Professional Documents
Culture Documents
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.
1
Esempio del dado
3
P (pari) = = 0.5
6
Esempio del dado fuzzy
2
Esempio del dado fuzzy
3
Logica tradizionale
(paradossi).
4
Classificazione stature
• Bassa;
• Media;
• Alta.
Logica tradizionale;
Logica Fuzzy.
5
Logica tradizionale
← Critiche
6
Critiche
Conclusioni
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
Come stimarla?
9
Stima funzione di Membership
10
Funzione triangolare
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
Graficamente
13
Individui bassi
1.45 1.65
14
Individui 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
Graficamente
17
Individui medi
18
Individui medi
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
Graficamente
21
Individui alti
1.75 1.80
22
Individui 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
24
Rappresentazione finale stature
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
26
Differenze con la probabilità
Applicazione investimenti
27
La valutazione degli investimenti
28
Utilizzo di un valore deterministico
• 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
• Difficoltà di stima;
30
Perdita informazioni
31
Non indipendenza distribuzione
32
Ripetizione investimenti
33
Difficoltà di stima
34
Informazione e probabilità
35
Incertezza solo randomness
36
Utilizzo di un numero fuzzy
Esempio
37
Esempio valutazione investimento
α − cut
38
α − cut
Tassi interesse
Fattori sconto?
39
Aritmetica degli intervalli
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.
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
43
Confronto
44
Metodo semplice di Yager
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
(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
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
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