Ciencia formal y ciencia fáctica .
La ciencia puede ser considerada uno de estos tantos tipos de contacto o conocimiento, una
práctica que se caracteriza por un conjunto de normas y valores que hacen a su ética y que la
distinguen de otras (Bunge, 2007). La definición de cuáles son estas normas y valores y, por
ende, de los límites de la ciencia y de otros tipos de conocimiento, constituye lo que en filosofía
de la ciencia se llama el problema del criterio de demarcación de la ciencia (DC).
En las ciencias fácticas
En primer lugar, ellas no emplean símbolos vacíos (variables lógicas) sino tan sólo símbolos
interpretados; por ejemplo no involucran expresiones tales como 'x es F', que no son
verdaderas ni falsas.
En segundo lugar, la racionalidad —esto es, la coherencia con un sistema de ideas aceptado
previamente— es necesaria pero no suficiente para los enunciados fácticos; en particular la
sumisión a algún sistema de lógica es necesaria pero no es una garantía de que se obtenga la
verdad. Además de la racionalidad, exigimos de los enunciados de las ciencias fácticas que
sean verificables en la experiencia, sea indirectamente (en el caso de las hipótesis generales),
sea directamente (en el caso de las consecuencias singulares de las hipótesis).
Por eso es que el conocimiento fáctico verificable se llama a menudo ciencia empírica.
. La demostración es completa y final; la verificación es incompleta y por eso temporaria. La
naturaleza misma del método científico impide la confirmación final de las hipótesis fácticas.
Los rasgos esenciales del tipo de conocimiento que alcanzan las ciencias de la naturaleza y
de la sociedad son la racionalidad y la objetividad. Por conocimiento racional se entiende:
a) que está constituido por conceptos, juicios y raciocinios y no por sensaciones, imágenes,
pautas de conducta, etc. Sin duda, el científico percibe, forma imágenes (por ejemplo, modelos
visualizables) y hace operaciones; por tanto el punto de partida como el punto final de su
trabajo son ideas;
b) que esas ideas pueden combinarse de acuerdo con algún conjunto de reglas lógicas con
el fin de producir nuevas ideas (inferencia deductiva). Estas no son enteramente nuevas
desde un punto de vista estrictamente lógico, puesto que están implicadas por las premisas
de la deducción; pero no gnoseológicamente nuevas en la medida en que expresan
conocimientos de los que no se tenía conciencia antes de efectuarse la deducción;
c) que esas ideas no se amontonan caóticamente o, simplemente, en forma cronológica, sino
que se organizan en sistemas de ideas, esto es en conjuntos ordenados de proposiciones
(teorías).
Que el conocimiento científico de la realidad es objetivo, significa:
a) que concuerda aproximadamente con su objeto; vale decir que busca alcanzar la verdad
fáctica;
b) que verifica la adaptación de las ideas a los hechos recurriendo a un comercio peculiar con
los hechos (observación y experimento), intercambio que es controlable y hasta cierto punto
reproducible.
principales características de la ciencia fáctica
1. El conocimiento científico es fáctico: parte de los hechos, los respeta hasta cierto punto,
y siempre vuelve a [Link] investigador intenta describir las características y el monto de
la perturbación que produce en el acto del experimento; procura, en suma estimar la
desviación o "error" producido por su intervención activa. Porque los científicos actúan
haciendo tácitamente la suposición de que el mundo existiría aun en su ausencia,
aunque desde luego, no exactamente de la misma manera.
2. El conocimiento científico trasciende los hechos: descarta los hechos, produce nuevos
hechos, y los [Link] percibimos los campos eléctricos o las clases sociales:
inferimos su existencia a partir de hechos experimentales y tales conceptos son
significativos tan sólo en ciertos contextos teóricos.
3. La ciencia es analítica: la investigación científica aborda problemas circunscriptos, uno a
uno, y trata de descomponerlo todo en elementos (no necesariamente últimos o siquiera
reales). La investigación científica no plantea cuestiones tales como "¿Cómo es el
universo en su conjunto?", o "¿Cómo es posible el conocimiento?" Trata, en cambio, de
entender toda situación total en términos de sus componentes; intenta descubrir los
elementos que explican su integración.
4. El conocimiento científico es claro y preciso: sus problemas son distintos, sus
resultados son claros.
5. La investigación científica es especializada: una consecuencia del enfoque analítico de
los problemas es la especialización.*
6. El conocimiento científico es comunicable: no es inefable sino expresable, no es privado
sino público. El lenguaje científico comunica información a quienquiera haya sido
adiestrado para entenderlo.
7. El conocimiento científico es verificable. Debe explicar un conjunto de fenómenos a
partir de suposiciones que deben ser susceptibles de aprobar el examen de la
experiencia.
8. La investigación científica es metódica y planeada. El investigador sabe qué buscar y
cómo. Todo trabajo de investigación se funda sobre el conocimiento anterior, y en
particular sobre las conjeturas mejor confirmadas. Las hipótesis deben probarse
empíricamente.
9. El conocimiento científico es sistemático. Implica un sistema de ideas lógicamente
conectadas entre sí.
10.El conocimiento científico es general. Ubica a los hechos particulares en pautas
generales.
11.El conocimiento científico es legal. Busca leyes y las aplica.
12.La ciencia es explicativa. Intenta explicar los hechos en términos de leyes, y las leyes en
términos de principios. Además de describir la realidad, se la debe cuestionar, buscando
el por qué de las cosas.
13.El conocimiento científico es predictivo. Trasciende los hechos de la experiencia para
intentar explicar como podría ser el futuro y modificar el curso de los acontecimientos.
14.La ciencia es abierta. No reconoce barreras en el acceso al conocimiento. Si un
conocimiento no es refutable en principio, entonces no es científico.
15.La ciencia es útil. Busca la verdad y la provisión de herramientas. Tiene fines prácticos
en beneficio de la humanidad.
La característica esencial del conocimiento científico y, por ende, la DC propuesta por Popper
es la falsabilidad empírica de las teorías.
*La claridad y la precisión se obtienen en ciencia de las siguientes maneras:
● los problemas se formulan de manera clara
● la ciencia parte de nociones que parecen claras al no iniciado; y las complica, purifica y
eventualmente las rechaza
● la ciencia define la mayoría de sus conceptos: algunos de ellos se definen en términos
de conceptos no definidos o primitivos, otros de manera implícita, esto es, por la función
que desempeñan en un sistema teórico
● la ciencia crea lenguajes artificiales inventando símbolos
● la ciencia procura siempre medir y registrar los fenómenos. Los números y las formas
geométricas son de gran importancia en el registro, la descripción y la inteligencia de los
sucesos y procesos.
[Link] causo y el efecto juntos.
críticas de la causalidad
dependencia del contexto
causa en comú[Link] haber dos cos
hipótesis
la hipótesis es la afirmación que se somete a prueba,postulada para dar cuenta de determinado
fenómeno y acerca de la cual buscamos evidencia a favor o en contra
la predicción
dos formas de verla.
una es como una afirmación condicional del tipo”en tales circunstancias empíricas específicas
se observa tal fenómeno”
el otro modo consiste en separar el antecedente y el consecuente de la anterior implicación
contrastadora distinguiendo a) la predicción propiamente dicha,esto es el hecho simple que se
espera observar,de b) las condiciones iniciales,los hechos-condiciones particulares
antecedentes que deben darse para que se de lo predicho
aunque ambas caracterizaciones son equivalentes
teoria y leyes
conceptos
elemento estructural y epistemológico de las teorías,para ordenar el conocimiento, estos se
relacionan entre sí, llevando a leyes
son representaciones del mundo real,pero no pertenecen al mundo real, unidades básicas de
todas formas de conocimientos
subsunción
los objetos lingüísticos,con lo que describimos las cosas
objetos concretos,las cosas de la realidad
objetos abstractos,como los conceptos matemáticos
Interpretaciones de la Probabilidad
Uno de los primeros aspectos que se abordan es la definición misma de probabilidad, ya que
hay múltiples formas de entenderla, cada una con implicaciones distintas para su relación con
la causalidad:
● Frecuentista: La probabilidad de un evento se define en función de la frecuencia con la
que ocurre en una secuencia larga de ensayos repetidos. Este enfoque es útil en
experimentos controlados pero puede ser problemático en eventos únicos.
● Bayesiana: La probabilidad es un grado de creencia racional basado en la evidencia
disponible. Este enfoque es flexible y útil en situaciones donde no se pueden repetir los
experimentos.
● Lógica/Propensidad: Se considera la probabilidad como una propiedad inherente a un
sistema o evento, lo que se acerca más a una interpretación causal.
3. Probabilidad y Causalidad: Diferencias Fundamentales
El texto señala que la causalidad es un concepto intuitivo y filosófico que implica una relación
de dependencia entre eventos: si A causa B, entonces la ocurrencia de A aumenta la
probabilidad de B. Sin embargo, este tipo de relación no siempre es fácil de identificar solo con
datos probabilísticos.
Algunas dificultades mencionadas incluyen:
● Correlación no implica causalidad: Dos eventos pueden estar correlacionados sin que
uno cause al otro. Ejemplo clásico: la venta de helados y los ahogamientos aumentan
en verano, pero no porque uno cause el otro.
● Causalidad en presencia de variables ocultas: En muchos casos, una tercera
variable no observada puede estar afectando tanto a A como a B, creando una falsa
impresión de causalidad directa.
● Direccionalidad de la causalidad: En un modelo probabilístico estándar, es difícil
determinar si A causa B o viceversa sin información adicional.
4. Modelos Probabilísticos de la Causalidad
El texto explora modelos matemáticos que intentan capturar relaciones causales mediante el
uso de la probabilidad:
● Modelos de Regresión y Dependencia Condicional: Utilizan ecuaciones para
determinar si la ocurrencia de A modifica la probabilidad de B, controlando otras
variables.
● Modelos de Redes Bayesianas: Se representan relaciones causales mediante grafos
dirigidos en los que los nodos son variables y los enlaces indican influencia
probabilística. Estos modelos permiten inferir causalidad bajo ciertas condiciones.
● Causalidad de Granger: En estadística y econometría, este método evalúa si una
variable ayuda a predecir otra en una serie temporal, pero solo mide correlaciones con
retardo temporal, sin garantizar causalidad real.
Estos enfoques muestran que la probabilidad puede ser una herramienta útil para modelar la
causalidad, pero con limitaciones significativas.
5. Críticas a la Inferencia Causal Basada en Probabilidad
El texto presenta varias críticas y advertencias sobre el uso de modelos probabilísticos para
inferir causalidad:
1. Problema de la Identificabilidad: En muchos casos, diferentes modelos probabilísticos
pueden explicar los mismos datos, lo que hace difícil determinar la verdadera causa de
un fenómeno.
2. Ausencia de Contrafactuales: Un enfoque estrictamente probabilístico no aborda la
noción de "qué habría pasado si X no hubiese ocurrido", que es esencial en la teoría
causal de autores como Judea Pearl.
3. Dificultad en Experimentos Observacionales: En ciencias sociales y naturales, donde
no siempre se pueden hacer experimentos controlados, es difícil separar efectos
causales de simples correlaciones.
6. Conclusiones del Autor
El documento concluye que, si bien la probabilidad es una herramienta poderosa para modelar
relaciones y medir incertidumbre, no puede ser el único criterio para inferir causalidad. Para
lograr una inferencia causal más robusta, es necesario combinar el análisis probabilístico con
métodos experimentales y conceptuales adicionales, como el uso de experimentos
aleatorizados y modelos contrafactuales.
1. Concepto de Ciencia y su Metodología
La ciencia se define como un sistema de conocimientos estructurados que buscan describir,
explicar y predecir fenómenos naturales y sociales.
Se distingue entre ciencia formal (como la lógica y la matemática) y ciencia empírica (como la
física y la biología).
La metodología científica se basa en la observación, formulación de hipótesis, experimentación
y contrastación.
2. Empirismo y Racionalismo
Empirismo: Sostiene que todo conocimiento proviene de la experiencia sensorial.
Representantes clave incluyen a Locke, Berkeley y Hume.
Racionalismo: Afirma que la razón es la principal fuente de conocimiento. Descartes y Leibniz
son figuras centrales.
La ciencia moderna combina ambos enfoques: utiliza la observación empírica, pero con una
estructura racional.
3. El Positivismo y el Círculo de Viena
El positivismo lógico surgió con el Círculo de Viena (Schlick, Carnap, Neurath), proponiendo
que el conocimiento científico debe basarse en la lógica y la verificación empírica.
Propusieron el principio de verificación, según el cual una proposición sólo es significativa si
puede ser verificada empíricamente o es una tautología lógica.
4. Falsacionismo de Popper
Karl Popper criticó el positivismo lógico y propuso el falsacionismo, donde una teoría científica
debe ser falsable.
Según Popper, la ciencia no se basa en la verificación, sino en la refutabilidad: una buena
teoría hace predicciones que pueden ser probadas falsas.
Ejemplo: La teoría de la relatividad de Einstein fue considerada científica porque hacía
predicciones que podrían ser puestas a prueba.
5. El Paradigma de Kuhn
Thomas Kuhn introdujo la idea de paradigmas científicos, que son marcos conceptuales
compartidos por una comunidad científica.
La ciencia progresa a través de revoluciones científicas:
Ciencia normal: Dentro de un paradigma dominante.
Anomalías: Datos que no encajan en el paradigma.
Crisis: Aumento de anomalías genera dudas.
Revolución científica: Un nuevo paradigma reemplaza al anterior.
Ejemplo: La transición de la física clásica a la relatividad y la mecánica cuántica.
6. El Programa de Investigación de Lakatos
Imre Lakatos combinó ideas de Popper y Kuhn y propuso los programas de investigación
científica.
Un programa de investigación tiene:
Un núcleo firme: Principios básicos inalterables.
Un cinturón protector: Hipótesis auxiliares que pueden modificarse.
Se considera progresivo si genera nuevas predicciones y estancado si solo acomoda datos sin
innovar.
7. Feyerabend y el Anarquismo Epistemológico
Paul Feyerabend criticó la idea de una única metodología científica, proponiendo el anarquismo
epistemológico.
Su lema "todo vale" indica que la ciencia no sigue reglas fijas, y que el progreso científico surge
de la diversidad de métodos y enfoques.
Argumentó que imponer reglas estrictas limita la creatividad y la innovación científica.
El texto 'Probabilidad y Causalidad' de Sergio F. Martínez Muñoz aborda la relación entre los
conceptos de causalidad y probabilidad, dos nociones centrales en la epistemología y la
filosofía de la ciencia.
1. Introducción: Martínez inicia destacando que el estudio de la causalidad y la
probabilidad ha sido fundamental para el desarrollo del conocimiento científico.
Aristóteles ya distinguía entre distintos tipos de causas y el concepto de 'endoxos',
similar al medieval 'probabilis', que se relaciona con creencias basadas en información
empírica. Durante la Revolución Científica del siglo XVII, se abandona la idea de causas
metafísicas en favor de mecanismos explicativos basados en principios observables y
cuantificables.
2. Hume y la causalidad: David Hume plantea que no es posible establecer una conexión
necesaria entre causa y efecto, sino sólo observar regularidades empíricas. Según
Hume, una relación causal no es más que una sucesión constante de eventos. Sin
embargo, esta perspectiva enfrenta problemas como:
○ Dependencia del contexto: Un evento puede no producir el mismo efecto en
todas las circunstancias.
○ Causa común: Dos efectos pueden estar correlacionados sin ser causales entre
sí, sino ser ambos resultado de una causa común.
○ Ambigüedad: ¿Cómo definimos cuándo dos eventos son 'similares'? Por
ejemplo, un disparo al corazón puede causar la muerte, pero no siempre.
3. Probabilidad y Causalidad en el siglo XVIII: Jakob Bernoulli desarrolla el cálculo de
probabilidades, un método cuantitativo para tratar la incertidumbre. Pierre-Simon
Laplace utiliza estas probabilidades para inferir causas a partir de efectos observados.
Laplace establece un vínculo entre causa y probabilidad a través del Teorema de Bayes,
permitiendo inferir causas probables a partir de eventos observados.
4. Modelos de Explicación Científica: En 1948, Hempel y Oppenheim proponen un modelo
de explicación científica basado en argumentos lógicos y deterministas. Sin embargo, la
mecánica cuántica y otros desarrollos contemporáneos muestran que muchas
explicaciones científicas son probabilísticas. En 1965, Hempel propone un modelo de
explicación estadística, pero enfrenta críticas debido a la ambigüedad inherente a los
argumentos inductivos.
5. Teorías Probabilistas de la Causalidad:
● Patrick Suppes (1970) sugiere que una causa debe aumentar la probabilidad del efecto,
pero enfrenta problemas al intentar distinguir entre causas y meras correlaciones.
● Nancy Cartwright critica la idea de que una causa siempre incrementa la probabilidad
del efecto, proponiendo que la causalidad debe analizarse en contextos homogéneos.
● Wesley Salmon distingue entre procesos causales y pseudo-procesos, sugiriendo que
solo los primeros pueden transmitir 'marcas' que evidencian la conexión causal.
● Eells (1990) sugiere la necesidad de separar teorías de causalidad general (basadas en
probabilidades) y teorías de causalidad singular (basadas en eventos específicos).