ĐẠI HỌC QUỐC GIA HÀ NỘI
■ • ■
TRƯỜNG ĐẠI HỌC KHOA HỌC Tự NHIÊN
TÊN ĐỂ TÀI
HỆ THỐNG TRỢ GIÚP QUYẾT ĐỊNH
■ ■ ■
TRONG CÔNG TÁC ĐÀO TẠO
■
MÃ SÔ : QG-03-01
CHỦ TRÌ ĐỂ TÀI : PGS. TS. Đ ỗ TRUNG TUẤN
HÀ NỘI, 2005
ĐẠI HỌC QUỐC GIA HÀ NỘI
■ ■ ■
TRƯỜNG ĐẠI HỌC KHOA HỌC Tự NHIÉN
HỆ THỐNG TRỢ GIÚP QUYẾT ĐỊNH
■ ■ ■
TRONG CÕNG TÁC ĐÀO TẠO
■
MÃ SÔ : QG-03-01
CHỦ TRÌ ĐỂ TÀI : PGS. TS. Đ ỗ TRUNG TUẤN
THAM GIA ĐỂ TÀI :
• Ths. Vũ Văn Tới, Bộ Công an
• Vũ Văn Nam, Trường Công nghệ, Đại học Quốc gia Hà nội
• Lê Thị Yên, Trường đại học dân lập Đông đô
• Nguyền Văn Đỏng, Ban chỉ huy quán sự, quân khu 3
• Ths. Dương Anh Tuấn, trường Đại học Khoa học Tự nhiên, Đại học
Quốc gia Hà nội
• Ths. Lương Xuân Cương, Học viện kĩ thuật quán sự
r ữAl HGC QUOC GIA HÀ NÔĨ
WUNG TÂM t h c n g jin thư viên
Lpĩ/ 3 ^ 4

quyết định, cho phép dùng trong công tác đánh giá kết quả học tập.
Nội dung :
1. Nghiên cứu về dữ liệu không chắc chắn, xử lí thông tin không chắc chắn,
nhầm áp dụng trong hệ thống trợ giúp quyết định;
2. Tổng thuật các vấn đe liên quan đến xây dựng hệ thống trợ giúp quyết
định, nhằm cung cấp tài liệu cho sinh viên đại học, học viên cao học trong
việc tham khảo, phát triển hệ thống;
3. Xây dựng phấn mềm thử nghiệm về hệ thống trợ giúp quyết định.
CÁC KẾT QUẢ ĐẠT ĐƯỢC
Đé tài đã thực hiện các nội dung dăng kí, với các kết quả sau
2G-03-0I. Trang 3
• Các kết quả nghiên cứu được thể hiện dưới dạng các bài trinh bày trong
sinh hoạt khoa học của đề tài. Tài liệu về “lí thuyết chắc chắn” được sử
dụng như tài liệu tham chiếu, huấn luyện;
• Bài báo đãng tạp chí:
• Bài báo tham gia Hội thảo về công nghệ thông tin :
• Bài báo tham gia Hội nghị khoa học :
• Các luận văn tốt nghiệp cao học về công nghệ thông tin :
• Các luận vãn tốt nghiệp đại học và các bài tập lớn về công nghệ thông tin :
• Tài liệu “Hệ thống trợ giúp quyết định” dùng trong công tác dẩo tạo bặc
đại học và sau đại học về công nghệ thông tin.
• Phần mềm Irợ giúp quyết định trong công tác quản lí điểm sinh viên, phần
mềm được viết trên nền VISUAL BASIC, truy cập cơ sở dữ liệu với hệ
quản trị SQL SERVER.
KINH PHÍ ĐỂ TÀI
Đề tài được cấp kinh phí hai năm, 2002- 2004, mỗi năm 30 triệu đồng; tổng cộng
60 triệu dồng.
Đề tài đã thực hiện các thủ tục thanh quyết toán tài chính tại trường Đại học Khoa
học Tự nhiên.
KHOA OUẢN LÍ

è tài QG -03-01. Trang 5
Articles published in journals;
Reports in information technology conferences in Vietnam;
Master thesis on information technology;
Bachelor thesis on information technology and reports of students;
Training course “Decision support systems” for under-graduated and
graduated level;
Software for training support. The software is based on VISUAL BASIC and
access to database management system SQL SERVER.
MỤC LỤC
Lời giới thiệu 8
Tài liệu 1 .Tiếp cận Bayes đối với lập luận không chính xác 9
Tài liệu 2. Lí thuyết chắc chắn 26
Các bài dăng tại tạp chí, hội thảo khoa học 44
Các luận vãn tốt nghiệp 45
Tài liệu về hệ thống trợ giúp quyết định 46
Phần mồm trợ giúp quyết định. Các trang màn hình và cấu trúc bảng 58
Kết luận 71
Tài liệu tham khảo 72
Phụ lục 73
Tóm tắt công trình của chủ nhiệm đề tài 89
Scientific project 90
Phiếu đãng kí kết quả khoa học-công nghệ 91
li QG-03-01. Trang 7
LỜI GIỚI THIỆU
Đề tài cấp Đại học Quốc gia Hà nội, mã số QG-03-01 có mục đích nghiên cứu
một số phương pháp xử lí dữ liệu sử dụng trong hệ thống trợ giúp quyết định. Việc xử lí
dữ liệu không đầy đủ, không chăc chắn thường gặp trong các bài toán thực tế, đặc biệt
trong các bài toán quản lí, cần ra các quyết định dựa vào dữ liệu định lượng lẫn dữ liệu
định tính.

trong số các thực nghiệm ngẫu nhiên. Đó là khi với số lần thử khá lớn thì tỉ lệ số lẩn xảy
ra E xấp xỉ bằng p(E). Tập tất củ các dầu ra có thể có của thực nghiệm được gọi là không
gian mẫu, kí hiệu là s.
1.1. Không gian m ẩu rời rạc
Nhiều thực nghiệm có kết quả ra rời rạc. Chảng hạn với việc gieo súc sắc thì s =
11, 2, 3, 4, 5, 6). Mỗi sự kiện trong s là kết quả mà phép thử có thể nhận được. Nếu sau N
lần thử, sự kiện E xảy ra W(E) thì p(E) = W(E)/ N. Hình thức hơn, khi số lần xuất hiện E
là f(E) thì p(E) = limN_>oof(E)/ N.
' f(E) là tần số xuất hiện của sự kiện E đối với N xuất hiện quan sát được. Loại xác
suất này được biết như là xác suất sau (posteriori probability), có nghĩa ”sau sự kiện”.
Xác suất là số đoán khả năng có thể xảy ra của sự kiện; nó tuân theo ràng buộc
sau :
0 < p(E) < 1,
1 p(E,) = 1 với i = l n và n là tất cả các sự kiện.
p(E) + p(~E) = 1, trong đó ~E là sự kiện không là E, là phần bù của E.
1.2. Không gian m ẫu liên tục
G-03-01. Trang 9
Khi các sự kiện hay các phương án có giá trị khoảng chứ không rời rạc, người ta
dùng hàm phân bố xác suất. Chẳng hạn hàm phân bố tần suất về độ cao. Hàm này được
dùng để dự đoán khả năng xảy ra của việc chọn ngẫu nhiên một người có độ cao cần thiết
trong một đám người. Xác suất chọn được người cao lm70 là p(lm70) = 0.25.
Hình. Phân bố tần suất về chiều cao
Người ta thường muốn hỏi câu hỏi phức tạp hơn về khả năng của tình trạng tham
gia vào nhiều phân bố. Chảng hạn khả nãng chọn được người cao lm70 và nặng 80 cân.
Đổ trả lời, người ta cần dùng các luật cơ bản về các phép toán xác suất.
1.3. Các xác suất tổ hợp
Thực tế cho thấy có nhiều tình trạng là tổ hợp của nhiều sự kiện. Chảng hạn người
ta muốn biết xác suất xảy ra hai suy luận khác nhau.
1.3.1. Phép giao
. Đối với vấn đề liên quan đến nhiều sự kiện, người ta xét giao của không gian mẫu.

suất này được xem như xác suất sau. Chẳng hạn người ta quan sát tinh trạng hỏng hóc
máy A và chẩn đoán lại liên quan đến sự kiện B xảy ra trước đó. Vấn đề bây giờ là liệu có
thể biết được khả nãng A đó nếu B sẽ xảy ra sau.
II.l. Đ ịnh lí Bayes
Định lí Bayes giải quyết câu hỏi nêu trên, do nhà toán học thế kỉ 18 Thomas Bayes
đưa ra. Định lí cho biết xác suất về giả thuyết H khi đã có sự kiện E.
p(HIE) = (p(H)*p(EIH)) / p(E),
trong dó p(H) là xác suất để H là đúng, p(HIE) là xác suất đế H đúng khi đã có E,
P(EIH) là xác suất thấy E khi H đúng, và p(E) là xác suất xảy ra E.
Riêng về p(E), người ta thày nó bằng tổng cùa xác suất khi giả thuyết H là đúng
và khi H là không đúng, lức là p(E) = p(EIH) + p(EI~H).
tài QG-03-01. Trang 11
Khi thiết kế hệ chuyên gia, người ta thể hiện định lí Bayes thông qua cấu trúc của
luật IF E THEN H. Định lí xác suất có thể được dùng để cung cấp xác suất về giả thuyết
H khi có sự kiện E. Định lí này cũng được dùng để quản lí xâu suy diễn có dạng :
IF X THEN E -» IF E THEN H
Người ta có thể dùng định lí Bayes dưới dạng xác suất phủ định H, tức là p(~HIE).
p(~HIE) = (p(~H)*p(EI~H))/p(E)
và tính được tỉ lệ giữa khả năng ủng hộ giả thuyết và khả nãng phủ định giả thuyết
khi có sự kiện E :
P(HIE)/ P(HIE) = (P(H) * P(EIH)) / (p(~H) * p(EI~H))
II.2. Thí dụ
Khi đau ngực, người ta thường đi điện tám đồ. Kết quả xét nghiệm được phân
thành hai loại là dương tính (d) ứng với việc đau tim (+t) hoặc âm tính (a) ứng với việc
không dau tim (-t). Trong trường hợp này người ta không quan tâm đến xác suất sau là
p(dl+t).
Giả sử ông Mỗ có kết quả dương tính và muốn biết khả năng tim đau, tức p(+tld).
Chảng hạn có các mẫu về đau ngực :
• p(+t) = 0.1; 10 người trên 100 ngưòi bị đau tim.
• p(-t) = 0.9; 90 người trên 100 không bị đau. p(+t) = 1 - p(-t)

LN = 0(HI~E)/ 0(H) = p(~EIH)/ p(~EI~H) = (p(HI~E)/ p(~HI~E))/ p(H)/ p(~H))
Hay 0(HI~E) = LN * 0(H).
Nếu LN = 0 thì p(HI~E) = 0, có nghĩa H cần sai khi ~E đúng. Nếu không có E thì
cắn kết luận rằng H là sai, hay nói khác “E là cần thiết cho H”.
111.3. Cấu trúc của luật
Dùng LS và LN người ta có thể phát triển các luật IF E THEN H (LS, LN). Luật
này cho rằng sự kiện E giả thiết có giả thuyết H với độ xác định theo nhân tố LS và LN.
Cá hai nhân tố đéu do các chuyên gia cung cấp, dùns để tính thuận sau cho giả thuyết
O(HIE). Chúng đéu lấy các giá trị trong khoảng (0, co).
Giá tri
Tác dộng lên già thuyết
Giá trị Túc động lén già thuyết
ị
của LS
của LN

-

-
.
-

-

—
-

-

1

Hình. Tác động của LS và LN lên giả thuyết
Hai đảng thức vé LS và LN tuân theo các ràng bưộc sau :
• khi LS>1 thì LN<1;
• khi LS<1 thì LN>1;
• khi LS = 1 thì LN = 1.
Tuy các điều kiện này thể hiện ràng buộc toán học nhưng không dùng trong nhiểu bài
toán thực tế. Chảng hạn chuyên gia có thổ nói rằng có vài sự kiện quan trọng, dó là LS>1,
nhưng vắng sự kiện đó không quan trọng, tức LN = 1.
III.4. Không chắc chắn vể sự kiện hiến nhiên
Trong cấu trúc IF E THEN H (LS, LN), người ta dùng p(E) để chỉ xác suất xảy ra
E để hỗ trợ giả thuyết H. Việc thiết lập p(E) có thể khó khăn dối với nhiều bài toán, bởi
người dùng không biết chắc chắn về sự kiện hiển nhiên E, hay dấu hiệu E.
Tổng quát hơn, người ta có thể nói rằng dấu hiệu E phụ thuộc vào E', là điều hiển
nhiên quan sát. Điều này được thể hiện qua p(EIE’). Nhân tố E’ thể hiện sự tin tưởng về E.
Nếu người ta biết về E đầy đủ thì E = E’ và p(EIE’) = p(E).
N(iười ta có thể bổ sung vào xác suất một kháng định vé độ không chắc chán của
sự kiện hiên nhiên. Với E’ là sự kiện tin cậy thì
p(HIE’) = p(HIE)*p(EIE’) + p(HI~E)*p(~EIE’).
Đán” thức này chính xác hóa tiếp cận Baycs thuán tuý và cho phép thiết lặp các
quan hệ sau :
>c tài QG-03-01. Trang 14
IF p(E I E’) = p(E) THEN p(H I E’) = p(H)
IF E là đúng THEN p(E IE’) = 1 AND p(H I E’) = p(H I E)
IF E là sai THEN p(~E I E’) = 1 AND p(H I E’) = p(H I ~E)
Các quan hệ này xác định quan hệ tuyến tính giữa p(HIE’) đối với p(EIE’).
Biểu thức về p(HIE’) vừa nêu xảy ra đối với bài toán thực khi p(EIE’) = p(E), lúc
dấu hiệu E’ hỗ trợ toàn bộ cho E. Biểu thức được viết lại là
p(H I E’) = p(H I E)*p(E) + p(H I ~E)*p(~E) (a),
hay p(H I E’) = p(H) (b).
Đôi với vài bài toán, chuyên gia có thổ nói một vài sự kiện là quan trọng, tức LS>1,

PROSPECTOR, do Duda đưa ra 1979 là một trong những ứng dụng hệ chuyên gia
được biết, đã ra quyết định theo lí thuyết Baves. Hệ chưyên gia này trợ giúp các nhà địa
chất trong việc khai thác một số loại mỏ. Hệ thống đã mã hóa các tri thức chuyên gia của
các nhà địa chất về các mỏ khác nhau vào mô hình để xác dịnh khả năng có mỏ tại một
vài nơi theo các quan sát. Hệ chuyên gia cũns trợ giúp trong việc xác định khoan thăm
dò.
IV. 1. Mạng suy luận PROSPECTOR
Mỗi mỏ hình xử lý tri thức được thể hiện trong hộ thống PROSPECTOR theo một
mạng suy luận riêng. Mỗi mạng là tập các nút ứng với giả thuyết hay sự kiện hiển nhiên,
dược liên kết bàng quan hệ không chắc chắn. Một nút sơ khới, hay nút mang các thõng tin
do tương tác với người dùng curm cấp, thổ hiện dấu hiệu mà người dùng nhập vào. Chảng
hạn “tin cậy bao nhiên về khả năng có chất X tại via đất Y ?”. Thõng tin của các nút này
lại được dùng dè’ xác định độ tin cậy của các nút trung gian khác.
Đồ tài QG-03-01. Trang 1 6
Hình. Mạng suy luận PROSPECTOR
rv.2. Các luật PROSPECTOR
Trong mạng của hệ thống PROSPECTOR có các liên kết với LS và LN. Quan hệ
liên kết dược cấu trúc theo luật IF E THEN H (LS, LN). Thuật ngữ E ứng với nút thể hiện
dấu hiệu và được nối với nút H ứng với giả thuyết. Liên kết này là không chắc chắn và
được diễn tả bằng LS và LN. Các chuyên gia địa chất curm cấp thõng tin về các nút trong
mạng. Theo như trong hình thì người ta đã dùng các luật:
IF kết cấu vỉa là aplitic THEN vỉa là thuận lợi dối với loại mỏ porphyry [68, 0.2],
xác suất trước p(E) = 0.001, p(H) = 0.002.
Nếu E là núl sơ khởi thì người dùng cung cấp dộ tin cậy vào E. Giá trị này dùng
đế xác định giá trị liên kết LS và LN, cũng như để tạo mức tin cậy vào két luận. Mức độ
tin cậy về giả thuyết H lại dưọc dùng với các thông till tại các nút khác để xác dinh mức
dộ tin cậy của các nút trung gian, tlico cơ chế truyền trong toàn mạng.
tài QG-03-01. Trang 1 7
ĐAI HGC e
11- MA Nc

LS'j = O(HIE’)/ 0(H) = P(E,IH) / p(E,l~H).
Tương tự, nếu tất cả dấu hiệu dùng cho H là sai thì
0(HI~E'„ ~E'2,.~ ~E'n) = n LN, * 0(H), i = l n, và
LN', = 0(H I ~E',)/ 0(H) = p(~E, I H) / p(~E, I ~H).
IV.5. Dộ do chắc chắn
lài QG-03-01. Trang 1 8
PROSPECTOR cho phép người ta nhập độ tin cậy về các phần sự kiện hiển nhiên.
Thay vì p(EIE’), người ta đưa ra thuật ngữ độ đo chắc chán c(EIE’). Lí do chỉ mang nghĩa
tám lí; nhiều người cảm thấy không thuận khi đánh giá các xác suất của sự kiện hiển
nhiên, nhưng lại rất muốn thể hiện sự chắc chắn về sự kiện là đúng hay sai. Chảng hạn
người ta thường nói “tỏi tin chắc rằng đã cảm lạnh” hơn là nói “xác suất tôi cảm lạnh là
90%”.
Trong PROSPECTOR, người ta dùng c(EIE’) là độ chắc chắn về E khi có dấu hiệu
quan sát được E’. Giá trị này thuộc [-5, +5]; -5 ứng với E chắc chắn sai, +5 chắc chắn
đúng và 0 ứng với “không biết”. Vậy nên câu “tôi tin chắc rằng đã cảm lạnh” dược gán
giá trị c(EIE’) = 4.5.
Người ta có thể ánh xạ giá trị đo chắc chắn sang xác suất của sự kiện theo
IF c(E I E’) = -5 THEN p(E IE’) = 0;
IF c(E I E’) = 0 THEN p(E I E’) = p(E);
IF c(E I E’) = +5 THEN p(E I E’) = 1.
Để thể hiện quan hệ các đoạn tuyến tính giữa p(HIE’) và p(EIE’), người ta chi tiết
hóa như sau :
• Đôi với 0 < p(E I E’) < p(E) thì c(E I E’) = 5 *
(p(E I E’) - p(E)) / p(E); và
• Đôi với p(E) < p(E I E’) < 1 thì c(E I E’) - 5 *
(p(E I E’) - p(E)) / (1- p(E)).
Hai đáng thức này có thể xác định p(EIE’) dựa theo tin tường do người dùng cung
cấp về dấu hiệu c(EIE’). Nếu c(E!E’) > 0 thì p(EIE’) = [c(EIE’) * (l-p(E)) + 5* p(E)] / 5
và ngược lại thì p(EIE’) = [c(EIE’) * p(E) + 5* p(E)] / 5.
. Xác suất sau của H khi đã có E có thể được đánh giá theo LS và xác suất trước về

Giả sử các chuyên gia đã cho các xác suất trước của các dấu hiệu là 0.1, tức p(E)
= 0.1. Phiên tương tác hỏi đáp như sau:
• Hệ thông : Với giả thuyêt xe chạy trôn 100.000 dặm, thì mức độ tin là bao nhiêu
? (E3).
• Người dùng : 5
• Hộ thông : Mức dộ tin về giả thuyết xe chạy trong thành phô’ thì hợp ? (E.ị).
• Người dùng : 5
• Hệ thông : Mức độ tin vào việc xe bị lõm là phù hợp? (E0)
• Ngưòi dùng : 4
• Hệ thông : Mức độ tin vào việc xe gỉ là phù hợp ? (E7).
• Người dùng : -1
• Hộ thông : Mức độ tin vào việc giá xe cao là phù hợp ? (E2).
• Ngưòi dùng : 1
• Kêt luận : Điều chắc chắn của tôi trong việc không mua xe là 3.97.
V.2. Truyền bá giá tri xác suất
Bên trong hệ thống là thao tác truyền bá các giá trị xác suất. Kết quả của công
việc này cho biết dộ chắc chắn vào giả thuyết là 3.97.
1. c(E,IE'3) = c(E4IE'4) = 5; người dùng quan sát thấy E', và E'4 là toàn bộ chắc chắn
cho E3 và E4.
2. Người ta cần tìm sự chắc chắn vào E5. E5 được E'6 và E'7 hỗ trợ. Vậy cần tìm
c(E5IE'6, E'7) theo các bước nhỏ sau đây :
2.1. 0(E5) được tính 0(E5) = p(E5)/ (l-p(E5)) = 0.111
2.2. p (E5 I Eg) và p(~E5 I E6) có thể được tính với
LS = 1000 và LN = 0.001 trong EG—>E5.
p(E5 I Ec) = LS*0(E5)/ (1+LS*0(E5)) = 0.9911
p(E5|~Eg) = LN*0(E5)/(1+ l n *0(E5)) = 1.11-'
2.3. Tương tự, p(E5 I E7) = 0.9174; p(E51 ~E7) = 0.1.
2.4. Người dùng xác định c(EG I E'e) = 4. Do giá trị này dương nên
p(Ec I E'g) = [c(Eg I E'6) * (1-p (E6)) + 5* p(E6)] / 5 = 0.82.
2.5. Người dùng xác định c(E71 E'7). Giá trị này âm nên

11S lớn và LN nhỏ đỏì với dấu hiệu “bị lõm” và “bị gỉ”. Nhân tố thứ hai là người dùng đã
tin tưởng cao vào việc quan sát dấu hiệu “bị lõm”, tức c(Efi = “lõm”l E'fi = “thấy lõm”) =
Đc nhận xét chung, người ta thấy cho dù mô hình PROSPECTOR thực hiện một
số giả thiết tạo nên mô hình, nhưng kết quả khuyến cáo đối với thí dụ nhỏ cho thấy kết
luận là thông minh.
VI. KẾT QUẢ XÁC SUẤT QUAN TRỌNG
Lí thuyết xác suất là kĩ thuật mạnh dối với thông tin không chính xác hay ngẫu
nhiên. Kĩ thuật này có the dược ciùrm cho dự báo thời tiết, lên kế hoạch tài chính, khai
i QG-03-01. Trang 2 2
thác mỏ. Tuy nhiên tiếp cận này đúng là kĩ thuật để quản lý lập luận không chính xác
trong hệ chuyên gia với một vài điều kiện.
1. Cần biết trước xác suất trước
Việc dùng lí thuyết xác suất ngầm một ý cơ bản là không gian mẫu được xác dịnh
tốt và xác suất của mỗi sự kiện có thể thu được nhờ tập dữ liệu quá khứ. Chảng hạn tiếp
cận Bayes trong bài toán chẩn đoán y học sẽ xác định xác suất về căn bệnh D từ dấu hiệu
E có thể được Iheo đảng thức p(DIE) = p(D)*p(EID)/ p(E).
Đảm bảo được các xác suất một cách tin cậy thường là khó hay phức tạp đến mức
không thể có, vì người ta xem xét đồng thời nhiều căn bệnh và các triệu chứng. Nói chung
đối với nhiều bài toán trong thế giới thực thì thõng tin thống kê tin cậy là không sán sàng
và các giả thiết có thể không bền trong tiếp cận Bayes.
2. Cẩn cảp nhảt xác suất
Một vài bài toán yêu cấu dữ liệu được thường xuyên thay đổi. Với các sự kiện này
thì kĩ thuật lập luận không chính xác dựa trên lí thuyết Bayes đòi hòi người ta tính toán lại
tất cả các nhân tô xác suất. Việc này cũng tiêu tốn thời gian và yêu cầu nhiều hơn đối với
công tác bảo trì.
3. Tông xác suảt
Vấn đề khác thường xảy ra với tiếp cận xác suất chặt chẽ liên quan đến quan hệ
giữa xác suất thuận và nghịch đối với giả thuyết đã cho. Người ta mong rằng p(HIE) +
p(HI~E) = 1, có Iighĩa đối với giả thuyết thì tổng xác suất thuận và nghịch phải bàng 1.
Tuy nhiên không phải bất kì bài toán nào cũng tuân theo điều này, chảng hạn như trích

bảo một vài điểu kiện tiên quyết và các giả thiết. Một vài điếm đáng lưu ý khi đàm bảo
thông tin là :
• Dữ liệu trước vê các sự kiện của lĩnh vực cần sẵn sàng.
• Dữ liệu này cần được cập nhật để mô hình xác suất có thê đáp ứng được bất kì thay
đổi trong lĩnh vực.
• Tổng các xác suất thuận và nghịch đôì VỚI giả thuyết trên sự kiện đã cho cần bằng 1.
• Độc lập điểu kiện của dữ liệu cần được tính đên.
VII. KẾT LUẬN VỂ TIẾP CẬN BAYES
vể nguyên tắc, kĩ thuật Bayes và các biến thê của nó dùng đê quản lý lập luận
không chính xác trong hệ chuyên gia. Khi thoá mãn một số điều kiện, tiếp cận này cung
cấp cho người dùng một phương pháp đúng.
Tuy nhiên trong nhiều hệ chuyên gia, người ta khòng có dữ liệu quá khứ hay mỏ
hình để chính xác hóa các câu về xác suất. Thực tế cho thấy việc thiếu các dữ liệu khỏng
phù hợp với tiếp cận xác suất cổ điển, nhưng vẫn có cách giải quyết. Có hai tiếp cận chính
dùng để xử lý thông tin không chính xác, là tiếp cận khỏng chắc chắn và tiếp cận mờ.
Tài liệu này với nhan đế “tiếp cận Bayes đôi VỚI lập luận không chính xác” đã trình bày
■C tài Q G -03-01. Trang 2 4