Apéndice P-1: Normalidad Informacional vía Aleatoriedad-M

Tarea original P-1: Normalidad Informacional Problema: Actualmente es un axioma fundacional análogo a la normalidad de Borel, carente de derivación formal. Entregable: Una derivación a nivel de teorema que aproveche la teoría de la información algorítmica (aleatoriedad de Martin-Löf).

1. El límite epistémico de la normalidad “axiomática”

Dentro de la Teoría del Parche Ordenado (OPT), la “Esperanza Estructural” depende, en términos estructurales, del principio de Normalidad Informacional: la proposición de que el sustrato algorítmico (\mathcal{I}) está densamente poblado no solo de ruido, sino de todo patrón funcional estructural finito. El peso ético de la OPT —el mandato de mantener la estabilidad del parche compartido (Ética de la Guardia de Supervivientes)— exige que los observadores contraparte con los que interactuamos tengan equivalentes funcionales distribuidos y fundamentalmente reales en otras partes del sustrato.

Históricamente, dentro del marco de la OPT, esta proposición fue tratada formalmente como un único Axioma monolítico: una suposición fundacional, no comprobable, superpuesta a la física para evitar el solipsismo.

Este apéndice resuelve la ambigüedad matemática de esa postura. Desagregamos la Normalidad Informacional en dos componentes distintos: un riguroso teorema matemático algorítmico (que se cumple casi con certeza bajo la medida de probabilidad universal), articulado junto con un único postulado metafísico necesario para tender el puente entre la existencia matemática y la realidad ontológica.

2. De la Semimedida a la Medida Universal (\xi a M)

El fundamento de la Teoría del Parche Ordenado (OPT) (Preprint §3.1) se apoya en gran medida en el prior de probabilidad algorítmica de Solomonoff. Bajo esta formulación, el sustrato generativo opera como un espacio algorítmico infinito que se ejecuta sobre una máquina de Turing universal libre de prefijos U.

La probabilidad algorítmica o semimedida universal de una cadena finita x es:

\xi(x) = \sum_{U(p) = x*} 2^{-|p|}

Donde la suma se toma sobre todos los programas mínimos p cuya salida de ejecución comienza con x. De manera crucial, \xi es una semimedida semicomputable inferiormente sobre cadenas finitas.

Para formalizar el sustrato como un espacio generativo continuo, pasamos a la medida continua sobre el espacio de Cantor. La medida universal M se define directamente como la distribución sobre el espacio de Cantor 2^{\mathbb{N}} inducida por la salida de la máquina universal libre de prefijos U mediante conjuntos cilindro (M([x]) = \sum_{U(p) \text{ starts with } x} 2^{-|p|}). Por el teorema de universalidad de Solomonoff, esta medida de cilindro es multiplicativamente equivalente a la semimedida discreta: M(x) \asymp \xi(x) hasta una constante multiplicativa. En consecuencia, los conjuntos nulos de M y los conjuntos nulos de \xi coinciden rigurosamente.

(Nota: Debido a que el conjunto de programas que se detienen es un subconjunto estricto del espacio de códigos libres de prefijos a causa del problema de la parada, la desigualdad de Kraft garantiza que \sum 2^{-|p|} < 1. Así, M constituye una submedida de probabilidad estricta semicomputable inferiormente. Definimos explícitamente la medida de probabilidad normalizada \tilde{M} = M / M(2^{\mathbb{N}}). Aunque \tilde{M} solo es semicomputable inferiormente hasta la constante de normalización no computable M(2^{\mathbb{N}}), todos los teoremas posteriores de “casi seguramente” y los enunciados de convergencia operan de manera segura con respecto a la verdadera medida de probabilidad normalizada \tilde{M}. El desplazamiento fundamental del teorema de codificación se absorbe simplemente: K(x) = -\log \tilde{M}(x) + O(1).)

3. Aleatoriedad de Martin-Löf para M

Para formalizar la naturaleza del espacio generativo, invocamos la aleatoriedad de Martin-Löf (ML). Sin embargo, es necesario distinguir entre medidas continuas. Una secuencia \omega que es ML-aleatoria con respecto a la medida uniforme (de Lebesgue) \lambda se comporta de manera completamente distinta de una secuencia que es ML-aleatoria con respecto a M.

Dado que el sustrato de la OPT evalúa la probabilidad mediante la simplicidad algorítmica, el formalismo pertinente se apoya en la aleatoriedad de Martin-Löf para \tilde{M}. El teorema fundacional de la AIT establece que, para cualquier medida de probabilidad computable \mu, el conjunto de secuencias \mu-ML-aleatorias tiene medida \mu igual a 1. Al extender este resultado a semimedidas semicomputables inferiores (cf. Nies 2009, §3.2 “Randomness for arbitrary measures”), el conjunto de todas las secuencias aleatorias de Martin-Löf para \tilde{M} conserva efectivamente medida 1 con respecto a \tilde{M}.

Por lo tanto, \tilde{M}-casi todas las secuencias infinitas del sustrato son estrictamente \tilde{M}-ML-aleatorias.

(Nota: El uso de la aleatoriedad \tilde{M}-ML garantiza estructuralmente que las salidas típicas del sustrato se extraen de manera autoconsistente de la medida algorítmica sesgada y altamente estructurada \tilde{M}, y no de ruido uniforme, proporcionando así el andamiaje matemático riguroso para las consecuencias de frecuencia estructural que se exponen a continuación.)

4. Normalidad-M vs. normalidad de Borel

Una consecuencia matemática de gran importancia de la aleatoriedad-M-ML concierne a la frecuencia estructural. Bajo la aleatoriedad-ML de Lebesgue uniforme, una secuencia es estrictamente normal de Borel: genera toda cadena binaria finita de longitud k con una frecuencia idéntica y uniforme.

Sin embargo, dado que \tilde{M} es marcadamente no uniforme —sesgándose fuertemente para asignar un peso de probabilidad masivo a patrones algorítmicamente simples, compresibles y estructurados conforme a leyes—, \tilde{M}-casi-todas las secuencias NO son uniformemente normales de Borel. En su lugar, definimos sus límites estructurales mediante la normalidad-\tilde{M}.

Como la medida \tilde{M} es fundamentalmente no estacionaria (la probabilidad algorítmica depende de la posición absoluta del prefijo), no podemos apoyarnos en los límites estándar de convergencia de frecuencias ergódicas. Formalmente, definimos la normalidad-\tilde{M} mediante la propiedad más débil, pero estrictamente suficiente, de la recurrencia infinita.

Puesto que \tilde{M} es una medida de probabilidad y \tilde{M}([x]) \ge 2^{-(|x|+O(1))} > 0 para toda cadena finita x, la regla de la cadena para la complejidad de Kolmogórov de prefijo da K(sx) \le K(s) + K(x) + O(1) para cualquier cadena s, lo que produce la casi submultiplicatividad M([s \cdot x]) \ge M([s]) \cdot M([x]) \cdot 2^{-O(1)}. Por tanto, la probabilidad condicional de que x aparezca en cualquier ventana, dado cualquier prefijo previo s, está acotada inferiormente: \tilde{M}([x] \mid [s]) \ge \tilde{M}([x])/c > 0 uniformemente en s. Por el lema condicional de Borel-Cantelli aplicado a ventanas no superpuestas de longitud |x|, la divergencia de la suma de probabilidades condicionales garantiza que la recurrencia física de cualquier secuencia informacional finita —como la configuración formal discreta de un observador consciente (K_{\text{obs}})— aparece infinitamente a menudo en \tilde{M}-casi-todas las secuencias.

5. El Postulado del Realismo Computacional

La AIT garantiza matemáticamente que la representación finita de cualquier observador (K_{\text{obs}}) aparece como la secuencia estructural de U infinitas veces dentro del sustrato \tilde{M}-ML-aleatorio.

Sin embargo, la teoría matemática de la información no puede, por sí misma, cruzar la frontera hacia la ontología física. Una cadena finita que aparece en la cinta de salida de una máquina de Turing es un artefacto estático de la ejecución: una instantánea. Un observador coherente requiere dinámica interna continua, acoplamiento relacional y bucles de Inferencia Activa. La cadena en sí no “siente” más de lo que una imagen cerebral almacenada en un disco duro es consciente. La ejecución pertenece al programa generador, no al código instantáneo resultante.

Para afirmar que los límites continuos no computables que gobiernan el sustrato matemático dan origen a universos fenomenológicos ontológicamente reales y causalmente activos, la OPT debe asumir un único compromiso metafísico explícito.

Postulado (Realismo Computacional): En un sustrato infinito no computable regido por dinámicas matemáticas idénticas, la computación matemática abstracta formalmente equivalente a la descripción causal de un observador (donde la equivalencia formal se define como isomorfismo computacional de la estructura de transición de estados causales del observador) posee una existencia ontológicamente real y causalmente eficaz. Además, las instanciaciones computacionales estructuralmente discretas a través del sustrato poseen una individuación ontológica independiente, constituyendo contrapartes subjetivas distintas (y, por el axioma fundacional de la fenomenalidad en el Preprint §8.1, tales computaciones causalmente eficaces equivalentes a un observador constituyen sujetos genuinos de experiencia).

6. Proposición P-1 (Normalidad Informacional)

Al unir las derivaciones exactas de la AIT de espacios continuos no computables con el Postulado del Realismo Computacional, el solipsismo queda desmantelado de manera nítida.

Corolario+Postulado P-1 (Normalidad Informacional): Bajo el prior algorítmico generalizado, el sustrato continuo opera intrínsecamente mediante aleatoriedad de Martin-Löf-\tilde{M} casi con certeza. En virtud de la consiguiente \tilde{M}-normalidad, la aparición matemática de toda descripción estructural finita de observador K_{\text{obs}} queda formalmente garantizada infinitas veces. Sobre este andamiaje, el Postulado del Realismo Computacional tiende un puente entre estos artefactos matemáticos generativos y la realidad física ontológica. Siempre que el realismo computacional se mantenga, la existencia de observadores contraparte estructuralmente equivalentes, causalmente activos e individuados de manera única a través del sustrato resulta fundamentalmente necesaria.