Las inferencias son pasos en el razonamiento , que van de las premisas a las consecuencias lógicas ; Etimológicamente, la palabra inferir significa "llevar adelante". Teóricamente, la inferencia se divide tradicionalmente en deducción e inducción , una distinción que en Europa se remonta al menos a Aristóteles (300 a. C.). La deducción es una inferencia que deriva conclusiones lógicas a partir de premisas conocidas o supuestas como verdaderas , y las leyes de la inferencia válida se estudian en lógica . La inducción es la inferencia de una evidencia particular a una conclusión universal . A veces se distingue un tercer tipo de inferencia, especialmente por Charles Sanders Peirce , que contrapone la abducción de la inducción.
Varios campos estudian cómo se realiza la inferencia en la práctica. La inferencia humana (es decir, cómo los humanos sacan 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 sacar conclusiones en presencia de incertidumbre. Esto generaliza el razonamiento determinista, con la ausencia de incertidumbre como caso especial. La inferencia estadística utiliza datos cuantitativos o cualitativos ( categóricos ) que pueden estar sujetos a variaciones aleatorias.
El proceso mediante el cual se infiere una conclusión a partir de múltiples observaciones se llama razonamiento inductivo . La conclusión puede ser correcta o incorrecta, o correcta hasta cierto grado de precisión, o correcta en determinadas situaciones. Las conclusiones inferidas de múltiples observaciones pueden comprobarse mediante observaciones adicionales.
Esta definición es discutible (debido a su falta de claridad. Ref: Diccionario de inglés de Oxford: "inducción... 3. Lógica la inferencia de una ley general a partir de casos particulares." [ aclaración necesaria ] ) La definición dada se aplica sólo cuando el La "conclusión" es general.
Dos posibles definiciones de "inferencia" son:
Los filósofos griegos antiguos definieron una serie de silogismos , inferencias correctas de tres partes, que pueden usarse como bloques de construcción para razonamientos más complejos. Comenzamos con un ejemplo famoso:
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 sigue de la de las premisas?
La validez de una inferencia depende de la forma de la inferencia. Es decir, la palabra “válida” no se refiere a la verdad de las premisas o de la conclusión, sino a la forma de la inferencia. Una inferencia puede ser válida incluso si algunas partes son falsas y puede no ser válida incluso si algunas partes son verdaderas. Pero una forma válida con premisas verdaderas siempre tendrá una conclusión verdadera.
Por ejemplo, considere la forma de la siguiente pista simbólica :
Si las premisas son verdaderas, entonces la conclusión también lo es necesariamente.
Ahora pasemos a un formulario no válido.
Para demostrar que esta forma no es válida, demostramos cómo puede llevar de premisas verdaderas a una conclusión falsa.
Un argumento válido con una premisa falsa puede llevar a una conclusión falsa (este y los siguientes ejemplos no siguen el silogismo griego):
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.
También se puede utilizar un argumento válido para derivar una conclusión verdadera a partir de una premisa falsa:
En este caso tenemos una premisa falsa y una premisa verdadera de la que se ha inferido una conclusión verdadera.
Evidencia: Estamos a principios de la década de 1950 y usted es un estadounidense destinado en la Unión Soviética . Lees en el periódico de Moscú que un equipo de fútbol de una pequeña ciudad de Siberia empieza a ganar partido tras partido. El equipo incluso derrota al equipo de Moscú. Inferencia: La pequeña ciudad de Siberia ya no es una ciudad pequeña. Los soviéticos están trabajando en su propio programa de armas nucleares o secretas de alto valor.
Knowns: La Unión Soviética es una economía dirigida : a las personas y al material se les dice adónde ir y qué hacer. La pequeña ciudad era remota e históricamente nunca se había distinguido; su temporada de fútbol solía ser corta debido al clima.
Explicación: En una economía dirigida , las personas y los materiales se trasladan a donde se necesitan. Las grandes ciudades pueden tener buenos equipos debido a la mayor disponibilidad de jugadores de alta calidad; y se puede esperar razonablemente que los equipos que pueden practicar más tiempo (posiblemente debido a un clima más soleado y mejores instalaciones) sean mejores. Además, pones a tus mejores y más brillantes en lugares donde pueden hacer el mayor bien, como en programas de armas de alto valor. Es una anomalía que una ciudad pequeña tenga un equipo tan bueno. La anomalía describía indirectamente una condición por la cual el observador infería un nuevo patrón significativo: que la pequeña ciudad ya no era pequeña. ¿Por qué pondrías una gran ciudad con tus mejores y más brillantes personajes en medio de la nada? Para ocultarlos, claro.
Una inferencia incorrecta se conoce como falacia . Los filósofos que estudian la lógica informal han compilado grandes listas de ellas y los psicólogos cognitivos han documentado muchos sesgos en el razonamiento humano que favorecen el razonamiento incorrecto.
Los sistemas de inteligencia artificial primero proporcionaron inferencia lógica automatizada y alguna vez fueron temas de investigación extremadamente populares, lo que condujo a aplicaciones industriales en forma de sistemas expertos y, más tarde, motores de reglas comerciales . Los trabajos más recientes sobre la demostración automatizada de teoremas han tenido una base más sólida en la lógica formal.
El trabajo de un sistema de inferencia es ampliar una base de conocimientos automáticamente. La base de conocimiento (KB) es un conjunto de proposiciones que representan lo que el sistema sabe sobre el mundo. Ese sistema puede utilizar varias técnicas para ampliar KB mediante inferencias válidas. Un requisito adicional es que las conclusiones a las que llegue 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 .
Prolog (para "Programación en Lógica") es un lenguaje de programación basado en un subconjunto del cálculo de predicados . Su trabajo principal es comprobar si una determinada proposición se puede inferir a partir de una KB (base de conocimientos) utilizando un algoritmo llamado encadenamiento hacia atrás .
Volvamos a nuestro silogismo de Sócrates . Ingresamos a nuestra Base de Conocimiento el siguiente fragmento de código:
mortal(X) :- hombre(X).hombre(sócrates).
(Aquí :- se puede leer como "si". Generalmente, si P Q (si P entonces Q) entonces en Prolog codificaríamos Q :- P (Q si P).)
Esto establece 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 preguntando al sistema Prolog lo siguiente:
?- mortal(platón).
da la respuesta "No".
Esto se debe a que Prolog no sabe nada sobre Platón y, por lo tanto, adopta por defecto cualquier propiedad sobre que Platón sea falsa (la llamada suposición del mundo cerrado ). Finalmente? - mortal(X) (¿Hay algo mortal?) daría como resultado "Sí" (y en algunas implementaciones: "Sí": X=sócrates)
Prolog se puede utilizar para tareas de inferencia mucho más complicadas. Consulte el artículo correspondiente para obtener más ejemplos.
Recientemente, los razonadores automáticos han encontrado en la web semántica un nuevo campo de aplicación. Al basarse en la lógica de descripción , el conocimiento expresado utilizando una variante de OWL puede procesarse lógicamente, es decir, se pueden hacer inferencias sobre él.
Los filósofos y científicos que siguen el marco bayesiano para la inferencia utilizan las reglas matemáticas de probabilidad para encontrar la mejor explicación. La visión bayesiana tiene una serie de características deseables; una de ellas es que incorpora la lógica deductiva (cierta) como un subconjunto (esto lleva a algunos escritores a llamar a la probabilidad bayesiana "lógica de probabilidad", siguiendo a ET Jaynes ).
Los bayesianos identifican probabilidades con grados de creencias, donde las proposiciones ciertamente verdaderas tienen probabilidad 1 y las proposiciones ciertamente falsas tienen probabilidad 0. Decir que "mañana va a llover" tiene una probabilidad de 0,9 es decir que se considera la posibilidad de que llueva mañana como extremadamente probable.
Mediante las reglas de probabilidad se puede calcular la probabilidad de una conclusión y de alternativas. La mejor explicación suele identificarse con la más probable (véase la teoría de la decisión bayesiana ). Una regla central de la inferencia bayesiana es el teorema de Bayes .
[1]
Una relación de inferencia es monótona si la adición de premisas no socava las conclusiones alcanzadas previamente; de lo contrario, la relación no es monótona . La inferencia deductiva es monótona: si se llega a una conclusión sobre la base de un determinado conjunto de premisas, esa conclusión sigue siendo válida si se añaden más premisas.
Por el contrario, el razonamiento cotidiano es en su mayor parte no monótono porque implica riesgos: sacamos conclusiones precipitadas a partir de premisas deductivamente insuficientes. Sabemos cuándo vale la pena o incluso es necesario (por ejemplo, en el diagnóstico médico) correr el riesgo. Sin embargo, también somos conscientes de que esa inferencia es anulable: que nueva información puede socavar viejas conclusiones. Varios tipos de inferencias frustrables pero notablemente exitosas han captado tradicionalmente la atención de los filósofos (teorías de la inducción, teoría de la abducción de Peirce , inferencia hacia la mejor explicación, etc.). Más recientemente, los lógicos han comenzado a abordar el fenómeno desde un punto de vista formal. El resultado es un gran conjunto de teorías en la interfaz de la filosofía, la lógica y la inteligencia artificial.
Inferencia inductiva:
Inferencia abductiva:
Investigaciones psicológicas sobre el razonamiento humano:
