IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO.

1, MARCH 2007

55

Aplicacin de Mtricas Categricas en Sistemas con Lgica Difusa

M. D. Lpez De Luise y M. J. Agero
definicin de mtricas e indicadores para este tipo de software y luego se propondr un sistema de mtricas para estos casos. A continuacin, en la seccin II. se presentan antecedentes y problemas tpicos de este tipo de algortmicas, en la seccin III. se presentan las alternativas de solucin actuales, la seccin IV. presenta una propuesta de mtricas e indicadores, en la seccin V. su aplicacin prctica al problema del pndulo invertido. Finalmente en la seccin VI. se resumen las conclusiones ms importantes. II. ANTECEDENTES Y PROBLEMAS TPICOS La lgica difusa (muy asociada a los conjuntos difusos) se presenta como una generalizacin de la lgica dicotmica tradicional [4], que comienza su sistematizacin con la primera lgica multivaluada de Lukasiewickz [6] y llega a su categora de lgica infinitamente valuada con A. Zadeh [1], [2]. En la lgica difusa, la verdad y la falsedad toman un concepto distinto al de la lgica tradicional planteado por Aristteles en el ao 300AC. Tpicamente se trabaja con pares ordenados. En (1) se muestra la representacin de un elemento difuso.
e =< x, p ( x) >, p ( x) [0,1]
(1)

Resumen En este trabajo se estudia la aplicacin de mtricas categricas sobre un subconjunto especfico de sistemas inteligentes: los sistemas con lgica difusa. Se muestran ciertos aspectos de este tipo de sistemas que deben ser evaluados de manera especial durante la definicin de mtricas e indicadores, de modo que la esencia difusa de la solucin sea incorporada como parte de la evaluacin del conjunto. Finalmente se propone un conjunto de mtricas e indicadores y se aplican al ejemplo clsico del pndulo invertido. Este artculo no pretende realizar un anlisis exhaustivo del problema de evaluacin de sistemas en Soft Computing, sino presentar un enfoque especfico y ampliar un poco ms las tcnicas de evaluacin por mtricas e indicadores al rea. Palabras clave Inteligencia artificial; sistemas de lgica difusa, mtrica de software, calidad de software.

l desarrollo de un sistema sigue determinadas heursticas y metodologas. Lo cierto es que el resultado y el proceso en s mismo tienen asociado un cierto grado de calidad, el cual vara de acuerdo al propio concepto de calidad que se defina y pretenda. En Ingeniera de Software se insiste en la medicin y seguimiento de esta calidad a travs de mtricas e indicadores, aunque esto no se frecuenta en la prctica. La escasa aplicacin en el plano empresarial se debe en parte a que, aun sin la consideracin temporal de nuestras necesidades, la evaluacin profunda de una mtrica es un proceso que puede resultar complejo dependiendo de las necesidades de informacin actual. Lo cierto es que esta relacin entre el valor de una mtrica y el valor de un ndice puede requerir el uso implcito de profundos conocimientos, especialmente si la escala del indicador no es numrica. Las algortmicas de la denominada generacin SoftComputing ponen un peldao adicional a este desafo: medir la calidad de un algoritmo basado en tcnicas de aproximacin. Tpicamente los casos de aplicacin de SoftComputing son tan complejos que la informacin requerida no es obtenible de manera precisa. Evaluar la calidad de un algoritmo gentico, una red neuronal, un sistema difuso es una tarea complicada. Este trabajo pretende dar indicio de este problema slo en una de las reas de aplicacin: la lgica difusa. Se estudiarn algunos antecedentes y problemas en la
M. D. Lpez De Luise dirige el AIGroup en la Universidad de Palermo en Buenos Aires, Argentina (e-mail: mlopez74@palermo.edu). M. J. Agero es miembro activo del AIGroup desde su creacin trabajando dentro de la lnea de calidad y mtricas.

I. INTRODUCCIN

En este caso x es la variable a evaluar (asociada a algn concepto en estudio) y p(x) es el grado de pertenencia de x a cierto conjunto que describe el comportamiento conocido respecto a ese concepto en estudio. La funcin de pertenencia asociada a p(x) determina los pares ordenados posibles dentro de un cierto conjunto difuso. A partir de esta definicin surge toda una serie de definiciones y un conjunto nuevo de operadores que a veces se presta a confusiones 1. Es posible extender el concepto a funciones de pertenencia ndimensionales [11] para trabajar con ms de un concepto de pertenencia simultneamente. Desde el punto de vista de la medicin de una algortmica de este tipo, habr dificultades toda vez que el proceso no sea repetible y objetivable. De ah que sean dignas de mencin las siguientes caractersticas de los sistemas de lgica difusa.

Por ejemplo, la distincin entre un valor de probabilidad y un valor difuso de verdad. Ej.: 0.8 de que Mara sea alta significa que existe la probabilidad de que ella pertenezca a ese grupo es del 80% (existe nuevamente una bipolaridad pertenencia-no pertenencia), pero en lgica difusa significa que ella tiene una altura alta del 80% (al ser ms del 50% podra decirse que es ms o menos alta).

56

IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 1, MARCH 2007

1) Operadores (Operators): Los operadores de este tipo de lgica tienen definiciones precisas. Algunos operadores son de uso genrico pero otros no. 2) Significado lingstico (Linguistic meanings): En general los sistemas de lgica difusa establecen un conjunto de operaciones consistentes basndose en un mtodo formal, pero subyace la cuestin sobre la imprecisin a la hora de asignar significados a los valores (ej. en lingustica 0,90 podra ser un Muy perteneciente). 3) Bordes (Hedges): Para resolver ciertos problemas del procesamiento del lenguaje natural y mantener la posibilidad de procesar matemticamente las sentencias difusas, se han definido estos bordes. Pero su definicin y manejo a travs de operadores sigue siendo algo subjetivo y variante de proyecto a proyecto [3], [7], [8],[10], [15]. 4) Objeto (Subject): Las reas de aplicacin concreta suelen ser muy discmiles: control automtico (ej.: hornos, navegacin automtica, en trenes, etc.), IR, sistemas expertos, DSS, etc. Como agravante adicional, la lgica difusa puede combinarse con otras tcnicas complejas como las redes neuronales. A continuacin se evalan algunas alternativas. III. SOLUCIONES ACTUALES Para evaluar la calidad de la solucin estudiaremos el tipo de problema involucrado. Consideremos algunos pocos casos: 1) Anlisis especial de datos: en estos casos se estudian reas especficas y tpicamente complejas. Por caso sea el anlisis espacial de datos geolgicos para deteccin de existencia de minerales radiactivos [9]. 2) Razonamiento aproximado: en el procesamiento de lenguaje natural [16] se aplican tcnicas para modelar el razonamiento natural. 3) Control por lgica difusa (Fuzzy Control): en este campo se puede realizar el control sobre dispositivos de software o hardware utilizando algortmicas difusas. 4) Sistemas basados en el conocimiento (Knowledge Based Systems): en este campo, a semejanza de lgica difusa se puede aplicar la asociacin con lgica multivaluada para medir su efectividad. Para medir la eficiencia se suele comparar la eficiencia global obtenida contra la obtenible con otras algortmicas. Ej.: en [9] se aplic la ecuacin (2) al mismo sistema reemplazando la lgica difusa por lgica booleana y promedios ponderados.
P = # P / (# P + # N ) (2)

globales para su evaluacin. Para proveer ms claridad luego se desarrolla un caso de aplicacin elemental. En [17] se presenta una conclusin acerca de la inadecuacin de mtricas sencillas para este tipo de sistemas error cuadrtico medio (Mean Square Error), puntuacin de destreza (Skill Scores), etc.) y se sugiere la construccin de una mtrica de prestaciones que considere la importancia operativa de los resultados. Para establecer una mtrica para este tipo de mediciones difusas de acuerdo a [14], [18] se precisarn: 1) Una medicin o mtodo de clculo: heurstica y operaciones necesarias para obtener el valor de medida emprica. 2) Una escala: conjunto de valores con ciertas propiedades. Como punto de partida para esta propuesta se utilizar la declamacin de Fox [4] a fin de contestar las objeciones de Haack [5] acerca de la necesidad y utilidad de la lgica difusa. Este propone tres aspectos esenciales de su uso: 1) Como aparato de requisitos: para describir las relaciones del mundo real que son inherentemente difusas. 2) Como aparato prescriptivo: para procesar datos difusos es necesario un clculo difuso. 3) Como aparato descriptivo: para describir ciertos sistemas de inferencias que son inherentemente difusos. El problema se reduce a realizar la asociacin referida en (3) dentro del marco de las precisas observaciones de Fox y utilizando algn tipo de mtrica adecuada.
m:v x
(3)

Donde P es la precisin en el sistema de datos geolgicos, #P es la cantidad de depsitos marcados y verificados positivamente, y #N es la cantidad de depsitos marcados y verificados negativamente. En otros casos la comparacin se realiza contra la evaluacin de un experto [13], simulaciones controladas [17], o salidas de otros instrumentos de algortmica funcional comparable. IV. UNA PROPUESTA La propuesta de este trabajo comienza presentando algunas mtricas posibles y luego los indicadores elementales y

En (3), m ser cierta mtrica que establece la relacin entre un dato de medicin v y una variable categrica o numrica del mundo formal. Es notable que las tres visiones de Fox se pueden corresponder con los distintos tipos de mtrica aplicables: 1) Como aparato de requisitos: es aplicable un conjunto de mtricas directas subjetivas. Puesto que el objeto del mundo real es difuso, su representacin no es objetivable unvocamente. De ah que esta visin tiene en cuenta el grado de satisfaccin subjetiva por cada requisito. 2) Como aparato prescriptivo: es aplicable un conjunto de mtricas directas y objetivas. Puesto que el clculo difuso una vez establecido es preciso y directamente evaluable. Para una medicin, con cierto grado de generalidad, sobre el proceso de obtencin del resultado podran surgir algunas mtricas indirectas interesantes (ver ms adelante las propuestas). 3) Como aparato descriptivo: son aplicables mtricas indirecta. La descripcin de algo difuso lleva a un producto intermedio (la descripcin en s misma) que tiene una conformacin precisa y medible. A partir de esa medicin se puede elaborar un mecanismo de evaluacin del proceso propiamente dicho. A continuacin se especifica una propuesta de mtricas e indicadores en base a estos conceptos. A. Mtricas para el aparato de requisitos: Estas son todas mtricas directas, como se describe a continuacin.

LPEZ DE LUISE AND AGERO : APPLYING CATHEGORICAL METRICS ON FUZZY

57
RCAT = N sol / N tot

1) Lista de requisitos: Realizar la lista de requisitos, LR, considerando los conceptos calculables de todas las entidades y atributos dentro del alcance del sistema. Justificacin: sto mide los requisitos alcanzados.
LR = {ri }

(9)

(4)

2) Lista de requisitos ponderada: para LRP, ponderar entre 0 y 1 los requisitos segn su importancia relativa. En caso de no haber consideraciones de ponderacin se los considerar equiponderados con 1. Si el valor es 0, se lo considera un requisito sin valor. Justificacin: esto mide la importancia relativa de los requisitos alcanzados.
LRP = { i }/ i [0..1]

(5)

C. Mtricas para el aparato descriptivo: Igual que en el inciso anterior la solucin hallada no es un valor determinado sino un conjunto que bien puede resultar de cierta conjugacin de funciones de pertenencia para distintas categoras. Por ello el carcter descriptivo deber analizar a este conjunto, su relacin con el valor considerado resultado y su relacin con el resto de las categoras. 1) A%(porcentaje del Area total): calcular la probabilidad de las categoras en la respuesta, mediante el cociente del rea bajo la curva solucin (Asol) sobre la sumatoria de las reas correspondientes a las funciones de pertenencia i involucradas en la solucin (Aitot). Justificacin: determina el nivel de ajuste de la solucin en trmino de reas.
i A% = Asol / Atot i

B. Mtricas para el aparato prescriptivo: Estas son mtricas directas e indirectas. No es aparente el conflicto que subyace en la determinacin de mtricas cuando se trata de lgica difusa. Las algortmicas eventualmente llegan a un punto en el que reducen el conjunto solucin (que es la respuesta real buscada) a un punto que sea representativo del mismo, pero la solucin computada originalmente no es un punto sino un conjunto. Parte de la calidad del resultado depende del mecanismo de representatividad utilizado. A continuacin se propone una serie de mtricas que abarcan distintos aspectos de la solucin y del problema. En cada caso se propone un nombre nemotcnico, el nombre extenso entre parntesis y el aspecto especfico que estudia. 1) #CAT(Nmero de CATegoras): determina la cantidad de categoras definidas para cada variable difusa i dentro del problema. Justificacin: define la granularidad de las variables. (6) # CAT = {# cat i } 2) SCAT(Simetra de curva de la CATegora): determina la medida de simetra de la curva solucin. Justificacin: define la simetra de la solucin 2 .
SCAT = ( y y ) .dy / 3
3

(10)

2) R%(porcentaje de Reglas): calcular la proporcin de categoras en la respuesta, mediante el cociente de la sumatoria de las categoras i implicadas en la solucin (Risol) sobre la cantidad total de categoras (Rtot). Justificacin: determina el nivel de ajuste de la solucin en trmino de cantidad de categoras.
i R % = R sol / Rtot i

(11)

3) P%(porcentaje de Puntos solucin): calcular la representatividad del punto solucin respecto al total de puntos en el rea respuesta, mediante la inversa del rea solucin (Asol). Justificacin: determina la representatividad del punto elegido como respuesta dentro del conjunto solucin.
P % = 1 / Asol

(12)

con:

y = y.dy

(7)

En la Tabla I se resumen las caractersticas detalladas de cada una de las mtricas presentadas. El proceso de elaborar indicadores para evaluar: los requerimientos originales, el proceso de resolucin del problema y la solucin obtenida, ser similar a otras algortmicas una vez realizada la elaboracin de las mtricas. Solo hay que considerar especialmente el hecho de que la respuesta no es realmente nica como en otros casos. Correspondern los indicadores elementales o globales tal como se los elaborara en otros casos. A continuacin se proponen algunos indicadores posibles.
TABLA I CARACTERSTICAS DETALLADAS DE LAS MTRICAS MENCIONADAS ---

3) KCAT(valor K de curva de la CATegora): determina la medida de achatamiento de la curva solucin. Justificacin: define la simetra de la solucin 3.
KCAT = ( y y ) .dy / 4
4

con: y = y.dy

(8)

4) RCAT(Reglas de la CATegora): calcula la cantidad de reglas en las que figura la categora i como consecuente (Nsol) en relacin con la cantidad de reglas totales (Ntot). Justificacin: determina la cantidad de reglas que consideran a esa categora como solucin.

Para la aplicacin de esta frmula se supone a la funcin de pertenencia como una funcin continua e integrable al menos en partes. 3 Para la aplicacin de esta frmula se supone a la funcin de pertenencia como una funcin continua e integrable al menos en partes.

D. Indicadores elementales: Son varias las posibilidades algunas de las cuales se presentan a continuacin:

58

IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 1, MARCH 2007

1) idisp(indicador de requisitos efectivamente dispuestos): evala la heurstica como aparato de requisitos. Se calcula como el cociente entre la cantidad de requisitos ri satisfechos y la cardinalidad del conjunto LR. Interpreta el grado de satisfaccin del requisito original.
idisp = ri /# LR i

conjunto de reglas. RCAT cercano a 0 indica que la solucin es altamente ajustada. Lo contrario sucede con un valor positivo. Se puede determinar algn valor Mr de ajuste mnimo para considerar la respuesta como una respuesta de buena calidad.
RCAT < M r soluc.buena ireg = RCAT M r soluc. pobre
(18)

(13)

2) idisp(indicador2 de requisitos efectivamente dispuestos): evala la heurstica como aparato de requisitos. Se calcula como el cociente entre la sumatoria de requisitos ri satisfechos ponderados entre 0 y 1 y la cardinalidad del conjunto LRP. Interpreta el grado de satisfaccin del requisito original considerando las ponderaciones relativas de cada requisito. Estas ponderaciones pueden corresponder a distintos tipos de requisitos (de implementacin, econmicos, legales, restricciones externas, etc.).
i 'disp = ri . i /# LRP i

7) iprop(indicador de proporcionalidad): evala la heurstica como aparato descriptivo. Interpreta en A% el grado de representatividad del subconjunto solucin en funcin del rea normalizada. A% cercano a 0 indica que la solucin es altamente ajustada. Lo contrario sucede con un valor positivo. Se puede determinar algn valor Mr de ajuste mnimo para considerar la respuesta como una respuesta de buena calidad.
A% < M r soluc.buena i prop = A% M r soluc. pobre
(19)

(14)

3) irep(indicador de representatividad): evala la heurstica como aparato prescriptivo. Se calcula como el cociente entre la cantidad de categoras dentro de la solucin y la cantidad de categoras en total. Interpreta el grado de representatividad de la solucin en funcin del subconjunto de categoras involucradas en la respuesta a las cuales representa. Si este valor es cercano a 1 indica que la solucin hallada es poco precisa en trminos de categoras.
irep =# CATsol /# CATtot

8) icat(indicador de categoras): evala la heurstica como aparato descriptivo. Interpreta en R% el grado de representatividad del subconjunto solucin en funcin del las categoras implicadas. R% cercano a 0 indica que la solucin es altamente ajustada. Lo contrario sucede con un valor positivo. Se puede determinar algn valor Mr de ajuste mnimo para considerar la respuesta como una respuesta de buena calidad.
R% < M r soluc.buena icat = R% M r soluc. pobre
(20)

(15)

4) irep(indicador2 de representatividad): evala la heurstica como aparato prescriptivo. Se basa en la mtrica SCAT. Cuando SCAT es cercana a 0 indica que la solucin es simtrica. En estos casos, ser un mejor valor si es cercano al xm (punto medio). En caso de que SCAT no sea cercano a 0, esto no es cierto y no se puede asegurar nada al respecto. Interpreta el grado de representatividad de la solucin en funcin de la curva solucin.
SCAT 0 x m i' rep = , x m = ( x max x min ) / 2 + x min SCAT >> 0 ?

9) ipeso(indicador de peso relativo): evala la heurstica como aparato descriptivo. Interpreta en P% el grado de representatividad del subconjunto solucin en funcin de las categoras implicadas. P% cercano a 0 indica que la solucin es altamente ajustada. Lo contrario sucede con un valor positivo. Se puede determinar algn valor Mr de ajuste mnimo para considerar la respuesta como una respuesta de buena calidad.
P% < M r soluc.buena icat = P% M r soluc. pobre
(21)

(16)

5) irep(indicador3 de representatividad): evala la heurstica como aparato prescriptivo. Interpreta en KCAT la representatividad de la solucin en funcin de la curva solucin. KCAT < 0 indica que la curva es achatada, con mayor dispersin de valores. Lo contrario sucede con un valor muy positivo. En consecuencia los valores positivos indican que la solucin ser mejor.
KCAT 0 soluc. pobre i' 'rep = KCAT > 0 soluc.buena
(17)

10) iprec(indicador de precisin): evala la heurstica como aparato descriptivo. Interpreta el grado de representatividad del subconjunto solucin en funcin del la precisin de la respuesta. Se calcula como el producto de los indicadores P% y R%; iprec cercano a 0 indica que la solucin es altamente ajustada. Lo contrario sucede con un valor positivo. Se puede determinar algn valor Mr de ajuste mnimo para considerar la respuesta como una respuesta de buena calidad.
P%.R% < M r soluc.buena i prec = P%.R% M r soluc. pobre
(22)

6) ireg(indicador de reglas involucradas): evala la heurstica como aparato prescriptivo. Interpreta en RCAT el grado de representatividad del subconjunto solucin como

E. Indicadores globales: 1) Idisp (indicador global sobre indicadores idisp):evala la completitud de la respuesta hallada. Es el cociente de los

LPEZ DE LUISE AND AGERO : APPLYING CATHEGORICAL METRICS ON FUZZY

59

indicadores idisp sobre idisp. Si supera un parmetro Mr es relevante, para la resolucin completa del problema.
I disp = i ' disp / i disp
(23)

2) Irel(indicador global de relevancia): evala la eficiencia global de la respuesta hallada. Es el producto de los indicadores icat con ipeso. Si supera un parmetro Mr es relevante.

I rel = icat .i peso

(24)

Fig. 3. Funcin de pertenencia para la velocidad lineal.

3) Irel(indicador global2 de relevancia): evala la bondad global de la respuesta hallada conforme a restricciones de calidad. Es la conjuncin lgica de los valores de verdad sobre las restricciones impuestas a los indicadores irep, irep y irep. (25) I ' rel = (irep << 1) (i' rep 0) (i ' ' rep > 0) V. CASO DE APLICACIN Se estudiar un sencillo caso de pndulo invertido [12] con control fuzzy para modelar el balanceo. A. Paso de decodificacin Se definen las funciones de pertenencia, como en las Fig. 1, Fig. 2, Fig. 3.

B. Evaluacin de norma (Rule Evaluation): Supongamos un experto que defini las siguientes reglas generales: R01: ngulo=cero&vAngular=cero=>veloc=0 R02: ngulo=cero&vAngular=<baja>=>veloc=<baja> De las que salen las reglas difusas: R03: vAngular=t1&ngulo=a3=>veloc=v1 R04: vAngular=t2&ngulo=a3=>veloc=v2 R05: vAngular=t2&ngulo=a4=>veloc=v3 R06: vAngular=t3&ngulo=a1=>veloc=v1 R07: vAngular=t3&ngulo=a2=>veloc=v2 R08: vAngular=t3&ngulo=a3=>veloc=v3 R09: vAngular=t3&ngulo=a4=>veloc=v4 R10: vAngular=t3&ngulo=a5=>veloc=v5 R11: vAngular=t4&ngulo=a2=>veloc=v3 R12: vAngular=t4&ngulo=a3=>veloc=<v2|v4> R13: vAngular=t5&ngulo=a2=>veloc=<v1|v5> Si se mide vAngular= 0.4 y ngulo=0.75 entonces se puede representar el resultado de aplicar las reglas R04, R05, R08 y R09, en la Fig. 4.

Fig. 1. Funcin de pertenencia para la velocidad angular.

Fig. 4. Velocidad lineal resultante.

C. Paso de decodificacin Este proceso se realiza utilizando un mtodo para elegir el punto ms representativo dentro del rea. En este caso usamos el centro de gravedad. En la Fig. 1 se muestran los puntos de los conjuntos difusos a los que pertenece cada valor. y con un par de lneas verticales a puntos cada uno de los valores. Los cuatro puntos resultantes son: a (en t3), b (en t2), c (en a3), d (en a4).
Fig. 2. Funcin de pertenencia para el ngulo actual.

D. Aplicacin de mtricas: Ahora se aplican las frmulas presentadas en la seccin IV. -Para LR: se toman los requisitos los de la Tabla II y se coloca una S por cada Ri que se cumpliment y N en caso contrario. Resultar: LR={S,S,S,S,S}.

60

IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 1, MARCH 2007

TABLA II CARACTERSTICAS DETALLADAS DE LAS MTRICAS MENCIONADAS

-Para Irel: aplicando (25) se tiene Irel=VFV=F, la solucin se halla bastante buena pero no la mejor en trminos generales. VI. CONCLUSIONES Los sistemas con lgica difusa requieren una adaptacin especfica segn la necesidad de informacin. La matemtica asociada es fundamental para la calidad del resultado final. Se puede analizar la condicin difusa como parte de la calidad, pero subyace el problema [17] de la existencia del ajuste artesanal de parmetros, lo cual puede controlarse con evaluaciones sistemticas de los parmetros. Por otro lado un experto evaluador siempre ser una fuente tradicional de referencia, pero sin sustento concreto y estandarizado que gue su actividad, como lo podran ser las mtricas/indicadores aqu presentadas o cualquier conjunto de mtricas/indicadores aceptados y estandarizados en la comunidad. VII. AGRADECIMIENTOS Los autores agradecen la colaboracin y soporte del Dr. E. Di Tada y P. Gonzlez para la revisin de este documento. Asimismo agradecen los comentarios del Dr. J. Ale. VIII. REFERENCIAS Revistas:
[1] [2] [3] [4] [5] L. A. Zadeh, "Fuzzy Sets, Information and Control, vol. 8, pp. 338-353. L. A. Zadeh, "Fuzzy Algorithms, Information and Control, vol. 12, pp. 94-102. F. Wenstop, Deductive verbal models of organizations, International Journal of Man-Mach Stud., vol. 8, pp.293-311, 1976. J. Fox, Towards a reconciliation of fuzzy logic and standard logic, International Journal of Man-Mach Stud., vol. 15, pp.213-220, 1981. S. Haack, Do we need fuzy logic?, International Journal of Man-Mach Stud., vol. 11, pp.127-142, 1995.

-Para LRP: Si consideramos todos los requisitos ponderados con 1, cuando se cumplimentaron y con 0 en caso contrario, entonces tomando LR como base resulta LRP= {1, 1, 1, 1, 1} -Para #CAT:de Fig. 1, Fig. 2 ,Fig. 3, la cantidad de categoras #CAT= {5, 5, 5}, para las variables difusas v1 (velocidad angular), v2 (ngulo) y v3 (velocidad lineal) respectivamente. -Para RCAT: las reglas de la solucin tienen las categoras v2, v3 y v4, que figuran en Nsol=3+3+2=8 reglas como consecuente, por lo que RCAT= 8/11=0.727. -Para SCAT: se integra el rea S representada en la Fig. 4 con la frmula en (7), dando SCAT= 0.3352616 -Para KCAT: se integra el rea S representada en la Fig. 4 con la frmula en (8), dando KCAT= 0.2134548 -Para calcular A%: se calcula la integral del rea en la Fig. 4 y se divide por la suma de las integrales debajo de las curvas de las funciones de pertenencia v2, v3 y v4 (Fig. 3). A%= 0,437 -Para calcular R%: se consideran las 3 categoras que intervienen en la solucin (v2, v3, v4) sobre la cantidad total (5). Entonces segn (11), R%= 0.6 -Para calcular P%: se integra el rea en la Fig. 4 (es decir Asol) y se aplica (12). P%= 0,763 E. Aplicacin de Indicadores: Segn (13), considerando ri=1 cuando ri=S en LR, sabiendo que la cantidad de elementos en LR (#LR) es 5, resulta idisp=1+1+1+1+1/5=1. Anlogamente aplicando (14) y LRP, resulta idisp=1. Luego los requisitos fueron satisfechos. -Para irep: segn (15), usando R%, ser irep=0,6, es una solucin no demasiado precisa. -Para irep: dado que SCAT0,3, el valor de irep, indica que el punto medio de abcisas (xm=0) como solucin no es una representacin demasiado precisa. -Para irep: considerando que KCAT 0,2>0, resulta que es una solucin aceptable. -Para ireg: obtenido un RCAT = 0,727 > 0,6, segn (18) podra decirse que es una solucin con precisin ligeramente debajo del lmite aceptable (suponiendo Mr =0,6). -Para iprop: siendo A% = 0.437 < 0.5, considerando (19), la solucin sera de buena calidad para el problema (Mr =0,5). -Para icat: siendo R%=0,6 > 0,5, segn (20) la solucin no describira demasiado la realidad (Mr =0,5). -Para ipeso: siendo P%=0,763 > 0,5, segn (21) sera una solucin demasiado amplia (Mr =0,5). -Para iprec: siendo P%,R%=0,458 > 0,33, segn (22) sera una solucin no demasiado ajustada en cuanto a alternativas existentes (Mr =0,33). -Para Idisp: el cociente (23) da 1 > 0,5, la solucin resolvera de manera completa el problema (Mr =0,5). -Para Irel: el producto (24) da 0,45 > 0,5, la solucin se halla bastante eficientemente para el problema (Mr =0,5).

Libros:
[6] [7] [8] [9] C. Lejewski, Jan Lukasiewicz, in Encyclopedia of Philosophy, vol. 5, Mac Millan, 1967, pp.338-353. W. Bandler, L. J. Kohout, Semantics of implication operators and fuzzy Reasoning and Its Applications, E. H. Mamdani and B. R. Gaines Eds, London Academic Press, 1981. F. Esragh, E. H. Mandami, A general approach to linguistic approximation, Fuzzy Rasoning and Its Applications, E. H. Mandami and B. R. Gaines Eds., London Academic Press, 1981. F. R. S. Moreira, R. Almeida-Filho, G. Cmara, Evaluation of the performancve of Fuzzy Logic applied in spatial analysis for mineral prospecting, Revista Brasileira de Geofsica, vol. 13, pp. 127-142, 1995.

Revistas
[10] M. Eschbach, J. Cunnyngham, The logic of fuzzy Bayesian influence, International Fuzzy System Association Symposium of Fuzzy information Processing in Artificial Intelligence and Operational Research, Cambridge, England, 1984. [11] S. A. Aziz, Fuzzy Logic and its uses Article #1, JWE04, 2005. Available at http:// www.doc.ic.ac.uk/ ~nd/surprise_96/ journal/ vol1/ sbaa. [12] S. A. Aziz, Fuzzy Logic and its uses Article #2, JWE05, 2005. Available at http:// www.doc.ic.ac.uk/ ~nd/surprise_96/ journal/ vol2/ sbaa. [13] C. S. Wu, T. Polte, D. Rehfelt, A fuzzy Logic System for Process Monitoring and Quality Evaluation in GMAW, Supp to the Welding Journal, pp. 33-38, Feb 2001. [14] L. Olsina, M. Martin, Ontology for Software Metrics and Indicators, Journal of Web Engineering Rinton Press, vol. 2, #4, pp. 262-281, 2004.

LPEZ DE LUISE AND AGERO : APPLYING CATHEGORICAL METRICS ON FUZZY

61

[15] J. Jantzen, Tutorial On Fuzzy Logic, Tech. Report n. 98-E 868, Aug. 1998. [16] C. Crisconio, D. Donato, G. Gerla, Similarity Logic and Translations, International Journal of Uncertainty, Fuzzyness and Knowledge-based Systems, vol. 12, 2004.

Artculos en libros de congresos (Publicados):

[17] J. K. Williams, G. Meymaris, Techniques for tunning fuzzy logic algorithms, Four Conference on Artificial Intelligence applicactions to Environmental Science, 2005. [18] M. Martin, L. Olsina, Towards an Ontology for Software Metrics and Indicators as the Foundation for a Catalogging Web System, Proc. if IEEE Computer Society, Santiago de Chile, pp 103-113, 2003.

IX. BIOGRAFAS
M. Daniela Lpez De Luise Argentina. Graduada de la Universidad de Buenos Aires. Trabaj en varias empresas como analista senior. Docente desde 1989. Actualmente investiga en aplicaciones de inteligencia artificial a la WWW. Miembro del IEEE desde 1995. Fue jurado de varios concursos como MATE.AR. Preside el AI Group, perteneciente al IT-LAB de la Universidad de Palermo. Martn J. Agero. Argentino. Actualmente se desempea como estudiante avanzado de la carrera Ing. Informtica de la Universidad de Palermo. Es miembro activo del AI-Group desde Junio de 2005. Ejerci como consultor en varias empresas. Actualmente se concentra en problemas relacionados con la medicin de calidad en sistemas no convencionales.