6.b.3. Análisis de sensibilidad - El Modelo Globus

Uno de los objetivos del Estudio EDI era probar los mecanismos genéticos de carácter funcional o modo de operar de la naturaleza en la transmisión de la información genética de la inteligencia.

Evolución interna Evolución genética de la inteligencia
Evolución genética de la inteligencia

Sinceramente, no pensaba que el modelo estadístico pudiera tener tanta sensibilidad pero me equivocaba y, a mi juicio, el análisis de sensibilidad de los procesos de simulación confirma abiertamente las predicciones de la Teoría General de la Evolución Condicionada de la Vida (TGECV) y se configura como una auténtica prueba de la evolución no aleatoria y en especial el modelo Súper Globus con selección sexual.

Una de las simplificaciones realizadas se refiere al modelo teórico de la Teoría General de la Evolución Condicionada de la Vida, éste nos señala que existe evolución, que efectivamente el medio ambiente influye, pero de una forma más general; es decir, la capacidad se incrementa a lo largo de la vida y se transmite a la descendencia.

También tenemos la posibilidad de introducir elementos asimétricos en los algoritmos de los modelos de simulación estadística, de forma que nos ayuden a nuestro objetivo. Podemos distinguir entre evolución interna y evolución externa. La evolución interna solo se producirá en los genes masculinos que son los que se renuevan constantemente en la naturaleza. Lo siento, pero la Teoría General de la Evolución Condicionada de la Vida (TGECV), en consonancia con lo que a mí me enseñaron de pequeñito, recuerda que los óvulos están fijos desde edades muy tempranas de las niñas, por lo que parece complicado que los genes femeninos puedan incorporar muchas modificaciones.

Además, siguiendo dicho modelo, se puede distinguir entre evolución interna directa e indirecta; en la primera, el potencial se incrementará en un porcentaje sobre su mismo valor mientras en la segunda el incremento de potencial de un de un gen masculino se enlazará con el potencial del correspondiente gen femenino y viceversa. Esto implicará una asimetría adicional y hará bajar la correlación un poco más en el modelo de simulación estadística que si la variación es proporcional al potencial del mismo gen.

Ahora, se puede decir que estamos llegando a niveles de complejidad estadística muy elevados. No obstante, conviene recordar que la potencia de los ordenadores actuales simplifica enormemente la realización de los modelos de simulación estadística de estos procesos genéticos de la evolución de la inteligencia.

 
MODELO GLOBUS
(Gráficas Modelo)

Global parametrizado)

ALGORITMOS DE OPTIMIZACIÓN
EVOLUCIÓN INTERNA DE LA INTELIGENCIA

Parámetros
Evo. interna°
T1-d, X3 y X6 y criterio ordenación M1P1°
Función objetivo
Directa Indirecta M & P
Madres Gráficas ICMG r² máx. Gráficas ICMG r² máx.
5 5 q171° 14,14 0,72 q172° 14,46 0,72
3 3   14,21 0,82   14,81 0,82
1 1   13,49 0,80   13,89 0,80
Nula            
0 0 q123 14,98 0,92 q124 16,07 0,92
Padres            
1 1   14,06 0,83   16,10 0,87
2 3   14,79 0,87   16,10 0,87
3 3   15,33 0,84   16,47 0,84
4 4   15,09 0,84   16,73 0,84
5 5 q163° 15,61 0,89 q164° 17,77 0,89
6 6   14,30 0,95   16,74 0,95
7 7   13,25 0,83   15,56 0,83
° Los parámetros de la evolución interna afectan a la función objetivo R y al orden M1P1

Igualmente con los algoritmos de optimización se probó un factor lógico de evolución interna mínima, habiéndose descartado posteriormente por empeorar los ajustes obtenidos.

Teniendo en cuenta que los parámetros de evolución interna afectarán a la función objetivo R° y a la variable cuantitativa M1P1° de ordenación previa de la muestra, el efecto sobre las correlaciones de cambios en estos parámetros nos debería indicar la bondad de las especificaciones y, mediante el análisis de sensibilidad de los parámetros, su magnitud óptima.

Evolución de la inteligencia
Simulación de la inteligencia

A todos estos mecanismos de los modelos de simulación estadística de la evolución de la inteligencia que permiten el análisis de sensibilidad es a lo que llamo algoritmos de optimización. Su complejidad se deriva tanto de las funciones matemáticas necesarias para su tratamiento estadístico como a la gran acumulación de pequeños conceptos e innovaciones.

En otro apartado ya he comentado que aproximadamente se habrán calculado unos 500 millones de coeficientes de correlación en todo el Estudio EDI sobre la evolución y diseño de la inteligencia.

Para referirme a este tipo de algoritmos de optimización y análisis de sensibilidad y su distinta presentación gráfica a la del Modelo Global le he asignado un nuevo nombre: Modelo Globus.

El análisis con variables originales no es tan concluyente como el realizado con variables centradas pues estas últimas generan resultados más precisos.

El cuadro muestra las variaciones de los resultados en función de los parámetros de evolución. En particular se puede observar como el mejor ajuste se obtiene para un valor de 5 para los parámetros de evolución interna tanto directa como indirecta. Conviene remarcar que la diferencia en los ICMG es, a mi juicio, suficientemente significativa.

Si se observan las gráficas correspondientes, se comprenderá fácilmente esta afirmación con la preparación del modelo de cuadros estadístico para el análisis de sensibilidad del modelo de evolución de la inteligencia a los parámetros de evolución interna. Con las gráficas, la complejidad estadística de los algoritmos de optimización se transforma en una inmediata percepción visual de las relaciones subyacentes en el modelo.

Con independencia de que se puedan visualizar todas las gráficas, mostraremos aquí la que reporta un mayor ajuste para la función R°.

Sobre todo hay que fijarse que la mejora es más clara para las variables estadísticas de medias de valores X3 y X6, puesto que la T1-d empeora un poco respecto a pero no respecto a M&P. Es como si ésta perdiese algo de su personalidad al recortarle los picos.

La figura muestra los mismos resultados del modelo de simulación estadística que el cuadro Algoritmos de Optimización de la evolución interna con la forma gráfica del Modelo Globus.

Algoritmos de Optimización
Modelo Globus

Dado el elevado grado de sensibilidad social que este aspecto puede tener y la complejidad técnica mencionada anteriormente, en el modelo de simulación estadística de la evolución se ha comprobado si el supuesto contrario funcionaría igual, en otras palabras, suponiendo que solo las mujeres cambiasen los genes. En el mismo cuadro se pueden ver los resultados de  los algoritmos de optimización; como era de esperar, los ajustes son incluso peores que con una situación de evolución nula.

La TGECV, teoría subyacente a este análisis estadístico, explica en detalle la argumentación básica que, a mi juicio, anula cualquier interpretación sexista de los resultados, dada la diferente función biológica del hombre y la mujer.

Resulta interesante examinar por separado la variable X3 y después la variable X6 que, sin lugar a dudas, son mucho más claras y deberían ser las más próxima a la realidad.

El pico que se observa para la evolución nula o lo que sería estadísticamente equivalente, que ambos sexos contribuyesen a la evolución interna en el mismo porcentaje, tiene una explicación realmente difícil desde el punto de vista de la genética. Pero puestos a comentar la complejidad de estos algoritmos de optimización, se me ocurre una idea algo aventurada, entre otras cosas, podría tratarse de la posibilidad de que no todos los hombres lleven a cabo la mejora de los genes por falta de confianza de la naturaleza ante determinados indicadores, como por ejemplo que existan pocas modificaciones.

En este supuesto caso, dada la sensibilidad del modelo de simulación estadística de la evolución y de las variables normalizadas, la primera desviación en un uno por ciento desvirtuaría las correlaciones, mientras que cuando nos acercamos al valor óptimo, el efecto de un correcto porcentaje de evolución interna superaría el anterior.

En cualquier caso, el punto óptimo del 5% de evolución interna directa y de otro 5% de indirecta de los genes transmitidos por los hombres se manifiesta con bastante claridad.

El tema no es tan grave como puede parecer si se entiende un poco la TGECV, la diferenciación sexual significa diferencias, especialización, etc. Las mujeres tienen la importante y difícil tarea del desarrollo inicial de los niños que implica una especialización en tecnología de materiales.

Por ello se utiliza el parámetro de evolución externa endógena en los algoritmos genéticos de la simulación estadística, que recoge este efecto evolutivo generado por las mujeres; en concreto, podría suponer una media de incremento del 5% con distribución aleatoria, aunque su comprobación no puede efectuarse por el momento dado que su variación no afecta ni a las funciones objetivo ni a los criterios de ordenación de los algoritmos de optimización.

Otra posibilidad lógica es que el incremento generado por los hombres recoja también ciertos cambios debidos a la mejora de los materiales disponibles gracias a la mejora en la calidad de su construcción cuando estaban dentro de sus madres.

Por otra parte, es muy posible que sus genes cumplan tanto la función de copia de seguridad como la de maximizar la garantía de la viabilidad del nuevo ser. En caso contrario, la naturaleza sería el primer buen programador que no hiciera copia de sus preciados programitas cuando adquieren cierto grado de complejidad y trabajo acumulado.

De hecho, éste es el resultado más espectacular sobre los parámetros de la simulación de la evolución de este estudio. Yo diría que, si no se puede rebatir, significaría poco más o menos que se tenga que aceptar la Teoría General de la Evolución Condicionada de la Vida (TGECV), al menos, en su principal idea de la existencia de una evolución finalista y el abandono de la teoría de las mutaciones aleatorias y, en consecuencia, de la selección natural como principal mecanismo de la evolución.

La complejidad de los algoritmos de optimización en el modelo de simulación estadística de la evolución biológica de la inteligencia no debería ser excusa para no reconocer la evidencia estadística.