e de algum modo de uma máquina gigante com pneus de borracha brotou de um ser sensiente,
  • 39:57 - 40:00
    E ele não tem informação alguma a respeito.
  • 40:00 - 40:03
    E aparece um missionário falando a ele sobre Deus, e o ser não faz idéia.
  • 40:03 - 40:06
    Não tem nenhum conhecimento prévio a respeito. Ai é 50/50, certo?
  • 40:06 - 40:09
    Note que estou sendo extremamente generoso.
  • 40:09 - 40:13
    E existe uma chance de 50% de que Deus tenha a justificativa alegada.
  • 40:13 - 40:17
    Nós temos essa pessoa criada aleatoriamente, e vem o evangelista e diz:
  • 40:17 - 40:22
    "Deus, tem aqui um sulista falando sobre escravidão. Isso soa bem zoado, e meio que contradiz sua hipótese".
  • 40:22 - 40:25
    "Ele poderia ter essa desculpa". - Bom, é meio a meio.
  • 40:25 - 40:29
    Isso quer dizer que a probabilidade prévia de que esse Deus em especial exista,
  • 40:29 - 40:32
    dado seu conhecimento anterior é agora 25%, porque é metade do que era.
  • 40:32 - 40:36
    Pois os outros 25% são de deuses que existam e não precisem dessa desculpa.
  • 40:36 - 40:38
    Assim, a probabilidade de que este Deus exista se torna metade do que era.
  • 40:38 - 40:42
    Percebe onde isso está indo?
  • 40:42 - 40:46
    Isso é para o caso onde é 50/50. Não existe evidência para nenhum dos dois lados.
  • 40:46 - 40:48
    Mas e se for uma desculpa improvável?
  • 40:48 - 40:51
    "O cachorro comeu minha lição de casa".
  • 40:51 - 40:55
    "Não fui eu. Eu estava morto naquele momento".
  • 40:57 - 41:02
    Afirmações que quase nunca são verdades, e que você teria evidência disso.
  • 41:02 - 41:05
    Vamos tomar como exemplo algo com proporção 1 em 100 vezes.
  • 41:05 - 41:15
    "O cachorro comeu minha lição". Suponha que um estudo mostrou que isso é verdade 1% das vezes.
  • 41:15 - 41:20
    E isso é ser generoso, 1 em 100... sei lá. Suponha que fosse isso mesmo.
  • 41:20 - 41:26
    Significaria que agora a probabilidade prévia de veracidade dessa desculpa é 100 vezes menor.
  • 41:26 - 41:30
    Agora você tem a probabilidade da hipótese com aquela desculpa vezes 1/100.
  • 41:30 - 41:34
    Esse número vai ser tornando bem pequeno.
  • 41:34 - 41:40
    Mais uma vez. Vamos dizer que a probabilidade de que algum deus exista é 50%, e que exista
  • 41:40 - 41:44
    na melhor das hipóteses, uma chance em 100 de que Deus tenha a desculpa apresentada.
  • 41:44 - 41:50
    Então a probabilidade de que seu Deus especial exista, dado o conhecimento anterior, é de 0,5%.
  • 41:50 - 41:55
    Posto de outro modo, a probabilidade de que seu Deus exista se torna 100 vezes menor.
  • 41:55 - 41:58
    Então quando mais desesperada sua desculpa, mais ela prejudica seu argumento.
  • 41:58 - 42:01
    Você está tornando sua hipótese menos provável.
  • 42:01 - 42:08
    Em outras palavras, se deuses benevolentes existem, deuses bons mas sem aquela desculpa
  • 42:08 - 42:11
    são ao menos um centena de vezes mais prováveis.
  • 42:11 - 42:15
    Por que? Porque são muito mais simples de se imaginar e muito mais simples de produzir.
  • 42:15 - 42:19
    Simplesmente não adicione aquele detalhezinho irritante e - MÁGICA! - um Deus melhor.
  • 42:22 - 42:25
    Então, qual é a probabilidade de que um Deus benevolente tenha uma desculpa válida
  • 42:25 - 42:32
    para não dizer uma única palavra celestial sobre a escravidão durante toda a história americana?
  • 42:33 - 42:37
    E que evidências você tem que apoiem essa probabilidade?
  • 42:37 - 42:41
    Quando olhamos nosso conhecimento prévio sobre seres benevolentes -
  • 42:41 - 42:43
    e conhecemos vários destes.
  • 42:43 - 42:45
    Os chamamos de "seres humanos".
  • 42:45 - 42:51
    De todos os seres benevolentes que vimos agindo e que tem o poder de falar sem correr riscos.
  • 42:51 - 42:54
    Que não possam ser punidos por falar a respeito.
  • 42:54 - 42:58
    De todas essas pessoas registradas ao longo da história, uma desculpa válida
  • 42:58 - 43:03
    para não se manifestar a respeito é tão rara que não temos um único exemplo disto.
  • 43:03 - 43:06
    Ou certamente, se existe alguma, é extraordinariamente rara.
  • 43:06 - 43:11
    Rara significa infrequente. Muito Infrequente. O que quer dizer "muito improvável".
  • 43:11 - 43:14
    Na verdade, deve ser ao menos uma em um milhão.
  • 43:14 - 43:19
    Você tem um milhão de humanos benevolentes que possam falar contra escravidão sem represália.
  • 43:19 - 43:23
    Quantos destes você acha que teriam uma desculpa válida para não o fazer?
  • 43:23 - 43:27
    Menos do que um em um milhão. Eu acredito que todos teriam motivos para falar.
  • 43:27 - 43:29
    E não teriam uma desculpa para se abster.
  • 43:29 - 43:32
    Isso quer dizer que menos do que 1 em 1.000.000 seres benevolentes
  • 43:32 - 43:36
    com a habilidade de falar sem represálias teriam uma desculpa para não o fazer.
  • 43:36 - 43:40
    Isso quer dizer, que a probabilidade de que este Deus exista se torna um milhão de vezes menor.
  • 43:40 - 43:43
    Na medida em que você começa a arranjar essas desculpas,
  • 43:43 - 43:46
    você acaba tornando sua hipótese absurdamente improvável.
  • 43:46 - 43:49
    E isso é o que a lâmina de Ockham faz sob o teorema de Bayes.
  • 43:49 - 43:52
    Posto de outro modo, se deuses benevolentes existem,
  • 43:52 - 43:56
    então deuses bons sem aquela desculpa são um milhão de vezes mais prováveis.
  • 43:56 - 44:01
    E por que? Porque já observamos que seres benevolentes sem aquela desculpa
  • 44:01 - 44:03
    são um milhão de vezes mais prováveis.
  • 44:03 - 44:07
    Nós temos prova empírica disto. Não é nem conceitual ou abstrato.
  • 44:07 - 44:12
    Temos prova concreta e empírica confirmando isso. Não se pode negar.
  • 44:12 - 44:18
    Colocando isso na equação, lembre-se daqueles três números que falamos antes.
  • 44:18 - 44:25
    Tudo depende deles. Na equação, neste modelo de que estou falando, este número aqui embaixo é 100%.
  • 44:25 - 44:30
    É 100% garantido que Deus não falaria caso ele não existisse.
  • 44:30 - 44:32
    Essa é fácil de entender.
  • 44:32 - 44:41
    Eles querem que esse número seja 100%, para contrabalancear.
  • 44:41 - 44:44
    Mas ao fazê-lo, reduzem esse outro número em um milhão.
  • 44:45 - 44:50
    Então, essa equação de cima vira a de baixo.
  • 44:50 - 44:57
    Partimos de uma probabilidade de menos do que 1 em 1.500.000, e é um argumento empírico forte.
  • 44:57 - 45:02
    Quando eu digo menos que 1:1500000, é um argumento bom que temos de que a chance seja menor do que esta.
  • 45:02 - 45:05
    Então quando as pessoas dizem que não temos evidências contra a existência de Deus,
  • 45:05 - 45:11
    essa é uma puta duma mentira. Nós temos evidências boas pra caralho de que não existe!
  • 45:17 - 45:22
    Se você começa com chances de menos do que 1 em 1.5 milhão, eles inventam desculpa
  • 45:22 - 45:27
    para aumentar essa porcentagem, e o resultado é exatamente o mesmo.
  • 45:27 - 45:31
    Eles não fizeram nada. A desculpa é inútil, e não muda a equação em nada.
  • 45:31 - 45:35
    Isso quer dizer que nenhuma quantidade de desculpas muda o fato de que
  • 45:35 - 45:38
    dadas as evidências que temos atualmente, um deus vivo e benevolente é simplesmente improvável.
  • 45:38 - 45:41
    E esse é um exemplo de como o teorema de Bayes pode ser bastante útil para você nesta discussão.
  • 45:41 - 45:46
    Porque você consegue reduzir a discussão a três números, e eles não.
  • 45:46 - 45:50
    Eles não conseguem refutar os números, e com eles a equação faz seu papel.
  • 45:50 - 45:55
    E não podem dizer que a matemática está errada. "Eu nego a matemática e a lógica agora".
  • 45:55 - 45:59
    Bom... Nós sabemos onde isso vai dar...
  • 45:59 - 46:18
    Você poderá ler a respeito disso tudo em abril de 4029.
  • 46:18 - 46:25
    Mas para quem não quiser esperar tanto, meu livro sai em abril de 2012.
  • 46:25 - 46:29
    Eu não desprovo Deus ai dentro, mas eu faço um monte de coisas úteis para
  • 46:29 - 46:33
    entender o teorema de Bayes e o aplicar na história, que é amplamente possível.
  • 46:33 - 46:36
    Não apenas nas afirmações religiosas sobre a história.
  • 46:36 - 46:41
    Se quiser algo agora, se está afoito para aprender a respeito e ver quão poderoso e útil
  • 46:41 - 46:45
    o teorema de Bayes é, e como pode ser aplicado à sua vida de cético,
  • 46:45 - 46:48
    este livro "The End of Christianity" está disponivel aqui hoje.
  • 46:48 - 46:52
    Neste momento, minha principal fonte de renda é esta. Vender o livro.
  • 46:52 - 46:54
    Então se quiser ajudar meu trabalho, por favor compre.
  • 46:54 - 46:58
    Eu autografo qualquer coisa que comprarem. Basta trazer que eu assino.
  • 46:58 - 47:04
    Ou qualquer outra coisa. Comprem quaisquer um dos meus livros. Vários livros úteis.
  • 47:04 - 47:06
    É isso. Obrigado.
Title:
Teorema de Bayes: Chave para o Universo, Richard Carrier Skepticon 4
Description:

Please subscribe.

During filming, if a powerpoint slide is just a reiteration of what the speaker is saying, without any new information, I do not cut to it. If you are screaming, "What the fuck is on the projector!"... This is the answer.

All Skepticon videos will be monetized this year with ads. 100% of the proceeds with be used to purchase micro-loans through Kiva.org.

I know the ads are annoying, but there is no reason to not use the money for a good cause.
more » « less
Video Language:
English
Duration:
47:23

Portuguese, Brazilian subtitles

Revisions

Our website uses cookies for analysis purposes.