BAZELE MATEMATICE ALE SISTEMELOR FUZZY

Notiunea de multime in sens clasic

In acceptiunea clasica o multime este o colectie (ansamblu) de obiecte de un anumit fel.

Notiunile de multime si element sunt primitive in teoria multimilor. Multimile pot fi definite
in trei moduri:
a) Prin enumerarea elementelor sale. Metoda este posibila in cazul multimilor finite si
numarabile. Exemplu: multimea culorilor spectrului vizibil C={rosu, oranj, galben,
verde, albastru, indigo, violet}
b) Cu ajutorul unui predicat de forma P(x) care stabileste o proprietate a elementelor x ce
compun multimea cu notatia {x|P(x)}. Exemplu: multimea numerelor intregi mai mari
decat 1, M={x|x>1}. Metoda se preteaza in cazul multimilor numarabile si
nenumarabile, finite sau infinite.
c) Cu ajutorul unei functii caracteristice m a multimii de elemente x.

In baza definitiei urmatoare se realizeaza extensia de la teoria clasica a multimilor catre teoria
multimilor fuzzy.

m A : X → [0,1] este o functie caracteristica a multimii A daca pentru toti x exista:

⎧⎪1 daca x ∈ A
m A ( x) = ⎨ .
⎪⎩0 daca x ∉ A
Observatie. Practic metoda functiei caracteristice este o extensie a predicatului considerand
echivalenta P ( x) ⇔ (m P ( x) = 1) .

Conceptul de multime fuzzy

Metoda functiei caracteristice pentru definirea multimilor este instrumentul de baza in cazul
multimilor infinite si nenumarabile. In teoria multimilor fuzzy, edificiul conceptual este bazat
pe functia de apartenenta.

Definitie. Fie X o mulţime oarecare. Se numeşte mulţime fuzzy (în X) rezultatul unei aplicaţii
F : X → [0 , 1] . Mulţimea fuzzy F este caracterizată de funcţia de apartenenţă:

m F : X → [0 , 1] .

Deci orice element x din X are un grad de apartenenta la multimea F, m F ( x ) ∈ [0 , 1] .

Valorile 0 şi 1 reprezintă cel mai mic şi respectiv cel mai mare grad de apartenenţă la F al
unui element x ∈ X. O multime fuzzy este complet determinata sub forma unui set de tuple:

F = {(x, m F ( x) )| x ∈ X } .

In continuare se prezinta cateva exemple utile pentru intelegerea conceptului de multime

fuzzy.
 (1). Sa presupunem ca dorim sa definim o multime de tipuri de automobile avand
proprietatea de a fi scumpe, din urmatoarea multime de marci {BMW, Fiat, Dacia,
Daewo, Mercedes, Rolls Royce}.
Aceasta este o problema de clasificare in conditii de incertitudine datorate unor motive
pe care nu le vom analiza aici (subiectivism, considerente de piata, etc.). O abordare
din punct de vedere fuzzy a acestei probleme de clasificare este adecvata. Astfel, o
varianta ar fi sa consideram Rolls Royce apartinand indubitabil clasei de masini
scumpe, iar la celalalt pol, Dacia, care nu apartine masinilor scumpe. Intre cele doua
optiuni exista un grup de marci destul de greu de clasificat. Multimea fuzzy ce
caracterizeaza clasificarea automobilelor scumpe se exprima astfel:

{(Rolls Royce, 1), (Mercedes, 0,8), (BMW, 0,7), (Fiat, 0.5), (Daewo, 0.3), (Dacia, 0)}.

Observatie. Exemplul prezentat are particularitatea ca multimea de discurs (X) nu este

numerica, motiv pentru care nu se poate constitui o functie de apartenenta m(x) in forma
analitica. Exemplul urmator abordeaza o situatie pur numerica.

(2). Sa presupunem ca dorim sa definim multimea numerelor naturale “apropiate de 6”. In

maniera fuzzy aceasta ar putea fi:

{(3, 0,1), (4, 0,3), (5, 0,6), (6, 1.0), (7, 0,6), (8, 0,3), (9, 0,1)}.

Functia de apartenenta a acestei multimi are urmatoarea expresie analitica:

1
m( x ) = ,
1 + ( x − 6) 2
prin intermediul careia pot fi practic furnizate o infinitate de valori ale multimii fuzzy
ce descrie proprietatea data. De exemplu: (5,5, 0,8), (100, 0,000113161), etc..

Exprimarea multimilor fuzzy ca ansambluri de perechi de valori (tuple binare) este similara cu
definitia produsului cartezian al doua multimi: A × B = {(a, b )| a ∈ A si b ∈ B} cu
particularitatea ca B ≡ [0 , 1] , iar A eate domeniul de definitie al valorilor a. Aceasta
echivaleaza cu definirea unor puncte in planul ( x , m( x) ) ceea ce denota de fapt graficul
functiei de apartenenta. Evident, aceasta are sens insa numai in cazul in care elementele
x ∈ X sunt numerice.

S-au propus diferite moduri de reprezentare formala a multimilor fuzzy. Uzual se practica
reprezentarea multimilor fuzzy ca seturi de valori discrete ale functiei de apartenenta
{m( x) | x ∈ X }, dar aceasta descriere sufera din pricina detasarii ei de context.
O alta reprezentare a multimilor fuzzy apartine lui Zadeh si este de forma:
C = x1 + x 2 + ... + x n , unde simbolul + semnifica o enumerare. De exemplu multimea
numerelor naturale “apropiate de 6” se reprezinta formal ca:
(3, 0,1) + (4, 0,3) + (5, 0,6) + (6, 1.0) + (7, 0,6) + (8, 0,3) + (9, 0,1) .
Pentru reprezentarea formala a tuplelor binare ( x , m( x) ) s-a propus notatia m( x) x , unde
simbolul / denota asocierea operanzilor intr-un tuplu binar. Astfel, multimea
F = {(x, m F ( x ) )| x ∈ X } capata urmatoarea descriere formala:
 n
F = m( x1 ) x1 + ... + m( x n ) x n = ∑ m( x i ) x i .
i =1
Relatia de mai sus este este valabila pentru orice domeniu de definitie X numarabil sau
discret. Pentru domenii de definitie nenumarabile sau continue exista urmatoare relatie
formala:
F = ∫ m( x ) x ,
X

in care simbolul ∫ desemneaza o enumerare nenumarabila.

In acest mod se poate reprezenta multimea numerelor “apropiate de 6”, in varianta discreta:

~
6 = 0,1 3 + 0,3 4 + 0,6 5 + 1,0 6 + 0,6 7 + 0,3 8 + 0,1 9 ,

1
sau in varianta continua sub forma: F = ∫ x.
X 1 + ( x − 6) 2

Chiar si multimea automobilelor scumpe din exemplul de mai sus se poate reprezenta formal
astfel:

E = 1 Rolls Royce + 0,8 Mercedes + 0,7 BMW + 0,5 Fiat + 0,3 Daewo + 0 Dacia .

Reprezentarea grafica a functiilor de apartenenta este un instrument frecvent utilizat in

descrierea sistemelor fuzzy. Pe langa faptul ca este un procedeu analitic de reprezentare a
multimilor fuzzy acestea asigura si un suport intuitiv pentru conceptul de variabila fuzzy. In
figura 1 este particularizat un exemplu de reprezentare pentru variabila fuzzy “temperatura”.
 Figura 1. Multimi fuzzy asociate variabilei “temperatura”.

Functii de apartenenta

Pentru descrierea fuzzy a unor fenomene şi procese, aplicaţiile mF(x) pot admite exprimari
analitice variate, deci forme grafice diverse. Câteva dintre aceste tipuri sunt preferate în
aplicaţii datorită unor facilităţi legate de calculabilitate şi uşurinţa implementîrii
hardware/software. Principalele clase de functii de apartenenta sunt formalizate astfel: functii-
Γ, functii-S, functii-L, functii-A, functii-Π. Aceste abrevieri provin de la relativa asemanare a
formelor functiilor de apartenenta cu caracterele respective.

Definitie. Functia Γ : X → [0,1] este o functie cu doi parametrii definita astfel:

⎧0 x < α,
⎪⎪ (x − α )
Γ( x; α , β ) = ⎨ α ≤ x ≤ β,
⎪ β − α
⎪⎩ 0 x > β,

Γ
1

α β x

Figura 1. Reprezentare grafica pentru o functie de apartenenta de tip Γ.

Definitie. Functia S : X → [0,1] (functia-S a lui Zadeh) este o functie cu trei parametrii
definita astfel:
⎧ 0 x ≤ α,
⎪ ⎛ 2
⎪ 2⎜ x − α ⎞⎟ α < x ≤ β,
⎪ ⎜⎝ γ − α ⎟⎠
S ( x;α , β , γ ) = ⎨ 2
⎪1 − 2⎛⎜ x − γ ⎞⎟ β ≤ x ≤γ,
⎪ ⎜γ −α ⎟
⎪ ⎝ ⎠
⎩1 x >γ,

unde β = (α + γ ) 2 .

S
1

α β γ x

Figura 2. Reprezentare grafica pentru o functie de apartenenta de tip S.

Definitie. Functia L : X → [0,1] este o functie cu doi parametrii definita astfel:

⎧0 x < α,
⎪⎪ α − x
L( x; α , β ) = ⎨ α ≤ x ≤ β,
⎪β −α
⎪⎩ 0 x > β,

L
1

α β x

Figura 3. Reprezentare grafica pentru o functie de apartenenta de tip L.

Definitie. Functia A : X → [0,1] este o functie cu trei parametrii definita astfel:

 ⎧ 0 x ≤ α,
⎪ x −α
⎪ α < x ≤ β,
⎪β −α
A( x; α , β , γ ) = ⎨
α−x
⎪ β ≤ x ≤γ,
⎪ β −α
⎪⎩ 0 x >γ,

A
1

α β γ x

Figura 4. Reprezentare grafica pentru o functie de apartenenta de tip A.

O varianta a functiei-A considerata mult mai cursiva este functia-π propusa de Zadeh, astfel:

⎧ S ( x; γ − β , γ − β 2 , γ ) x ≤ γ
π (x; β , γ ) = ⎨
⎩1 − S (x; γ , γ + β 2 , γ + β ) x ≥ γ

Definitie. Functia Π : X → [0,1] este o functie cu patru parametrii definita astfel:

⎧ 0 x ≤ α,
⎪ x −α
⎪ α ≤x<β
⎪ β − α
Π (x; α , β , γ , δ ) = ⎨ 1 β ≤ x ≤γ
⎪ γ −x
⎪ γ < x ≤δ
⎪ δ − γ
⎩ 0 x >δ

Π
1

α β γ δ x

Figura 5. Reprezentare grafica pentru o functie de apartenenta de tip Π.

 Figura 6. Functii de apartenenta diferite pe universul de discurs [-10,10].

Exemple. Utilizand descrierile de mai sus, functiile de apartenenta definite pe universul de

discurs al variabilei x reprezentat in figura 6 capata exprimarile din tabelul 1.

Tabelul 1.
Eticheta Notiunea/semnificatia Expresia formala in termenii functiei
multimii fuzzy de apartenenta
PMa Pozitiv Mare Γ(x; 6, 8)
PMi Pozitiv Mic A( x; 0, 4, 8)
Ze Zero Π ( x; − 4 , − 1 2 , 1 2 , 4 )
MMa Negativ Mare L(x; − 8, − 6 )

Teoretic pot fi construite functii de apartenenta care admit diverse exprimari analitice, insa
validarea utilitatii acestora in practica ramane o problema deschisa. În tabelul 2 sunt
prezentate in siteza o serie de asemenea functii. Alegerea formei optime pentru functiile de
apartenenta este o problema care se judeca in contextul aplicatiilor. O analiza de acest fel este
prezentata chiar in aceasta lucrare, referitor la o problema de control fuzzy consacrata.
Subiectul alegerii functiilor de apartenenta si influenta acestora asupra comportarii sistemelor
este insa o problema mai complexa si constituie unul din punctele critice actuale in calea
fundamentarii unei teorii a sistemelor fuzzy. Apreciem ca pentru realizarea unor pasi
importanti in aceasta directie este necesara abordarea unei metodologii de analiza
multicriteriala comparata bazata be simularea masiva a unor clase de sisteme fuzzy.

Tab. 2
Tipul funcţiei
de Expresia analitica Reprezentare grafică
apartenenţã
m(x)
x−c 1
triunghiulara m (x )= 1 − 2
b−a
a c b x
m(x)
⎡ ⎛ x −c ⎞ ⎤
m(x) = min⎢1, ht ⎜1−2 ⎥ , cu ht >1. ht
trapezoida ⎟
⎢ ⎝ b−a ⎠ ⎥ 1
la ⎣ ⎦ A
a c B b x
 ⎧1, m(x)
m( x ) = ⎨ 1
singleton ⎩0,
τ x
m(x)
2 1
⎛ x−c⎞
parabolica m ( x )= 1 − 4 ⎜ ⎟
⎝ b−a⎠
a c b x

armonica ⎛ x − a⎞ similara cu parabolica

m(x )= sin⎜ π ⎟ , cu x ∈[a,b],
⎝ a−b⎠
m(x)
( x − c )2
−
clopot 2 (b − a ) 2
m (x )= e
a c b x

⎧ 0, x<a m(x)
⎪
⎪x−a 1
m (x )= ⎨ , a≤ x≤b
⎪b−a
⎪⎩ 1 , x>b
a b x
“saturaţie”
x<a
m(x)
⎧ 1,
⎪⎪ x−a
1
m (x )= ⎨ − , a≤ x≤b
⎪ b−a
⎪⎩ 0 , x>b
a b x

Dependenţa liniară de pe intervalul [a , b] poate fi înlocuită cu oricare alt tip de funcţie

(polinomială, exponenţială, etc.) asigurându-se trecerea (cu derivată continuă) de la valorile 0
şi/sau 1, la valorile apropiate .

Operatori pentru functiile de apartenenta

Pentru a facilita modificările care se impun asupra funcţiilor de apartenenţă în diferite

aplicaţii, au fost creaţi, de asemenea, doi operatori singulari, unici în logica fuzzy, denumiţi
“concentrator”, respectiv “dilatator”. Un operator de concentrare comprimă funcţia de
apartenenţă, iar un operator de dilatare realizează o expandare a acesteia. Majoritatea
lucrărilor în domeniu definesc principalii operatori de acest tip sub forma:

CONC (m ) = m 2
DIL (m ) = m 1 2
 Figura 7. Efectul operatorilor asupra funcţiei de apartenenţă m(x).

Proprietati ale multimilor fuzzy

Suportul unei multimi fuzzy A se defineste astfel:

S ( A) = {u ∈ X | m A (u ) > 0} ,

ceea ce reprezinta multimea compacta care contine toate elementele multimii A cu grad de
apartenenta diferit de zero.

Latimea unei multimi fuzzy convexe A avand suportul S(A) se defineste astfel:

width ( A) = sup(S ( A) ) − inf (S ( A) ) ,

unde sup si inf desemneaza superiorul si inferiorul multimii A si se definesc astfel:

α = sup( A) daca ∀x ∈ A : x ≤ α and ∀e > 0 ∃x ∈ A : x > α − e

β = inf ( A) daca ∀x ∈ A : x ≥ β and ∀e > 0 ∃x ∈ A : x < α + e

Observatie. In general in aplicatiile de control fuzzy, multimea support S(A) este marginita,
caz in care operatorii sup si inf pot fi substituiti prin operatorii max si min.

Nucleul unei multimi fuzzy A se defineste astfel:

nucleus ( A) = {u ∈ X | m A (u ) = 1}
Observatie. Daca exista doar un singur punct cu gradul de apartenenta egal cu 1 atunci acest
punct se numeste varful lui A.

Inaltimea unei multimi fuzzy A pe un domeniu X este egala cu cel mai mare grad de
apartenenta m A si se defineste astfel:

hgt ( A) = sup m A (u ) .
u∈ X
Observatie. O multime fuzzy se numeste normala daca hgt ( A) = 1 , respectiv subnormala
daca hgt ( A) < 1 .

O multime fuzzy A este convexa daca si numai daca

∀x, y ∈ X , ∀λ ∈ [0,1] : m A (λ ⋅ x + (1 − λ ) ⋅ y ) ≥ min (m A ( x), m A ( y ) )

m m
1 1

0 0
Multime fuzzy convexa Multime fuzzy non-convexa

Operatii cu multimi fuzzy

Reuniunea, intersectia si complementara sunt operatii de baza in teoria multimilor. In cazul

multimilor discrete (finite, numarabile sau nenumarabile)- considerat classic – aceste operatii
sunt definite clar:

- intersectia a doua multimi A si B este A ∩ B = {x | x ∈ A ∧ x ∈ B};

- reuniunea multimilor A si B este A ∪ B = {x | x ∈ A ∨ x ∈ B} ;
- complementara multimii A este multimea A′ = {x | x ∉ A} .

In cazul multimilor fuzzy cele trei operatii de baza se definesc in termenii functiilor de
apartenenta:

m ( x) = min(m ( x), m ( x)) ,

M ∩N M N

m ( x) = max(m ( x), m ( x)) ,

M ∪N M N

m (x ) = 1 − m ( x) .
CM M

Definitiile de mai sus intuitive si suficient de simple pentru construirea unor algoritmi, dar ele
nu reprezinta singul mod de efectuare a acestor operatii. Astfel, pentru intersectie se poate
adopta si solutia m M ∩N
( x ) = mM ( x ) ⋅ m N ( x ) , iar pentru reuniune relatia

m M ∪N
( x) = min (1, mM ( x) + m N ( x) ) .

Mai general, se considera anumite clase de operatori pentru intersectia respectiv pentru
reuniunea multimilor fuzzy, care sunt incorporate in asa numitele T-norme respectiv S-norme.
T-norma poate fi considerat cel mai general operator binar de intersectie, cu urmatoarea
definitie:

O T-norma se mai numeste si norma triunghiulara si desemneaza o clasa de functii binare

T (a , b ) , care pot reprezenta operatia de intersectie si satisface urmatoarele criterii
(proprietati):
T1: T (a , b ) = T (b , a ) ;
T2: T (T (a , b) , c ) = T (a , T (b , c) ) ;
T3: a ≤ c si b ≤ d implica T (a , b ) ≤ T (c , d ) ;
T4: T (a , 1) = a .
O T-norma se numeste arhimedica daca satisface proprietatile T1-T4 si in plus proprietatea:

T5: T (a , a ) < a , ∀a ∈ (0 , 1) .

S-norma poate fi considerat cel mai general operator binar de reuniune, cu urmatoarea
definitie:

O S-norma se mai numeste si conorma triunghiulara si desemneaza o clasa de functii binare

S (a , b ) , care pot reprezenta operatia de reuniune si satisface urmatoarele criterii (proprietati):
S1: S (a , b ) = S (b , a ) ;
S2: S (S (a , b) , c ) = S (a , S (b , c) ) ;
S3: a ≤ c si b ≤ d implica S (a , b ) ≤ S (c , d ) ;
S4: S (a , 0 ) = a .

Notand simplificat functiile de apartenenta a si b corespunzatoare la doua multimi fuzzy A

respectiv B, in continuare se definesc cele mai importante T-norme si S-norme.

(1) Familia Tp de T-norme se defineste astfel:

T (a, b ) = 1 − [(1 − a) ]
1/ p
p
p
+ (1 − b) p − (1 − a ) p ⋅ (1 − b) p , unde p ∈ R
Prin particularizari ale parametrului p se obtin urmatoarele forme:

- pentru p=1 rezulta T1 (a, b) = a ⋅ b

- pentru p→0, la limita rezulta operatorul particular multiform
⎧a pentru b = 1
⎪
Tw (a, b) = ⎨ b pentru a = 1
⎪ 0 altfel
⎩
- pentru p→∞, la limita rezulta T p (a, b) = min(a, b) .

Observatie. Operatorul Tw poate fi interpretat ca T-norma cu cea mai “pesimista” actiune.

(2) Familia Hλ de T-norme se defineste astfel:

 a ⋅b
H λ ( a, b) = , λ ≥ 0.
λ + (1 − λ ) ⋅ (a + b − a ⋅ b)
Particularizand pentru λ = 1 se obtine chiar norma produs din cazul precedent T1 , iar pentru
λ = ∞ , la limita se obtine norma Tw definite deasemenea in cazul precedent. Situatia
a ⋅b 1
particulara λ = 0 conduce la norma H 0 (a, b) = = , care realizeaza
a + b − a ⋅b 1 1
+ −1
a b
operatia de intersectie intr-o maniera mai putin optimista decat operatia de minim.

(3) Familia Yq de T-norme (Yager):

( (
Yq (a, b) = 1 − min 1, (1 − a) q + (1 − b) q )1/ q
), q≥0

(4) Familia Fs de T-norme (Frank):

⎛ ( s a − 1) ⋅ ( s b − 1) ⎞
Fs (a, b) = log s ⎜⎜1 + ⎟⎟ , s>0
⎝ s −1 ⎠

(5) Familia σα de T-norme (non-Arhimedica):

a ⋅b
σα = .
max(a, b, α )
Acest tip de norma este interesanta in ceea ce priveste influenta limitei α. Astfel, pentru
α = 0 aceasta T-norma are valoarea minima. Daca α = 1 , σ α (a, b) = a ⋅ b , iar pentru
valori ale lui α intre 0 si 1 se obtin valori intre minimum si valoarea produsului:

⎧a ⋅ b
⎪ pentru a, b < α ,
σα = ⎨ α
⎪⎩ min(a, b ) altfel

(6) Familia Sλ de S-norme (Sugeno):

S λ (a, b) = min(1 , a + b + λ ⋅ a ⋅ b ) , λ ≥ −1.

O concluzie importanta cu privire la relatia dintre T-norme si S-norme stabileste

domeniile de actiune ale acestor familii de operatori. Astfel pentru oricare T-norma se
poate scrie:

Tw (a, b) ≤ (T − norma ) ≤ min(a, b) ,

respectiv, pentru oricare S-norma se poate scrie:

max(a, b) ≤ (S − norma ) ≤ S w (a, b) ,

unde
⎧a pentru b = 0
⎪
S w (a, b) = ⎨ b pentru a = 0 .
⎪ 1 altfel
⎩

Exista urmatoarea relatie generala de legatura intre T-norme si S-norme:

T (a, b) = 1 − S ((1 − a) , (1 − b) ) .

In baza relatiei de mai sus se spune ca cele doua familii de operatori sunt conjugate. Exemple:
operatorii de minimum si maximum, operatiile produs T (a, b) = a ⋅ b si operatia
S ( a, b) = a + b − a ⋅ b .

7) Operatori de mediere.

Aceasta clasa de operatori formeaza o combinatie convex ape baza operatorilor clasici min si
max si media aritmetica. Astfel, pentru operatia de conjunctie (and) exista operatorul de
mediere:

a+b
M and = γ ⋅ min (a, b ) + (1 − γ ) ⋅ .
2

Pentru operatia de disjunctie (or) operatorul de mediere este urmatorul:

a+b
M or = γ ⋅ max(a, b ) + (1 − γ ) ⋅ ,
2
unde γ ∈ [0 , 1] .

Pentru γ < 1 , interpretarea este ca operatorul de mediere este “mai optimist” decat operatorul
de minimum, care era cel mai optimist in cazul T-mormelor.

8) Operatori de compensare (compensatori) sau γ-operatori.

Aceasta familie de operatori se situeaza intre operatorii de intersectie si cei de reuniune.

Pentru n valori a1 , a 2 , ... , a n ∈ [0 , 1] semnificand diferite grade de adevar, operatorul de
compensare se scrie astfel:

(1−γ ) γ
⎛ n ⎞ ⎛ n
⎞
C = ⎜⎜ ∏ a i ⎟⎟ ⋅ ⎜⎜1 − ∏ (1 − a i ) ⎟⎟ , γ ∈ [0 , 1] .
⎝ i =1 ⎠ ⎝ i =1 ⎠

Se observa ca primul factor contine un produs, adica o T-norma, iar al doilea factor
desemneaza o S-norma (vezi relatia de legatura intre norme).
Conexiuni cu teoria probabilitatilor. Puncte de vedere. Interpretari.

Asocierea dintre multimile fuzzy si fenomenele probabiliste se bazeaza pe conceptul de

incertitudine a relatiei de apartenenta.
Teoria probabilitatilor modeleaza incertitudinea in termenii probabilitatii de aparitie a
unui rezultat legat de un anumit proces si opereaza intrinsec cu notiunile apriorice de adevar si
fals. Cu alte cuvinte valoarea asteptata ca un anumit eveniment sa fie adevarat este evaluata
pe baza frecventei de aparitie a acestuia, care se calculeaza cu binecunoscuta relatie:

numarul de stari acceptate

P= .
numarul total de stari

In cazul proceselor cu stari finite probabilitatea se calculeaza direct. Pentru sistemele cu

numar necunoscut de stari, evaluarea se face statistic, pe baza de oservatii in timp sau prin
experimente in numar finit. Prin indicatorul distributie de probabilitate in teoria
probabilitatilor se stabileste legatura intre numarul de stari acceptate si probabilitatea de
aparitie a acestora. Aceste distributii se construiesc experimental, insa majoritatea
fenomenelor fizice tind sa se incadreze in cateva legi consacrate (Gauss, χ2, Student,
Weibull). Un alt instrument in teoria probabilitatilor este functia de probabilitate ce
furnizeaza valoarea probabilitatii pentru fiecare stare asteptata.

Teoria multimilor fuzzy reprezinta de asemenea un concept de modelare a incertitudinii care

propune functia de apartenenta ca instrument de legatura intre anumite stari ale sistemului si
gradul de incredere (adevar) pe care acestea le poseda.

La prima vedere distingem o diferenta metodologica intre cele doua teorii. In timp ce teoria
probabilitatilor are un puternic support experimentativ ce conduce la elaborarea functiei de
probabilitate, teoria multimilor fuzzy are mai degraba o baza intuitiva in alegerea functiilor de
apartenenta. Cu alte cuvinte, aspectul probabilist se aplica aici sub forma gradului subiectiv de
incredere cu privire la producerea unui eveniment.

Se poate realiza urmatorul tabel de corespondenta relativa a notiunilor de baza din cele doua
teorii.

Concepte probabiliste Concepte fuzzy

Probabilitate P Grad de adevar ∈ [0,1]
Functie de probabilitate F(x) Functie de apartenenta m(x)
Stari posibile N Univers de discurs U
Stari asteptate n Submultime suport S
Densitate de probabilitate ρ(x)
Probabilitate conditionata P(A⏐B)

Astfel in teoria probabilitatilor un eveniment este privit in general ca o relatie de apartenenta a

unei submultimi distincte la un spatiu (domeniu) concret in urma unei experiente aleatoare.
Fie de pilda domeniul numerelor intregi D={2,3,4,5,6,7}. Un eveniment de forma E=”2∈D”
cu certitudine este clasificat drept adevarat. Daca dorim sa alegem la intamplare un numar din
aceasta multime si acesta ar fi 2, arunci probabilitatea cu care acest eveniment s-ar intampla ar
fi P=1/6. Aceasta este deci gradul de certitudine cu care evenimentul asteptat poate fi realizat.
Altfel spus: in 16,66% din cazuri evenimentul este adevarat, sau normalizand pe o scara de la
0 la 1, gradul de adevar este 0,1666. Privita astfel abordarea probabilista nu ofera decat o
masura cantitativa a incertitudinii fenomenelor, in timp ce noi avem nevoie de o interpretare a
incertitudinii subiective. Acest lucru poate fi facut cu ajutorul probabilitatilor conditionate.
Sa consideram urmatorul exemplu, in care asociem unui domeniu T={0,5,10,20,30,40}
semnificatia unor temperaturi in grade Celsius. Consideram de asemenea submultimile
nominalizate astfel: multimea temperaturilor scazute S={0,5,10}, multimea temperaturilor
medii M={10,20}, multimea temperaturilor ridicate R={20,30,40}. Considerand evenimentul
compus formulat astfel: “o valoare a temperaturii sa apartina domeniului T si aceasta sa fie
medie”. De pilda, evenimentul 20∈T∩M compus din doua evenimente independente:
evenimentul A=(20∈T) si evenimentul B=(20∈M) se exprima in termeni probabilisti astfel:

P ( A ∩ B ) = P ( A) ⋅ P (B ) ,
respectiv
P( A ∩ B )
P (B A) = ,
P ( A)

ceea ce exprima probabilitatea ca temperatura de 20 grade C sa apartina domeniului T si

aceasta sa fie medie. Probabilitatea conditionata se mai noteaza PA (B ) . In cazul de fata
1 1 1
rezultatul numeric este: P = ⋅ = = 0,0833 . Acest rezultat are semnificatia unei
6 2 12
asertiunii de forma urmatoare: pe domeniul de temperaturi considerat, temperatura de 20
grade C este considerata medie cu gradul de adevar 0,083. Urmand acest mod de rationament
gradul de adevar al afirmatiei: “temperatura de 20 grade C este considerata ridicata pe
1
domeniul de temperaturi considerat” are valoarea PT (R ) = = 0,0555 , iar pentru PT (S ) = 0 .
18
Aceste rezultate numerice obtinute exclusiv pe cale probabilista par sa aiba o semnificatie
acceptabila in interpretarea subiectiva a fenomenelor. O prima observatie in sprijinul acestei
afirmatii este urmatoarea relatie: PT (20 ∈ M ). > PT (20 ∈ R ) > PT (20 ∈ S ) . O alta observatie se
refera la faptul ca probabilitatile calculate mai sus sunt cu atat mai mari cu cat submultimile
M, R respectv S contin mai putine elemente, ceea ce s-ar interpreta ca o definire mai precisa
a acestora pe domeniul dat T.

Alte paradigme apar din simbioza teoriei probabilitatilor cu conceptele fuzzy. Una dintre
aceste este entropia informationala.

Entropia in sistemele fuzzy

Exercitii.

1. Explicati sensul intuitiv al definitiilor intersectiei si reuniunii in termenii functiilor de

apartenenta pe baza operatorilor min si max. Folositi reprezentari grafice relevante.
2. Propuneti si alte norme pentru operatiile binare de intersectie si reuniune, subliniind
modul lor de actiune in comparatie cu cei prezentati in acest capitol.