Semana 2: Conjuntos borrosos

Slides:



Advertisements
Presentaciones similares
RELACIONES Y FUNCIONES
Advertisements

Diseño y análisis de algoritmos
AZAR Y PROBABILIDAD..
DEFINICIONES       Experiencia Aleatoria: es aquella cuyo resultado depende del azar: ( lanzto de un dado, una moneda, extraer una bola, una carta, etc.)
Pruebas de hipótesis.
AZAR Y PROBABILIDAD.
Investigación de Operaciones
TEORÍA DE CONJUNTOS.
TEÓRIA DE CONJUNTOS Profesor: Rubén Alva Cabrera.
Maestría en Bioinformática Bases de Datos y Sistemas de Información Fundamentos de Matemática Ing. Alfonso Vicente, PMP
Teorema de Representación – Funciones de Membrecía
Taller matemático (Cálculo)
2. INTRODUCCION A LA TEORIA DE LA PROBABILIDAD
Intervalos e Inecuaciones de primer grado
ÍNDICE Conjuntos Partes de un conjunto. Operaciones.
   Conjuntos.
1.2 Variables aleatorias..
Instituto San Lorenzo Departamento de Matemática Probabilidades.
Estadística y probabilidad
TIPOS DE EXPERIMENTOS:
PROBABILIDAD.
Introducción a la Probabilidad
Razonamiento inexacto La imprecisión, como así también la incertidumbre, pueden ser tratadas dentro del razonamiento aproximado utilizando la lógica difusa.
FUNDAMENTOS DE LA TEORÍA DE CONJUNTOS
PROGRAMACIÓN LÓGICA.
Conjunto Potencia.
SOBRE LA CONSTRUCCION AXIOMATICA DE LOS NUMEROS NATURALES I
Teoría de Conjuntos Prof. Carlos Coronel R..
PROBABILIDAD Y ESTADISTICA
INTELIGENCIA ARTIFICIAL.
Semana 1: Sistemas Inteligentes. Introduccion a Sistemas inteligentes Los sistemas inteligentes son aquellos residen dentro de un agente, los cuales tienen.
WHILE Estructuras Repetitivas
UNIVERSIDAD NACIONAL INTERCULTURAL DE LA AMAZONIA
TEMA 5 PROBABILIDAD.
Probabilidad 1. Espacio muestral 2. Sucesos. Tipos de sucesos
Control Estadístico de Procesos Introducción a la Probabilidad.
Matemática NM2 Probabilidades.
INTRODUCCIÓN A LA TEORÍA DE MUESTRAS Estadística E.S.O.
Fodor  Reduccionismo demasiado fuerte en su intrepretación de la unidad de la ciencia. . Es incompatible con las resultados probables de las ciencias.
TEÓRIA DE CONJUNTOS.
Razonamiento probabilistico
Razonamiento difuso Fuzzy o fuzzy logic. En lógica clásica usualmente descrita como aristotélica, existen dos valores posibles: Proposiciones que son.
TEÓRIA DE CONJUNTOS Docente: Jesús Huaynalaya García.
@ Angel Prieto BenitoMatemáticas Acceso a CFGS1 ALEATORIEDAD Bloque IV * Tema 166.
PROPIEDADES DE LA PROBABILIDAD
CONTENIDO: Estadística Descriptiva e inferencial Muestreo estadístico
Pruebas de hipótesis.
Herramientas avanzadas. Lo primero: abrir el modelo.
INECUACIONES.
Probabilidades Objetivos de la clase Construidas definiciones básicas
Argumentos Deductivos e Inductivos
CLASE > 2 3 <  < 4 (   3,141)  3 <  5 Son desigualdades numéricas verdaderas. 2 > 5 0 < – 3 Son desigualdades numéricas falsas.  24,7 >
Inteligencia Artificial Tema: 5.4. Lógica Difusa. PRESENTA: Fernando Montesinos Ceron Docente: Tomas Torres Ramírez SEMESTRE: 8° S.E.P. D.G.E.S.T. S.N.E.S.T.
TIPOS DE PRUEBAS DEL SOFTWARE
RELACION Y OPERACIÓN ENTRE CONJUNTOS
LIC. JOSEPH RUITON RICRA
Conjuntos Introducción a la Teoría Axiomática de Conjuntos.
Objetivo del Cálculo de Probabilidades: Cálculo de Probabilidades
14.4 Planos tangentes Aproximación lineal Diferenciabilidad
Inferencia Estadística Conceptos Previos. Conceptos Previos Población: Es la colección de toda la posible información que caracteriza a un fenómeno aleatorio.
Nociones Inclusión Igualdad
Tema 4: Variables aleatorias discretas La distribución binomial
CONCEPTOS BÁSICOS, TABULACIÓN, GRÁFICOS
Principios logicos.
ELEMENTOS DE ESTADÍSTICA DESCRIPTIVA MIE. GRACIELA ROMERO MERCADO.
 Dicho principio lógico podemos formularlo de la siguiente forma: A es A, en la cual la variable A denota un pensamiento o contenido concreto cualquiera.
Trabajo: Graficas de las fundaciones lineales CARLOS ANDRÉS QUIROZ RENDÓN.
CLASE 2 Definiciones de probabilidad.
Semana 2: Conjuntos borrosos. Introduccion a Conjuntos borrosos Los conjuntos clasicos admiten un valor los cuales se representan : {a,b,c,d,…} En cambio.
Transcripción de la presentación:

Semana 2: Conjuntos borrosos

Introduccion Los conjuntos clasicos admiten un valor los cuales se representan : {a,b,c,d,…} En cambio los conjuntos borrosos admiten la probabilidad (incertidumbre) de veracidad de un valor. Ejmplo: {muy a,casi b, demasiado c, … }. Entonces podemos decir : µA(a) = 0 , µA(e) = 1 , µA(i) = 0 , µA(o) = 1 y µA(u) = 1 Los que son 0, es que no pertenecen al conjunto: que pasaria si solo pertenece cierta parte de a y cierta parte de i , quedaria de la siguiente forma: µA(a) = 0.5 , µA(e) = 1 , µA(i) = 0.98 , µA(o) = 1 y µA(u) = 1

Grafico(1)

Definicion Los conjuntos borrosos son aquéllos cuyos elementos no tienen por qué pertenecer (grado de pertenencia 1) o no pertenecer (grado de pertenencia 0), sino que pertenecen según un cierto grado entre 0 y 1. 

Ejemplo Dado el universo X=[1,100] y los predicados A="número grande" y B="mayor de 70" podemos decir que, para el predicado B, tenemos dos subconjuntos diferenciados: B = {x perteneciente a X | x > 70} ¬B = {x perteneciente a X | x ≤ 70} El problema aparece cuando intentamos obtener dos subconjuntos del predicado A, A={x perteneciente a X| "x es grande" es verdadera} ¬A={x perteneciente a X| "x es grande" es falsa} Ya que si tenemos un x perteneciente a A (por ejemplo, x=100), entonces existe un ε > 0 tal que x-ε también es grande. De la misma forma (x-ε) - ε = x-2ε también es grande. Repitiendo el razonamiento sucesivas veces, llegaremos a que todos los números en [1,100] son grandes, lo que contradice nuestra intuición. Por lo tanto, los conjuntos clásicos no son válidos para trabajar con predicados borrosos. Por tanto, para un predicado borroso no se puede obtener de forma precisa el conjunto de los elementos que lo verifican, sino que cada elemento verifica dicho predicado en un cierto grado. De esta forma todo conjunto borroso A en el universo X tiene asociada una función de pertenencia µA:X →[0,1] que a cada elemento de X le hace corresponder el grado en que verifica dicha propiedad.