Delta-Epsilon-Common Knowledge and Quantitative Agreement Theorems

Resumen Técnico: Teoremas de Conocimiento Común Delta-Épsilon y de Acuerdo Cuantitativo

Planteamiento del Problema
Cincuenta años después del trabajo seminal de Aumann, el campo del conocimiento común y los teoremas de acuerdo enfrenta dos limitaciones primarias en su aplicación práctica. Primero, los escenarios del mundo real suelen involucrar un conocimiento común "casi" perfecto en lugar del conocimiento común estricto y binario definido por Aumann. Segundo, las generalizaciones existentes del Teorema de Acuerdo de Aumann —específicamente aquellas que pasan de espacios de probabilidad contables a espacios generales (no contables) y de eventos a variables aleatorias (como hizo Nielsen)— no se han combinado adecuadamente con el concepto de conocimiento aproximado. Si bien la literatura previa (por ejemplo, Monderer y Samet, Geanakoplos, Morris) ha abordado el acuerdo aproximado mediante la "creencia común $p$", estos resultados están mayormente restringidos a espacios de probabilidad contables. Existe la necesidad de un marco que cuantifique la distancia al conocimiento común aplicable a espacios de probabilidad generales y variables aleatorias, particularmente en entornos de comunicación ruidosa.

Metodología
Los autores introducen un nuevo marco para cuantificar el conocimiento común aproximado, denominado conocimiento común $(\delta, \varepsilon)$, definido sobre eventos dentro de espacios de probabilidad generales $(\Omega, \mathcal{F}, P)$. La metodología se basa en dos relajaciones de nociones elementales de la teoría de conjuntos y de la teoría de la medida:

1. Contención casi-$\delta$ en una $\sigma$-álgebra: Un evento $B$ es $\delta$-casi contenido en una $\sigma$-álgebra $\mathcal{G}$ si existe un $G \in \mathcal{G}$ tal que $P(B \triangle G) \leq P(B)\delta$.
2. Contención casi-$\varepsilon$ en un evento: Un evento $B$ es $\varepsilon$-casi un subconjunto de $A$ si $P(B \setminus A) \leq P(B)\varepsilon$.

El artículo define el conocimiento y el conocimiento común "sobre un evento $B$" en lugar de en un estado específico $\omega$. Este enfoque permite el manejo de conjuntos nulos y modelos continuos donde el conocimiento exacto de valores posteriores específicos es a menudo imposible. Los autores utilizan varianzas condicionales para cuantificar la "cercanía" de conocer una variable aleatoria, extendiendo el trabajo de Nielsen. También emplean la métrica $d(\mathcal{G}_1, \mathcal{G}_2)$ entre $\sigma$-álgebras (basada en Rogge) para establecer propiedades de continuidad de las esperanzas condicionales.

Contribuciones Clave y Resultados

1. Conocimiento Común Aproximado de un Evento
El artículo establece que la definición de conocimiento común $(\delta, \varepsilon)$ basada en $\sigma$-álgebras es equivalente tanto a una definición jerárquica (conocimiento mutuo de conocimiento mutuo) como a una definición jerárquica alternante (el individuo 1 sabe, el individuo 2 sabe que el individuo 1 sabe, etc.). Esto generaliza la prueba de equivalencia original de Aumann al entorno aproximado.

• Teorema de Acuerdo Cuantitativo (Teoremas 3.12 y 3.15): Los autores demuestran que si dos individuos tienen conocimiento común $(\delta, \varepsilon)$ de sus posteriores (para un evento o una variable aleatoria $X \in [0,1]$) situándose dentro de intervalos específicos, la distancia entre sus posteriores está acotada uniformemente. Específicamente, si los posteriores son conocimiento común $(\delta, \varepsilon)$, la diferencia $|q_1 - q_2|$ está acotada por $\frac{2\delta + \varepsilon}{1 + \delta}$. Este resultado se sostiene para espacios de probabilidad generales, a diferencia de los resultados previos basados en la creencia común $p$, que estaban limitados a espacios contables.
• Relación con la Creencia Común $p$: El artículo proporciona fórmulas de conversión explícitas (Proposiciones 3.18 y 3.19) entre el conocimiento común $(\delta, \varepsilon)$ y la creencia común $p$ débil, demostrando que ambos conceptos son intercambiables en términos de aplicabilidad, aunque el conocimiento común $(\delta, \varepsilon)$ ofrece una equivalencia estructural más robusta en espacios generales.

2. Conocimiento Común Aproximado de una Variable Aleatoria
Extendiendo el trabajo de Nielsen, los autores definen el conocimiento común $(\delta, \varepsilon)$ para variables aleatorias utilizando varianzas condicionales. Una variable aleatoria $X$ es conocimiento común $(\delta, \varepsilon)$ sobre un evento $B$ si $B$ es $\delta$-casi contenido en las $\sigma$-álgebras de ambos individuos y la varianza condicional de $X$ dada la $\sigma$-álgebra restringida está acotada por $\varepsilon$.

• Teorema de Acuerdo para Variables Aleatorias (Teorema 4.21): El artículo demuestra que si los posteriores de una variable aleatoria $X$ son conocimiento común $(\delta, \varepsilon)$ sobre un evento $B$, la distancia $L^2$ entre los posteriores sobre $B$ está acotada por una función de $\delta$ y $\varepsilon$:
  $$E_{P_B}[(E[X|\mathcal{G}_1] - E[X|\mathcal{G}_2])^2] \leq 64\delta \|X\|_{L^\infty}^2 + 4\sqrt{\varepsilon} \|X\|_{L^\infty}$$
  Este resultado generaliza el teorema de acuerdo de Nielsen al entorno aproximado.

3. Acuerdo Dinámico Aproximado
Los autores extienden los resultados de acuerdo dinámico de Geanakoplos y Polemarchakis y Nielsen hacia entornos ruidosos.

• Convergencia con Ruido (Teorema 5.2): En un entorno dinámico donde los individuos intercambian información a lo largo del tiempo, si la varianza condicional del posterior de un individuo dado la información futura del otro converge a $\varepsilon$ (información común aproximada), entonces la distancia $L^2$ entre sus posteriores límite está acotada por $2\sqrt{\varepsilon \text{Var}(X)}$.
• Aplicación a la Comunicación Ruidosa (Ejemplo 5.4): El artículo ilustra esto con un escenario donde los individuos comunican sus posteriores a través de un canal ruidoso con varianza de ruido uniformemente acotada. El resultado garantiza que el desacuerdo en el infinito está controlado únicamente por la varianza del ruido $\varepsilon$, sin requerir supuestos sobre la forma de la distribución del ruido.

Significancia
El artículo reclama su significancia principalmente por su generalización conceptual y su precisión cuantitativa:

1. Espacios de Probabilidad Generales: A diferencia del trabajo previo sobre acuerdo aproximado (por ejemplo, Monderer y Samet, Geanakoplos, Morris) que dependía de espacios contables, estos resultados se mantienen para espacios de probabilidad arbitrarios, lo que los hace aplicables a modelos continuos y espacios de tipos infinitos en juegos bayesianos.
2. Marco Unificado: Unifica el estudio del conocimiento aproximado tanto para eventos como para variables aleatorias bajo un único marco $(\delta, \varepsilon)$, preservando la equivalencia entre las definiciones de $\sigma$-álgebra y las definiciones jerárquicas.
3. Robustez: Los resultados proporcionan cotas cuantitativas explícitas sobre el desacuerdo, demostrando que un desacuerdo sustancial es imposible incluso cuando el conocimiento común es solo aproximado. Esto es particularmente relevante para modelar escenarios del mundo real que involucran comunicación ruidosa, donde el conocimiento común exacto es inalcanzable.

Los autores mantienen un tono modesto, señalando que, si bien las constantes en las cotas pueden no ser ajustadas, la existencia de tales cotas en espacios generales y la capacidad de convertir entre diferentes nociones de conocimiento aproximado constituyen el núcleo del avance teórico.