Puhutaan Dembskistä?

squirrel kirjoitti:

Kuten tiedämme, "Herra D" on luonut iloksemme kivan matemaattisen mallin.
Niin,muistinhan mainita,että kaikki maailmankuvat ovat tasa-arvoisia, mutta teistinen maailmankuva on tasa-arvoisempi kuin ateismi :)

Dembski jakaa informaation 3 luokkaan.
1:Satunnainen.
2:Lainomainen,eli funktion tai algoritmin tuottama.
3:Suunniteltu,josta Dembski käyttää nimitystä TMI.

*Sattuma synnyttää satunnaisuutta, mutta ei monimutkaista täsmennettyä informaatiota.
*Lait (eli Eigenin algoritmit ja luonnonlait, tai funktiot tai stokastiset prosessit) eivät synnytä satunnaisuutta eivätkä semanttista informaatiota. Ne tuottavat järjestystä annetun algoritmin mukaan. Lait joko siirtävät jo olemassa olevaa informaatiota tai hävittävät sitä. Näiden löytöjen pohjalta on selvää, ettei myöskään mikään sattuma-laki-yhdistelmä synnytä TMI-tyypin informaatiota.(Stokastiset prosessit kuvaavat systeemiä, jossa on annettu tilat, joissa prosessi voi olla, alkutila sekä todennäköisyydet, joilla tiloista voi siirtyä toisiin tiloihin.)

Dembskin menetelmä on eliminatiivinen=
rajattaan ulos sattuma ja laki, -ja kuten todistettua sattuman ja lain yhdistelmä seuraa tässä mukana, jolloin jäljelle jää Suunnittelija.
- - - - -
Kuten vakijengi muistaa, aikaa sitten olen nojannut siihen,että:
*Aidon "Eisattuman" todennäköisyys on 0
Dembskin väitös on melko lailla täydellinen vastakohta "suurten lukujen laille"(engl: "law of large numbers"), jolla tarkoitetaan sitä, että tapahtuma ilmenee ennemmin tai myöhemmin, kunhan sille annetaan tarpeeksi monta mahdollisuutta. Koska universumissa on erilaisia tapahtumia runsaasti, on erittäin epätodennäköisienkin tapahtumien toteutumisia odotettavissa ihan puhtaan sattuman ja tilastomatematiikan perusteella. "Suurten lukujen lailla" voidaan ilmaista,kuinka suurella todennäköisyydellä jokin tapahtuma tapahtuu, mutta se ei rajaa mitään "mahdottomana" ulos.
*Myöskään lakia ei voinut tunnistaa:
Jotta lainomaisuus saataisiin eliminoitua, pitäisi olla tapa tunnistaa lainomaisuus. Tätä metodia voitaisiin käyttää Kolmorogov-Chaitlin -algoritmisen, äärimmilleen pakatun, informaation tunnistamisalgoritmina.
Ja kuten muistanemme...
http://www.cs.tut.fi/~ava/kirjoitelmia/Kolmogorov.html
se oli mahdotonta.....
Eli Dembskin eliminatiivinen perusteluketju vaatii lainomaisuuden poistoa, ja elimintointi taas vaatii ratkaisemattomiksi todistettujen matemaattisten ilmiöiden ratkaisemista, sattumaa ei voi karsia ulos. Itse asiassa Dembskin "universaali todennäköisyyden kaava" kertoo, että tilastollisesti universumimme kokoinen ja yhtä kauan kestävä maailmankaikkeus tuottaa 50% kaikista niistä tapahtumista, joiden todennäköisyys on mainittu: Vaikka vain yksi noin epätodennäköinen tapahtuma sisältäisi Suunnittelua, niin puolet universumeista tuottaisi TMI:tä -puhtaasti sattumalta. - Karkeasti sanoen se, mikä muista on epätodennäköistä on Dembskistä "ei-satunnaista."

"That's nothing!"
Pengoin ja pyörittelin kaavoja ja hokkuspokkus -"I know what is the stuff which is going through!"


Lähdin siitä,mitä "herra D" karsii, nimenomaan lainomaisuudessa. Dembski karsii sattumassa suuret sattumat. Laissa hän onnistuu rajaamaan lainomaisuudesta pois ne pätkät,joiden algoritminen kompleksisuus on pieni tai "kohtuullinen".
Tämä tarkoittaa sitä,että kaikki algoritmin tuottama informaatio,joka on "riittävän suuresti" algoritmisesti kompleksinen vaikuttaa ulos päin samalta,kuin Kolmogorov-Chaitlin -monimutkainen, äärimmilleen pakattu informaatio, jolloin TMI tunnistaa sen "ei lainomaiseksi",jolloin sitä testataan "sattuman kaavalla". "Algoritmit eivät tuota sattumaa", kuten Dembskikin rajauksissaan on ilmoittanut. "Riittävän" suuruus voi vaihdella eri menetelmillä, mutta millään mekanismein rajausta ei voida tehdä varmasti.

Väitän,että juuri tämä tekee "TMI -filtterin" pätemättömäksi erittelemään biologista informaatiota:
Asian keskeisyyttä biologisessa informaatiossa korostaa Paul Davies "viides ihme" -kirjassaan. Sivun 102 "kuvatekstilainaus" valottaa asiaa:
"Kuva 4.6 Satunnainen perimä? Tässä on osa MS2-viruksen perimää. Sen on oltava(miltei) satunnainen, jos se sisältää paljon geneettistä informaatiota. Niinpä sen koodaamien aminohappojen on liityttävä toisiinsa satunnaisessa järjestyksessä."

Toisin sanoen:perimän informaation algoritminen kompleksisuus oletetaan suureksi. Ja koska erillistä tapaa erottaa "äärimmäisen kompleksinen" ja "satunnainen" ei ole, on ainut tapa todistaa jokin ilmiö algoritmittomaksi testata kaikki keksityt ja keksimättä olevat algoritmit(joita on ääretön määrä). Toisin sanoen: Dembski -tai kukaan muukaan- ei kykene erottamaan "riittävän suurta" algoritmista kompleksisuutta sattumasta. Yksinkertaisesti siksi,että se on matemaattisesti mahdotonta.
Robert Shaw todisti julkaisussaan "Strange Attractors,Chaotic behavior,and Information Flow", että attraktorit, jotka ovat lainomaisia algoritmeja, kykenevät tuottamaan äärettömän määrän informaatiota.
Tämä ääretön määrä informaatiota on *algoritmin tuottamaa*, joidenkin algoritmien -esimerkiksi piin desimaaleja esiin iteroivan algoritmin- tuottama algoritminen kompleksisuus on erittäin suurta, jolloin se näyttää satunnaiselta=säännöttömältä, joten se menee kaikista lainomaisuuden tunnistamisyrityksistä ohi. Koska pii -algoritmi voi tuottaa yli 150 merkkiä pitkän jonon, tuottaa se myös tarpeeksi pitkän informaatiojonon päästäkseen ohi myös "sattuman rajan" antamasta esteestä.
Ja tästä seuraa syy sille,miksi jakoa "actual" ja "appeal" TMI:hin tarvittiin ylipäätään vetää..
Tästä päästään siihen taikasanaan,jota kutsutaan "Täsmennykseksi".

Arvatkaa mikä oli ensimmäinen ajatukseni?
Hitto. Jos genomin algoritminen kompleksisuus on suurta, miksi se sisältää niin hitosti redundanssia?
(Jokainen fiksu kreationisti ajattelisi heti samaa.)

Dembskin mukaan biologinen informaatio on "täsmällistä". Tätä tukevaan tulokseen olemme tulleet myös, koska algoritminen kompleksisuus on pakosti hyvin "specified"=pieneen tilaan pakattu algoritmi kattaa pienemmän osan mahdollisuusavaruutta: mitä pienempään pakkaamme sitä vähemmän vaihtoehtoja.

Tältä kautta meillä on ongelmia mm. siitä,että
Kodoni mahdollistaa 4^3= 64 aminohapon koodauksen. Aminohappoja on 20, sekä lopetussäännön(aloitus on aina sama kodoni ja se koodaa aminohappoa). log2(64)=6 bittiä ja log2(21) reilut 4 bittiä. TS. Hitosti redundanssia.
Geneettinen informaatio on siis kaikkea muuta,kuin "specified".

Onko Houstonilla ongelma?
"No, becouse I am the leaf in the wind
-watch how I soar!"

Ristiriita, miksi genomin informaatio on samanaikaisesti suuresti algoritmisesti kompleksinen että epäspesifin kanssa ratkeaa sillä, että redundanssi sisältää pitkällä tähtäimellä juuri sitä, miltä se informaatiota suojaa, eli kohinaa. Informaatiopätkän redundanssiosion sisältö on siis luonteeltaan satunnaista. Kun satunnainen ja erittäin algoritmisesti kompleksinen näyttävät täysin samalta, näiden keskenään sekoittaminen johtaa samaan, kuin sekottaisi kahta jo täysin sekaisin olevaa:Lopputulos on yhtä satunnaisen tai algoritmisesti kompleksisen oloinen.

Kun pääsin tähän asti,toinen ajatukseni oli,että minä tiedän syyn miksi näin on: Evoluutio.
"Shiny,let's be bad guys!"

Eigen laski "error catastrophe" -ilmiölle rajan. Valinta voi lisätä informaatiota systeemiin vain,jos valinta on tietyn voimakkuista. Eigen päätyi myös siihen tulokseen,että mitä pidempi informaatiopätkä, sen matalampi virhekatastofiraja on, eli sitä vähemmän se kestää muutoksia. Tämän "virhekatastrofirajan" alitus johtaa siihen,että informaation määrä tilastollisesti nousee ajan kanssa ja ylitys johtaa siihen,että informaatiota tuhoutuisi enemmän. Redundanssi taas lisää nimenomaan "kohinankestoa",eli siirtää virhekatastrofirajaa kauemmaksi. Näinollen evoluutiolle optimaalisin informaatiota olisi samanaikaisesti mahdollisimman informatiivinen, mahdollisimman lyhyt ja sisältäisi mahdollisimman paljon kohinankestoa. Algoritmisesti kompleksinen ja paljon redundanssia sisältävä informaatio on juuri tälläistä:
Jos luonnonvalinta on totta, informaation määrään suhteutettuna parhaan redundanssitason omaavat yksilöt ovat mahdollisimman lähelle virhekatastrofirajaa, jolloin niihin kasautuu valinnan kautta informaatiota ympäristöstä "maksimivauhtia", samalla kuitenkaan joutumatta virhekatastrofirajan ylittämisestä johtuvaan informaation tuhoutumiseen. Evoluutio selittää siis myös sen, miksi genomin informaatio on erinomainen virhekatastrofirajaa ajatellen.

Kysymys:Olisiko Dembskin lainomaisuusfiltteri hyvä testi evoluutiolle?
Nimittäin, jos jäisi filtteriin,ei olisi evoluution tulosta?

kirjoitti:

Anonyymi

Kirjoita kommentti

5000

Lähetä