Материал: Алгебра_кортежей

необходимо учитывать, что в соответствии с аксиоматикой А.Н. Колмогорова они изоморфны алгебре множеств, причем сами множества по структуре есть множества кортежей, содержащихся в многоместных отношениях.

Именно это обстоятельство, явно или неявно учитываемое в АК и ЛВА, не учитывается в различных версиях "вероятностной логики". Предположение о том, что события, соответствующие разным логическим переменным, зависимы сами по себе, т.е. без учета связывающей их логической формулы, означает нарушение законов математической логики. Другое дело, когда речь идет о самих формулах, в которых устанавливается зависимость между различными переменными, или о разных логических формулах, которые могут быть зависимыми только при условии, что они содержат хотя бы одну общую для них свободную переменную.

Изложенный выше подход соответствует прямой задаче логиковероятностного анализа, когда при заданных вероятностях элементарных событий выполняется расчет вероятности сложного события. В обратной задаче постановка иная – на основе данных о вероятностях некоторых сложных событий нужно найти вероятности элементарных событий, после чего можно рассчитать вероятности других сложных событий. К обратным относятся задачи, решаемые в вероятностной логике. Рассмотрим пример, приведенный в статье известного специалиста по вероятностной логике Н. Нильсона [Nilsson,

1986].

Пример 5.3. Дана совокупность событий, заданных формулами A и A B исчисления высказываний, при этом P(A) = p1 и P(A B) = p2. Требуется оценить вероятность P(B) события B.

В[Nilsson, 1986] для решения этой и аналогичных задач предложена теория, использующая геометрические построения и концепции возможных миров. Покажем, как данная задача решается с помощью АК.

Взадаче имеются всего две логические переменные (A, B), которые можно считать элементарными событиями. Предположим, что вероятность этих событий равна соответственно P(A) и P(B). В условии задачи сказано, что

P(A) = p1. Выразим заданные формулы в структурах АК, используя универсум

A B = {0, 1}2:

(здесь D-кортеж, соответствующий формуле A B, преобразован в ортогональную C-систему).

На основании этого найдем формулы вероятностей событий A и A B:

P(A) = p1; P(A B) = (1 – P(A)) + P(A)P(B) = p2.

Получилась система из двух уравнений:

P(A) = p1;

(1 – P(A)) + P(A)P(B) = p2,

из которой несложно вывести:

P(B) = p1 p2 1. p1

Это точный ответ, в то время как в [Nilsson, 1986] ответ получен как интервальная оценка:

p2 + p1 – 1 P(B) p2.

Ответ, полученный методами АК, также позволяет по значениям заданных вероятностей событий оценить допустимость или недопустимость этих событий. Это можно сделать, используя неравенства:

p1 + p2 – 1 0 и p1 + p2 – 1 p1.

Из них следует, что события допустимы при условии p1 + p2 1. Второе неравенство после преобразования становится очевидным: p1 1. Таким образом, в ответе, полученном Н. Нильсоном, верхняя граница для P(B) избыточна.

В общем случае алгоритм решения задач вероятностной логики

следующий. Пусть заданы исходные логические формулы Fi с известными вероятностями P(Fi) и формула G, вероятность которой P(G) требуется вычислить. Тогда необходимо выполнить следующую последовательность операций:

1)формулы Fi и G преобразуются в ортогональные C-системы;

2)для каждой из этих систем составляется уравнение регрессии E(Fi) и

E(G);

3)составляется и решается система уравнений {E(Fi)};

4)если система уравнений {E(Fi)} имеет единственное решение, то полученные значения переменных подставляются в формулу E(G) и находится

точный ответ.

176

A B [{1} {1}].

Составим систему уравнений:

P(A) + (1 – P(A)) P(B) = a; P(A)P(B) = b.

Решая данную систему уравнений, получим

Видно, что полученные решения не дают однозначного ответа в тех случаях, когда подкоренное выражение не равно 0 (это возможно для случая

P(A) P(B)).

Для приведенных примеров можно численно проверить выкладки, если построить соответствующие им вероятностные модели. Так, для примера 5.5 вероятностная модель такова: пусть одновременно бросаются две монеты, причем известна вероятность выпадения хотя бы одного герба (этому событию соответствует формула A B) и вероятность выпадения герба в двух бросаниях (формула A B). Зная вероятность выпадения герба (для правильных монет – 0.5), нетрудно по законам теории вероятности подсчитать вероятности этих сложных событий: P(A B) = 0.75; P(A B) = 0.25. Подстановка этих значений в приведенные выше формулы для P(A) и P(B) дает правильный ответ. Аналогичную проверку можно произвести и для «неправильных» монет, когда вероятности выпадения герба отличаются от 0.5.

При решении обратной задачи для систем со многими состояниями точное решение систем уравнений возможно не всегда, так как число переменных в уравнениях регрессии сопоставимо с числом всех квантов и может превышать число уравнений. Так, в примере 5.2 число квантов в атрибуте X равно 7, следовательно, число неизвестных параметров только для этого атрибута будет на единицу меньше, т.е. 6. Однако задача может быть решена приближенно, если ее представить как задачу аппроксимации. Допустим, атрибут Xi разделен на ki квантов (ki > 2). Тогда будем считать неизвестными не величины квантов, а типы и параметры непрерывных распределений вероятности для каждого атрибута. Число параметров распределений обычно не превышает двух – они и будут неизвестными величинами. Для их оценки можно использовать методы

178

оптимизации, где управляющими воздействиями будут типы и параметры маргинальных распределений, а целевой функцией – обобщенный параметр, например, среднее значение абсолютных отклонений между расчетными и фактическими значениями вероятностей исследуемых сложных событий.

Такой подход к решению обратной задачи оценки вероятностей для случая непрерывных распределений во многом аналогичен подходу, который в настоящее время интенсивно используется при моделировании и анализе систем методами нечеткой логики. В подобных методах аппроксимация осуществляется с помощью целенаправленного подбора функций принадлежности и их коэффициентов для нечетких переменных. Эта аналогия позволяет при компьютерном моделировании систем для оценки вероятностей событий использовать результаты программирования систем, основанных на нечеткой логике. В то же время системы, основанные на АК, имеют более ясную интерпретацию, так как в них используются не методы максимина, а логические соотношения. Законы распределения вероятностей, в отличие от функций принадлежности, нередко имеют физический смысл.

В случаях, когда некоторое состояние системы описывается сложной логической функцией F и необходимо часто оценивать условные вероятности разных потенциально возможных событий, целесообразно предварительно выполнить элементаризацию состояния F с помощью МКИ и преобразовать F в ортогональную C-систему Fo. Тогда все расчеты вероятностей F при изменении маргинальных распределений вероятностей или расчеты условных вероятностей P(fk F), где fk – сравнительно простое легко структурируемое событие, не потребуют больших затрат машинного времени, так как вычисление вероятности P(F) осуществляется методом простой подстановки значений вероятностей элементарных событий в Fo. Если fk преобразовано в ортогональную C-систему, то при расчете P(fk F) в результате вычисления пересечения fk Fo сразу получится ортогональная C-система (по теореме 3.2).

Каждая логическая формула – это совокупность всевозможных связей между значениями входящих в нее переменных. Поэтому представление формулы в вероятностном пространстве можно интерпретировать как точное решение уравнения регрессии. Это утверждение можно легко доказать, используя соотношения АК.

179