Hispanopedia Wiki
Articulo de referencia

Inferencia

Las inferencias son pasos en el razonamiento lógico , que van de premisas a consecuencias lógicas . La inferencia se divide tradicionalmente en deducción e inducción , una disti...

Hispanopedia WikiContenido en espanolLectura gratuita

Las inferencias son pasos en el razonamiento lógico , que van de premisas a consecuencias lógicas . La inferencia se divide tradicionalmente en deducción e inducción , una distinción que se remonta al menos a Aristóteles (siglo IV a. C.). Se ha propuesto un tercer tipo de inferencia, la abducción , en particular por Charles Sanders Peirce . [ 1 ] La deducción es la inferencia que deriva conclusiones lógicas de premisas conocidas o asumidas como verdaderas , y las leyes de la inferencia válida se estudian en lógica . La inducción es la inferencia de evidencia particular a una conclusión universal . [ 2 ] La abducción no busca ni la certeza lógica ni una conclusión universal, sino la "mejor explicación" basada en la probabilidad dada la evidencia.

Diversos campos estudian cómo se realiza la inferencia en la práctica. La inferencia humana (es decir, cómo los humanos llegan a conclusiones) se estudia tradicionalmente en los campos de la lógica, los estudios de argumentación y la psicología cognitiva ; los investigadores de inteligencia artificial desarrollan sistemas de inferencia automatizados para emular la inferencia humana. La inferencia estadística utiliza las matemáticas para llegar a conclusiones en presencia de incertidumbre. Esto generaliza el razonamiento determinista, considerando la ausencia de incertidumbre como un caso especial. La inferencia estadística utiliza datos cuantitativos o cualitativos ( categóricos ) que pueden estar sujetos a variaciones aleatorias. [ 3 ]

Definición

El proceso mediante el cual se deduce una conclusión general a partir de múltiples observaciones se denomina razonamiento inductivo . La conclusión puede ser correcta o incorrecta, o correcta con cierto grado de precisión, o correcta en determinadas situaciones. Las conclusiones deducidas a partir de múltiples observaciones pueden contrastarse con observaciones adicionales.

Esta definición es discutible (debido a su falta de claridad. Ref: Diccionario Oxford de inglés: "inducción ... 3. Lógica la inferencia de una ley general a partir de casos particulares." ). La definición dada, por lo tanto, se aplica solo cuando la "conclusión" es general.

Dos posibles definiciones de "inferencia" son:

  1. Una conclusión a la que se llega sobre la base de pruebas y razonamientos.
  2. El proceso para llegar a tal conclusión.

Ejemplos

Ejemplo de definición n.º 1

Los filósofos griegos antiguos definieron una serie de silogismos , inferencias correctas de tres partes, que pueden utilizarse como bloques de construcción para razonamientos más complejos. Comenzamos con un ejemplo famoso:

  1. Todos los seres humanos son mortales.
  2. Todos los griegos son humanos.
  3. Todos los griegos son mortales.

El lector puede comprobar que las premisas y la conclusión son verdaderas, pero la lógica se ocupa de la inferencia: ¿la verdad de la conclusión se deriva de la de las premisas?

La validez de una inferencia depende de su forma. Es decir, el término «válido» no se refiere a la veracidad de las premisas ni de la conclusión, sino a la forma de la inferencia. Una inferencia puede ser válida incluso si algunas partes son falsas, e inválida incluso si algunas son verdaderas. Sin embargo, una inferencia válida con premisas verdaderas siempre tendrá una conclusión verdadera.

Por ejemplo, considere la forma de la siguiente pista simbólica :

  1. Toda la carne proviene de animales.
  2. Toda la carne de res es carne.
  3. Por lo tanto, toda la carne de res proviene de animales.

Si las premisas son verdaderas, entonces la conclusión también es necesariamente verdadera.

Ahora pasamos a un formulario inválido.

  1. Todos los A son B.
  2. Todas las C son B.
  3. Por lo tanto, todos los C son A.

Para demostrar que esta fórmula no es válida, mostramos cómo puede conducir de premisas verdaderas a una conclusión falsa.

  1. Todas las manzanas son fruta. (Verdadero)
  2. Todos los plátanos son frutas. (Verdadero)
  3. Por lo tanto, todos los plátanos son manzanas. (Falso)

Un argumento válido con una premisa falsa puede conducir a una conclusión falsa (este y los siguientes ejemplos no siguen el silogismo griego):

  1. Todas las personas altas son francesas. (Falso)
  2. John Lennon era alto. (Verdadero)
  3. Por lo tanto, John Lennon era francés. (Falso)

Cuando se utiliza un argumento válido para derivar una conclusión falsa a partir de una premisa falsa, la inferencia es válida porque sigue la forma de una inferencia correcta.

Un argumento válido también puede utilizarse para derivar una conclusión verdadera a partir de una premisa falsa:

  1. Todas las personas altas son músicos. (Válido, Falso)
  2. John Lennon era alto. (Válido, Verdadero)
  3. Por lo tanto, John Lennon era músico. (Válido, Verdadero)

En este caso tenemos una premisa falsa y una premisa verdadera, de donde se ha inferido una conclusión verdadera.

Ejemplo de definición n.° 2

Evidencia: Estamos a principios de la década de 1950 y usted es un estadounidense destinado en la Unión Soviética . Lee en un periódico de Moscú que un equipo de fútbol de una pequeña ciudad de Siberia empieza a ganar partido tras partido. Incluso derrotan al equipo de Moscú. Inferencia: La pequeña ciudad de Siberia ya no es tan pequeña. Los soviéticos están desarrollando su propio programa nuclear o de armas secretas de alto valor.

Datos conocidos: La Unión Soviética era una economía planificada : a las personas y a los bienes se les decía adónde ir y qué hacer. La pequeña ciudad era remota y, históricamente, nunca se había distinguido; su temporada de fútbol solía ser corta debido al clima.

Explicación: En una economía planificada , las personas y los materiales se trasladan donde se necesitan. Las grandes ciudades pueden contar con buenos equipos debido a la mayor disponibilidad de jugadores de alta calidad; y cabe esperar que los equipos que pueden entrenar durante más tiempo (posiblemente debido a un clima más soleado y mejores instalaciones) sean mejores. Además, se coloca a los mejores y más brillantes en los lugares donde pueden ser más útiles, como en programas de armamento de alto valor. Es una anomalía que una ciudad pequeña cuente con un equipo tan bueno. Esta anomalía describía indirectamente una condición mediante la cual el observador infería un nuevo patrón significativo: que la pequeña ciudad ya no era pequeña. ¿Por qué colocar a los mejores y más brillantes de una gran ciudad en medio de la nada? Para ocultarlos, por supuesto.

Inferencia incorrecta

Una inferencia incorrecta se conoce como falacia . Los filósofos que estudian la lógica informal han recopilado largas listas de ellas . Los psicólogos cognitivos han documentado muchos sesgos en el razonamiento humano que favorecen el razonamiento incorrecto y los explican mediante el uso de heurísticas en el razonamiento humano. [ 4 ]

Un ejemplo de sesgo en el razonamiento humano es el sesgo de confirmación , donde las personas tienden a buscar información que confirme sus creencias en lugar de información que pueda contradecirlas, aunque esta última (falsificaciones) sea más informativa para el razonamiento deductivo. Esto se demuestra en la tarea de selección de Watson . [ 5 ] [ 6 ] Otro ejemplo, que involucra razonamiento probabilístico, es la falacia de la conjunción , donde las personas juzgan una conjunciónA∧B{\displaystyle A\wedge B}ser más probable que una sola conjunciónA{\displaystyle A}, porqueB{\displaystyle B}contiene contenido más "representativo". Esto se demuestra con el " problema de Linda " y se explica mediante el uso de una heurística de representatividad . [ 7 ]

Aplicaciones

Motores de inferencia

Los sistemas de IA proporcionaron inicialmente inferencia lógica automatizada, un tema de investigación que en su momento fue muy popular y que derivó en aplicaciones industriales en forma de sistemas expertos y, posteriormente, motores de reglas de negocio . Los trabajos más recientes sobre la demostración automatizada de teoremas se basan más sólidamente en la lógica formal.

La función de un sistema de inferencia es ampliar automáticamente una base de conocimiento. Esta base de conocimiento (BC) es un conjunto de proposiciones que representan lo que el sistema sabe sobre el mundo. El sistema puede utilizar diversas técnicas para ampliar la BC mediante inferencias válidas. Un requisito adicional es que las conclusiones a las que llega el sistema sean relevantes para su tarea.

Además, el término «inferencia» también se ha aplicado al proceso de generar predicciones a partir de redes neuronales entrenadas . En este contexto, un «motor de inferencia» se refiere al sistema o hardware que realiza estas operaciones. Este tipo de inferencia se utiliza ampliamente en aplicaciones que van desde el reconocimiento de imágenes hasta el procesamiento del lenguaje natural .

Motor Prolog

Prolog (acrónimo de "Programming in Logic") es un lenguaje de programación basado en un subconjunto del cálculo de predicados . Su función principal es comprobar si una determinada proposición puede inferirse de una base de conocimiento (KB) mediante un algoritmo llamado encadenamiento hacia atrás .

Volvamos a nuestro silogismo de Sócrates . Introducimos en nuestra base de conocimiento el siguiente fragmento de código:

mortal(X) :- hombre(X). hombre (Sócrates).

(Aquí :- se puede leer como "si". Generalmente, si P→{\displaystyle \to }Q (si P entonces Q) entonces en Prolog codificaríamos Q :- P (Q si P).) Esto indica que todos los hombres son mortales y que Sócrates es un hombre. Ahora podemos preguntarle al sistema Prolog sobre Sócrates:

¿- mortal (Sócrates)?

(donde ?- significa una pregunta: ¿ Se puede deducir mortal (sócrates) de la KB usando las reglas?) da la respuesta "Sí".

Por otro lado, le pedimos al sistema Prolog lo siguiente:

¿- mortal (platón).

da la respuesta "No".

Esto se debe a que Prolog desconoce cualquier información sobre Platón y, por lo tanto, asume por defecto que cualquier propiedad sobre Platón es falsa (la llamada suposición de mundo cerrado ). Finalmente, `?- mortal(X)` (¿Es algo mortal?) daría como resultado "Sí" (y en algunas implementaciones: "Sí": X=sócrates). Prolog puede utilizarse para tareas de inferencia mucho más complejas. Consulte el artículo correspondiente para ver más ejemplos.

web semántica

Recientemente, los sistemas de razonamiento automático han encontrado un nuevo campo de aplicación en la web semántica . Al basarse en la lógica descriptiva , el conocimiento expresado mediante una variante de OWL puede procesarse lógicamente, es decir, se pueden realizar inferencias a partir de él.

Estadística bayesiana y lógica de la probabilidad

Los filósofos y científicos que siguen el marco bayesiano para la inferencia utilizan las reglas matemáticas de la probabilidad para encontrar la mejor explicación. La perspectiva bayesiana posee varias características deseables; una de ellas es que incorpora la lógica deductiva (cierta) como un subconjunto (esto lleva a algunos autores a denominar a la probabilidad bayesiana "lógica de la probabilidad", siguiendo a E. T. Jaynes ).

Los bayesianos identifican las probabilidades con grados de creencia, donde las proposiciones ciertamente verdaderas tienen probabilidad 1 y las proposiciones ciertamente falsas tienen probabilidad 0. Decir que "va a llover mañana" tiene una probabilidad de 0,9 significa que se considera que la posibilidad de que llueva mañana es extremadamente probable.

Mediante las reglas de probabilidad, se puede calcular la probabilidad de una conclusión y de las alternativas. La mejor explicación suele identificarse con la más probable (véase la teoría de la decisión bayesiana ). Una regla fundamental de la inferencia bayesiana es el teorema de Bayes .

lógica difusa

Lógica no monótona

Por ejemplo, los lógicos han trabajado para desarrollar una lógica formal de razones, utilizando variantes de la lógica no monótona. [ 8 ]

Véase también

Referencias

  1. ↑ Francesco Bellucci, “Eco y Peirce sobre la abducción”, European Journal of Pragmatism and American Philosophy [En línea], X-1 | 2018, En línea desde el 20 de julio de 2018, conexión el 16 de marzo de 2026. URL: http://journals.openedition.org/ejpap/1122 ; DOI: https://doi.org/10.4000/ejpap.1122
  2. ↑ Vlasáková, M. (2023). "La noción de deducción de Aristóteles". Disputatio , vol. 15, núm. 68, Universidad de Lisboa, 2023, págs. 90-114. https://doi.org/10.2478/disp-2023-0004 .
  3. ↑ "Fundamentos de la inferencia" Estadística y ciencia de datos Dietrich College of Humanities and Social Sciences Carnegie Mellon University . Consultado el 17/03/2026 https://www.cmu.edu/dietrich/statistics-datascience/research/foundations-of-inference.html
  4. ↑ Goldstein, E. Bruce; Hale, Ralph G. (2026). Psicología cognitiva: conectando la mente, la investigación y la experiencia cotidiana (6.ª  ed.). Australia Brasil Canadá México Singapur Reino Unido Estados Unidos: Cengage. ISBN 979-8-214-14338-5.
  5. ↑ Wason, PC; Shapiro, Diana (1971). "Experiencia natural y artificial en un problema de razonamiento" . Quarterly Journal of Experimental Psychology . 23 (1): 63– 71. doi : 10.1080/00335557143000068 . ISSN 0033-555X . 
  6. ↑ Wason, PC (1968). "Razonamiento sobre una regla" . Quarterly Journal of Experimental Psychology . 20 (3): 273– 281. doi : 10.1080/14640746808400161 . ISSN 0033-555X . 
  7. ↑ Tversky, Amos; Kahneman, Daniel (1983). "Razonamiento extensional versus intuitivo: La falacia de la conjunción en el juicio de probabilidad" . Psychological Review . 90 (4): 293– 315. doi : 10.1037/0033-295X.90.4.293 . ISSN 1939-1471 . 
  8. ↑ Horty, John (2014). Reasons as defaults (1.ª edición en rústica ). Oxford: Oxford Univ. Press. ISBN  978-0-19-939644-3.

Lecturas adicionales

  • Hacking, Ian (2001). Introducción a la probabilidad y la lógica inductiva . Cambridge University Press. ISBN 978-0-521-77501-4.
  • Jaynes, Edwin Thompson (2003). Teoría de la probabilidad: La lógica de la ciencia . Cambridge University Press. ISBN 978-0-521-59271-0Archivado del original el 11 de octubre de 2004. Consultado el 29 de noviembre de 2004 .
  • McKay, David JC (2003). Teoría de la información, inferencia y algoritmos de aprendizaje . Cambridge University Press. ISBN 978-0-521-64298-9.
  • Russell, Stuart J.; Norvig , Peter (2003), Inteligencia artificial: un enfoque moderno (2.ª  ed.), Upper Saddle River, Nueva Jersey: Prentice Hall, ISBN 0-13-790395-2
  • Tijms, Henk (2004). Comprensión de la probabilidad . Cambridge University Press. ISBN 978-0-521-70172-3.

Inferencia inductiva:

  • Carnap, Rudolf; Jeffrey, Richard C., eds. (1971). Estudios de lógica inductiva y probabilidad . Vol.  1. The University of California Press.
  • Jeffrey, Richard C., ed. (1980). Estudios de lógica inductiva y probabilidad . Vol.  2. The University of California Press. ISBN 9780520038264.
  • Angluin, Dana (1976). Una aplicación de la teoría de la complejidad computacional al estudio de la inferencia inductiva (Tesis doctoral). Universidad de California en Berkeley.
  • Angluin, Dana (1980). "Inferencia inductiva de lenguajes formales a partir de datos positivos" . Information and Control . 45 (2): 117– 135. doi : 10.1016/s0019-9958(80)90285-5 .
  • Angluin, Dana; Smith, Carl H. (septiembre de 1983). "Inferencia inductiva: teoría y métodos" (PDF) . Computing Surveys . 15 (3): 237– 269. doi : 10.1145/356914.356918 . S2CID 3209224 . 
  • Gabbay, Dov M.; Hartmann, Stephan; Woods, John, eds. (2009). Lógica inductiva . Manual de historia de la lógica. Vol.  10. Elsevier. ISBN 978-0-444-52936-7.
  • Goodman, Nelson (1983). Hechos, ficción y predicciones . Harvard University Press. ISBN 9780674290716.

Inferencia abductiva:

  • O'Rourke, P.; Josephson, J., eds. (1997). Abducción automatizada: Inferencia a la mejor explicación . AAAI Press.
  • Psillos, Stathis (2009). «Un explorador en terreno inexplorado». En Gabbay, Dov M.; Hartmann, Stephan; Woods, John (eds.). Un explorador en terreno inexplorado: Peirce sobre la abducción (PDF) . Manual de historia de la lógica. Vol.  10. Elsevier. pp. 117–152 . doi : 10.1016/B978-0-444-52936-7.50004-5 . ISBN  978-0-444-52936-7.
  • Ray, Oliver (diciembre de 2005). Aprendizaje híbrido abductivo-inductivo (doctorado). Universidad de Londres, Imperial College. CiteSeerX 10.1.1.66.1877 . 

Investigaciones psicológicas sobre el razonamiento humano:

  • deductivo:
    • Johnson-Laird, Philip Nicholas ; Byrne, Ruth MJ (1992). Deducción . Erlbaum.
    • Byrne, Ruth MJ; Johnson-Laird, PN (2009) . "If " y los problemas del razonamiento condicional" (PDF) . Tendencias en Ciencias Cognitivas . 13 (7): 282–287 . doi : 10.1016/j.tics.2009.04.003 . PMID 19540792. S2CID 657803. Archivado del original (PDF) el 7 de abril de 2014. Recuperado el 9 de agosto de 2013 .  
    • Knauff, Markus; Fangmeier, Thomas; Ruff, Christian C.; Johnson-Laird, PN (2003). "Razonamiento, modelos e imágenes: medidas conductuales y actividad cortical" (PDF) . Journal of Cognitive Neuroscience . 15 (4): 559– 573. CiteSeerX 10.1.1.318.6615 . doi : 10.1162/089892903321662949 . hdl : 11858/00-001M-0000-0013-DC8B-C . PMID 12803967. S2CID 782228. Archivado del original (PDF) el 18 de mayo de 2015. Recuperado el 9 de agosto de 2013 .   
    • Johnson-Laird, Philip N. (1995). Gazzaniga, MS (ed.). Modelos mentales, razonamiento deductivo y el cerebro (PDF) . MIT Press. pp. 999–1008 . 
    • Khemlani, Sangeet; Johnson-Laird, PN (2008). "Inferencias ilusorias sobre disyunciones incrustadas" (PDF) . Actas de la 30.ª Conferencia Anual de la Sociedad de Ciencias Cognitivas. Washington/DC . págs. 2128–2133 . 
  • estadístico:
    • McCloy, Rachel; Byrne, Ruth MJ; Johnson-Laird, Philip N. (2009). "Understanding Cumulative Risk" (PDF) . The Quarterly Journal of Experimental Psychology . 63 (3): 499– 515. doi : 10.1080/17470210903024784 . PMID 19591080. S2CID 7741180. Archivado del original (PDF) el 18 de mayo de 2015. Recuperado el 9 de agosto de 2013 .  
    • Johnson-Laird, Philip N. (1994). "Modelos mentales y pensamiento probabilístico" ( PDF) . Cognición . 50 ( 1–3 ): 189–209 . doi : 10.1016/0010-0277(94)90028-0 . PMID 8039361. S2CID 9439284 .  ,
  • analógico:
    • Burns, BD (1996). "Transferencia metaanalógica: transferencia entre episodios de razonamiento analógico". Journal of Experimental Psychology: Learning, Memory, and Cognition . 22 (4): 1032– 1048. doi : 10.1037/0278-7393.22.4.1032 .
  • espacial:
    • Jahn, Georg; Knauff, Markus; Johnson-Laird, PN (2007). "Modelos mentales preferidos en el razonamiento sobre relaciones espaciales" ( PDF) . Memory & Cognition . 35 (8): 2075– 2087. doi : 10.3758/bf03192939 . PMID 18265622. S2CID 25356700 .  
    • Knauff, Markus; Johnson-Laird, PN (2002). "Las imágenes visuales pueden impedir el razonamiento" ( PDF) . Memory & Cognition . 30 (3): 363– 371. doi : 10.3758/bf03194937 . PMID 12061757. S2CID 7330724 .  
    • Waltz, James A.; Knowlton, Barbara J.; Holyoak, Keith J.; Boone, Kyle B.; Mishkin, Fred S.; de Menezes Santos, Marcia; Thomas, Carmen R.; Miller, Bruce L. (marzo de 1999). "Un sistema para el razonamiento relacional en la corteza prefrontal humana" . Psychological Science . 10 (2): 119– 125. doi : 10.1111/1467-9280.00118 . S2CID 44019775 . 
  • moral:
    • Bucciarelli, Monica; Khemlani, Sangeet; Johnson-Laird, PN (febrero de 2008). "La psicología del razonamiento moral" (PDF) . Juicio y toma de decisiones . 3 (2): 121– 139. doi : 10.1017/S1930297500001479 . S2CID 327124 .