计算智能数学基础例题

高级智能的数学基础

1.习题2.2.1

设$D\subset {\mathbf{R}}^{\mathbf{n}}$是有限集，则方程组（2.2.5）等价与

$$y=sgn((w,x))=\{\begin{array}{l}+1,x\in A\\ -1,x\in B\end{array}\text{\hspace{1em}(2.2.5)}$$

$$(w,x)=\sum _{j=1}^n{w}_j{x}_j>0,\forall x\in D.\text{\hspace{1em}(2.2.6)}$$

​ 其中： A ∩ B = ∅ D = A ∪ ( − B ) ( − B ) = { − x ∣ x ∈ B } A \cap B=\varnothing \qquad D=A \cup(-B) \qquad (-B)=\{-x|x \in B \} A∩B=∅D=A∪(−B)(−B)={−x∣x∈B} ,

---

​ 证明：（1）必要性：对于$\forall x\in D$，当$x\in A$时，$sgn((w,x))=+1(w,x)=\sum _{j=1}^n{w}_j{x}_j>0$

​ 当$x\in B$时，$sgn((w,x))=-1$ , $(w,x)<0$,则有 $(w,-x)>0$, 则$x\in (-B)$时，$(w,x)>0$

​ 所以，方程组
$$y=\mathrm{sgn}((w,x))=\{\begin{array}{ll}+1,& x\in A\\ -1,& x\in B\end{array}$$
可以得到$(w,x)={\sum }_{j=1}^n{w}_j{x}_j>0,\forall x\in D.$

​ (2) 充分性：对于$(w,x)={\sum }_{j=1}^n{w}_j{x}_j>0,\forall x\in D,其中D=A\cup (-B)，且A\cap B=\varnothing$

​ $当x\in A时，（w,x)={\sum }_{j=1}^n{w}_j{x}_j>0,sgn((w,x))=1$

​ $当x\in (-B)时，（w,x)={\sum }_{j=1}^n{w}_j{x}_j>0，\forall x\in D可得到y=sgn((w,x))=\{\begin{array}{l}+1,x\in A\\ -1,x\in B\end{array}$

​ $所以，由(1)(2)得y=sgn((w,x))==\{\begin{array}{l}+1,x\in A\\ -1,x\in B\end{array}，等价与(w,x)=\sum _{j=1}^n{w}_j{x}_j>0,\forall x\in D$。

2. 习题3.5

设二层前向网中激励函数为双曲正切函数，讨论其学习算法。

解：设二层前向网中激励函数为
$$\phi (u)=\phi {}^{\prime }(u)=\frac{2}{1+e^{-2u}}-1$$
并取 $E=\frac{1}{2}\sum _{\alpha =1}^N\sum _{h=1}^c(y_h^{\alpha }-t_h^{\alpha }{)}^2$ ，其中记$E^{\alpha }=\frac{1}{2}\sum _{h=1}^c(y_h^{\alpha }-t_h^{\alpha }{)}^2$

其中 ${\phi }^{{}^{\prime }}(u)=1-{\phi }^2(u)$

于是
$$\begin{gathered} {\delta }_{k\alpha }^{(2)}=[1-\phi ({\tilde{a}}_k^{\alpha }{)}^2](y_k^{\alpha }-t_k^{\alpha }) \\ {\delta }_{j\alpha }^{(1)}=[1-\phi ({\tilde{a}}_j^{\alpha }{)}^2]\sum _{k=1}^c{w}_{kj}^{(2)}{\delta }_{k\alpha }^{(2)} \end{gathered}$$
其中 $a_j^{\alpha }=\sum _{i=0}^d{w}_{ji}^1{x}_i^{\alpha }$ ， $z_j^{\alpha }=\phi (a_j^{\alpha })$ , ${\tilde{a}}_k^{\alpha }=\sum _{j=0}^M{w}_{kj}^2{z}_j^{\alpha }$ , $y_k^{\alpha }=\phi ({\tilde{a}}_k^{\alpha })$

迭代过程，计算第 $t+1$ 次权重
$$\begin{gathered} w_{kj}^{(2)}(t+1)=w_{kj}^{(2)}(t)-\eta \sum _{\alpha =1}^N{\delta }_{k\alpha }^{(2)}(t)\cdot z_j^{\alpha } \\ {w}_{ji}^{(1)}(t+1)=w_{ji}^{(1)}(t)-\eta \sum _{\alpha =1}^N{\delta }_{j\alpha }^{(1)}(t)\cdot x_i^{\alpha } \end{gathered}$$
由上述过程可得序列 $\left\{{\delta }_{j\alpha }^{(1)}(t),{\delta }_{k\alpha }^{(2)}(t),w_{ji}^{(1)}(t),w_{kj}^{(2)}(t)\right\}$ , 直至满足停机准则。

解：tanh是双曲函数中的一个，tanh() 为双曲正切。在数学中，双曲正切 tanh 是由双曲正弦和双曲余弦这两者基本双曲函数推导而来。

正切函数时非常常见的激活函数，与Sigmoid函数相比，它的输出均值是0，使得其收敛速度要比Sigmoid快，减少迭代次数。相对于

Sigmoid的好处是它的输出的均值为0，克服了第二点缺点。但是当饱和的时候还是会杀死梯度。

3. Bp算法

给定样本为 x = [1, -1, 1] , y =[1, 1]，选 $\eta =0.1$，计算下图所示网络的权值调节过程(用BP算法)。 隐单元及输出单元用$\phi (x)=\frac{2}{1+e^{-x}}-1$ 作为激活函数，初始权值选为

$$w_1=\left[\begin{array}{ccc}1& 1& 1\\ 2& 0& 2\\ 3& 3& -3\end{array}\right]w_2=\left[\begin{array}{ccc}1& -1& 1\\ 0& 1& 1\end{array}\right]$$

解：（1）设神经元输出用O表示，其编号如图所示，则隐含层和输出层输出为$O_j=f(ne{t}_j)=\frac{2}{1+e^{-ne{t}_i}}-1$ , 激活函数求导为$f^{\prime }(x)=\frac{1}{2}\left[1-f^2(x)\right]=\frac{1}{2}(1-O_j^2)$ 。

（2）前向传播

​ 隐含层： $ne{t}_4=x_1{w}_{11}+x_2{w}_{12}+x_3{w}_{13}=1\ast 1+1\ast (-1)+1\ast 1=1$

​ $ne{t}_5=x_1{w}_{21}+x_2{w}_{22}+x_3{w}_{23}=2\ast 1+0\ast (-1)+2\ast 1=4$

​ $ne{t}_6=x_1{w}_{31}+x_2{w}_{32}+x_3{w}_{33}=3\ast 1+3\ast (-1)+(-3)\ast 1=-3$

​ $O_4=f(ne{t}_4)=0.4621$

​ $O_5=f(ne{t}_5)=0.964$

​ $O_6=f(ne{t}_6)=-0.9051$

​ 输出层：$net{y}_1=O_4{w}_{11}+O_5{w}_{12}+O_6{w}_{13}=0.4621\ast 1+0.964\ast (-1)+(-0.9051)\ast 1=-1.407$

​ $net{y}_2=O_4{w}_{21}+O_5{w}_{22}+O_6{w}_{23}=0.4621\ast 0+0.964\ast 1+(-0.9051)\ast 1=0.0589$

​ $O_{y_1}=f(ne{t}_{y_1})=-0.6065$

​ $O_{y_2}=f(ne{t}_{y_2})=0.0294$

​ (3)构造损失函数

​ $E=\frac{1}{2}{\sum }_{k=1}^N(y_k-\widehat{y_k}{)}^2$, 其中 $E_k=(y_k-\widehat{y_k}{)}^2$

​ (4)用反向传播求解偏导数

​ $E_{total}=E_{y_1}+E_{y_2}=\frac{1}{2}(1-(-0.6065{)}^2)+\frac{1}{2}(1-(0.0294{)}^2)=1.76145$

​ 根据公式
$$\frac{\partial E}{\partial w}=\frac{\partial E}{\partial o_y}\cdot \frac{\partial o_y}{\partial ne{t}_y}\cdot \frac{\partial ne{t}_y}{\partial w}$$
​ 权值更新公式：
$$w^{+}=w-\eta \frac{\partial E}{\partial w}$$
​ 带入数据得到：

​ $w_1=\left[\begin{array}{ccc}1.03& 0.97& 1.030\\ 1.99& 0.01& 1.99\\ 3.041& 2.956& -2.958\end{array}\right]w_2=\left[\begin{array}{ccc}1.035& 0.93& 0.94\\ 0.212& 1.037& 0.964\end{array}\right]$

​

4.命题3.5.2

$$\begin{gathered} 设圈C_1,C_2,...,C_k是图G中的全体图，那么D(C_1),D(C_2),...,D(C_k)两两不交，且并集为A， \\ 称之为空间A的一个划分 \end{gathered}$$

​ **证明：图G默认为是由HNNS生成的图，则图G中每一个点有且只有一条出弧，图G中不同的圈无公共点，且图G中每个点通过若干个点必可达到一个圈。题意中D©为全体可到圈C的点，因为图G中不同的圈无公共点，且图G中每个点通过若干个点必可到一个圈，故命题得证。

5.数值实验

在平面 R 2 上取矩形 I = [ − 5 , 5 ] × ⌊ − 5 , 5 ⌋ , 并在 I 中随机产生 100 个样本点，作为训练样本点，得到训练样本 集 Ω = { ( x i , y i ) ∣ i = 1 , 2 , . . . , 100 } ⊂ I × { − 1 , + 1 } , 其中，如果 x i 落在圆 t 1 2 + t 2 2 = 16 ( ( t 1 , t 2 ) ) ∈ R 2 内， 则取 y i = − 1 , 否则取 y i = + 1 \hspace{0cm} 在平面R^2 上取矩形I=[-5,5] \times \lfloor -5,5 \rfloor ,并在I中随机产生100个样本点，作为训练样本点，得到训练样本\\集 \Omega =\{(x_i,y_i)|i=1,2,...,100 \} \subset I \times \{-1,+1 \} ,其中，如果x_i落在圆t^2_1+t^2_2=16 ((t_1,t_2)) \in \bf R^2 内，\\则取y_i=-1,否则取y_i=+1 在平面R2上取矩形I=[−5,5]×⌊−5,5⌋,并在I中随机产生100个样本点，作为训练样本点，得到训练样本集Ω={(xi​,yi​)∣i=1,2,...,100}⊂I×{−1,+1},其中，如果xi​落在圆t12​+t22​=16((t1​,t2​))∈R2内，则取yi​=−1,否则取yi​=+1

​ 采用Gauss支撑向量机进行学习。Gauss核函数的参数选取及其分类效果，见表4.4.1.学习后的得到的分类曲线见图4.4.1

6.习题 8

8.1 设 X = { 1 , 2 , 3 , 4 , 5 , 6 , 7 } , X=\{1,2,3,4,5,6,7\}, X={1,2,3,4,5,6,7}, $A\in F(X),$ 其隶属度 $\tilde{A}(x)$ 如下：
$$\begin{gathered} \tilde{A}(1)=0.1\tilde{A}(2)=0.3\tilde{A}(3)=0.8\tilde{A}(4)=1 \\ \tilde{A}(5)=0.8\tilde{A}(6)=0.3\tilde{A}(7)=0 \end{gathered}$$

1. 分别用查德法，向量法、序偶法表示 $\tilde{A}$ ;
2. 求 $\widetilde{A^c}$ ;
3. 指出 $\tilde{A}$ 的意义.

【解】： （1）查德法：$\tilde{A}=\frac{0.1}{1}+\frac{0.3}{2}+\frac{0.8}{3}+\frac{1}{4}+\frac{0.8}{5}+\frac{0.3}{6}+\frac{0}{7}$

​ 向量法：$\tilde{A}=(0.1,0.3,0.8,1,0.8,0.3,0)$

​ 序偶法：$\tilde{A}=\{(1,0.1),(2,0.3),(3,0.8),(4,1),(5,0.8),(6,0.3),(7,0)\}$

​ （2）
$$\begin{array}{rl}\widetilde{A^c}& =\frac{1-0.1}{1}+\frac{1-0.3}{2}+\frac{1-0.8}{3}+\frac{1-1}{4}+\frac{1-0.8}{5}+\frac{1-0.3}{6}+\frac{1-0}{7}\\ & =\frac{0.9}{1}+\frac{0.7}{2}+\frac{0.2}{3}+\frac{0}{4}+\frac{0.2}{5}+\frac{0.7}{6}+\frac{1}{7}\end{array}$$
​ （3）$\tilde{A}$ 表示在集合$X$ 中的元素，在 $\tilde{A}(x)$ 的映射下有一个实数值 $\tilde{A}(x)\in [0,1]$ 与之对应，则$\tilde{A}$ 表示元素 $x$ 属于集合 $A$ 的程度。

8.2已知模糊集“老年” 和 “年轻” 的隶属函数分别为：
$$\begin{array}{l}\tilde{O}(x)=\{\begin{array}{ll}0,& \text{ 当 }0⩽x⩽50\text{ 时, }\\ {\left[1+{\left(\frac{x-50}{5}\right)}^{-2}\right]}^{-1},& \text{ 当 }50<x⩽200\text{ 时, }\end{array}\\ \tilde{Y}(x)=\{\begin{array}{ll}1,& \text{ 当 }0⩽x⩽25\text{ 时, }\\ {\left[1+{\left(\frac{x-25}{5}\right)}^2\right]}^{-1},& \text{ 当 }25<x⩽200\text{ 时. }\end{array}\end{array}$$
​ 试写出模糊集“不老” 和 “既不老又不年轻” 的隶属函数.

【解】：“不老”的隶属函数：
$$[\tilde{O}(x){]}^c=\{\begin{array}{ll}1,& \text{ 当 }0⩽x⩽50\text{ 时, }\\ {\left[1+{\left(\frac{x-50}{5}\right)}^2\right]}^{-1}& \text{ 当 }50<x⩽200\text{ 时, }\end{array}$$

​ “不年轻”的隶属函数：
$$[\tilde{Y}(x){]}^c=\{\begin{array}{ll}0,& \text{ 当 }0⩽x⩽25\text{ 时, }\\ {\left[1+{\left(\frac{x-25}{5}\right)}^{-2}\right]}^{-1}& \text{ 当 }25<x⩽200\text{ 时, }\end{array}$$

​ “既不老又不年轻”的隶属函数：
$$[\tilde{O}(x){]}^c\cap [\tilde{Y}(x){]}^c=\{\begin{array}{ll}0,& \text{ 当 }0⩽x⩽25\text{ 时, }\\ {\left[1+{\left(\frac{x-25}{5}\right)}^{-2}\right]}^{-1}& \text{ 当 }25<x⩽51\text{ 时, }\\ {\left[1+{\left(\frac{x-50}{5}\right)}^2\right]}^{-1}& \text{ 当 }51<x⩽200\text{ 时, }\end{array}$$

8.3 设 $\tilde{A},\tilde{B},\tilde{C}\in F(x)$，如下表：

	$x_1$	$x_2$	$x_3$	$x_4$	$x_5$	$x_6$
$\tilde{A}$	0.1	0.6	0.8	0.9	0.7	0.1
$\tilde{B}$	0.9	0.7	0.5	0.2	0.1	0
$\tilde{C}$	0.6	0.8	1	0.7	0.5	0.3

求：$\tilde{A}\cup \tilde{B},\tilde{A}\cap \tilde{B},(\tilde{A}\cup \tilde{B}{)}^c,(\tilde{A}\cap \tilde{B}{)}^c,(\tilde{A}\cup \tilde{B}{)}^c\cap \tilde{C},(\tilde{A}\cup \tilde{B}{)}^c\cup \tilde{C},(\tilde{A}\cap {\tilde{B}}^c{)}^c\cup \tilde{C},$

【解】：

1. $$\tilde{A}\cup \tilde{B}=\sum _{i=1}^6\frac{\tilde{A}(x_i)}{x_i}\cup \sum _{i=1}^6\frac{\tilde{B}(x_i)}{x_i}=\frac{0.9}{x_1}+\frac{0.7}{x_2}+\frac{0.8}{x_3}+\frac{0.9}{x_4}+\frac{0.7}{x_5}+\frac{0.1}{x_6}$$

2. $$\tilde{A}\cap \tilde{B}=\sum _{i=1}^6\frac{\tilde{A}(x_i)}{x_i}\cap \sum _{i=1}^6\frac{\tilde{B}(x_i)}{x_i}=\frac{0.1}{x_1}+\frac{0.6}{x_2}+\frac{0.5}{x_3}+\frac{0.2}{x_4}+\frac{0.1}{x_5}+\frac{0}{x_6}$$

3. $$\begin{gathered} (\tilde{A}\cup \tilde{B}{)}^c={\tilde{A}}^c\cap {\tilde{B}}^c=(\frac{0.9}{x_1}+\frac{0.4}{x_2}+\frac{0.2}{x_3}+\frac{0.1}{x_4}+\frac{0.3}{x_5}+\frac{0.9}{x_6})\cap (\frac{0.1}{x_1}+\frac{0.3}{x_2}+\frac{0.5}{x_3}+\frac{0.8}{x_4}+\frac{0.9}{x_5}+\frac{1}{x_6}) \\ =\frac{0.1}{x_1}+\frac{0.3}{x_2}+\frac{0.2}{x_3}+\frac{0.1}{x_4}+\frac{0.3}{x_5}+\frac{0.9}{x_6} \end{gathered}$$

4. $$\begin{gathered} (\tilde{A}\cap \tilde{B}{)}^c={\tilde{A}}^c\cup {\tilde{B}}^c=(\frac{0.9}{x_1}+\frac{0.4}{x_2}+\frac{0.2}{x_3}+\frac{0.1}{x_4}+\frac{0.3}{x_5}+\frac{0.9}{x_6})\cup (\frac{0.1}{x_1}+\frac{0.3}{x_2}+\frac{0.5}{x_3}+\frac{0.8}{x_4}+\frac{0.9}{x_5}+\frac{1}{x_6}) \\ =\frac{0.9}{x_1}+\frac{0.4}{x_2}+\frac{0.5}{x_3}+\frac{0.8}{x_4}+\frac{0.9}{x_5}+\frac{1}{x_6} \end{gathered}$$

5. $$\begin{gathered} (\tilde{A}\cup \tilde{B}{)}^c\cap \tilde{C}=(\frac{0.1}{x_1}+\frac{0.3}{x_2}+\frac{0.2}{x_3}+\frac{0.1}{x_4}+\frac{0.3}{x_5}+\frac{0.9}{x_6})\cap (\frac{0.6}{x_1}+\frac{0.8}{x_2}+\frac{1}{x_3}+\frac{0.7}{x_4}+\frac{0.5}{x_5}+\frac{0.3}{x_6}) \\ =\frac{0.1}{x_1}+\frac{0.3}{x_2}+\frac{0.2}{x_3}+\frac{0.1}{x_4}+\frac{0.3}{x_5}+\frac{0.3}{x_6} \end{gathered}$$

6. $$\begin{gathered} (\tilde{A}\cup \tilde{B}{)}^c\cup \tilde{C}=(\frac{0.1}{x_1}+\frac{0.3}{x_2}+\frac{0.2}{x_3}+\frac{0.1}{x_4}+\frac{0.3}{x_5}+\frac{0.9}{x_6})\cup (\frac{0.6}{x_1}+\frac{0.8}{x_2}+\frac{1}{x_3}+\frac{0.7}{x_4}+\frac{0.5}{x_5}+\frac{0.3}{x_6}) \\ =\frac{0.6}{x_1}+\frac{0.8}{x_2}+\frac{1}{x_3}+\frac{0.7}{x_4}+\frac{0.5}{x_5}+\frac{0.9}{x_6} \end{gathered}$$

7. $$(\tilde{A}\cap {\tilde{B}}^c{)}^c\cup \tilde{C}=\frac{0.9}{x_1}+\frac{0.8}{x_2}+\frac{1}{x_3}+\frac{0.7}{x_4}+\frac{0.5}{x_5}+\frac{0.9}{x_6}$$

8.4 已知 $\tilde{A},\tilde{B}\in F(x)$,

​ （1）试证$\tilde{A}\cap \tilde{B}$ 是包含 $\tilde{A}$ 与 $\tilde{B}$ 的最大公共子集.

​ 证明： ( A ~ ∩ B ~ ) ( x ) = m i n { A ~ ( x ) , B ~ ( x ) } ≤ A ~ ( x ) (\widetilde{A} \cap \widetilde{B} )(x) = min\{\widetilde{A}(x) ,\widetilde{B}(x) \} \le \widetilde{A}(x) (A ∩B )(x)=min{A (x),B (x)}≤A (x) , ( A ~ ∩ B ~ ) ( x ) = m i n { A ~ ( x ) , B ~ ( x ) } ≤ B ~ ( x ) (\widetilde{A} \cap \widetilde{B} )(x) = min\{\widetilde{A}(x) ,\widetilde{B}(x) \} \le \widetilde{B}(x) (A ∩B )(x)=min{A (x),B (x)}≤B (x)

​ 则： $\tilde{A}\cap \tilde{B}\subseteq \tilde{A}$ , $\tilde{A}\cap \tilde{B}\subseteq \tilde{B}$

​ 若 $E$ 为任一属于 $\tilde{A}$ 又属于 $\tilde{B}$ 的模糊子集，则有 $E(x)\le \tilde{A}(x)$，$E(x)\le \tilde{B}(x)$

​ 从而 E ≤ ( A ~ ∩ B ~ ) ( x ) = m i n { A ~ ( x ) , B ~ ( x ) } = A ~ ( x ) ∩ B ~ ( x ) E \le (\widetilde{A} \cap \widetilde{B} )(x) = min\{\widetilde{A}(x) ,\widetilde{B}(x) \}= \widetilde{A}(x) \cap \widetilde{B}(x) E≤(A ∩B )(x)=min{A (x),B (x)}=A (x)∩B (x)

​ 则 $E\le \tilde{A}\cap \tilde{B}$ , 所以$\tilde{A}\cap \tilde{B}$ 是包含 $\tilde{A}$ 与 $\tilde{B}$ 的最大公共子集。

​ （2）试证 $\tilde{A}\cup \tilde{B}$ 是包含 $\tilde{A}$ 与 $\tilde{B}$ 的最大子集.

​ 证明： ( A ~ ∪ B ~ ) ( x ) = m a x { A ~ ( x ) , B ~ ( x ) } ≥ A ~ ( x ) (\widetilde{A} \cup \widetilde{B} )(x) = max\{\widetilde{A}(x) ,\widetilde{B}(x) \} \ge \widetilde{A}(x) (A ∪B )(x)=max{A (x),B (x)}≥A (x) , ( A ~ ∪ B ~ ) ( x ) = m a x { A ~ ( x ) , B ~ ( x ) } ≥ B ~ ( x ) (\widetilde{A} \cup \widetilde{B} )(x) = max\{\widetilde{A}(x) ,\widetilde{B}(x) \} \ge \widetilde{B}(x) (A ∪B )(x)=max{A (x),B (x)}≥B (x)

​ 则： $\tilde{A}\cup \tilde{B}\supseteq \tilde{A}$ , $\tilde{A}\cup \tilde{B}\supseteq \tilde{B}$

​ 若 $E$ 为任一包含 $\tilde{A}$ 又包含 $\tilde{B}$ 的模糊子集，则有 $E(x)\ge \tilde{A}(x)$，$E(x)\ge \tilde{B}(x)$

​ 从而 E ≥ ( A ~ ∪ B ~ ) ( x ) = m a x { A ~ ( x ) , B ~ ( x ) } = A ~ ( x ) ∪ B ~ ( x ) E \ge (\widetilde{A} \cup \widetilde{B} )(x) = max\{\widetilde{A}(x) ,\widetilde{B}(x) \}= \widetilde{A}(x) \cup \widetilde{B}(x) E≥(A ∪B )(x)=max{A (x),B (x)}=A (x)∪B (x)

​ 则 $E\ge \tilde{A}\cup \tilde{B}$ , 所以$\tilde{A}\cup \tilde{B}$ 是包含 $\tilde{A}$ 与 $\tilde{B}$ 的最大子集。

8.5 设 $X=[0,1],\tilde{A}(x)=x,\widetilde{A^c}(x)=1-x$，试证不满足互补率.

​ 解 : 由题设可得
$$\begin{array}{l}\left(\tilde{A}\cup {\tilde{A}}^c\right)(x)=\{\begin{array}{cc}1-x,& \text{ 当 }x⩽\frac{1}{2},\\ x,& \text{ 当 }>\frac{1}{2}.\end{array}\\ \left(\tilde{A}\cap {\tilde{A}}^c\right)(x)=\{\begin{array}{cc}x,& \text{ 当 }x⩽\frac{1}{2},\\ 1-x,& \text{ 当 }>\frac{1}{2},\end{array}\end{array}$$
​ 可得 $\tilde{A}\cup {\tilde{A}}^c\ne X;\tilde{A}\cap {\tilde{A}}^c\ne \varnothing$ 则不满足互补率。

8.6 欲证 $(\tilde{A}\cup \tilde{B})\cap \tilde{C}=(\tilde{A}\cap \tilde{C})\cup (\tilde{B}\cap \tilde{C})$

​ 证明 : => $\tilde{A}\cup \tilde{B}\supset \tilde{A}$

​ $(\tilde{A}\cup \tilde{B})\cap \tilde{C}\supset \tilde{A}\cup \tilde{C}$

​ $\tilde{A}\cup \tilde{B}\supset \tilde{B}$

​ $(\tilde{A}\cup \tilde{B})\cap \tilde{C}\supset \tilde{B}\cup \tilde{C}$

​ $\therefore (\tilde{A}\cup \tilde{B})\cap \tilde{C}\supset (\tilde{A}\cap \tilde{C})\cup (\tilde{B}\cap \tilde{C})$

​ <= $X\in (\tilde{A}\cup \tilde{B})\cap \tilde{C}$ $X\in (\tilde{A}\cup \tilde{B})$ 且 $x\in C$

​ $X\in \tilde{A}$ 或 $X\in \tilde{B}$ 且 $X\in \tilde{C}$

​ 当 $x\in \tilde{A}$ 时, $x\in (\tilde{A}\cap \tilde{C})$ , 当 $x\in \tilde{B}$ 时, $x\in (\tilde{B}\cap \tilde{C})$ ,

​ $\therefore X\in (\tilde{A}\cap \tilde{C})\cup (\tilde{B}\cap \tilde{C})$

​ 由上面可得：$(\tilde{A}\cup \tilde{B})\cap \tilde{C}=(\tilde{A}\cap \tilde{C})\cup (\tilde{B}\cap \tilde{C})$

8.7 设 X = { 1 , 2 , 3 , 4 , 5 } X=\{1,2,3,4,5\} X={1,2,3,4,5},
$$\begin{gathered} \tilde{A}=\frac{0.2}{x_1}+\frac{0.7}{x_2}+\frac{1}{x_3}+\frac{0.8}{x_4}+\frac{0.3}{x_5}, \\ \tilde{B}=\frac{0.7}{x_1}+\frac{1}{x_2}+\frac{0.1}{x_3}+\frac{1}{x_4}+\frac{0.6}{x_5}, \end{gathered}$$
​ 求 $\tilde{A}\wedge \tilde{B},\tilde{A}\vee \tilde{B},\tilde{A}\oplus \tilde{B},\tilde{A}\odot \tilde{B}$

​ 解：
$$\begin{gathered} \tilde{A}\wedge \tilde{B}=\frac{0.14}{x_1}+\frac{0.7}{x_2}+\frac{0.1}{x_3}+\frac{0.8}{x_4}+\frac{0.18}{x_5} \\ \tilde{A}\vee \tilde{B}=\frac{0.7}{x_1}+\frac{1}{x_2}+\frac{1}{x_3}+\frac{1}{x_4}+\frac{0.6}{x_5} \\ \tilde{A}\oplus \tilde{B}=\frac{0.9}{x_1}+\frac{1}{x_2}+\frac{1}{x_3}+\frac{1}{x_4}+\frac{0.9}{x_5} \\ \tilde{A}\odot \tilde{B}=\frac{0}{x_1}+\frac{0.7}{x_2}+\frac{0.1}{x_3}+\frac{0.8}{x_4}+\frac{0}{x_5}=\frac{0.7}{x_2}+\frac{0.1}{x_3}+\frac{0.8}{x_4} \end{gathered}$$