Logica Fuzzy

(Applicazione nella valutazione degli investimenti)

November 8, 2006

0-0
 Cosa è la logica Fuzzy?

Nasce intorno alla metà degli anni ’60 per merito del professore
Lofti Zadeh e si tratta di una teoria che cerca di studiare e di
trattare con l’incertezza.
Si pone in una posizione parallela rispetto alla teoria delle
probabilità (teoria principe) perchè considera un diverso tipo di
incertezza che riguarda essenzialmente l’ambiguità linguistica.

Esempio del dado

1
 Esempio del dado

Supponiamo di avere un dado a 6 facce e di voler determinare la

probabilità di ottenere un numero pari tramite il suo lancio.
Il ragionamento per la determinazione di questa probabilità sarà:

L’universo dei casi possibili è di numerosità 6, il numero dei casi

favorevoli è 3 (numeri pari) quindi la probabilità sarà data da:

3
P (pari) = = 0.5
6
Esempio del dado fuzzy

2
 Esempio del dado fuzzy

Supponiamo adesso di avere lo stesso dado ma di voler

determinare la possibilità di ottenere tramite il suo lancio “un
numero intero piccolo”. Come ragioniamo?

Occorre per prima cosa andare a definire che cosa è un “Numero

intero piccolo”. A differenza di prima non abbiamo a che fare con
un insieme universalmente definito (numeri pari - numeri dispari),
ma un insieme che è vago, ha contorni sfocati è Fuzzy.
Nasce l’esigenza di andare a definire questo insieme con contorni
sfocati e non nettamente definiti.

Ma come determiniamo questi insiemi?

3
 Logica tradizionale

Secondo la logica Booleana un elemento fà parte di un insieme

con un grado di verità completamente vero o completamente falso:
da quı̀ nasce il modo di rappresentazione tramite “0” e “1” o tramite
“vero” e “falso”.
Punti critici:

• Occorre essere in grado di definire in modo preciso e

universale un insieme mentre alcune grandezze non hanno
queste caratteristiche: vedi il numero intero piccolo;

• Non sempre un elemento ha una classificazione univoca

perchè se siamo incerti sulla natura di un elemento siamo
incerti anche sulla appartenenza a qualche classe.

(paradossi).

4
 Classificazione stature

Supponiamo che venga chiesto di classificare gli individui in base

alla statura, con i tre sottoinsiemi:

• Bassa;

• Media;

• Alta.

Logica tradizionale;

Logica Fuzzy.

5
 Logica tradizionale

Stabiliva separazioni nette frà gli insiemi:

• Individui bassi→ x < 1.60m

• Individui medi→ 1.60 ≤ x ≤ 1.75m
• Individui alti→ x > 1.75m

Bassa Media Alta

1.60m 1.75m Statura

← Critiche

6
 Critiche

• Siamo tutti concordi nel definire i limiti dei tre sottoinsiemi,

quindi per tutte le persone gli individui bassi, medi e alti sono
classificati nel suddetto modo;

• Per variazioni infinitesime nella statura si ha il passaggio da un

sottoinsieme all’altro, cioè un individuo alto 1.599 metri viene
considerato basso mentre un individuo più alto di questo di
solo un millimetro viene considerato di media statura.

Conclusioni

Non considera l’incertezza insita nella definizione dei tre insiemi:

“bassa”, “media” e “alta statura” siete in grado voi di definire con
esattezza cosa si intende per bassa statura?
Esistono in realtà molte grandezze che non hanno una
classificazione univoca perchè la definizione dei sottoinsiemi che
portano alla classificazione non sono nette “crisp”, ma “fuzzy”. Es:
intensità della pioggia, bellezza di una donna etc....

Fuzzy

7
 Logica Fuzzy

Con l’utilizzo della logica Fuzzy non si stabiliscono dei limiti netti frà
i sottoinsiemi, ma il passaggio da un insieme ad un altro avviene in
maniera graduale.
La gradualità si presenta perchè a ciascun elemento non viene
associato un grado di appartenenza completamente vero o falso [0
1], ma un grado di appartenenza compreso nell’intervallo {0 1}.
Ciascun elemento può far parte di più sottoinsiemi, ma con un
grado di verità diverso che viene indicato dalla funzione di
Membership.

8
 Funzione di Membership

Si tratta di una funzione che associa a ciascun elemento un valore

compreso fra {0 1}. Sostanzialmente si tratta della funzione che
definisce un sottoinsieme come potrebbe essere quello degli
“individui bassi” e associa a ciascun individuo che presenterà una
determinata statura un valore che esprime il grado di appartenenza
al sottoinsieme “individui bassi”.
I valori spaziano nell’intervallo {0 1} con “0” che esprime il valore
minimo (non appartenenza) e “1” il valore massimo (completa
appartenenza).
Ciascun sottoinsieme avrà la propria funzione di membership che
ne definisce le caratteristiche. Nel nostro esempio avremo 3
funzioni di membership: una per gli individui “bassi”, una per i
“medi” e una per gli “alti”.

Come stimarla?

9
 Stima funzione di Membership

Esistono molti metodi classificabili in:

• Metodi oggettivi: alcuni seguono un procedimento statistico

altri no, ma tutti richiedono dei dati da cui partire;

• Metodi soggettivi: si basano esclusivamente sull’analisi delle

informazioni di tipo qualitativo e sullo studio dell’universo da
considerare.

La forma più utilizzata è quella di tipo triangolare ma esistono varie

forme: trapezzoidale, sigmoide, campanulare etc...

10
 Funzione triangolare

Il punto di partenza è generalmente una terna di valori del tipo

(xa , xb , xc ) sui quali viene costruita una funzione definita a tratti:

 x−xa
 xb −xa se xa ≤ x ≤ xb

µ(x) = xc −x
se xb ≤ x ≤ xc


xc −xb

0 se altrimenti

Graficamente

α − cut

11
 Funzione triangolare

α
1

0.8

0.6

0.4

0.2

xa xb xc x

Esempio statura

α − cut

12
 Esempio statura

Partiamo dal sottoinsieme degli individui con bassa statura e

facciamo le seguenti considerazioni:

• Non ci sono dubbi nel considerare un individuo con statura

inferiore a 1.45 metri un individuo “basso”

• Non ci sono dubbi nel considerare un individuo con statura

superiore a 1.65 metri un individuo “non basso”;

• Supponiamo che fra i limiti 1.45 metri e 1.65 il passaggio

dell’opinione e quindi di classificazione avvenga in modo
lineare.

Graficamente

13
 Individui bassi

bassi non bassi

1.45 1.65

14
 Individui bassi

bassi non bassi

1.45 1.65

Membership

15
 Funzione membership “Individui bassi”



 1 se 0 ≤ x ≤ 1.45

µB (x) = 1.65−x
se 1.45 < x < 1.65


1.65−1.45

0 se x ≥ 1.65

Individui medi

16
 Individui medi

Per il sottoinsieme degli individui con media statura facciamo le

seguenti considerazioni:

• Non ci sono dubbi nel considerare un individuo con statura

inferiore a 1.45 e superiore a 1.80 metri un individuo “non
medio”

• Non ci sono dubbi nel considerare un individuo con statura

compresa fra 1.65 e 1.75 metri un individuo “medio”;

• Supponiamo che al di fuori dell’intervallo in cui siamo certi

della classe di appartenenza le opinioni si modifichino in modo
lineare.

Graficamente

17
 Individui medi

non medi medi non medi

1.45 1.65 1.75 1.80

18
 Individui medi

non medi medi non medi

1.45 1.65 1.75 1.80

Membership

19
 Funzione membership “Individui medi”



 1 se 1.65 < x ≤ 1.75



 x−1.45
1.65−1.45 se 1.45 ≤ x ≤ 1.65
µM (x) =

 1.80−x
se 1.75 < x ≤ 1.80

 1.80−1.75

 0 se x < 1.45 o x > 1.80

Individui alti

20
 Individui alti

Per il sottoinsieme degli individui con alta statura facciamo le

seguenti considerazioni:

• Non ci sono dubbi nel considerare un individuo con statura

inferiore a 1.75 metri un individuo “non alto”

• Non ci sono dubbi nel considerare un individuo con statura

superiore a 1.80 metri un individuo “alto”;

• Supponiamo che frà i limiti 1.75 e 1.80 metri le classificazioni

degli individui avvengano in modo lineare.

Graficamente

21
 Individui alti

non alti alti

1.75 1.80

22
 Individui alti

non alti alti

1.75 1.80

Membership

23
 Funzione membership “Individui alti”



 1 se x > 1.80

µA (x) = x−1.75
se 1.75 ≤ x ≤ 1.80


1.80−1.75

0 se x < 1.75

Rappresentazione finale stature

24
 Rappresentazione finale stature

Bassi Medi Alti

1.45 1.65 1.75 1.80

Definizione numero intero piccolo nel lancio del dado

25
 Funzione membership “numero intero piccolo”

Potremmo definire il numero intero piccolo nel lancio del dado con
la seguente funzione di membership:

• µ(1) = 1

• µ(2) = 0.8

• µ(3) = 0.6

• µ(4) = 0.4

• µ(5) = 0.2

• µ(6) = 0

Differenze con la probabilità

26
 Differenze con la probabilità

Il valore espresso con la funzione di membership non è indicativo

della probabilità dell’avverarsi di un evento µ(1) = 1 non significa
che il numero 1 è più probabile degli altri, la probabilità è sempre
1/6.
Significa che l’avverarsi dell’evento di avere un numero intero
piccolo è massima se dal lancio del dado uscirà il numero 1.
Zadeh poi ricollegava la funzione di membership al grado di
possibilità facendo il seguente ragionamento:

¿ dato l’avverarsi dell’evento numero intero piccolo il grado di

possibilità di avere 1 è massimo, o meglio, è maggiore rispetto alla
possibilità di avere 2, 3 etc...À

Applicazione investimenti

27
 La valutazione degli investimenti

Quando valutiamo un investimento dobbiamo andare a stimare

delle grandezze (flussi cassa periodici, tasso interesse, costo
iniziale etc...).
Le alternative che possiamo utilizzare nella loro determinazione
sono:

• Utlizzo di un unico valore;

• Utilizzo di una distribuzione di probabilità;

• Utilizzo di un numero fuzzy.

28
 Utilizzo di un valore deterministico

L’utilizzo di un valore deterministico implica che l’analisi delle

informazioni che abbiamo ci conducono tutte verso un unico valore.
Queste quindi non danno adito ad incertezza di nessun genere,
anche se parte dell’incertezza potrebbe essere contenuta nel tasso
di sconto utilizzato.
Sulla base delle informazioni che abbiamo consideriamo per
esempio l’insieme dei rendimenti relativi al primo esercizio costituiti
da un unico valore, quello preso come riferimento.
Quindi:

• Le informazioni portano verso un unico valore;

• Non consideriamo il fatto che queste possano cambiare o

possano essere non esatte;

• Tutti gli individui pensano allo stesso modo e quindi non ci sono
diversità di interpretazione delle informazioni a disposizione.

29
 Utilizzo di una distribuzione di probabilità

L’utilizzo di una distribuzione di probabilità permette di fare un

analisi più approfondita:

• Permette di considerare parte dell’incertezza;

• L’incertezza tuttavia è di tipo randomness ;

• Se le informazioni evolvessero avremo un’altra distribuzione di

probabilità;

• Difficoltà di stima;

• Problema della non ripetizione degli esperimenti;

• Problema della non indipendenza delle distribuzioni;

• Problema perdita informazioni andando avanti con il modello.

30
 Perdita informazioni

L’utilizzo di una distribuzione di probabilità porta come risultato

finale dell’applicazione di un metodo di valutazione un valore unico.
Con l’utilizzo della logica fuzzy otteniamo un’insieme di valori.
L’ottenimento di questo risultato comporta la possibilità di effettuare
un numero maggiore di considerazioni in merito alla convenienza e
alle caratteristiche dell’investimento.

31
 Non indipendenza distribuzione

Se vogliamo determinare la distribuzione della dimensione del

mercato per 3 esercizi futuri dobbiamo assumere come ipotesi
base che le distribuzioni siano indipendenti fra di loro.
Nella realtà tuttavia questo non è vero perchè sicuramente avere
una dimensione del mercato in t=2 di 8000 sarà più probabile se in
t=1 ho ottenuto una dimensione di 7000 rispetto al caso in cui
avessi ottenuto una dimensione di 1000.
Quindi nella realtà le distribuzioni degli esercizi futuri non sono
indipendenti dal valore che si è verificato negli esercizi precedenti.

32
 Ripetizione investimenti

Ragioniamo adesso sempre sull’esempio del dado, se supponiamo

di ricevere ad ogni lancio tante caramelle in base al numero che
appare sulla facciata, avremo che il valore atteso del numero delle
caramelle sarà di 3.5 per ogni lancio.
Questo valore è il caso limite per il numero di lanci che tende ad
infinito, facendo una media del numero di caramelle per ogni lancio
otteniamo il valore 3.5.
Implicitamente questo presuppone la possibilità di rieffettuare il
lancio per un numero infinito di volte, ma non sempre la ripetizione
è possibile: per esempio se stimassi una distribuzione di
probabilità per la dimensione del mercato di domani, io non avrei la
possibilità di tornare dietro nel tempo.
Queste considerazioni hanno portato all’utilizzo della tecnica di
simulazione Monte Carlo.

33
 Difficoltà di stima

Di fatto stimare una distribuzione di probabilità non è semplice.

Supponiamo che vogliate determinare la probabilità dei ritorni
relaviti ad un investimento in ricerca applicata relativa ad un nuovo
vaccino antinfluenzale .

34
 Informazione e probabilità

Se anche supponiamo di determinare, con le informazioni che

abbiamo, la distribuzione di probabilità più accurata al mondo di
fatto non teniamo di conto che questa distribuzione è frutto delle
impressioni che abbiamo oggi e dello studio delle informazioni
disponiamo in un preciso istante.
Domani per esempio un leggero cambiamento di informazione
porterebbe alla modifica della mia distribuzione.
Quindi occorre anche considerare questo fattore quando
determiniamo il valore medio delle grandezze necessarie a
valutare un investimento.
Con la logica fuzzy non abbiamo la necessità di ricavare un unico
valore medio per valutare l’investimento e quindi consideriamo
anche l’incertezza implicita nel cambiamento di informazioni.

35
 Incertezza solo randomness

Ritornando al lancio del dado, l’incertezza che si ha nella

probabilità è un incertezza che agisce prima del lancio del dado.
Noi non sappiamo se il lancio del dado mi produrrà un numero pari
o un numero dispari. Tuttavia una volta lanciato il dado l’incertezza
scompare sia che sia uscito il numero pari che il numero dispari.
Nella possibilità di ottenere un numero intero piccolo invece
l’incertezza rimane anche dopo il lancio del dado, perchè è insita
nella definizione dell’insieme stesso. La definizione di numero
intero piccolo non è universale, ma è incerta.

36
 Utilizzo di un numero fuzzy

L’utilizzo di un numero fuzzy permette di fare delle analisi diverse

considerando parte dell’incertezza non considerata dalla
distribuzione di probabilità.
Lo scopo è di conservare più a lungo possibile l’incertezza dato
che è sempre possibile ridurla tramite un procedimento di
perdita delle informazioni.
Quindi:

• Permette di fare un analisi ulteriore considerando una parte

dell’incertezza non considerata dalla probabilità;

• L’incertezza riguarda non solo i diversi risultati a cui le

informazioni portano, ma anche l’informazione stessa;

• In definitiva si tratta dell’incertezza insita nel termine delle

grandezze esempio cosa si intende per prezzo di vendita
approssimativamente di 20, o mercato in crescita?

Esempio

37
 Esempio valutazione investimento

Supponiamo che vengano forniti dei numeri fuzzy relativamente ai

flussi netti di cassa e al tasso di interesse.
In particolare dato che la funzione di membership da noi utilizzata
asssume la forma triangolare le grandezze vengono fornite sotto
forma di terne di numeri.

Flussi di cassa (δa , δb , δc )

Tasso interesse (ia , ib , ic )

Una volta fornite le terne determiniamo gli α − cut che altro non
sono che le funzioni inverse delle funzioni di membership

α − cut

38
 α − cut

Flussi di cassa netti

[δa + α(δb − δa ), δc − α(δc − δb )]

Tassi interesse

[ia + α(ib − ia ), ic − α(ic − ib )]

Fattori sconto?

39
 Aritmetica degli intervalli

Dati due intervalli del tipo [a1 , a2 ] e [b1 , b2 ] si vanno a definire le

seguenti operazioni algebriche:

• [a1 , a2 ] + [b1 , b2 ] = [a1 + b1 , a2 + b2 ]

• [a1 , a2 ] − [b1 , b2 ] = [a1 − b2 , a2 − b1 ]
• [a1 , a2 ]/[b1 , b2 ] = [α, β]
1. α = M IN (a1 /b1 , a2 /b1 , a1 /b2 , a2 /b2 )

2. β = M AX(a1 /b1 , a2 /b1 , a1 /b2 , a2 /b2 )

• [a1 , a2 ] · [b1 , b2 ] = [α, β]
1. α = M IN (a1 b1 , a2 b1 , a1 b2 , a2 b2 )

2. β = M AX(a1 b1 , a2 b1 , a1 b2 , a2 b2 )
Aritmetica Fuzzy

40
 Aritmetica Fuzzy
(α) (α)
Dati due numeri fuzzy del tipo A = [a1 , a2 ] e
(α) (α)
B = [b1 , b2 ], dove il numero 1 come pedice indica il tratto
crescente del numero rispetto ad α ed il numero 2 il tratto
decrescente, si vanno a definire le seguenti operazioni algebriche:
∀ α ∈ [0 1]
(α) (α) (α) (α)
• A + B = [a1 + b1 , a2 + b2 ]
(α) (α) (α) (α)
• A − B = [a1 − b2 , a2 − b1 ]
• A/B = [α, β]
1. α=
(α) (α) (α) (α) (α) (α) (α) (α)
M IN (a1 /b1 , a2 /b1 , a1 /b2 , a2 /b2 )

2. β=
(α) (α) (α) (α) (α) (α) (α) (α)
M AX(a1 /b1 , a2 /b1 , a1 /b2 , a2 /b2 )
• A × B = [α, β]
1. α=
(α) (α) (α) (α) (α) (α) (α) (α)
M IN (a1 ×b1 , a2 ×b1 , a1 ×b2 , a2 ×b2 )

2. β=
(α) (α) (α) (α) (α) (α) (α) (α)
M AX(a1 ×b1 , a2 ×b1 , a1 ×b2 , a2 ×b2 )
Fattore di sconto

41
 Fattore di sconto.

[1/(1 + ic − α(ic − ib )), 1/(1 + ia + α(ib − ia ))]

V.A.N.

δa + (δb − δa ) · α
V an =
1 + ic − (ic − ib ) · α
δc − (δc − δb ) · α
V an =
1 + ia + (ib − ia ) · α
Se consideriamo più periodi:
n
X δj
V an = − costo iniziale
j=1
1 + ij

n
X δj
V an = − costo iniziale
j=1
1 + ij

Analisi

42
 Analisi

Occorre valutare la convenienza dell’investimento preso

singolarmente:
R0 g
x
µ(x)dx
β = Rx
g
µ(x)dx
x

Che nel caso in cui xa ≤ 0 ≤ xb sarà:

−xa · f (0) x2a
β= =
xc − xa (xb − xa )(xc − xa )
E nel caso in cui xb ≤ 0 ≤ xc sarà:
−xa − xb · f (0) −xa (xc − xb ) − xb xc
β= =
xc − xa (xc − xb )(xc − xa )
Confronto

43
 Confronto

Occorre confrontare i diversi investimenti per stabilire quale risulta

migliore:

• Metodo semplice di Yager;

• Metodo ponderato di Yager;

• Coefficiente di variazione di Cheng;

• Metodo della distanza di Cheng

Casi particolari

44
 Metodo semplice di Yager

Determina un indice nel seguente modo:

Z 1
V al(F ) = Average(Fα ) dα
0

Dove:
F (α) + F (α)
Average(Fα ) =
2
Il cui risultato nel caso di funzione di tipo triangolare è:

xa + 2xb + xc
V al(F ) =
4
Confronto

45
 Metodo ponderato di Yager

Determina un indice nel seguente modo:

R1
0
Average(Fα ) · f (α) dα
V al(F ) = R1
0
f (α) dα

Dove f (α) è una funzione peso, a questo riguardo Yager e Filev

introdussero 2 famiglie, quelle crescenti αq e quelle decrescenti
(1 − α)q .Il cui risultato nel caso di funzione di tipo triangolare sarà:
(xa + xc ) 1 q+1
V al(F ) = · + xb ·
2 q+2 q+2
Per la famiglia delle funzioni crescenti e:

(xa + xc ) q + 1 1
V al(F ) = · + xb ·
2 q+2 q+2
Per la famiglia delle decrescenti.

Confronto

46
 Coefficiente di variazione di Cheng

Determina un indice nel seguente modo:

σ(standard error)
CV =
x(mean)
Dove: R ¡ ¢
e x · µA
S(A) e(x) dx
x(A) = R ¡ ¢
e µA
S(A) e(x) dx

"Ã R ¡ 2 ¢ ! # 12
e x · µA
S(A) e(x) dx
σ(A) = R ¡ ¢ − (x(A))2
e µA
S(A) e(x) dx

Confronto

47
 Casi particolari

α
1

.8
Ta

.6 Tb

.4
Tc
.2

0
1 2 3 4 5 6 7 8 9 10 11 12 13 F (α)

Confronto

48
 Metodo della distanza di Cheng

Determina un indice nel seguente modo:

p
e =
R(A) (x0 )2 + (y 0 )2

Dove:
Rb³ ´ Rc Rd³ ´
a
x · fALe dx + b (x)dx + c x · fAR
e dx
e =
x0 (A) R b ³ L´ Rc R d ³ R´
a
fAe dx + b dx + c fAe dx

R1³ L
´ R1³ R
´
0
y· gA
e dy + 0 y · gAe dy
e =
y 0 (A) R 1 ³ L´ R 1 ³ R´
0
gAe dy + 0 gAe dy
Confronto

49