1

2 ¿Qué es y qué no es la Teoría del Diseño Inteligente?

3 La Teoría del Diseño Inteligente, consiste en detectar empíricamente diseño, y luego aplicar reingeniería inversa a los objetos en los cuales se detectó diseño.

4 LOS TRES MODOS DE EXPLICACION 1.NECESIDAD 2.AZAR 3.DISEÑO

5 3. DISEÑO: Instancias en las cuales se hace importante hacer una distinción entre diseño, accidentalidad y necesidad. Ciencia forense Leyes de propiedad Intelectual Investigación en la reclamación de seguros Criptografía Generación de Números Aleatorios SETI Arqueología Programas de investigación de Inteligencia artificial

6 ¿CÓMO DETECTAR DISEÑO DE UNA FORMA RIGUROSA Y CONFIABLE? UTILIZANDO EL CRITERIO DE “COMPLEJIDAD ESPECIFICADA”

7 110111011111011111110111111111110111111111111101111111111111111101111111 111111111111011111111111111111111111011111111111111111111111111111011111 111111111111111111111111110111111111111111111111111111111111111101111111 111111111111111111111111111111111101111111111111111111111111111111111111 111111011111111111111111111111111111111111111111111111011111111111111111 111111111111111111111111111111111111011111111111111111111111111111111111 111111111111111111111111110111111111111111111111111111111111111111111111 111111111111111111111101111111111111111111111111111111111111111111111111 111111111111111111111101111111111111111111111111111111111111111111111111 111111111111111111111111011111111111111111111111111111111111111111111111 111111111111111111111111111111110111111111111111111111111111111111111111 111111111111111111111111111111111111111111110111111111111111111111111111 111111111111111111111111111111111111111111111111111111111111110111111111 111111111111111111111111111111111111111111111111111111111111111111111111 111111111111111101111111111111111111111111111111111111111111111111111111 1111111111111111111111111111111111111111111111 SETI (NUMEROS PRIMOS DEL 2 AL 101)

8 ELEMETOS EN LA DETECCION DE DISEÑO 1.CONTINGENCIA 2.COMPLEJIDAD 3.ESPECIFICACION

9 1. CONTINGENCIA EJEMPLOS: a)La secuencia de las bases del DNA es irreducible a la afinidad entre las bases. b) La secuencia de Os y 1s de la película Contacto es irreducible a las leyes de la física que gobiernan las transmisión de señales de radio.

10 2. COMPLEJIDAD EJEMPLO: Entre mas combinaciones tiene un candado, el mecanismo del mismo es mas complejo y por ende es menos probable poder abrirlo por medio de azar Se tiene 2 tipos de candados de combinaciones: 1) Numerado de 00 a 39 y requiere que sea girado en 3 direcciones La probabilidad de abrirlo por azar es de: 1/(40x40x40)= 1/64.000 2) Numerado de 00 a 99 y requiere que sea girado en 5 direcciones La Probabilidad de abrirlo por azar es de: 1/ (100x100x100x100x100­)= 1/10.000.000.000)

11 PROBLEMA : LA COMPLEJIDAD (IMPROBABILIDAD), NO ES SUFICIENTE PARA ELIMINAR EL AZARY ESTABLECER DISEÑO. EL EVENTO DE LANZAR 1000 VECES UNA MONEDA Y REGISTRAR LOS RESULTADOS, ES MUY COMPLEJO (IMPROBABLE), PERO SE PUEDE EXPLICAR POR MEDIO DE AZAR. SOLUCION : COMPLEJIDAD (IMPROABILIDAD) QUE EXHIBA UN PATRON APROPIADO (ESTRUCTURA-MENSAJE)ESPECIFICACION

12 ¿QUÉ SERIA UN PATRON APROPIADO PARA APROPIADO PARA PODER INFERIR DISEÑO? EXISTE DOS TIPO DE PATRONES EXISTE DOS TIPO DE PATRONES: 1.FABRICADO :ad hoc 2. ESPECIFICADO: NO ad hoc

13 EJEMPLO ILUSTRATIVO DEL ARQUERO 1.PATRÓN FABRICADO (ad hoc): cuando un arquero después de disparar la flecha contra un muro, dibuja el objetivo alrededor del lugar en donde cae la flecha. 2. PATRÓN ESPECIFICADO (no ad hoc): cuando el arquero dibuja el objetivo antes de disparar las flechas.

14 O:Objetivo E: Evento Flecha Ω : Marco de Referencia de Posibilidades TRES ELEMENTOS ESENCIALES PARA INFERIR DISEÑO: 1.Un marco de Referencia de posibles eventos (LA PARED) : Ω 2.Un Patrón que restringe el marco de referencia de posibles eventos (EL OBJETIVO) : O 3.El evento exacto que ha ocurrido (LA FLECHA QUE GOLPEA LA PARED EN UN LUGAR EXACTO) : E

15 FILTRO EXPLICATORIO INICIO CONTINGENTE? COMPLEJO? ESPECIFICADO? DISEÑO NECESIDAD AZAR SI NO

16 3. ESPECIFICACION Para que un patrón realmente se pueda considerar como especificado, no es tan importante cuando fue identificado sino que sea independiente del evento que describe. La relación de independencia entre patrón y evento se conoce bajo el concepto de DETACHABILITY PREGUNTA: Dado un evento del cual aun no se sabe si es diseñado o no, y un patrón que lo describe, ¿es posible identificar explícitamente el patrón, si no tuviéramos conocimiento sobre que evento ocurrió, dentro de un conjunto de posibles eventos? Si se responde afirmativamente el patrón es DETACHABEL del evento.

17 EJEMPLO ILUSTRATIVO DEL CONCEPTO DE DETACHABILITY Evento E : Lanzamiento de una moneda justa 100 veces: THTTTHHTHHTTTTTHTHTTHHHTT HTHHHTHHHTTTTTTTHTTHTTTHH THTTTHTHTHHTTHHHHTTTHTTHH THTHTHHHHTTHHTHHHHTHHHHTT ¿Es E el producto de azar o no?

18 Se cambió las H´s por 1´s y las T´s por 0´s, para obtener el patrón D que corresponde al evento E: 0100011011000001010011100 1011101110000000100100011 0100010101100111100010011 0101011110011011110111100 El patrón D se obtuvo a partir del evento E, pero no necesariamente tuvo que obtenerse así. Realmente es posible mostrar que el patrón D se puede construir sin recurrir al evento E. Para lograrlo simplemente reescribimos el patrón D.

19 0 1 00 01 10 11 000 001 010 011 100 101 110 111 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111 00 Es bastante evidente que el patrón D se puede construir escribiendo números binarios en orden ascendente. Con esto se hace evidente que D no es producto de un evento azaroso (un evento de lanzar una moneda), sino un evento producto de operaciones aritméticas con números binarios.

20 ARGUMENTO 1. Se comenzó con un evento E, posiblemente azaroso, que supuestamente era el producto de lanzar una moneda justa 100 veces. 2. Como la probabilidad de obtener cara (H) o sello (T) es iguala ½, entonces la probabilidad de obtener E es igual a 2 -100 = 10 -30 3. Adicionalmente se construyo un patrón D conforme a E. 4. Inicialmente D probó no ser suficiente para eliminar el azar como la explicación de E, por lo que D era el producto de una simple lectura de E cambiando la letra H por 1 y T por 0. 5. Entonces para eliminar el azar, tuvimos que reconocer que D exhibe un patrón independiente de E. 6. Para lograr lo anterior fue necesario mostrar que D puede ser identificado por medio de operaciones aritméticas con números binarios. 7. Entonces para poder eliminar el azar tuvimos que consultar / recurrir a nuestro previo conocimiento de aritmética binaria. 8. Este ítem de conocimiento DETACHED (desprendió) el patrón D del evento E, permitiendo a su vez considerar a D como especificable.

21 LIMITE UNIVERSAL DE PROBABILIDAD 1) Dentro del universo físico conocido, se ha estimado que existen alrededor de 10 80 partículas elementales 2) Las propiedades de la materia, son tales que la transición de un estado físico a otro no puede ocurrir a una tasa mayor que la de 10 45 transiciones por segundo. (Plank Time) 3) La edad del Universo es aproximadamente de 10 25 segundos El número de eventos especificados a lo largo de la historia cósmica no puede ser mayor a : 10 80 x 10 45 x 10 25 = 10 150

22 FALSOS NEGATIVOS & FALSOS POSITIVOS

23 1. ARGUMENTO INDUCTIVO En el instante en que el criterio de complejidad especificada atribuye a algo diseño y la historia causal es conocida, resulta que diseño realmente esta presente, por lo tanto, diseño esta presente siempre que el criterio de complejidad especificado atribuye diseño.

24 2. ARGUMENTO SOBRE LA NATURALEZA DE LOS AGENTES INTELIGENTES La principal característica de los agentes inteligentes es su capacidad de ESCOGENCIA. La palabra inteligente viene de la preposición latina inter (entre) y el verbo lego (escogencia): escogencia entre.

25 INFORMACIÓN DE COMPLEJIDAD ESPECIFICADA Adquirir información consiste en descartar posibilidades: POKER: EFEscalera Flor ~EFTodo lo demás

26 MEDICION DE LA CANTIDAD DE INFORMACIÓN 1. Asignarle probabilidades a las posibilidades P(EF)=0,000002 P(~EF)=0,999998 Problemas : a) Probabilidades mas pequeñas corresponden a mas información, no a menos. b) Las probabilidades son multiplicativas y no aditivas

27 Solución : Utilizar : I(E) = -log 2 P(E) = La cantidad de información en un evento E arbitrario, con probabilidad P(E). a) Aplicar el logaritmo negativo asigna mas información a probabilidades pequeñas. b) El logaritmo de un producto es la suma de los logaritmos log(YX)= logX + logY c) El código ASCII utiliza cadenas de 0´s y 1´s, por lo tanto el logaritmo es en base 2 Evento EF de sacar una escalera flor tiene una Probabilidad P(EF)=0.000002, por lo tanto la cantidad de información = - log 2 (0.000002)=19 bites.

28 P(B/A) = P(A∩B)/P(A) log 2 P(B/A) = log 2 P(A∩B) - log 2 P(A) -log 2 P(B/A) = - log 2 P(A∩B) + log 2 P(A) I(B/A) = I(A∩B) - I(A) I(A∩B) = I(B/A) + I(A) LEY DE LA CONSERVACIÓN DE LA INFORMACION Si tenemos un computador A y se le ingresa una información B (input), ¿puede la computadora generar nueva información?. Programas de computador son completamente determinísticos, por lo tanto B esta totalmente determinado por A. Entonces P(B/A)=1 y por lo tanto I(B/A)=0 Aplicando I(A∩B)= I(B/A) + I(A), obtenemos que I(A∩B)= I(A)

29 INFORMACIÓN CONCEPTUAL Y FÍSICA Adquirir o generar información consiste en descartar posibilidades: Fuentes de información: 1. Agentes Inteligentes 2. Procesos Físicos Info. Conceptual: un agente inteligente S identifica un patrón y por lo tanto reduce conceptualmente el marco de referencia de posibilidades. Info. Física: Un evento E ocurre y por lo tanto reduce el marco de referencia de posibilidades. Reducción de posibilidades genera información Marco de Referencia de Posibilidades: Ω (patrón) (objetivo) (evento) (resultado) Reducción Conceptual por un agente inteligente S Reducción Física a través de una ocurrencia física T “S identifica T” “Ocurre E” E

30 MEDIDA DE COMPLEJIDAD I(A)= -log 2 P(A), mide el # promedio de bites requeridos para especificar un evento con probabilidad P(A) T E Marco de Referencia de Posibilidades : Ω E “exhibe “ complejidad especificada Si es o es así, concluimos que una inteligencia esta involucrada en la historia causal de E Reducción Conceptual por un agente inteligente S Reducción Física a través de una ocurrencia física Información de Complejidad Especificada: la coincidencia de Info. Conceptual y Física, en donde la Info. Conceptual es compleja e independiente de la Info. Física.

31 EJEMPLO Ω: Posibles secuencia de 1000 dígitos de 0´s y 1´s. T: Secuencia de 1000 dígitos que representa los números primos del 2 al 89 (Info. Conceptual). S: un agente que identifica T. E: lanzamiento de una moneda 1000 veces y se obtiene la misma secuencia de T (Info. Física). T y E son idénticos. Como E esta totalmente determinada por T, como una secuencia de primos, entonces T es DETACHABLE de E, y por lo tanto conforma una especificación. Al tener T una probabilidad de 2 -1000 = 10 -300, T es menor al LIMITE UNIVERSAL DE PROBABILIDAD (10 -150 ), y se puede decir con certeza que es complejo. L.U.P. : I(10 -150 ) = -log 2 P(10 -150 )= 500 bites. T: I(10 -300 ) = -log 2 P(10 -300 )= 996 bites. 500

32 ORIGEN DE LA INFORMACIÓN DE COMPLEJIDAD ESPECIFICADA Tres formas de caracterizar las causas naturales 1.Leyes Naturales (Funciones Determinísticas) 2.Azar (Muestro aleatorio de Distribuciones de Probabilidad) 3.Leyes Naturales y Azar (Funciones Estocásticas)

33 INCAPACIDAD DE LAS CAUSAS NATURALES PARA GENERAR / DAR ORIGEN A INFORMACIÓN DE COMPLEJIDAD ESPECIFICADA 1. LEYES NATURALES Supongamos que tenemos ICE j. Una función f (representando una ley natural determinística), tal que por medio de ella se diera origen a j. Eso querría decir que un elemento del dominio de f, llamémoslo i, cuando es aplicado a f produce un output j. Lo cual se representa por f(i)=j. Pero esta relación difícilmente explica el origen de j. Se ha resuelto un problema creando otro nuevo, pues ahora tenemos que explicar el origen de i. Peor aun el problema nuevo no es mas fácil que el primero. Las relaciones funcionales a lo sumo preservan la información que ya se tiene, o la degradan, pero nunca adicionan algo. Por lo tanto la información que pueda llegar a tener j, estará contenida en i, que por medio de f es mapeada hasta j. Si j es especificada, entonces su imagen inversa bajo la función f también será especificada ( la imagen inversa de j bajo f son todos los elemento del dominio que f asocia con j). En particular, como i se mapea hasta j por medio de f, i esta en esta imagen inversa. Entonces en corto, si j se constituye como Información de complejidad especificada y f es una función que mapen i hasta j, entonces i constituye Información de Complejidad especificada, por lo menos tan compleja como j. Como i determina completamente a j con respecto a f, I(j/i)=0, entonces aplicando la formula I(A∩B)= I(B/A) + I(A) a i y j, obtenemos que I(i∩j)=I(i). Entonces podemos decir que j no contiene información que ya no estuviera contenida en i. CASO EN EL CUAL LA FUNCION MISMA TIENE INFORMACIÓN Se utiliza la función de composición universal U. U( i, f) = f(i)=j Se utiliza el mismo argumento pero en este caso la información es la pareja ordenada (i,f). Entonces j aparece al aplicarle U a la información (i,f)

34 2. AZAR Ejemplo: del escritor ciego en la máquina de escribir, que puede genera por azar secuencias de letras complejas pero no especificadas, o especificadas pero no complejas. Si se define Información de complejidad especificada como cualquier información especificada cuya complejidad excede 500 bites de información, entonces se sigue inmediatamente que el azar no puede generar Información de complejidad especificada

35 3. LEYES NATURALES Y AZAR (Funciones Estocásticas) Se usa el mismo argumento que en el primer caso para las leyes naturales, pero en vez de utilizar funciones determinísticas de la forma f(i) de una variable, utilizamos un función estocástica de la forma f(i,w) de dos variables, donde la primera variable significa el objeto sobre el cual la función actúa y la segunda significa el componente azaroso (variable azarosa). Luego definimos la función universal de composición U que recibe un input, con la tripleta ordenada (i,w,f) y genera un output como f(i,w) = j, de la forma U(i,w,f)= f(i,w) = j. De nuevo como en el primer caso la función universal de composición no incorpora información propia, si no que simplemente actúa como conducto / canal de información. Supongamos que tenemos una ICE j y una función estocástica que nos conduce al origen de j. El origen de j se puede partir en dos pasos. En el primero se produce un resultado azaroso w. Una vez w ocurre la función f se convierte en una función determinística, es decir se convierte en una función de 1 variable: f( º,w) = f w ( º ). Ahora w es tratado como un parámetro fijo de la función f. Lo anterior es lo que se llama el procedimiento probabilística estándar para transformar procesos estocásticos en funciones azarosas, y que cuando el valor de w es fijado se convierten en sample paths En el segundo paso a la función determinística parametrizada se le aplica un elemento de su dominio, llamémoslo i, produciendo la ICE j. Con todo lo anterior se hace muy fácil ver que no se genera ICE. En el primer paso que involucra azar, y como se mostró en la parte anterior no puede generar ICE. En el segundo involucra únicamente un función determinista, que como ya se mostró no pueden generar ICE CONCLUSIÓN: las causas naturales no pueden generar / originar ICE

36

37

38

39

40 CITOCROMO C