📈 economics

Uncountably many conditionally inaccessible decisions exist in every finite probability space

Este artículo demuestra que en cualquier espacio de probabilidad finito existen innumerables pares de medidas de probabilidad objetiva y funciones de utilidad que hacen que las decisiones sean condicionalmente inaccesibles, demostrando que la probabilidad subjetiva de un agente puede impedir sistemáticamente que tome decisiones objetivamente óptimas.

Autores originales: Zalán Gyenis, Miklós Rédei, Leszek Wroński

Publicado 2026-05-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zalán Gyenis, Miklós Rédei, Leszek Wroński

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Panorama General: El "Punto Ciego" de la Racionalidad

Imagina que eres un capitán dirigiendo un barco (el Agente). Tienes un mapa en tu cabeza que representa lo que crees que es cierto sobre las corrientes oceánicas y el clima (tu Probabilidad Subjetiva, o $p$ ). También tienes una "Visión de Dios" del océano que representa las leyes físicas reales del agua (la Probabilidad Objetiva, o $p^*$ ).

En un mundo perfecto, si miras el clima real, actualizas tu mapa y luego tomas una decisión, siempre tomarás la mejor opción posible. Este artículo argumenta que esto no siempre es cierto.

Los autores demuestran que existen innumerables situaciones en las que, sin importar cuánta información parcial recojas sobre el mundo real, tu mapa actualizado nunca te llevará a la decisión objetivamente mejor. De hecho, tus actualizaciones racionales podrían alejarte activamente de la verdad.

Los Conceptos Clave

1. El Contexto de Decisión (El Menú)

Imagina que estás eligiendo entre dos acciones, como tomar la Ruta A o la Ruta B.

La Verdad Objetiva ( $p^*$ ): Los datos reales de tráfico. Basado en esto, la Ruta A es claramente más rápida.
Tu Creencia ( $p$ ): Tu suposición actual sobre el tráfico.
La Decisión: Eliges la ruta que parece más rápida basándote en tu creencia.

2. La Estrategia de Actualización (Condicionamiento de Jeffrey)

No conoces el informe completo de tráfico. En su lugar, obtienes "evidencia parcial".

Ejemplo: Oyes un rumor de que "hay un accidente en el lado norte", pero no conoces la ubicación exacta.
El Proceso: Tomas tu creencia actual ( $p$ ) y la actualizas basándote en este rumor parcial. Esto crea una nueva creencia "mejorada" ( $q$ ).
El Objetivo: Quieres que esta creencia mejorada te indique tomar la Ruta A (la elección objetivamente buena).

3. El Problema: Decisiones "Condicionadamente Inaccesibles"

El artículo define una decisión como "condicionadamente inaccesible" si, sin importar qué evidencia parcial obtengas, tu creencia mejorada nunca te indica tomar la ruta objetivamente mejor.

Es como tener una brújula distorsionada magnéticamente. No importa hacia qué dirección mires (qué evidencia parcial recojas), la aguja nunca apunta al Norte. Podría apuntar al Este, al Oeste o al Sur, pero nunca al Norte.

El Descubrimiento Principal: Está en Todas Partes, No es Raro

En un artículo anterior, los autores encontraron algunos ejemplos donde ocurría esta "brújula rota". Supusieron que podría suceder a menudo en situaciones complejas.

Este artículo demuestra que fueron cautelosos en exceso. Muestran que:

Ocurre en casi todas las situaciones: Si tienes una decisión con al menos 3 opciones (como 3 rutas), este problema existe.
Es infinito: Para cualquier forma en que pienses actualmente ( $p$ ), hay un número infinito no numerable de escenarios del mundo real ( $p^*$ ) donde tus actualizaciones racionales fallarán al encontrar la mejor decisión.
Es robusto: No es una casualidad. Hay infinitos pares de opciones (Ruta A vs. Ruta B) donde ocurre este fallo.

La Metáfora:
Imagina que estás intentando encontrar una llave específica en una habitación gigante y oscura. Tienes una linterna (tu evidencia parcial). El artículo demuestra que para casi cualquier ubicación posible de la llave, hay una forma en que tu linterna está rota tal que, sin importar cómo barras el haz, nunca iluminarás la llave. Podrías pensar que estás siendo racional al barrer el suelo, pero la física de tu linterna garantiza que te perderás el objetivo.

La Explicación del "Punto Ciego"

Los autores utilizan un concepto matemático llamado "Punto Ciego Bayesiano".

Piensa en tu creencia actual ( $p$ ) como un par de gafas.
El "Punto Ciego" es el conjunto de todas las realidades posibles ( $p^*$ ) a las que no puedes llegar simplemente mirando a través de esas gafas y ajustándolas basándote en pistas parciales.
El artículo demuestra que este "Punto Ciego" es masivo. Cubre casi todo el universo de posibilidades.
Si el "mundo real" cae dentro de este punto ciego, tus actualizaciones racionales siempre fallarán al alinearse con la realidad.

El Grado de Fallo

El artículo también introduce una forma de medir qué tan rota está la brújula.

Grado 0: Tus actualizaciones siempre funcionan perfectamente.
Grado Máximo: Tus actualizaciones nunca funcionan, sin importar qué evidencia obtengas.
El Hallazgo: Los autores demuestran que puedes encontrar situaciones donde el fallo ocurre para cualquier número específico de tipos de evidencia que puedas encontrar. Puedes diseñar un escenario donde tu brújula falle exactamente 5 veces de 10 pistas posibles, o 99 veces de 100.

El Resultado "Sorprendente": ¿El Aprendizaje lo Empeora?

Uno podría pensar: "Si empiezo con una mala suposición, pero aprendo la verdad, ¿seguramente mejoro?"
El artículo demuestra un hecho específico y contraintuitivo:
Si tus actualizaciones racionales (usando evidencia parcial) te llevan a una decisión incorrecta, implica que tu suposición original (antes de cualquier actualización) también era incorrecta.

Traducción: No puedes empezar con una suposición "buena", aprender alguna verdad parcial y terminar con una decisión "mala". Si la actualización te desvía, ya estabas desviado.
Sin embargo: El punto principal del artículo es que hay tantos puntos de partida "malos" (creencias subjetivas) que corresponden a realidades "buenas", que es estadísticamente abrumador encontrarse en una situación donde tus actualizaciones racionales fallan al encontrar la verdad.

Resumen en una Frase

El artículo demuestra que para cualquier persona racional con un conjunto específico de creencias, existe un vasto océano infinito de escenarios del mundo real donde, sin importar cuánta información parcial recojan y procesen, sus actualizaciones racionales les impedirán sistemáticamente tomar la decisión objetivamente mejor.

Resumen Técnico: Infinitas Decisiones Condicionadamente Inaccesibles en Espacios de Probabilidad Finitos

Enunciado del Problema
Este artículo aborda un problema en la teoría de la decisión concerniente a la relación entre la probabilidad subjetiva (creencia) de un Agente y la probabilidad objetiva. Específicamente, investiga el fenómeno de las "decisiones condicionalmente $p$ -inaccesibles". Una decisión de elegir la acción $f_1$ sobre $f_2$ se considera objetivamente buena si la utilidad esperada de $f_1$ supera a la de $f_2$ bajo una medida de probabilidad objetiva $p^*$ . Sin embargo, un Agente toma decisiones basándose en una probabilidad subjetiva $p$ . Si el Agente actualiza su priori $p$ mediante condicionamiento de Jeffrey sobre evidencia parcial respecto a $p^*$ , la probabilidad posterior resultante $q_\Pi$ podría llevar al Agente a hacer una elección diferente (o permanecer indiferente) a la dictada por $p^*$ .

La pregunta central es si existen contextos de decisión donde, independientemente de la evidencia parcial (representada por una partición propia no trivial $\Pi$ ) que el Agente adquiera sobre $p^*$ , la decisión racional actualizada del Agente nunca se alinee con la decisión objetivamente buena. Trabajos anteriores [16] establecieron la existencia de tales decisiones en espacios de probabilidad finitos específicos y conjeturaron su existencia en espacios con $n \ge 3$ eventos elementales.

Metodología
Los autores emplean un marco matemático riguroso dentro de espacios de probabilidad finitos $(X, S)$ , donde $X = \{1, \dots, n\}$ con $n \ge 3$ . La metodología se basa en:

Condicionamiento de Jeffrey: Utilizando la definición de la posterior de Jeffrey $q_\Pi$ derivada de una priori $p$ y una partición $\Pi$ , dadas las probabilidades objetivas $p^*$ .
Derivadas de Radon-Nikodym: Analizando la función $r(i) = p^*(i)/p(i)$ para caracterizar la relación entre las medidas objetiva y subjetiva.
Divergencia de Kullback-Leibler: Empleando desigualdades de la teoría de la información para establecer límites estrictos en los valores esperados de las funciones de utilidad bajo diferentes medidas de probabilidad.
Pruebas Constructivas: Construyendo explícitamente funciones de utilidad (variables aleatorias) que satisfacen las condiciones para la inaccesibilidad condicional aprovechando las propiedades del "Punto Ciego Bayesiano $p$ " (el conjunto de medidas no obtenibles mediante el condicionamiento de $p$ ).
Análisis Combinatorio: Investigando la cardinalidad de las particiones y la multiplicidad de las posteriores para determinar el "grado" de inaccesibilidad.

Contribuciones y Resultados Clave

Prueba de Existencia en Todos los Espacios Finitos (Teorema 3.2):
El artículo demuestra un teorema más fuerte que la conjetura en [16]. Establece que para cualquier medida de probabilidad $p$ y cualquier medida objetiva $p^*$ en un espacio finito con $n \ge 3$ elementos, si $p^*$ se encuentra en el Punto Ciego Bayesiano $p$ (es decir, $p^*$ no puede obtenerse condicionando $p$ en ninguna partición propia no trivial), entonces existen infinitas parejas de funciones de utilidad que representan decisiones condicionalmente $p$ -inaccesibles.
- Mecanismo: La prueba demuestra que si la derivada de Radon-Nikodym $r$ es inyectiva, se puede construir una función $g$ basada en $\log r$ tal que $E_{p^*}[g] > E_{q_\Pi}[g]$ para todas las particiones $\Pi$ . Desplazando esta función, se crea una decisión $d$ donde $E_{p^*}[d] > 0$ pero $E_{q_\Pi}[d] \le 0$ para todo $\Pi$ .
Cardinalidad de las Decisiones Inaccesibles:
Los autores muestran que el conjunto de tales situaciones de decisión "malas" no es meramente no vacío, sino "enorme". Específicamente, para cualquier $p$ fija, existe un continuo (infinito) número de medidas objetivas $p^*$ en el Punto Ciego Bayesiano $p$ . Para cada tal $p^*$ , existe un continuo de parejas de funciones de utilidad que producen decisiones condicionalmente inaccesibles.
Teorema sobre la Racionalidad Informada (Teorema 2.4):
El artículo demuestra que si una decisión es condicionalmente $p$ -inaccesible (lo que significa que la decisión actualizada nunca es objetivamente buena), entonces la decisión inicial del Agente basada en la priori no condicionada $p$ también debe ser objetivamente incorrecta ( $E_p[d] < 0$ ). Esto descarta el escenario contra intuitivo donde aprender la verdad objetiva mediante condicionamiento conduce a una decisión incorrecta, mientras que la decisión no informada era correcta.
Caracterización de los Grados de Inaccesibilidad (Teorema 4.4):
El artículo resuelve la Conjetura 7.2 de [16] respecto al "grado" de inaccesibilidad condicional. Define el grado como el número de particiones $\Pi$ para las cuales la decisión actualizada falla en ser objetivamente buena. Los autores demuestran que, para un contexto de decisión fijo, el conjunto de grados alcanzables depende de la multiplicidad de las posteriores generadas por diferentes particiones. Si la aplicación de particiones a posteriores es inyectiva, entonces cada grado entero desde 0 hasta el número total de particiones propias no triviales ($Bell(n)-2$) es alcanzable.

Significado
El artículo afirma que las decisiones condicionalmente $p$ -inaccesibles no son anomalías raras, sino una característica robusta y sustancial de la teoría de la decisión en espacios finitos.

Interpretación: Si $p^*$ representa la realidad objetiva y $p$ representa la creencia subjetiva de un Agente, los resultados implican que existe un "número enorme" de situaciones de decisión donde la estructura de probabilidad subjetiva del Agente le prohíbe fundamentalmente alcanzar una decisión objetivamente buena, incluso cuando actualiza sus creencias con información verdadera pero parcial sobre las probabilidades objetivas.
Implicación para la Racionalidad: La existencia del Punto Ciego Bayesiano $p$ sugiere que, para una amplia clase de probabilidades objetivas, ninguna cantidad de evidencia parcial (condicionamiento) puede cerrar la brecha entre la racionalidad subjetiva del Agente y la optimalidad objetiva. El artículo concluye que la probabilidad subjetiva del Agente puede bloquear sistemáticamente la realización de decisiones objetivamente buenas, independientemente de la evidencia parcial específica adquirida.