|
3.2.7 关联式方法
Bundy 1984年提出了以某一个集合来度量不确定性的观点。而将这个集合称作关联式或发生率（Incidence）。由于不确定性的数值处理方法直接或间接的会与概率发生关系，常遇到命题间的独立性要求而影响了推理计算。原因是独立性数值描述常是不合适的，而使用关联式来描述可避免独立性的要求。
例如 已知 P(A)＝0.75
P(～A)=0.25
(其中P(A)表命题A发生的概率)。
于是 P(A∩～A)=P(A)・P(～A)＝0.1875
P(A∪～A)=P(A)+P(～A)-P(A∩～A)=0.8125
但依概率公理 P(A∩～A)=0,P(A∪～A)=1
所出现的这种矛盾，可通过引入对命题间的相互关联性来加以处理，但需要给出所有命题各种可能组合的相互关联性。因为无法由基本命题的相互关联性计算出复杂命题的相关性来。而关联式方法较好地解决了这种矛盾。
 |
例: |
| 做一个试验，掷一个骰子和一硬币，来考虑所有可能的出现的状态。 W＝{(1，正)，(1，反)，…，(6，正)，(6，反)} 设命题A由集合W的一个子集来给出，如A表示"出2点"的命题，便有 i(A)={(2,正)，(2，反)} 这个集合就称为命题A的关联式，i(A)是由W中使A为真的那写元素构成的集合。 一般地说，设W为论域，A，B，…为其子集，关联式满足 (1) i(T)=W (2) i(F)=φ (3) i(～A)=W-i(A) (4) i(A∧B)=i(A)∩i(B) (5) i(A∨B)=i(A)∪i(B) 其中(4)式的成立不要求A，B有独立性的条件，这正是关联式这种表示方法的优越性。两个命题间的相互关联性可由他们的关联式的交集来表示。 如果需要数字度量，仍可从概率观点对i(A)加以度量。若U＝i(A)是一关联式，P(U)表示U在W中出现的概率，那么当V是一组关联式的集合时，有  关联式的推理计算 若命题A的关联式为i(A),又有推理规则A→B，问命题B的关联式如何？ 这时只能给出i(B)的下界，也即 i(A)  i(B)而当有规则  →B， →B， →B出现时，也有i( )∪i()∪i()i(B) |