TEMA 3.

Aprendizaje predictivo e
inferencia causal
1. Aprendizaje predictivo e inferencia causal
1.1. Relaciones probabilísticas
En el mundo existen regularidades a través de las cuales extraemos relaciones entre
sucesos relativamente estables, en la mayoría de los casos basadas en relaciones
probabilísticas o condicionales (no deterministas).
Por ej. El mal tiempo aumenta la incidencia de gripe (aumenta su probabilidad), pero no
todo el mundo coge la gripe (ej. Depende del sistema inmunitario de cada uno/, de si se
está vacunado/a o no, etc.).
La capacidad para captar (aprender) dichas regularidades nos permiten:
1) Predecir la ocurrencia de eventos relevantes en el entorno, estableciendo asociaciones
entre sucesos (aprendizaje predictivo).
 Aprender que las tormentas son más probables cuando el cielo está gris.
2) Inferir relaciones causa-efecto entre eventos mediante la generación de creencias
causales que se modifican y actualizan de forma continua en función de la experiencia
(más evolucionado; inferencia causal).
 Aprender que regar una planta ayuda a que florezca.

1.2. Modelo lenticular Brunswik

1.3. Inferencias causales
1.4. Modelos de aprendizaje predictivo
2. Modelos basados en la contingencia

2.1. Regla Delta p (∆p)

La probabilidad de ocurrencia de un efecto en presencia de la causa o P(E/C) menos la
probabilidad de ocurrencia de ese efecto en ausencia de la causa o P(E/ noC).
∆p = p(E/C) - p(E/noC)
Propone un estándar racional de cómo deberíamos estimar el juicio
predictivo (de ahí que se sea un modelo normativo).
 Se basa en un cálculo estadístico que mide la fuerza de la fuerza de la
covariación (contingencia ∆p) entre dos eventos (una sola causa
potencial y un solo resultado).
 Los eventos están relacionados entre sí (no son aleatorios) y
coocurren de manera dependiente (en tiempo y espacio).
  Cuanto mayor es la contingencia objetiva entre eventos, mayores son las
estimaciones o juicios d ellos sujetos.
La probabilidad de ocurrencia de un efecto en presencia de la causa o P(E/C) menos la
probabilidad de ocurrencia de ese efecto en ausencia de la causa o P(E/noC).
2.2. Ilusión de causalidad

Relación con diferentes comportamientos y/ o estados

 La ilusión de causalidad es más fuerte en personas que tienen un mayor número
de conductas supersticiosas y/ o creencias paranormales.
 También aumenta cuando la potencial causa para el resultado es la conducta del
participante (implicación personal).
o Hipótesis preferida: la ilusión de causalidad es un mecanismo básico que
protege nuestra autoestima.
o Hipótesis alternativa: involucrarse personalmente implica actuar con más
frecuencia lo que aumenta l p(C). Una mayor p(C) así como un mayor nº
de ensayos noC-noE producen mayor sobreestimación, por lo que sería el
 nivel de p(C) y no tanto el nivel de implicación el responsable de la
ilusión de causalidad.
 Estudiantes levemente deprimidos son más precisos en la detección de
contingencias nulas entre su comportamiento y los resultados deseados.
o Realismo depresivo: las personas deprimidas están más tristes,
pero parecen más sabias en cuanto a no caer en la ilusión de
causalidad.
 Cuando las personas tienen expectativas y esperan ver una relación
positiva en lugar de una relación nula, se enfocan más en las coincidencias
clave-resultado y, por lo tanto, su ilusión es más fuerte.
o La expectativa positiva también aumenta la probabilidad de responder
(ej. Administrando un fármaco), incluso cuando el resultado ocurre de
todos modos (ej. Los pacientes mejoraban en el 80% de los casos), lo
que, a su vez, incremente la ilusión de causalidad.
Ilusión de causalidad, pseudociencia, e intolerancia
https://canal.uned.es/video/61936e25b609237fe575baa4
3. M. basados en la fuerza de la asociación
Modelos basados en la fuerza de la asociación
Son modelos cognitivo-asociativos (descriptivos) basados en el cómputo de la fuerza de
la asociación entre representaciones de eventos.
Fenómeno de adquisición
Al principio, la campana no produce respuesta (carece de relevancia
biológica).
La comida sí provoca una respuesta (salivación).
 La comida es un estímulo incondicionado (EI) que produce una
respuesta incondicional (RI).
Tras emparejar repentinamente la campana con la comida, si presentamos la
campana sola (sin la comida), provocará cierto grado de salivación. Es decir,
el animal ha aprendido (adquirido) la asociación entre la campana y la
comida.
 La campana es ahora un estímulo condicionado (EC).
Fenómeno de extinción
Si posteriormente presentásemos repetidamente la campana (EC) sin ir seguida de la
comida (EI), veríamos cómo la respuesta de salivación iría desapareciendo
paulatinamente.
 Este fenómeno se conoce como extinción.
La adquisición y la extinción son dos fenómenos básicos en el aprendizaje asociativo.
 Mecanismo de aprendizaje asociativo
Podríamos pensar que basta con la mera contigüidad entre los
estímulos: El perro aprende a asociar la campana y la comida
porque se presentan juntos en el tiempo.
Pero algunos procedimientos (ej.
bloqueo) han demostrado que la
contigüidad es insuficiente.
Un diseño de bloqueo tiene dos
fases y dos EC diferentes: por ej., la campana (A) y
una luz (B).
El estímulo A (campana) se asocia repetidamente al EI (comida)= A EI.
 Al final de la fase 1, el perro es capaz de anticipar la comida al oír la
campana.
Continuamos con el aprendizaje, pero le añadimos un segundo estímulo B (luz)=
A+B  EI.
Si después de varias repeticiones presentamos la luz sola (sin la campana), el animal no
mostrará mucha respuesta (no salvará).  ¿No aprende sobre la luz?
El fenómeno de bloqueo nos demuestra que la asociación aprendida
no se debe a la contigüidad, ya que la luz también va seguida de la
comida.
Tanto la campana como la luz son contiguos con la comida, pero la campana es más
contingente que la luz, porque:
 Nunca se ha presentado la comida sin la campana.
 En la fase 1 la campana siempre se presentó con la comida y sin la luz.
El mecanismo de aprendizaje es la contingencia.
3.1. Modelo de Rescorla-Wagner (1972)
Modelo “formal” que describe, mediante un algoritmo sencillo, el proceso de
aprendizaje por C. Clásico.
La esencia del aprendizaje es la “sorpresa”:
 La “sorpresa” sería la diferencia entre mi expectativa y la realidad.
Expectativa: no me espero ningún tipo de fiesta=o.
Realidad: finalmente me hacen una fiesta=1.
¿Sorpresa?: Diferencia enorme (1) entre mi expectativa y la realidad  Gran
sorpresa.
Si durante vario años seguidos me han preparado una fiesta, este año…
Expectativa: me espero una fiesta=1.
Realidad: me hacen la fiesta =1.
¿Sorpresa?: No hay diferencia (0) entre mi expectativa y la realidad  No hay sorpresa.

¿Y si resulta que este año se han olvidado y nadie organiza nada?

Expectativa: me espero una fiesta =1.
Realidad: no me hacen la fiesta=0.
¿Sorpresa?: Diferencia negativa (-1) entre mi expectativa y la realidad  Sorpresa
negativa o desagradable.

Modelo “formal” que describe, mediante un algoritmo sencillo, el proceso de

aprendizaje por C. Clásico.
La esencia del aprendizaje es la “sorpresa”:
 La “sorpresa” sería la diferencia entre mi expectativa y la realidad.
Por tanto, aprendemos en la medida en que algo nos sorprende:
 Cuando una situación es muy sorprendente (ej. Fiesta inesperada),
podemos aprender de ella.
 Cuando un evento ocurre una y otra vez de forma regular (fiesta todos los años),
deja de ser sorprendente porque puedo predecirlo y por tanto, no se da
aprendizaje.