Documente Academic
Documente Profesional
Documente Cultură
Categora
Una categora es un medio de estructurar un dominio del problema, con el objetivo de participar en
una modalidad de prediccin en la que pueden ser identificados y analizados uno o ms estados
futuros. Vamos Ci ser una de las categoras utilizadas para estratificar el dominio del problema de
tal manera que la coleccin
C = {C1, C2,..., Cn}
Representa una conceptualizacin completa de la dinmica bajo investigacin y n es el nmero de
categoras.
Asociado con cada categora es un conjunto de probabilidades que representan una evaluacin de
un resultado futuro sobre la base de su imperativo categrico subyacente. Por lo tanto, una
categora es un mecanismo para aislar una nica visin del problema en cuestin. La definicin
ontolgica de una categora, como una entidad conceptual sin atributos en comn con otras
categoras, se adopta en el presente documento. El conjunto de posibilidades mutuamente
excluyentes bajo investigacin se conoce como el marco de discernimiento. Se cubre a
continuacin, seguido por una presentacin de un enfoque para el anlisis estructural de categoras.
Por ltimo, una aplicacin de seleccin de producto se utiliza como un ejemplo demostrativo que
da una idea de cmo los mtodos se pueden aplicar a otros problemas.
Marco de discernimiento
Un marco de discernimiento es un medio de representar las posibilidades de que se trate, como en
los siguientes ejemplos:
P = {sedan, carro, automvil descubierto}
E = {acciones, bonos, oro}
Claramente, los elementos en un marco de discernimiento son, de hecho, las proposiciones que
pueden ser interpretadas como acontecimientos o estados. Por lo tanto, si el componente del
sistema SI S sobre dominio V se asociaron con el smbolo "sedn", entonces ese estado es
Revista Internacional de Sistemas de Gestin e Informacin - 2009 Volumen 13, Nmero 2
3
Equivalente a la proposicin, "El verdadero valor de V para el componente si es el sedn", o en el
lenguaje ordinario, "si prefiere sedn."
En consecuencia, el conjunto S de las proposiciones de Si,
S = {S1, S2,..., Sn}
Representa la coleccin de estados de un sistema bajo anlisis. Es evidente que, en un acuerdo
sobre el punto en el tiempo, una proposicin es verdadera y las dems son falsas.
Incertidumbre
Antes de la fecha acordada (), es evidente que no sabemos el estado del sistema bajo
anlisis o sus componentes con algn grado de certeza. La expectativa de que una
parte del sistema estar en un estado en particular en el tiempo p (Si) asociado con
cada una de las proposiciones de la trama S = {Si}, i = 1,2,..., n, tal que
[0,1], se define
La unidad de apoyo m se llama una asignacin de probabilidad bsica, que es asignado por el
ingeniero del conocimiento o especialista dominio.
Una funcin de soporte se llama una funcin de soporte sencilla si refleja, a lo sumo, un grupo focal
l
A, como sigue:
M
M
-m (A)
M
La unidad de apoyo simple para un conjunto focal Un asigna una porcin del total creencia
precisamente a A y no a sus subconjuntos o sper conjuntos. El resto de la creencia se asign
-m (A).
Es posible que un cuerpo de conocimiento o evidencia apoya ms de una proposicin, como en el
siguiente caso. Si
A = {a, b} Y B = {a, c, d}
A continuacin, la evidencia apoya dos conjuntos de coordinacin, que en el ejemplo, son A y B. Si
llama una funcin de soporte separable. Funciones de apoyo separables se generan normalmente
cuando se combinan las funciones de apoyo simples.
La idea de combinar las funciones de apoyo simples es un enfoque prctico para la valoracin de la
prueba. Un analista obtiene informacin de una fuente de conocimiento, y que conduce a una
conclusin inmediata - no con certeza, pero con un cierto nivel de creencia. Este es un medio
directo de manejo de los asuntos humanos, y es precisamente lo que hace la gente. Cuando la
informacin adicional entra en juego, los diversos elementos de prueba se combinan para obtener
una imagen compuesta de la situacin.
Combinacin de Evidencia
Un mtodo de pruebas de combinacin se conoce como la regla de Dempster de combinacin
(Dempster 1967). Evidencia normalmente combinarse cuando se obtiene a partir de dos
observaciones diferentes, cada uno en el mismo marco de discernimiento. La regla de combinacin
calcula una nueva funcin de apoyo que refleja el consenso de las pruebas combinadas.
2 considerando todos
El denominador refleja un proceso de normalizacin para asegurar que los valores combinados
suman 1. Por lo tanto, en este caso, el proceso de normalizacin se obtiene la combinacin
Y = {{} sana, 0,63}, {{} pruebas, 0,32}, {{} enferma, 0,05}}
Despus de la normalizacin dividiendo la evaluacin combinada de (1-0,62) o 0,38. Debido a que el
problema est bien estructurado, la representacin se puede simplificar
, 0.32, 0.05
Para las vistas A = {A1, A2, ..., An} y B = {B1, B2, ..., Bn}, la regla de combinacin se puede simplificar
Norte
Donde
i=1
Nos referiremos a [1] ecuacin como la regla de simplificacin. Un ejemplo de los conceptos
anteriores se demuestra a travs de la provocacin de la opinin de expertos.
Desencadenamiento de Experto Opinin
Por lo general, los expertos no estn de acuerdo, sobre todo cuando se refiere a las deficiencias del
sistema. Un ejemplo tpico podra ser el accidente de un avin de combate caro o el colapso de un
edificio. Considere una situacin donde el marco de discernimiento es {A, B, C} que denota que el
fallo podra ser causada por el Componente A, Componente B, o C. Componente
Expertos # 1 cree que el fallo es debido al componente A con una probabilidad de 0,75, el
componente B con una probabilidad de 0,15, o un componente C con una probabilidad de 0,10.
Experto # 2 cree que el fallo es debido al componente A con una probabilidad de 0,30, el
componente B con una probabilidad de 0,20, o un componente C con una probabilidad de 0,50. Las
funciones de apoyo son:
Expertos # 1 = {{{A}, 0,75}, {{B}, 0,15}, {{C}, 0.10}} = {0,75, 0,15, 0,10}
Experto # 2 = {{{A}, 0,30}, {{B}, 0,20}, {{C}, 0.50}} = {0,30, 0,20, 0,50}
La Tabla 1 resume la aplicacin de la regla de simplificacin a este problema. La opinin de los
expertos se resume y refleja las opiniones diferentes.
Tabla 1: Obtencin de Experto Opinin
Funcin de Apoyo de entropa asignacin de probabilidad
Expertos # 1 (= X) {0,75, 0,15, 0,10} 1,05
Experto # 2 (= S) {0,30, 0,20, 0,50} 1,49
X Y {0,738, 0,098, 0,164 1,08}
La fuerte opinin de expertos # 1 en favor del componente A, que se refleja en la baja entropa
(Theil 1967), tiene una gran influencia en el consenso.
ANLISIS ESTRUCTURALES
Un dominio del problema se compone de categoras, cada una de las cuales est definida por un
conjunto de estructuras alternativas. En un ejemplo de producto, por ejemplo, la categora de
gnero se podra definir como
Sexo = {masculina, femenina}
Sobre la base de una evaluacin estructural, como la demografa. En este caso, la categora de
gnero es uno de los muchos puntos de vista de una situacin de decisin subyacente, que podra
ser un voto en una eleccin o una posicin sobre un tema importante. Vamos a argumentar que en
muchos problemas de toma de decisiones no estructuradas, el resultado probabilstico puede
basarse en elementos estructurales preferenciales, en lugar de,. Lo que hace que una decisin no
estructurada tan complejo es que por lo general hay varias categoras "tirn en el que toma las
decisiones." Vamos a mostrar cmo las evaluaciones categricas se pueden combinar para formar
un compuesto de la evaluacin de una decisin en consideracin. A travs de la tcnica conocida
como anlisis estructural, vamos a asignar probabilidades a los elementos del marco de
discernimiento de una categora determinada, y luego utilizar la teora de consenso para combinar
las probabilidades de las distintas categoras. Por ejemplo, una eleccin basada en el gnero podra
ir en una direccin y una seleccin basada en la edad podra ir por otro camino. Una evaluacin
realista implicara la combinacin de los dos factores.
Elementos estructurales
Cada categora Ci se compone de un conjunto de elementos estructurales Si = {Si1, Si2, Si3, ..., Sik},
donde k es el nmero de elementos estructurales en la categora Ci. Considere el universo dado
previamente definido como:
C = {C1, C2, C3} = {gnero, la edad, la educacin}, donde
S1 = {gnero = macho, hembra}, y
S2 = edad = {<= 25, 26-55,> = 56}
S3 = educacin = {ninguno, al que asistieron, graduado}
Donde S1, S2, y S3 se definen respectivamente como
S11 S21 = hombre = <= 25 = ninguno S31
S12 = mujer S22 = S32 = 26-55 asisti
Y k = 2 S23 => = 56 S33 = grado
Yk=3yk=3
Cada dominio del problema est representado por un conjunto de categoras, cada una de las
cuales es una lente especial en el problema subyacente. Cada categora se define como un conjunto
de componentes estructurales que la definen. La demografa categricas en una eleccin, por
ejemplo, podran ser parte, el gnero, la edad, y as sucesivamente. En el ejemplo inmediato, las
categoras son el sexo, la edad y la educacin.
Las probabilidades estructurales
Cada elemento estructural tiene una probabilidad demogrfica p (Sij)
K Donde p (Sij) = 1 para la categora I y J elemento estructural en la categora i
j=1
Y k es la carnalidad de S. En consecuencia, para la categora Ci y su estructura de Si, el conjunto de
probabilidad se expresa como:
Pi = {p (Si1), p (Si2),..., p (Sik)}
Por ejemplo, la probabilidad establecido para la categora # 1 (gnero), podra ser
P1 = {0,4, 0,6}
Que representa masculino y femenino, respectivamente. Cada Pi representa la "probabilidad de
ocurrencia" en el universo de estudio de los elementos estructurales de la categora i. Esta es la
informacin demogrfica.
Las alternativas analticas
En esta forma de anlisis, cada categora Ci tiene una probabilidad asociada establecer Pi. Cada
elemento estructural tiene una probabilidad de p correspondiente (Sij) en Pi. Esa probabilidad
representa la probabilidad de que un objeto seleccionado al azar de la categora Ci sera Sij. Otra
interpretacin es que un valor de Pi da la proporcin del elemento estructural correspondiente en
Ci. La Tabla 2 muestra otro ejemplo:
Tabla 2: Alternativas Analtica
k=1
Las probabilidades compuestas
As que si
C1 = {0,54, 0,46 y C2} = {0,58, 0,42}
Entonces
RESUMEN
Una mezcla de mtodos se ha dado a estructurar un dominio del problema en categoras y calcular
probabilidades categricas de elementos de estructuras y conjuntos de preferencias. Las
probabilidades categricas se combinan a continuacin, utilizando la regla de combinacin de
Dempster para obtener una evaluacin compuesta del paisaje decisin. Se da una aplicacin de
asignacin de productos demostrativo. Una organizacin de ventas debe hacer una evaluacin de
los productos de la accin, y anlisis de productos proporciona una metodologa de formalizar el
proceso de seleccin. Los mtodos se pueden aplicar a las caractersticas del producto, as como a
los productos.
Referencias