Judea Pearl: Las matemáticas del porqué de las cosas | Café y teoremas | Ciencia

0



Los seres humanos generalmente toman decisiones a partir de nuestro conocimiento del mundo que nos rodea y, en concreto, prediciendo en mayor o menor medida las consecuencias de nuestros actos. Por tenue que sea, esto requiere una comprensión de las relaciones de causa y efecto. ¿Qué efectos tendrá una determinada acción? ¿Qué hubiera pasado si hubiéramos actuado de otra manera? ¿Un hecho es causa de otro, hay algo que no estamos teniendo en cuenta que causa ambos, o es más bien pura coincidencia? Comprender estas relaciones causales a un nivel detallado tiene importantes consecuencias a nivel personal, social y político. Judea Pearl (Israel, 1936), nueva galardonada con el Premio Fronteras del Conocimiento 2022 de la Fundación BBVA en Tecnologías de la Información y las Comunicaciones, es una de las creadoras de un formalismo que extiende el estudio de la causalidad a numerosos escenarios.

Para resolver un problema, necesitamos comprender qué posibles acciones funcionan o cuáles no y por qué, al mismo tiempo que incorporamos la incertidumbre que caracteriza nuestra limitada perspectiva del mundo. Por ejemplo, para diseñar diferentes tratamientos médicos como las vacunas para la poliomielitis, el sarampión y, por supuesto, la covid-19, o la terapia antirretroviral para el VIH, es fundamental obtener una caracterización detallada y específica de la relación entre cura y enfermedad.

En las estadísticas existe la famosa premisa de que La correlación no implica causa, como muestran claramente las correlaciones espurias. Por ejemplo, existe una correlación entre la cantidad de películas con Nicolas Cage en la década de 2000 y la cantidad de ahogamientos en piscinas durante esos mismos años. ¿Significa esto que si Cage estrena una nueva película deberíamos tener más cuidado en la piscina? No generalmente. Esta correlación no implica una conexión causal, es solo una de las muchas coincidencias que aparecen al azar.

Por otro lado, en ocasiones pueden existir variables o factores de confusión que afectan a varias variables de interés a la vez y su efecto puede llevar a conclusiones erróneas similares a las anteriores. Por ejemplo, existe una correlación demostrable entre la cantidad de helados vendidos en una ciudad y la cantidad de delitos violentos. En este caso, hay una variable de confusión: los delitos violentos son más frecuentes cuando aumentan las temperaturas, lo que también aumenta las ventas de helados.

Una de las técnicas «clásicas» más importantes en el estudio de la causalidad son los ensayos controlados aleatorios (ECA). En su forma más básica, un RCT separa una población aleatoria en dos grupos: uno será tratado o modificado de alguna manera y el otro permanecerá sin cambios (grupo de control) para estudiar la diferencia relativa entre los dos. Por ejemplo, en un estudio de eficacia de una vacuna, la mitad de los participantes reciben un placebo y la otra mitad recibirá la dosis. Por tanto, bajo ciertos requisitos, la aleatorización de ambos grupos permite discernir si esta alteración tiene o no cierto efecto de interés en la población.

Los ECA son muy versátiles para esclarecer las relaciones causales entre diferentes factores, pero no siempre es factible implementarlos por problemas de tiempo, financiación, dificultades para encontrar casos de estudio, etc. Ante esto, se requieren nuevas estrategias para realizar estudios de causalidad. Aquí es donde brilla el trabajo de Pearl, proporcionando una nueva forma de realizar estos análisis.

Pearl estudia la causalidad desde una nueva perspectiva, extendiendo los modelos de red bayesianos para interpretarlos como modelos de causalidad. Las redes bayesianas, también desarrolladas por Pearl, son una herramienta gráfica para representar visualmente modelos probabilísticos. Estos modelos se utilizan ampliamente en estadística por su capacidad para describir eventos y relaciones probabilísticas complejas con gran precisión y aparecen con frecuencia en la investigación en inteligencia artificial, estadística y otras ciencias fundamentales. Fuera del contexto académico también se utilizan, por ejemplo, para ayudar a los centros de salud a decidir qué tratamiento requiere un paciente.

Al combinar los modelos de red bayesianos extendidos con el control de variables de confusión, es posible determinar claramente las relaciones causales bajo ciertas suposiciones. Esto también resuelve situaciones aparentemente paradójicas, donde dependiendo de quién o cómo se realice el análisis de los datos, se obtienen conclusiones contradictorias (lo que se conoce como la paradoja de Simpson).). Además, este análisis causal es un remedio muy eficaz frente a posibles manipulaciones, que intentan confundir o enturbiar las conclusiones de la comunidad científica, como ocurrió con el tabaco en la década de los 70 del siglo pasado, cuando se pretendía ocultar la relación entre tabaco y cáncer

A pesar de las discusiones que provocó dentro de la comunidad científica, el trabajo de Pearl El libro del porqué: la nueva ciencia de causa y efectoque se mueve entre la estadística y la filosofía, popularizó su lenguaje para el análisis causal. Las contribuciones de Pearl son importantes en varios campos de la ciencia, pero también nos ayudan a obtener una nueva forma de entender el mundo, con implicaciones directas para el bienestar y cómo tomamos decisiones que afectan a los demás y al entorno que nos rodea. .

simone rodriguez Es investigador postdoctoral en la ICMAT.

Timón G. Longoria Ágata es coordinador de la Unidad de Cultura Matemática de ICMAT.

Café y teoremas es una sección dedicada a las matemáticas y el entorno en el que se crea, coordinada por el Instituto de Ciencias Matemáticas (ICMAT), en la que investigadores y miembros del centro describen los últimos avances en esta disciplina, comparten puntos de encuentro entre las matemáticas y otras y expresiones culturales y recordar a quienes han marcado su desarrollo y han sabido transformar el café en teoremas. El nombre evoca la definición del matemático húngaro Alfred Rényi: “Un matemático es una máquina que transforma el café en teoremas”.

Edición y coordinación: Ágata A. Timón G Longoria (ICMAT).

Puedes seguir PREGUNTA en Facebook, Gorjeo Y Instagramo regístrate aquí para recibir nuestro boletín semanal.



También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More