6.c) Esnuka y los algoritmos genéticos del modelo de simulación global

Después de introducir en el Modelo Social de la evolución en el sentido aportado por la Teoría de la Evolución Condicionada de la Vida las limitaciones funcionales debidas a los problemas genéticos y dotarle de procesos estadísticos con la capacidad de generar variables cuantitativas, con perturbaciones aleatorias que las acerquen a las variables de datos observados, el modelo completo de la herencia genética de la inteligencia funciona satisfactoriamente, como se puede comprobar con las gráficas de correlación y regresión múltiple que se presentan a continuación.

La tercera sorpresa del estudio estadístico EDI ha sido que una vez validado el modelo completo o Modelo Global contiene exactamente los mismos parámetros de herencia biológica, evolución y problemas genéticos que maneja el juego gratis de billar Esnuka (1991). Es decir, los algoritmos genéticos utilizados en la simulación de procesos son los mismos. Yo había renunciado a introducir algunos de estos algoritmos genéticos en la regresión lineal porque no pensé que fuesen necesarios y que sería muy difícil de justificar.

De hecho, para probar el carácter hereditario de la inteligencia y la presencia del método VIG no hace falta ningún algoritmo genético de generación de la variable R cuando la regresión lineal se hace sobre M y P directamente.

Esnuka es un juego de billar en el que el color de las bolas depende de los estados evolutivos en función de las carambolas logradas, de acuerdo con los algoritmos genéticos deducidos de la Teoría General de la Evolución Condicionada de la Vida. En Esnuka no hacían falta tantas variables aleatorias en los procesos de simulación de la evolución porque no producía errores en la expresión ni en la medición y la evolución se establece en un porcentaje constante.

Todas estas gráficas de correlación y regresión múltiple corresponden al Modelo Global de herencia multifuncional incluyendo las limitaciones funcionales derivadas de que existen problemas genéticos. Por supuesto, para lograr un efecto visual satisfactorio de las variables cuantitativas, se han escogido aquellas gráficas de la simulación de procesos en las que W más se ajusta a una de las H o variables observadas de los hijos.

6.c.1. Variables originales. (Test de inteligencia escala Wechsler y Stanford-Binet)

Las variables individuales originales facilitadas por el Young Adulthood Study no siempre mejoran su ajuste con los algoritmos genéticos implementados o simulados en el Modelo Global mientras que las centradas sí. Para el caso del orden (M+P)/2 se podría entender fácilmente porque dicho criterio no responde a los cambios en los parámetros de evolución interna; mientras que los vectores R y M1P1 sí lo hacen y por eso las denominamos R ° y M1P1 ° para facilitar los razonamientos.

Además de los problemas genéticos, puede ser que falten elementos por precisar, pero la estructura principal del Modelo Global y los algoritmos genéticos que implica, en mi opinión, es totalmente válida. También pudiera ser que la sensibilidad del modelo con tanta variable aleatoria no sea capaz de detectar el limitado efecto de los parámetros de evolución interna sobre dichos elementos y lo que necesita este modelo de simulación es una mayor precisión cuantitativa de los elementos involucrados.

Es pronto para sacar conclusiones tan específicas, por ejemplo, se me ocurre que, a la vista de estas gráficas, dónde las tres variables H se comportan a veces de forma muy similar y a veces de forma muy diferente, podría resultar que los diferentes test utilizados midan características diferentes y por eso respondan de forma diferente cuando la perspectiva del análisis cambia.

MODELO GLOBAL: T1, T4 y WB
Test de inteligencia escala Wechsler, Stanford-Binet
Orden Función objetivo
M & P
Gráficas ICMG r² máx. Gráficas ICMG r² máx.
(M+P)/2 q151° 11,73 0,62 q152 13,05 0,80
M1P1° q153° 10,91 0,79 q154° 13,04 0,79
q155° 10,83 0,73 q156° 12,63 0,94
WB q157° 12,26 0,89 q158 14,68 0,99

Esto último, ya lo sabemos, lo que sería nuevo es el análisis cuantitativo desde esta perspectiva.

En otras palabras, podría ser que ciertas funciones elementales que conforman la inteligencia pertenezcan a un núcleo duro que no se verá afectado normalmente por la evolución interna de una sola generación. En concreto, podría ser una mejora al modelo el poner una constante de inteligencia mínima humana que podría ser de 50 o 60 puntos, aunque siempre pueda haber excepciones por graves alteraciones cerebrales por problemas genéticos.

Aun así, las correlaciones obtenidas con las variables individuales llegan a 0,89 para la función R ° definida por la TGECV y a 0,99 si se hace sobre M y P; si bien, este último resultado es el mismo que con el Modelo Global de herencia genética sin evolución porque los parámetros de la evolución no alteran ni M & P ni el criterio estadístico de ordenación WB.

Asimismo, cuando se utiliza la variable R ° como criterio estadístico de ordenación se consigue el 0,94 que no está nada mal. Y a 0,79 cuando el criterio es M1P1 ° para las dos funciones objetivo contempladas.

Otro aspecto que no conviene olvidar es la mejora de comportamiento de la variable W en todos ellos. Yo pienso que solo con ver las gráficas con la simulación de procesos de herencia biológica y evolución uno se da cuenta que el modelo no puede estar muy equivocado.

6.c.2. Variables centradas. (Medias de test de inteligencia escala Wechsler y Stanford-Binet)

Con las variables centradas en el Modelo Global de simulación de la evolución se mantiene su mejor ajuste con relación a las individuales que existía en el modelo de la Inteligencia Social.

MODELO GLOBAL: T1-d, X3 y X6
Orden Función objetivo
M & P
Gráficas ICMG r² máx. Gráficas ICMG r² máx.
(M+P)/2 q161° 14,70 0,77 q162 16,03 0,80
M1P1° q163° 15,61 0,89 q164° 17,77 0,89
q165° 15,55 0,84 q166° 17,40 0,97
X6 q167° 15,05 0,91 q168 17,20 0,88

Se podría decir que las gráficas de correlación y regresión múltiple siguen siendo bastante elocuentes.

Respecto a las mismas variables centradas sin los algoritmos genéticos de los procesos de simulación de la evolución interna y problemas genéticos, se observa un aumento del ICMG mayor cuando la función objetivo es M & P que R °, aunque es importante en ambas, y mayor con el criterio M1P1 ° que con R °, situándose en 1,70 puntos y 1,52 respectivamente.

Tanto para la función objetivo R ° como para la M & P los resultados con enfoque cuantitativo del modelo de simulación son superiores cuando se utilizan los criterios de ordenación R ° y M1P1 °