Inducción on kenji.blog

¿Son las esmeraldas verdes o de color «grue»?: El nuevo enigma de la inducción de Goodman

Thu, 10 Sep 2026 21:00:00 +0900

Predecimos el “futuro” a partir de la “experiencia pasada”. “Como el sol salió ayer por el este, mañana también saldrá por el este”. “Como todas las esmeraldas que hemos visto hasta ahora eran verdes, la próxima esmeralda que se extraiga también será verde”.

Este tipo de razonamiento se denomina “inducción” y es la base de toda la ciencia. Sin embargo, en 1955, el filósofo Nelson Goodman ideó un extraño concepto de color que demostraba que esta inducción tiene un defecto fundamental. Esta es la paradoja del «grue».

La definición del nuevo color «grue»

Goodman definió una nueva propiedad (color) llamada «grue» (una síntesis de «verde» (Green) y «azul» (Blue)) de la siguiente manera:

Definición de Grue: Decir que un objeto es «grue» significa que si se observa antes de un tiempo específico $t$ (por ejemplo, el 1 de enero de 2030), es «verde» (Green), y si se observa a partir del tiempo $t$, es «azul» (Blue).

$$ \text{Grue} = \begin{cases} \text{Green} & (\text{tiempo} < t) \\ \text{Blue} & (\text{tiempo} \ge t) \end{cases} $$

Según esta definición, la esmeralda verde que tienes ahora mismo en la mano (antes del tiempo $t$) es al mismo tiempo «verde» y de color «grue».

¿Por qué es una paradoja?

La paradoja surge cuando intentamos predecir el futuro. Todas las esmeraldas que la humanidad ha observado hasta la fecha han sido «verdes». Por lo tanto, utilizando la inducción, predecimos lo siguiente:

Hipótesis A: “Todas las esmeraldas son ‘verdes’”

Pero un momento. Como las esmeraldas observadas hasta ahora son anteriores al tiempo $t$, todas ellas también deberían haber sido de color «grue». Por lo tanto, a partir exactamente de los mismos datos de observación, también es válida la siguiente predicción:

Hipótesis B: “Todas las esmeraldas son de color ‘grue’”

Si seguimos las reglas de la inducción, las observaciones pasadas apoyan la Hipótesis B con “exactamente la misma fuerza” con la que apoyan la Hipótesis A.

graph TD A["Observaciones pasadas: Todas las esmeraldas eran verdes"] -->|Al mismo tiempo| B["Observaciones pasadas: Todas las esmeraldas eran de color 'grue'"] A --> C["Predicción inductiva A: Las esmeraldas del futuro también serán 'verdes'"] B --> D["Predicción inductiva B: Las esmeraldas del futuro también serán de color 'grue'"] C --> E["A partir del tiempo t, seguirán siendo verdes"] D --> F["¡A partir del tiempo t, se volverán 'azules'!"] style C fill:#4CAF50,stroke:#333,color:#fff style D fill:#2196F3,stroke:#333,color:#fff style F fill:#F44336,stroke:#333,color:#fff,stroke-width:2px

¿Se volverán azules las esmeraldas?

Si la Hipótesis B es correcta, en el instante en que llegue el tiempo $t$, todas las esmeraldas del mundo deberán volverse «azules» de golpe (por la definición de grue).

Intuitivamente pensamos: “Eso es absurdo. La Hipótesis B es un juego de palabras antinatural y la Hipótesis A (verde) tiene que ser la correcta”.

Sin embargo, la pregunta de Goodman es mucho más profunda. Si tanto la hipótesis «verde» como la hipótesis «grue» concuerdan perfectamente con los datos del pasado, ¿por qué consideramos que solo la predicción «verde» es legítima y descartamos la predicción «grue»? ¿Cuál es nuestro “fundamento lógico” para ello?

Un desafío a la “Uniformidad de la Naturaleza”

Para evitar este problema, surge la objeción de que “deberíamos utilizar conceptos simples como el ‘verde’ y no conceptos complejos que incluyan el tiempo, como el ‘grue’”.

Sin embargo, Goodman demostró a la inversa que si definimos un color «bleen» (Bleen: azul hasta el tiempo $t$, y verde a partir de entonces), el propio concepto de «verde» se convierte en un concepto complejo dependiente del tiempo: “grue hasta el tiempo $t$, y bleen a partir de entonces”. En otras palabras, decidir qué palabras son “básicas” es simplemente una convención de nuestro lenguaje.

La paradoja del «grue» (el nuevo enigma de la inducción) de Goodman demostró que las teorías científicas no se determinan únicamente por datos empíricos objetivos, sino que dependen en gran medida de “qué marco conceptual (lenguaje) utilizamos para fragmentar el mundo”.

Incluso en el contexto de la inteligencia artificial y el aprendizaje automático, donde los datos de entrenamiento pueden ser los mismos, las predicciones para el futuro pueden cambiar por completo dependiendo de la “estructura del modelo” (a qué características se presta atención). Como un problema de “sobreajuste” (overfitting) o “sesgo”, esta paradoja sigue teniendo un significado importante en la actualidad.

¿Ver una manzana azul prueba que 'los cuervos son negros'? : Los cuervos de Hempel

Thu, 10 Sep 2026 21:00:00 +0900

¿Cómo prueban las teorías los científicos? Normalmente, utilizan la “inducción”, que consiste en observar el mundo y recopilar datos. Por ejemplo, si quisieras probar la hipótesis de que “todos los cuervos son negros”, observarías cuervos en todo el mundo y confirmarías uno por uno que son negros.

Sin embargo, en la década de 1940, el lógico Carl Hempel señaló una extraña laguna lógica oculta en este método científico obvio. Esta es la paradoja de los cuervos de Hempel (Hempel’s Ravens), que afirma que “solo ver una manzana azul o zapatos rojos sirve como evidencia de que ’los cuervos son negros’”.

Sustitución lógica: La magia de la contraposición

Para entender el argumento de Hempel, es necesario recordar el concepto de “contraposición” que se aprende en matemáticas de secundaria.

En lógica, si una proposición “Si A entonces B” es verdadera, su contrapositiva “Si no es B entonces no es A” también debe ser verdadera (esto se llama equivalencia lógica).

Hipótesis $H_1$: “Todos los cuervos son negros (Si es un cuervo, es negro)”

Tomemos la contrapositiva de esta hipótesis $H_1$. Se convierte en “Si no es negro, no es un cuervo”.

Hipótesis $H_2$: “Todo lo que no es negro, no es un cuervo”

Según las reglas de la lógica, $H_1$ y $H_2$ tienen exactamente el mismo significado (equivalencia). Si una se prueba, la otra se prueba automáticamente.

Probar los cuervos sin ver cuervos

Ahora, para confirmar la hipótesis $H_1$ (los cuervos son negros), cada vez que encontramos un cuervo negro, la certeza (evidencia) de la hipótesis se fortalece un poco. Todos están de acuerdo con esto.

Sin embargo, dado que $H_1$ y $H_2$ tienen el mismo significado, encontrar evidencia para la hipótesis $H_2$ (lo que no es negro no es un cuervo) debería servir directamente como evidencia para la hipótesis $H_1$.

Entonces, ¿cuál es la evidencia para $H_2$? Solo necesitas encontrar “algo que no sea negro y no sea un cuervo”.

Supongamos que hay una “manzana azul” sobre la mesa. Esta no es negra ni es un cuervo. Por lo tanto, es evidencia que apoya a $H_2$.
Había “zapatos rojos” en el armario. Estos tampoco son negros ni son cuervos. Es evidencia para $H_2$.
Hay una “nube blanca” flotando en el cielo. Esta también es evidencia para $H_2$.

Dado que la evidencia para $H_2$ tiene el mismo valor que la evidencia para $H_1$, lógicamente se extrae la siguiente conclusión extraña.

“Cuantas más manzanas azules o zapatos rojos observes en una habitación, más se demuestra la validez de la hipótesis de que ’todos los cuervos son negros’”

graph TD A["Proposición H1: Todos los cuervos son negros"] <-->|Equivalencia Lógica (Contraposición)| B["Proposición H2: Lo que no es negro no es un cuervo"] C["Observación: Cuervo negro"] -->|Sirve de evidencia| A D["Observación: Manzana azul"] -->|Sirve de evidencia| B D -.->|¿Por lo tanto esto también debería ser evidencia?| A style A fill:#4CAF50,stroke:#333,stroke-width:2px,color:#fff style B fill:#4CAF50,stroke:#333,stroke-width:2px,color:#fff style C fill:#2196F3,stroke:#333,color:#fff style D fill:#FF9800,stroke:#333,color:#fff

¿Por qué es contraintuitivo?

No hay ningún ornitólogo en el mundo que profundice su convicción de que “los cuervos son negros” mirando una manzana azul. Aunque debería ser lógicamente impecable, ¿por qué nuestro sentido común lo rechaza?

En el mundo de la filosofía y la estadística se han propuesto varios enfoques para esta paradoja.

1. Solución bayesiana (Diferencia en la cantidad de información)

El contraargumento más convincente desde la perspectiva de la estadística moderna (probabilidad bayesiana) se centra en la diferencia en la “fuerza de la evidencia (cantidad de información)”.

Hay abrumadoramente más “cosas que no son negras” en el mundo que “cosas negras”, y astronómicamente más “cosas que no son cuervos” que “cuervos”.

Cuando ves una manzana azul, sin duda es evidencia de que “todos los cuervos son negros”, pero su valor como evidencia (el grado de aumento de probabilidad) está infinitamente cerca de cero. Incluso si se confirma una de las innumerables “cosas que no son negras” en el vasto universo, el aumento en la probabilidad de que “los cuervos sean negros” tiene aproximadamente el mismo impacto que quitar un solo grano de arena del desierto. Por otro lado, encontrar directamente un solo cuervo negro tiene un valor de evidencia abrumadoramente mayor.

En resumen, la solución bayesiana es que lógicamente “una manzana azul es evidencia”, pero en la práctica “se puede ignorar porque su valor como evidencia es igual a cero”.

2. Los límites de la “ornitología de interior”

Esta paradoja pone de relieve cuán frágiles son las premisas sobre las que se basa el núcleo de la ciencia, la “inducción (derivar leyes generales a partir de la observación)”. Si nos basamos únicamente en la equivalencia lógica, sería posible hacer “ornitología de interior”, donde podríamos verificar cualquier ley del universo (“todos los cisnes son blancos”, “todos los alienígenas no son verdes”, etc.) simplemente observando la basura en nuestra habitación sin salir a la calle.

Los cuervos de Hempel es una paradoja muy interesante que muestra que las palabras “evidencia” y “prueba” que usamos inconscientemente no pueden ser capturadas del todo solo por las reglas de la lógica simbólica pura.