📈 economics

Uncountably many conditionally inaccessible decisions exist in every finite probability space

Ce papier démontre que dans tout espace de probabilité fini, il existe une infinité non dénombrable de paires de mesures de probabilité objectives et de fonctions d'utilité qui rendent les décisions inaccessibles conditionnellement, démontrant ainsi que la probabilité subjective d'un agent peut systématiquement l'empêcher de prendre des décisions objectivement optimales.

Auteurs originaux : Zalán Gyenis, Miklós Rédei, Leszek Wroński

Publié 2026-05-05

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zalán Gyenis, Miklós Rédei, Leszek Wroński

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La Vue d'Ensemble : Le « Point Aveugle » de la Rationalité

Imaginez que vous êtes un capitaine dirigeant un navire (l'Agent). Vous avez une carte dans votre tête représentant ce que vous pensez être vrai concernant les courants océaniques et la météo (votre Probabilité Subjective, ou $p$ ). Vous possédez également une « vue de Dieu » de l'océan qui représente les lois physiques réelles de l'eau (la Probabilité Objective, ou $p^*$ ).

Dans un monde parfait, si vous observez la météo réelle, mettez à jour votre carte, puis prenez une décision, vous ferez toujours le meilleur choix possible. Ce document soutient que ce n'est pas toujours vrai.

Les auteurs prouvent qu'il existe d'innombrables situations où, peu importe la quantité d'informations partielles que vous rassemblez sur le monde réel, votre carte mise à jour ne vous conduira jamais vers la décision objectivement optimale. En fait, vos mises à jour rationnelles pourraient activement vous éloigner de la vérité.

Les Concepts Fondamentaux

1. Le Contexte de Décision (Le Menu)

Imaginez que vous choisissez entre deux actions, comme prendre la Route A ou la Route B.

La Vérité Objective ( $p^*$ ) : Les données réelles sur le trafic. Sur cette base, la Route A est clairement plus rapide.
Votre Croyance ( $p$ ) : Votre hypothèse actuelle concernant le trafic.
La Décision : Vous choisissez la route qui semble la plus rapide selon votre croyance.

2. La Stratégie de Mise à Jour (Conditionnement de Jeffrey)

Vous ne connaissez pas le rapport complet sur le trafic. À la place, vous recevez des « preuves partielles ».

Exemple : Vous entendez une rumeur disant qu'« il y a un accident du côté nord », mais vous ne connaissez pas l'emplacement exact.
Le Processus : Vous prenez votre croyance actuelle ( $p$ ) et la mettez à jour en fonction de cette rumeur partielle. Cela crée une nouvelle croyance « améliorée » ( $q$ ).
L'Objectif : Vous voulez que cette croyance améliorée vous indique de prendre la Route A (le choix objectivement bon).

3. Le Problème : Décisions « Conditionnellement Inaccessibles »

Le document définit une décision comme « conditionnellement inaccessible » si, peu importe la preuve partielle que vous obtenez, votre croyance améliorée ne vous indique jamais de prendre l'itinéraire objectivement optimal.

C'est comme avoir une boussole magnétiquement déformée. Peu importe la direction vers laquelle vous regardez (quelle preuve partielle vous rassemblez), l'aiguille ne pointe jamais vers le Nord. Elle pourrait pointer vers l'Est, l'Ouest ou le Sud, mais jamais vers le Nord.

La Découverte Principale : C'est Partout, Pas Rare

Dans un document précédent, les auteurs avaient trouvé quelques exemples où cette « boussole cassée » se produisait. Ils avaient émis l'hypothèse que cela pourrait arriver souvent dans des situations complexes.

Ce document prouve qu'ils avaient tort d'être prudents. Ils montrent que :

Cela se produit dans presque toutes les situations : Si vous avez une décision avec au moins 3 options (comme 3 itinéraires), ce problème existe.
C'est infini : Pour n'importe la façon dont vous pensez actuellement ( $p$ ), il existe un nombre infini non dénombrable de scénarios réels ( $p^*$ ) où vos mises à jour rationnelles échoueront à trouver la meilleure décision.
C'est robuste : Ce n'est pas un hasard. Il existe des paires infinies de choix (Route A contre Route B) où cet échec se produit.

La Métaphore :
Imaginez que vous essayez de trouver une clé spécifique dans une grande pièce sombre. Vous avez une lampe de poche (votre preuve partielle). Le document prouve que pour presque chaque position possible de la clé, il existe une façon dont votre lampe de poche est cassée telle que, peu importe comment vous balayez le faisceau, vous n'éclairerez jamais la clé. Vous pourriez penser être rationnel en balayant le sol, mais la physique de votre lampe de poche garantit que vous manquerez la cible.

L'Explication du « Point Aveugle »

Les auteurs utilisent un concept mathématique appelé le « Point Aveugle Bayésien ».

Pensez à votre croyance actuelle ( $p$ ) comme à une paire de lunettes.
Le « Point Aveugle » est l'ensemble de toutes les réalités possibles ( $p^*$ ) que vous ne pouvez pas atteindre simplement en regardant à travers ces lunettes et en les ajustant sur la base d'indices partiels.
Le document prouve que ce « Point Aveugle » est immense. Il couvre presque tout l'univers des possibilités.
Si le « monde réel » tombe dans ce point aveugle, vos mises à jour rationnelles échoueront toujours à s'aligner avec la réalité.

Le Degré d'Échec

Le document introduit également une manière de mesurer à quel point la boussole est cassée.

Degré 0 : Vos mises à jour fonctionnent toujours parfaitement.
Degré Maximum : Vos mises à jour ne fonctionnent jamais, peu importe la preuve que vous obtenez.
La Découverte : Les auteurs prouvent que vous pouvez trouver des situations où l'échec se produit pour n'importe quel nombre spécifique de types de preuves que vous pourriez rencontrer. Vous pouvez concevoir un scénario où votre boussole échoue exactement 5 fois sur 10 indices possibles, ou 99 fois sur 100.

Le Résultat « Surprenant » : L'Apprentissage Aggrave-t-il les Choses ?

On pourrait penser : « Si je commence avec une mauvaise hypothèse, mais que j'apprends la vérité, je m'améliore forcément ? »
Le document prouve un fait spécifique et contre-intuitif :
Si vos mises à jour rationnelles (utilisant des preuves partielles) vous conduisent à une décision fausse, cela implique que votre hypothèse initiale (avant toute mise à jour) était également fausse.

Traduction : Vous ne pouvez pas commencer avec une hypothèse « bonne », apprendre une vérité partielle, et aboutir à une décision « mauvaise ». Si la mise à jour vous égare, vous étiez déjà égaré.
Cependant : Le point principal du document est qu'il existe tellement de points de départ « mauvais » (croyances subjectives) qui correspondent à des réalités « bonnes », qu'il est statistiquement accablant de se retrouver dans une situation où vos mises à jour rationnelles échouent à trouver la vérité.

Résumé en Une Seule Phrase

Le document prouve que pour toute personne rationnelle possédant un ensemble spécifique de croyances, il existe un vaste océan infini de scénarios réels où, peu importe la quantité d'informations partielles qu'ils rassemblent et traitent, leurs mises à jour rationnelles les empêcheront systématiquement de faire le choix objectivement optimal.

Résumé technique : Un nombre non dénombrable de décisions conditionnellement inaccessibles dans les espaces de probabilité finis

Énoncé du problème
Cet article aborde un problème en théorie de la décision concernant la relation entre la probabilité subjective (croyance) d'un Agent et la probabilité objective. Plus précisément, il examine le phénomène des « décisions conditionnellement $p$ -inaccessibles ». Une décision de choisir l'action $f_1$ plutôt que $f_2$ est considérée objectivement bonne si l'utilité espérée de $f_1$ dépasse celle de $f_2$ selon une mesure de probabilité objective $p^*$ . Cependant, un Agent prend des décisions basées sur une probabilité subjective $p$ . Si l'Agent met à jour son a priori $p$ en utilisant le conditionnement de Jeffrey sur des preuves partielles concernant $p^*$ , la probabilité a posteriori résultante $q_\Pi$ pourrait amener l'Agent à faire un choix différent (ou à rester indifférent) de celui dicté par $p^*$ .

La question centrale est de savoir s'il existe des contextes de décision où, indépendamment des preuves partielles (représentées par une partition propre non triviale $\Pi$ ) que l'Agent acquiert sur $p^*$ , la décision rationnelle mise à jour de l'Agent ne correspond jamais à la décision objectivement bonne. Des travaux antérieurs [16] ont établi l'existence de telles décisions dans des espaces de probabilité finis spécifiques et conjecturé leur existence dans des espaces comportant $n \ge 3$ événements élémentaires.

Méthodologie
Les auteurs emploient un cadre mathématique rigoureux au sein d'espaces de probabilité finis $(X, S)$ , où $X = \{1, \dots, n\}$ avec $n \ge 3$ . La méthodologie repose sur :

Le conditionnement de Jeffrey : Utilisation de la définition de l'a posteriori de Jeffrey $q_\Pi$ dérivé d'un a priori $p$ et d'une partition $\Pi$ , étant données les probabilités objectives $p^*$ .
Les dérivées de Radon-Nikodym : Analyse de la fonction $r(i) = p^*(i)/p(i)$ pour caractériser la relation entre les mesures objective et subjective.
La divergence de Kullback-Leibler : Emploi d'inégalités de la théorie de l'information pour établir des bornes strictes sur les valeurs espérées des fonctions d'utilité sous différentes mesures de probabilité.
Des preuves constructives : Construction explicite de fonctions d'utilité (variables aléatoires) satisfaisant les conditions d'inaccessibilité conditionnelle en exploitant les propriétés du « Point aveugle Bayésien $p$ » (l'ensemble des mesures non obtenables par conditionnement de $p$ ).
Une analyse combinatoire : Investigation de la cardinalité des partitions et de la multiplicité des a posteriori pour déterminer le « degré » d'inaccessibilité.

Contributions et résultats clés

Preuve d'existence dans tous les espaces finis (Théorème 3.2) :
L'article démontre un théorème plus fort que la conjecture de [16]. Il établit que pour toute mesure de probabilité $p$ et toute mesure objective $p^*$ dans un espace fini à $n \ge 3$ éléments, si $p^*$ se trouve dans le Point aveugle Bayésien $p$ (c'est-à-dire que $p^*$ ne peut pas être obtenue en conditionnant $p$ sur aucune partition propre non triviale), alors il existe un nombre non dénombrable de paires de fonctions d'utilité représentant des décisions conditionnellement $p$ -inaccessibles.
- Mécanisme : La preuve démontre que si la dérivée de Radon-Nikodym $r$ est injective, on peut construire une fonction $g$ basée sur $\log r$ telle que $E_{p^*}[g] > E_{q_\Pi}[g]$ pour toutes les partitions $\Pi$ . En décalant cette fonction, une décision $d$ est créée où $E_{p^*}[d] > 0$ mais $E_{q_\Pi}[d] \le 0$ pour tout $\Pi$ .
Cardinalité des décisions inaccessibles :
Les auteurs montrent que l'ensemble de telles situations de décision « mauvaises » n'est pas seulement non vide, mais « énorme ». Plus précisément, pour tout $p$ fixe, il existe un continuum (nombre non dénombrable) de mesures objectives $p^*$ dans le Point aveugle Bayésien $p$ . Pour chaque telle $p^*$ , il existe un continuum de paires de fonctions d'utilité produisant des décisions conditionnellement inaccessibles.
Théorème sur la rationalité informée (Théorème 2.4) :
L'article démontre que si une décision est conditionnellement $p$ -inaccessible (ce qui signifie que la décision mise à jour n'est jamais objectivement bonne), alors la décision initiale de l'Agent basée sur l'a priori non conditionné $p$ doit également être objectivement fausse ( $E_p[d] < 0$ ). Cela écarte le scénario contre-intuitif où l'apprentissage de la vérité objective par conditionnement conduirait à une mauvaise décision, alors que la décision non informée était correcte.
Caractérisation des degrés d'inaccessibilité (Théorème 4.4) :
L'article résout la Conjecture 7.2 de [16] concernant le « degré » d'inaccessibilité conditionnelle. Il définit le degré comme le nombre de partitions $\Pi$ pour lesquelles la décision mise à jour échoue à être objectivement bonne. Les auteurs démontrent que pour un contexte de décision fixe, l'ensemble des degrés réalisables dépend de la multiplicité des a posteriori générés par différentes partitions. Si l'application des partitions vers les a posteriori est injective, alors chaque degré entier de $0$ au nombre total de partitions propres non triviales ($Bell(n)-2$) est réalisable.

Signification
L'article affirme que les décisions conditionnellement $p$ -inaccessibles ne sont pas de rares anomalies, mais une caractéristique robuste et substantielle de la théorie de la décision dans les espaces finis.

Interprétation : Si $p^*$ représente la réalité objective et $p$ la croyance subjective d'un Agent, les résultats impliquent qu'il existe un « nombre énorme » de situations de décision où la structure de probabilité subjective de l'Agent lui interdit fondamentalement d'atteindre une décision objectivement bonne, même lorsqu'il met à jour ses croyances avec des informations vraies mais partielles sur les probabilités objectives.
Implication pour la rationalité : L'existence du Point aveugle Bayésien $p$ suggère que pour une large classe de probabilités objectives, aucune quantité de preuves partielles (conditionnement) ne peut combler le fossé entre la rationalité subjective de l'Agent et l'optimalité objective. L'article conclut que la probabilité subjective de l'Agent peut systématiquement bloquer la réalisation de décisions objectivement bonnes, indépendamment des preuves partielles spécifiques acquises.