Introducción a la inferencia causal
La capacidad de establecer relaciones causales entre eventos y de emplear este conocimiento para hacer inferencias constituye una característica fundamental del proceso cognitivo humano y juega un papel central en la toma de decisiones y en la búsqueda de explicaciones en numerosas áreas de conocimi...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2025 |
| País: | España |
| Recursos: | Universidad de Sevilla (US) |
| Repositorio: | idUS. Depósito de Investigación de la Universidad de Sevilla |
| OAI Identifier: | oai:idus.us.es:11441/183447 |
| Acesso em linha: | https://hdl.handle.net/11441/183447 |
| Access Level: | acceso abierto |
| Palavra-chave: | Inferencia causal modelos causales estructurales grafos dirigidos ac´ıclicos intervenci´on contrafactual descubrimiento causal variables no observadas Causal inference structural causal models directed acyclic graphs intervention counterfactual causal discovery hidden variables |
| Resumo: | La capacidad de establecer relaciones causales entre eventos y de emplear este conocimiento para hacer inferencias constituye una característica fundamental del proceso cognitivo humano y juega un papel central en la toma de decisiones y en la búsqueda de explicaciones en numerosas áreas de conocimiento. En este contexto, el marco de los modelos causales basados en grafos permite dotar de una formalización matemática rigurosa al concepto de causalidad desde una perspectiva computacional, permitiendo explicitar las relaciones causales entre las variables de un sistema por medio de grafos dirigidos acíclicos (DAGs). El presente trabajo fin de máster constituye una introducción integral a la inferencia causal desde el marco de los modelos causales basados en grafos. Partiendo de las motivaciones y los supuestos de este enfoque, se desarrollan sus fundamentos teóricos a partir del concepto de modelo causal estructural (SCM), formalizando las nociones de intervención y contrafactual. Se aborda el problema del descubrimiento causal, resaltando las hipótesis en las que se sustenta y sus limitaciones, y se presentan algunos de los algoritmos más representativos. Asimismo, se analiza cómo tratar la presencia de variables no observadas en el sistema. Finalmente, el trabajo concluye destacando el potencial transformador de este marco de inferencia dentro de las ciencias empíricas y del campo de la inteligencia artificial. |
|---|