Vous êtes sur la page 1sur 27

Modelando Conhecimento Conhecimento Comum

Modelando Conhecimento

Prof. Leandro Chaves Rêgo


Programa de Pós-Graduação em Estatística - UFPE
Programa de Pós-Graduação em Engenharia de Produção - UFPE

Recife, 17 de Outubro de 2014


Modelando Conhecimento Conhecimento Comum

Modelando Conhecimento

Introdução
Vamos agora descrever um modelo para conhecimento e usar este modelo para
formalizar a idéia do que é conhecimento comum. Utilizaremos este modelo
para expressar formalmente as suposições sobre o conhecimento dos jogadores
que estão por trás dos conceitos de equilíbrio de Nash e racionalizabilidade.
Quando analisamos jogos, estamos interessados não só no conhecimento dos
jogadores sobre as regras do jogo, mas também no conhecimento dos jogadores
sobre os conhecimentos dos demais. Vamos iniciar introduzindo um modelo
para conhecimento de um único agente.
Modelando Conhecimento Conhecimento Comum

Um Modelo para Conhecimento

A base deste modelo é um conjunto de estados Ω. Os estados podem ser


interpretados como uma descrição de todos os fatos relevantes para o problema
de decisão sendo considerado. Uma maneira de definir o conhecimento do
agente sobre o verdadeiro estado é definir uma função de informação K que
associa cada estado w ∈ Ω com um conjunto não vazio K(w ) de Ω. A
interpretação é que quando o verdadeiro estado da natureza é w o agente
apenas sabe que o verdadeiro estado está em K(w ), portanto excluindo os
estados fora de K(w ).
Modelando Conhecimento Conhecimento Comum

Propriedades da Função de Informação

Quando utilizamos uma função de informação para modelar o conhecimento de


um agente freqüentemente assume-se que o par (Ω, K) satisfaz as seguintes
condições:

P1. w ∈ K(w ), ∀w ∈ Ω.
P1 afirma que o agente nunca exclui o verdadeiro estado do
conjunto de estados que ele considera possível.
P2. Se w ′ ∈ K(w ), então K(w ′ ) ⊆ K(w ).
P3. Se w ′ ∈ K(w ), então K(w ) ⊆ K(w ′ ).
Modelando Conhecimento Conhecimento Comum

Propriedades da Função de Informação

P2 e P3 afirmam que o agente é capaz de realizar introspecção para checar


inconsistências entre os estados e suas informações para inferir sobre o
verdadeiro estado. Isto é, se w ′ ∈ K(w ) e w ′′ ∈ K(w ′ ), então como quando o
verdadeiro estado é w o agente considera w ′ possível, e quando o verdadeiro
estado é w ′ ele considera w ′′ possível, então quando o verdadeiro estado é w ,
ele também deve considerar w ′′ possível, caso contrário ele conseguiria
distinguir entre w e w ′ . Portanto, w ′′ ∈ K(w ). Além disso, se w ′ ∈ K(w ) e
/ K(w ′ ), então como o agente não consegue distinguir entre w e w ′ , e
w ′′ ∈
quando w ′ é o verdadeiro estado w ′′ não é considerado possível pelo agente,
temos que w ′′ também não deve ser considerado possível pelo agente quando
w for o verdadeiro estado da natureza.
Modelando Conhecimento Conhecimento Comum

Informação Particional

Definição 1.1
Uma função de informação K para um conjunto Ω é particional se existe
uma partição de Ω tal que para todo w ∈ Ω, o conjunto K(w ) é o elemento
da partição que contém w .

O próximo lema dá uma caracterização alternativa para uma função de


informação particional.

Lema 1.2
Uma função de informação é particional se, e somente se, ela satisfaz P1, P2, e
P3.

Prova: Se K for particional ela claramente satisfaz P1, P2, e P3. Agora
suponha que K satisfaz P1, P2, e P3. Se w ′′ ∈ K(w ) ∩ K(w ′ ), então por P2 e
P3, temos que K(w ) = K(w ′ ) = K(w ′′ ). P1 por sua vez implica que
∪w ∈Ω K(w ) = Ω. Portanto, K é particional.
Modelando Conhecimento Conhecimento Comum

Exemplo

Seja Ω = [0, 1) e assuma que o agente observa apenas os primeiros quatro


dígitos da expansão decimal do número. Então, para todo w ∈ Ω o conjunto
K(w ) é o conjunto de todos os estados w ′ ∈ Ω que possuem os mesmos quatro
primeiros dígitos da expansão decimal de w . Note que esta função de
informação é particional.
Modelando Conhecimento Conhecimento Comum

Evento e Função de Conhecimento

Um evento é qualquer subconjunto de Ω. Dizemos que um evento ocorre se o


verdadeiro estado pertence a este evento. Então, dada uma função de
informação, se K(w ) ⊆ E , então o evento E ocorre em todos os estados que o
agente considera possível quando o verdadeiro estado é w . Dizemos que o
agente sabe o evento E no estado w . Podemos então definir uma função de
conhecimento K por

K (E ) = {w ∈ Ω : K(w ) ⊆ E },

ou seja, K (E ) é o conjunto de todos os estados nos quais o agente sabe E .


Qualquer função de conhecimento satisfaz as três propriedades a seguir:
K1 K (Ω) = Ω. Portanto, em todos os estados o agente sabe que
Ω ocorre.
K2 Se E ⊆ F , então K (E ) ⊆ K (F ). Portanto, se E implica F , e o
agente sabe que E ocorre então ele sabe que F ocorre.
K3 K (E ) ∩ K (F ) = K (E ∩ F ). Portanto, o agente sabe E e sabe
F se, e somente se, ele sabe E ∩ F .
Modelando Conhecimento Conhecimento Comum

Axioma do Conhecimento

Se K satisfaz P1, então a função de conhecimento associada satisfaz a seguinte


propriedade:
K4 (Axioma do Conhecimento.) K (E ) ⊆ E . Portanto, o agente
não pode saber algum evento que seja falso.a
Prova: Se w ∈ K (E ), então K(w ) ⊆ E . Como P1 implica que
w ∈ K(w ), temos que w ∈ E .

a
Esta propriedade é que diferencia conhecimento de crença. Apesar de um
agente não poder saber algo que seja falso, ele pode acreditar em algo que seja
falso.
Modelando Conhecimento Conhecimento Comum

Axioma da Transparência

Se K satisfaz P2, então a função de conhecimento associada satisfaz a seguinte


propriedade:
K5 (Axioma da Transparência.) K (E ) ⊆ K (K (E )). Portanto, se o
agente sabe E , ele sabe que ele sabe E . Este axioma também
é conhecido como axioma da introspecção positiva.
Prova: Se w ∈ K (E ), então K(w ) ⊆ E . Como P2 implica que
para todo w ′ ∈ K(w ), temos K(w ′ ) ⊆ K(w ). Então, para todo
w ′ ∈ K(w ), temos que K(w ′ ) ⊆ E . Portanto, K (E ) ⊇ K(w ),
ou seja, w ∈ K (K (E )).
Modelando Conhecimento Conhecimento Comum

Axioma da Sabedoria

Finalmente, se K satisfaz P3, então a função de conhecimento associada


satisfaz a seguinte propriedade:
K6 (Axioma da Sabedoria.) Ω − K (E ) ⊆ K (Ω − K (E )). Portanto,
se o agente não sabe E , ele sabe que ele não sabe E . Este
axioma também é conhecido como axioma da introspecção
negativa.
Prova: Se w ∈ / K (E ), então K(w ) * E . Como P3 implica que
para todo w ′ ∈ K(w ), temos K(w ) ⊆ K(w ′ ). Então, para todo
w ′ ∈ K(w ), temos que K(w ′ ) * E . Portanto,
K (E ) ∩ K(w ) = ∅, ou seja, K(w ) ⊆ Ω − K (E ). Portanto,
w ∈ K (Ω − K (E )).
Modelando Conhecimento Conhecimento Comum

Exemplo

Suponha que n agentes perfeitamente racionais estão sentados ao redor de uma


mesa. Todos estão usando um chapéu que ou é branco ou é preto. Todos os
agentes só podem ver o chapéu dos outros agentes. Suponha que um
observador anuncia: “Cada um de vocês está usando um chapéu que ou é
branco ou é preto; pelo menos um é branco. Vou contar devagar e após cada
número, você tem a oportunidade de levantar a mão quando souber a cor do
seu chapéu.” Qual o primeiro instante em que um agente levantará sua mão?
Modelando Conhecimento Conhecimento Comum

Exemplo

Note que, após o anúncio do observador, temos 2n − 1 possíveis estados que


descrevem todas as combinações de cores pretas e brancas para os n chapéis
dos agentes, exceto o caso em que todos seriam pretos. Ou seja,

Ω = {w ∈ {B, P}n : |{i : wi = B}| ≥ 1},

onde wi representa a cor do chapéu do i-ésimo agente. Inicialmente, temos que


a função de informação do i-ésimo agente é dada por:
Ki1 (w ) = {(w−i , B), (w−i , P)} se w−i 6= {P}n−1 , e Ki (w ) = {w } se
w−i = {P}n−1 . Note que {w : wi = B} é o evento o chapéu do i-ésimo agente
é branco, então o evento o i-ésimo agente sabe a cor do seu chapéu é:

Ei = {w : Ki (w ) ⊆ {w : wi = B} ou Ki (w ) ⊆ {w : wi = P}}.
Modelando Conhecimento Conhecimento Comum

Exemplo

Quando Ki = Ki1 para todo i, note que apenas nos estados w em que somente
um agente i tem chapéu branco temos w ∈ Ej para algum j. Neste caso, temos
que w ∈ Ei , de modo que apenas i levanta sua mão quando o observador conta
1.

Seja F 1 = {w : |{i : wi = B}| = 1}, o conjunto de estados nos quais alguém


levanta a mão na primeira rodada. Se ninguém levanta sua mão, então os
agentes reconhecem uma nova informação que w ∈ / F 1 . Portanto, para todo i
ew∈ / F 1 , temos que Ki (w ) = Ki2 (w ) = Ki1 (w ) − F 1 . Agora note que apenas
nos estados w em que somente dois agentes i e h têm chapéu branco, temos
que w ∈ Ej para algum j. Neste caso, temos que w ∈ Ei ∩ Eh , de modo que
apenas i e h levantam a mão quando o observador conta 2.
Modelando Conhecimento Conhecimento Comum

Exemplo

Seja F 2 = {w : |{i : wi = B}| = 2}, o conjunto de estados nos quais alguém


levanta a mão pela primeira vez na segunda rodada. Se ninguém levanta a mão
até a segunda rodada, então os agentes reconhecem que w ∈ / F 1 ∪ F 2, e o
processo continua com Ki (w ) = Ki3 (w ) = Ki2 (w ) − F 2 , para todo i e
w∈ / F 1 ∪ F 2 . É fácil ver que se k chapéis são brancos, então ninguém levanta
a mão até o observador contar k, período no qual todos os agentes que têm
chapéu branco levantam a mão.
Modelando Conhecimento Conhecimento Comum

Conhecimento Comum

Suponha que no exemplo anterior os agentes soubessem que todos


tinham chapéu branco ou preto, que pelo menos um indivíduo tinha
chapéu branco, e que todos os outros agentes soubessem deste fato.
Então, se nenhum observador fizesse nenhum anúncio, mas apenas a
contagem e aguardasse alguém levantar a mão, se pelo menos três
indivíduos tivessem chapéu branco então ninguém nunca levantaria a
mão. Mas se o observador apenas anunciou o que os agentes já sabiam, o
que mudou nas duas situações?
O que mudou foi que o observador tornou conhecimento comum entre os
agentes que pelo menos um chapéu é branco. Após o anúncio os agentes
além de saberem que tinha pelo menos um chapéu branco e que todos os
agentes sabiam disso, eles passaram a saber que os outros sabem que eles
sabem que tem pelo menos um chapéu branco, e assim por diante em
todos os níveis de iteração de conhecimento. Isto ilustra a importância de
níveis iterados de conhecimento dos agentes.
Modelando Conhecimento Conhecimento Comum

Conhecimento Comum

Suponha que no exemplo anterior os agentes soubessem que todos


tinham chapéu branco ou preto, que pelo menos um indivíduo tinha
chapéu branco, e que todos os outros agentes soubessem deste fato.
Então, se nenhum observador fizesse nenhum anúncio, mas apenas a
contagem e aguardasse alguém levantar a mão, se pelo menos três
indivíduos tivessem chapéu branco então ninguém nunca levantaria a
mão. Mas se o observador apenas anunciou o que os agentes já sabiam, o
que mudou nas duas situações?
O que mudou foi que o observador tornou conhecimento comum entre os
agentes que pelo menos um chapéu é branco. Após o anúncio os agentes
além de saberem que tinha pelo menos um chapéu branco e que todos os
agentes sabiam disso, eles passaram a saber que os outros sabem que eles
sabem que tem pelo menos um chapéu branco, e assim por diante em
todos os níveis de iteração de conhecimento. Isto ilustra a importância de
níveis iterados de conhecimento dos agentes.
Modelando Conhecimento Conhecimento Comum

Conhecimento Comum

Formalmente, dizemos que um evento é de conhecimento mútuo em um


grupo de agentes se todo agente neste grupo sabe o evento. Por outro
lado, um evento é conhecimento comum em um grupo de agentes se
além do evento ser conhecimento mútuo entre os agentes do grupo, todos
os agentes sabem que os outros agentes sabem do evento, e todos sabem
que todos sabem que todos sabem do evento, e assim por diante.
Por simplicidade, vamos nos restringir ao caso de 2 agentes. Neste caso,
se K1 e K2 são as funções de conhecimentos dos agentes, um evento E
por definição é conhecimento comum entre 1 e 2 em um estado w se w
pertence a todos os eventos na seguinte seqüência infinita:
K1 (E ), K2 (E ), K1 (K2 (E )), K2 (K1 (E )), K1 (K2 (K1 (E ))), . . .
Modelando Conhecimento Conhecimento Comum

Conhecimento Comum

Formalmente, dizemos que um evento é de conhecimento mútuo em um


grupo de agentes se todo agente neste grupo sabe o evento. Por outro
lado, um evento é conhecimento comum em um grupo de agentes se
além do evento ser conhecimento mútuo entre os agentes do grupo, todos
os agentes sabem que os outros agentes sabem do evento, e todos sabem
que todos sabem que todos sabem do evento, e assim por diante.
Por simplicidade, vamos nos restringir ao caso de 2 agentes. Neste caso,
se K1 e K2 são as funções de conhecimentos dos agentes, um evento E
por definição é conhecimento comum entre 1 e 2 em um estado w se w
pertence a todos os eventos na seguinte seqüência infinita:
K1 (E ), K2 (E ), K1 (K2 (E )), K2 (K1 (E )), K1 (K2 (K1 (E ))), . . .
Modelando Conhecimento Conhecimento Comum

Eventos Auto-evidentes

Se K1 e K2 são as funções de informação dos agentes 1 e 2, um evento F é


auto-evidente entre 1 e 2 se para todo w ∈ F , temos Ki (w ) ⊆ F para 1 e 2.
Portanto, se um evento auto-evidente entre 1 e 2 é verdadeiro, ele é
conhecimento mútuo entre os agentes 1 e 2. O próximo lema estabelece
algumas caracterizações equivalentes para eventos auto-evidentes.

Lema 2.1
Sejam K1 e K2 funções de informação particionais, sejam K1 e K2 as funções
de conhecimento associadas, e E um evento qualquer. Então as seguintes
condições são equivalentes:
(a) Ki (E ) = E para i = 1, 2.
(b) E é auto-evidente entre 1 e 2.
(c) E é igual uma união de membros da partição induzida por Ki , para
i = 1, 2.
Modelando Conhecimento Conhecimento Comum

Prova

Assuma que (a) é verdadeiro. Então, para todo w ∈ E , temos Ki (w ) ⊆ E para


i = 1, 2, portanto (b) é verdadeiro. Assuma agora que vale (b). Então,
E = ∪w ∈E Ki (w ) (recorde que w ∈ Ki (w )) para i = 1, 2, portanto vale (c).
Finalmente, se vale (c), temos que para todo w ∈ E , Ki (w ) ⊆ E , ou seja,
w ∈ Ki (E ). Por outro lado, como Ki é particional, temos que Ki (E ) ⊆ E .
Logo, vale (a).
Modelando Conhecimento Conhecimento Comum

Caracterização Alternativa de Conhecimento


Comum

Podemos agora utilizar este lema para dar uma nova caracterização para
conhecimento comum em termos de eventos auto-evidentes.
Teorema 2.2
Seja Ω um conjunto de estados finito, sejam K1 e K2 funções de informação
particionais, e sejam K1 e K2 as funções de conhecimento associadas. Então
um evento E é conhecimento comum entre 1 e 2 no estado w se, e somente se,
existir um evento auto-evidente F entre 1 e 2, tal que w ∈ F ⊆ E .
Modelando Conhecimento Conhecimento Comum

Prova

Assuma que o evento E é conhecimento comum entre 1 e 2 no estado w . Pelo


axioma K4, temos que para cada i ∈ {1, 2} e j 6= i,
E ⊇ Ki (E ) ⊇ Kj (Ki (E )) ⊇ Ki (Kj (Ki (E ))) ⊇ · · · . Como E é conhecimento
comum em w , temos que w pertence a todos os eventos na seqüência anterior,
logo todos eles são não vazios. Como Ω é finito, existe um evento
Fi = Ki (Kj (Ki · · · Ki (E ) · · · )) para o qual Kj (Fi ) = Fi . Por K4 e K5, temos
que Ki (Fi ) = Fi . Então, pelo Lema 2.1, temos que Fi é auto-evidente entre 1 e
2. Além disso temos que w ∈ Fi ⊆ E .

Para a recíproca, assuma que exista um evento auto-evidente F entre 1 e 2 e


um estado w , tal que w ∈ F ⊆ E . Como F é auto-evidente, pelo Lema 2.1,
temos que todos os eventos do tipo Ki (Kj (Ki · · · Ki (F ) · · · )) são iguais a F .
Como w ∈ F , segue de K 2 que w é membro de todos os eventos do tipo
Ki (Kj (Ki · · · Ki (E ) · · · )). Portanto, E é conhecimento comum entre 1 e 2.
Modelando Conhecimento Conhecimento Comum

Exemplo

Seja Ω = {w1 , w2 , . . . , w6 }, K1 e K2 funções de informação particionais, e


sejam K1 e K2 as funções de conhecimento associadas. Sejam as partições
induzidas por K1 e K2 dadas por:

K1 = {{w1 , w2 }, {w3 , w4 , w5 }, {w6 }}


K2 = {{w1 }, {w2 , w3 , w4 }, {w5 }, {w6 }}

O evento E = {w1 , w2 , w3 , w4 } não contém nenhum evento não vazio que seja
auto-evidente entre 1 e 2, portanto, E não é conhecimento comum em nenhum
estado. O evento F = {w1 , w2 , w3 , w4 , w5 } é auto-evidente entre 1 e 2,
portanto é conhecimento comum entre 1 e 2 em qualquer estado em F .
Modelando Conhecimento Conhecimento Comum

Impossibilidade de Concordar em Discordar

Agora provaremos que se as funções de informação de agentes são particionais,


não é possível que seja conhecimento comum entre dois agentes que têm uma
probabilidade a priori comum sobre os estados que o agente 1 associa
probabilidade η1 a um evento e que o agente 2 associa probabilidade η2 6= η1
ao mesmo evento. Isto é, é impossível que seja conhecimento comum entre
agentes com a mesma distribuição a priori que eles discordam da distribuição a
posteriori de um mesmo evento. Portanto, se queremos modelar uma situação
em que é conhecimento comum que existe diferença na distribuição a posteriori
de eventos, não podemos assumir que existe uma distribuição a priori comum
entre os agentes, como, por exemplo, freqüentemente assume-se em jogos
bayesianos.
Modelando Conhecimento Conhecimento Comum

Impossibilidade de Concordar em Discordar

Seja ρ uma medida de probabilidade no conjunto de estados Ω, interpretada


como a probabilidade a priori comum entre os agentes, e seja K1 e K2 as
funções de informação dos agentes. Se E é um evento e ρ(E |Ki (w )) = ηi ,
onde ρ(E |Ki (w )) é a probabilidade do evento E condicionada em Ki (w ), então
no estado w o agente i associa probabilidade ηi ao evento E . Logo, o evento
“agente i associa probabilidade ηi ao evento E ” é {w : ρ(E |Ki (w )) = ηi }.

Teorema 2.3
Suponha que o conjunto Ω de estados é finito e que os agentes 1 e 2 têm a
mesma probabilidade a priori. Se as funções de informação dos agentes são
particionais e é conhecimento comum entre 1 e 2 em algum estado w ∗ ∈ Ω que
o agente 1 associa probabilidade η1 a algum evento E e o agente 2 associa
probabilidade η2 a algum evento E , então η1 = η2 .
Modelando Conhecimento Conhecimento Comum

Prova

Se as hipóteses são satisfeitas, então existe um evento auto-evidente F tal que


w ∗ ∈ F e F é um subconjunto de ∩2i =1 {w : ρ(E |Ki (w )) = ηi }, onde ρ é a
probabilidade a priori comum e Ki é a função de probabilidade do agente i.
Pelo Lema 2.1, F é a união de membros da partição induzida pela função de
informação do agente i para i = 1, 2. Como Ω é finito, o número de membros
das partições são finitos. Então F = ∪nk=1 Ak , onde Ak é membro da partição
induzida por K1 e F = ∪m k=1 Bk , onde Bk é membro da partição induzida por
K2 . Como para todo k, ρ(E |Ak ) = η1 , segue que ρ(E |F ) = η1 . Similarmente,
obtemos ρ(E |F ) = η2 . Logo, η1 = η2 .