Predecir el movimiento robótico y las enfermedades hereditarias
La probabilística puede parecer una rama matemática abrumadora, y sin embargo se utiliza a diario en labores comunes en las que es necesario calcular la probabilidad de que ocurra un suceso, como por ejemplo la perspectiva de que llueva o de recibir una oferta de empleo. Los modelos probabilísticos se utilizan con profusión en el ámbito científico y se aplican a situaciones reales como los procesos de pensamiento cognitivo, la minería de datos y otros semejantes. Permiten predecir o calcular la probabilidad de que algo suceda (que una variable posea un valor determinado) en función de datos recabados con anterioridad. A menudo esto se realiza mediante un proceso denominado inferencia aproximada. Dado que las técnicas de inferencia aproximada tienen múltiples aplicaciones en la vida diaria se puede afirmar que una mejora de las mismas permitirá obtener resultados mejores para los problemas que trata de solucionar. Así, un equipo de investigadores europeos dedicados al desarrollo de técnicas de aproximación y modelos probabilísticos aplicables a la robótica y la bioinformática (modelos de datos genéticos) puso en marcha el proyecto Infprobmod. Así crearon un método de segmentación para series temporales de datos (datos que cambian con el paso del tiempo) como los relacionados con el movimiento humano. La técnica numérica podría resultar de utilidad en la generación de bibliotecas de movimientos básicos relevantes en el ámbito de la robótica. Los investigadores al cargo también ampliaron un modelo genético común para que incluyese relaciones entre la madre, el padre y la progenie, herramienta que daría paso a un análisis más amplio de los datos genéticos de individuos emparentados. El modelo resulta de especial importancia para las enfermedades hereditarias complejas. Ambos modelos se implementaron mediante un programa sencillo de utilizar que precisa una intervención humana o conocimientos sobre modelización mínimos. Los resultados de Infprobmod serán bien recibidos por las comunidades científicas dedicadas a la modelización genética y robótica e influirán en gran medida en muchos otros modelos matemáticos similares.
