3. 1. Incertidumbre
– ISO 3534-1: una estimación unida al resultado de un ensayo que
caracteriza el intervalo de valores dentro de los cuales se afirma
que está el valor verdadero.
2. Probabilidad
– Mide mide la frecuencia con la que se obtiene un resultado (o
conjunto de resultados) al llevar a cabo un experimento
aleatorio.
– Es una propiedad física de los objetos, determina la posibilidad
de que cierto evento ocurra. Se calcula y verifica por
experimentación.
3. Vaguedad
– Constituye una forma de incertidumbre distinta a la
probabilidad su carácter está relacionado con límites sin
precisión clara.
– Es una característica del lenguaje de comunicación humano.
5. Principal herramienta matemática para el tratamiento
de la incertidumbre.
El hombre al igual que todas las especies vivientes
evoluciona en un ambiente incierto y uno de sus
objetivos es atenuar los efectos de la incertidumbre.
La incertidumbre no posee leyes, el azar posee leyes
conocidas o no, pero que existen por hipótesis.
6. Cuando hablamos de lógica difusa, el adjetivo “difuso”
se debe a que en esta lógica, los valores de verdad son
no-deterministas y tienen, por lo general, una
connotación de incertidumbre.
¿Cuándo entrará en erupción un volcán?
¿Aprobaré el examen?
Si tiro la moneda, ¿sale cara o sello?
¿La respuesta a la pregunta es V o F?
A medida que se dispone de más información la
incertidumbre se puede reducir.
La ausencia de incertidumbre es tener información total.
16. ¿Porqué?
Más de 2000 años
Aristóteles
“Principio del Tercio Excluso”
“Una proposición puede ser
verdadera o falsa, pero nunca
verdadera y falsa a la vez”
17. ¿Porqué?
Más de 150 años
George Boole
“Logica Booleana”
“Matemática Binaria”
19. “Principio de Simultaneidad
Gradual” (J. Gil-Aluja; SIGEF,
1996)
“Una proposición puede ser a la vez
Verdadera y Falsa, siempre que se le
otorgue un cierto grado de Verdad y un
cierto grado de Falsedad”
“Fuzzy Subsets” (“Subconjuntos Borrosos”)
20. Conjunto Referencial
a b c d e f g
E = 1 1 1 1 1 1 1
E = {a, b, c, d, e, f, g}
Subconjunto Binario A
a b c d e f g
A
=
1 0 0 1 0 0 1
A = {a, d, g}; μ (x) = {0, 1}
21. Subconjunto Borroso A
a b c d e f g
A = 0.4 0.5 1 0.7 0.2 0.5 0.6
μ (x) = [0, 1]
¿Qué es un Número Borroso?
22. Subconjunto Borroso
c1 c2 c3 c4 c5 c6 c7
A = .5 .7 1 .9 .3 .6 .2
Número Borroso
Caso Particular del Subconjunto Borroso
1- El Referencial pertenece al campo de los Reales
23. Subconjunto Borroso
c1 c2 c3 c4 c5 c6 c7
A = .5 .7 1 .9 .3 .6 .2
Número Borroso
1- El Referencial pertenece al campo de los Reales
Caso Particular del Subconjunto Borroso
2- La Función Característica de Pertenencia debe
ser Normal
24. Subconjunto Borroso
c1 c2 c3 c4 c5 c6 c7
A = .5 .7 1 .9 .3 .6 .2
Número Borroso
Caso Particular del Subconjunto Borroso
3- Debe haber Monotonía Decreciente
0 0
1
1- El Referencial pertenece al campo de los Reales
2- La Función Característica de Pertenencia debe
ser Normal
25. Subconjunto Borroso
c1 c2 c3 c4 c5 c6 c7
A = .5 .7 1 .9 .3 .6 .2
Número Borroso
Caso Particular del Subconjunto Borroso
2 3 4 5 6 7 8
B = 0 .2 .9 1 .7 .6 0
Ejemplo
45. Experto A: A = .4;
Experto B: B = .7;
Experto C: C = .8;
Experto D: D = 1;
Experto E: E = .5;
Experto F: F = .5;
Experto G: G = .4;
Experto H: H = .6;
Experto I: I = .8;
Experto J: J = .5.
M1 = .4 + .7 + .8 + 1 + .5 + .5 + .4 + .6 + .8 + .5
10
= .62
M1 = .62
La Agregación de Expertos
46. Experto A: A = .4;
Experto B: B = .7;
Experto C: C = .8;
Experto D: D = 1;
Experto E: E = .5;
Experto F: F = .5;
Experto G: G = .4;
Experto H: H = .6;
Experto I: I = .8;
Experto J: J = .5.
Ponderación Convexa
Experto A: A = .8;
Experto B: B = .5;
Experto C: C = .7;
Experto D: D = .9;
Experto E: E = 1;
Experto F: F = .6;
Experto G: G = .8;
Experto H: H = .9;
Experto I: I = .7;
Experto J: J = .9.
La Agregación de Expertos
47. = A + B + C + D + E + F +
+ G + H + I + J =
= .8 + .5 + .7 + .9 + 1 + .6 + .8 + .9 +
+ .7 + .9 = 7.8
La Agregación de Expertos
Ponderación Convexa
Experto A: A = .8;
Experto B: B = .5;
Experto C: C = .7;
Experto D: D = .9;
Experto E: E = 1;
Experto F: F = .6;
Experto G: G = .8;
Experto H: H = .9;
Experto I: I = .7;
Experto J: J = .9.
48. Ponderación Convexa
Experto A: A = .8;
Experto B: B = .5;
Experto C: C = .7;
Experto D: D = .9;
Experto E: E = 1;
Experto F: F = .6;
Experto G: G = .8;
Experto H: H = .9;
Experto I: I = .7;
Experto J: J = .9.
vA = A
=
.8
7.8
= .10;
vB = B
=
.5
7.8
= .06;
vC =.09;
vD =.12;
vE =.13
vF = .07
vG =.10
vH =.12
vI = .09
vJ = .12
La Agregación de Expertos
49. Experto A: A = .4;
Experto B: B = .7;
Experto C: C = .8;
Experto D: D = 1;
Experto E: E = .5;
Experto F: F = .5;
Experto G: G = .4;
Experto H: H = .6;
Experto I: I = .8;
Experto J: J = .5.
Índices de Ponderación Convexa
vF = .07;
vG =.10;
vH =.12;
vI = .09;
vJ = .12.
vA =.10;
vB =.06;
vC =.09;
vD =.12;
vE =.13;
M2 = .4 · .10 + .7 · .06 + .8 · .09 + 1 · .12 +
+.5 · .13 + .5 · .07 + .4 · 10 +
+.6 · .12 + .8 · .09 + .5 · .12
M2 = .6
La Agregación de Expertos
50. Experto A: A = .4;
Experto B: B = .7;
Experto C: C = .8;
Experto D: D = 1;
Experto E: E = .5;
Experto F: F = .5;
Experto G: G = .4;
Experto H: H = .6;
Experto I: I = .8;
Experto J: J = .5.
La Agregación de Expertos
51. Experto A: A = .4;
Experto B: B = .7;
Experto C: C = .8;
Experto D: D = 1;
Experto E: E = .5;
Experto F: F = .5;
Experto G: G = .4;
Experto H: H = .6;
Experto I: I = .8;
Experto J: J = .5.
1
2
1
1
3
2
0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1
Estadística Frecuencias
Normalizadas
.1
.2
.1
.1
.3
.2
0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1
La Agregación de Expertos
59. I =
a b c d e
.8 .9 .7 1 .9
d (I, p2) = │.8 - .6│+ │.9 - .5│+ │.7 - .7│+ │1 - 1│+
+│.9 - .7│=
= .2 + .4 + 0 + 0 + .2 =
d (I, p2) = .8
p2 =
a b c d e
.6 .5 .7 1 .7
d (I, pa) = Σ │μi
(I) - μi
(pa)│i = 1
n
60. I =
a b c d e
.8 .9 .7 1 .9
d (I, p3) = │.8 - .8│+ │.9 - .5│+ │.7 - .7│+ │1 - .8│+
+│.9 - .9│=
= 0 + .4 + 0 + .2 + 0 =
d (I, p3) = .6
p3 =
a b c d e
.8 .5 .7 .8 .9
d (I, pa) = Σ │μi
(I) - μi
(pa)│i = 1
n