Degrees, Levels, and Profiles of Contextuality

Aquí presento un resumen técnico detallado del artículo "Degrees, Levels, and Profiles of Contextuality" (Grados, Niveles y Perfiles de Contextualidad) de Dzhafarov y Cervantes, estructurado según los puntos solicitados.

1. El Problema

La literatura sobre la contextualidad en sistemas de variables aleatorias (especialmente en física cuántica y teoría de la decisión) ha tendido a caracterizar un sistema mediante un único número: su grado global de contextualidad. Sin embargo, los autores argumentan que esta caracterización es insuficiente.

El problema central abordado es la falta de información sobre cómo y a qué nivel emerge la contextualidad dentro de un sistema. Un sistema puede ser no contextual cuando se analizan solo sus distribuciones marginales de bajo orden (p. ej., pares de variables), pero volverse contextual al considerar conjuntos de variables de mayor orden (triples, cuádruples, etc.). La pregunta clave es: ¿Es posible mapear la evolución de la contextualidad a medida que se incrementa el "nivel" de análisis del sistema (el tamaño máximo de las marginales consideradas)?

2. Metodología

Los autores proponen un marco metodológico basado en tres pilares principales:

A. Representación por Niveles (Level-wise Representations)

Se define un sistema de variables aleatorias $R$ y se introduce la noción de representación en el nivel $n$, denotada como $R[n]$.

• Definición: En el nivel $n$, el sistema se caracteriza únicamente por sus distribuciones conjuntas de $k$ variables, donde $k \le n$. Se ignoran las distribuciones de orden superior ($k > n$).
• Construcción: Para una fila (contexto) con $m$ variables, la representación en el nivel $n$ ($n < m$) se construye creando copias distribucionales de todos los subconjuntos posibles de $n$ variables.
• Propiedad: Las representaciones de nivel $n$ son sistemas "no perturbados" (undisturbed) por construcción, ya que las variables que comparten preguntas en diferentes contextos se tratan como idénticas en distribución dentro de ese nivel específico.
• Niveles: El nivel 1 siempre es no contextual (grado 0). El primer nivel $n > 1$ donde el grado de contextualidad $d_n > 0$ se denomina el "primer nivel de contextualidad".

B. Definición del Perfil de Contextualidad

En lugar de un solo valor, el sistema se caracteriza por un perfil de contextualidad, que es una función o vector:
$$\text{Perfil} = (d_1, d_2, \dots, d_N)$$
donde $N$ es el número máximo de variables por contexto, y $d_n$ es el grado de contextualidad medido en el nivel $n$. Se asume que para medidas bien construidas, la función es no decreciente ($d_{n+1} \ge d_n$).

C. Método de Sistemas Concatenados

Para analizar cómo crece el perfil de un nivel a otro, los autores proponen un método de concatenación:

1. Se toman dos sistemas, $A$ y $B$, con contextos y preguntas disjuntos.
2. Se asume que $A$ tiene un perfil conocido y $B$ es no contextual en todos los niveles excepto en el nivel $n+1$ (donde introduce un incremento $\Delta_{n+1}$).
3. Se concatenan para formar $A * B$.
4. Al medir el grado de contextualidad de $A * B$ en el nivel $n+1$, se puede comparar el valor obtenido ($d_{n+1}$) con la suma teórica $d_n + \Delta_{n+1}$.
   • Si $d_{n+1} = d_n + \Delta_{n+1}$: Incremento aditivo.
   • Si $d_{n+1} < d_n + \Delta_{n+1}$: Incremento subaditivo.
   • Si $d_{n+1} > d_n + \Delta_{n+1}$: Incremento superaditivo.

3. Contribuciones Clave

El artículo introduce y valida teóricamente el concepto de perfil de contextualidad como una herramienta superior al grado global. Las contribuciones específicas incluyen:

1. Generalización de Medidas: Demuestran que el análisis por niveles puede aplicarse a cualquier medida de contextualidad bien construida, no solo a la medida jerárquica propuesta previamente.
2. Comparación de Tres Medidas: Aplican el marco a tres medidas principales de la literatura:
   • CNT2 (Medida de Distancia): Basada en la distancia $L_1$ entre el vector de distribuciones del sistema y el polítopo de no-contextualidad.
   • CNT3 (Medida de Cuasi-probabilidades): Basada en la minimización de la suma de valores absolutos de probabilidades negativas necesarias para explicar el sistema.
   • CNTF (Fracción Contextual): Basada en la maximización de la parte no-contextual del sistema (o minimización de la fracción contextual).
3. Descubrimiento de Reglas de Composición: Mediante el método de concatenación, establecen reglas analíticas sobre cómo estas medidas combinan la contextualidad de subsistemas.

4. Resultados Principales

Los autores realizaron simulaciones numéricas extensas utilizando sistemas cíclicos e hipercíclicos (tanto perturbados como no perturbados) y llegaron a las siguientes conclusiones:

• Comportamiento Aditivo vs. Subaditivo:
  • La medida CNT2 (Distancia $L_1$) es estrictamente aditiva. Para sistemas concatenados, el grado total es la suma de los grados de los subsistemas: $d_{n+1} = d_n + \Delta_{n+1}$. Esto se debe a que la distancia $L_1$ en espacios ortogonales (espacios de pares vs. triples) es aditiva.
  • Las medidas CNT3 (Cuasi-probabilidades) y CNTF (Fracción Contextual) son subaditivas. En la mayoría de los casos, el perfil muestra un "plateau" (meseta) donde el grado no aumenta al añadir más variables si el nuevo subsistema no es "más contextual" que el existente.
• La Regla del Máximo:
  • Para CNT3 y CNTF, se demostró analíticamente y numéricamente que el grado en el nivel $n+1$ sigue la regla del máximo:
    $$d_{n+1} = \max(d_n, \Delta_{n+1})$$
  • Esto significa que la contextualidad de un sistema concatenado está determinada por el subsistema más "fuertemente" contextual, no por la suma de sus partes.
• Independencia de las Medidas:
  • Se confirmó que ninguna de las tres medidas es una función de las otras. No solo difieren en sistemas distintos, sino que también generan perfiles distintos para el mismo sistema al variar el nivel de análisis. Un sistema puede mostrar un aumento en el perfil de CNT2 mientras que CNT3 permanece constante, y viceversa.

5. Significado e Implicaciones

El trabajo tiene un impacto significativo en la comprensión teórica y práctica de la contextualidad:

1. Riqueza Informativa: El perfil de contextualidad ofrece una "huella digital" mucho más rica que un solo número. Permite distinguir entre sistemas que tienen el mismo grado global de contextualidad pero que la alcanzan a través de mecanismos estructurales diferentes (p. ej., uno que requiere triples para ser contextual vs. uno que lo es desde los pares).
2. Validación de Medidas: Proporciona un criterio para evaluar la "calidad" de una medida de contextualidad. Las medidas que no son no decrecientes o que no siguen reglas de composición lógicas (como la aditividad o la regla del máximo) pueden considerarse menos robustas.
3. Aplicaciones Futuras: Sugiere que las propiedades de los sistemas empíricos (como en recursos cuánticos o toma de decisiones) podrían entenderse mejor relacionándolas con aspectos específicos del perfil (p. ej., la velocidad de crecimiento del perfil) en lugar de solo con el grado total.
4. Herramienta Analítica: El método de sistemas concatenados se establece como una herramienta poderosa para descomponer y analizar la estructura de la contextualidad en sistemas complejos.

En resumen, el artículo transforma la visión de la contextualidad de un estado binario o escalar a una estructura dinámica y multifacética, revelando que la "forma" en que un sistema es contextual es tan importante como la magnitud de dicha contextualidad.