En las mediciones, la medición obtenida puede sufrir dos tipos de incertidumbres. [1] La primera es la incertidumbre aleatoria que se debe al ruido en el proceso y la medición. La segunda contribución se debe a la incertidumbre sistemática que puede estar presente en el instrumento de medida. Los errores sistemáticos, si se detectan, pueden compensarse fácilmente, ya que suelen ser constantes durante todo el proceso de medición, siempre que no se cambien el instrumento de medición y el proceso de medición. Pero no se puede saber con precisión al utilizar el instrumento si hay un error sistemático y, si lo hay, ¿cuánto? Por tanto, la incertidumbre sistemática podría considerarse como una contribución de naturaleza difusa.
Este error sistemático se puede modelar aproximadamente basándose en nuestros datos anteriores sobre el instrumento de medición y el proceso.
Se pueden utilizar métodos estadísticos para calcular la incertidumbre total a partir de contribuciones tanto sistemáticas como aleatorias en una medición. [2] [3] [4] Pero la complejidad computacional es muy alta y, por lo tanto, no son deseables.
LAZadeh introdujo los conceptos de variables difusas y conjuntos difusos. [5] [6] Las variables difusas se basan en la teoría de la posibilidad y, por tanto, son distribuciones de posibilidad. Esto los hace adecuados para manejar cualquier tipo de incertidumbre, es decir, contribuciones tanto sistemáticas como aleatorias a la incertidumbre total. [7] [8] [9]
La variable aleatoria difusa (RFV) es una variable difusa de tipo 2 , [10] definida utilizando la teoría de la posibilidad matemática, [5] [6] utilizada para representar toda la información asociada a un resultado de medición. Tiene una distribución de posibilidades interna y una distribución de posibilidades externa denominada funciones de membresía. La distribución interna son las contribuciones a la incertidumbre debido a la incertidumbre sistemática y los límites del RFV son debido a las contribuciones aleatorias. La distribución externa proporciona los límites de incertidumbre de todas las contribuciones.
Una variable aleatoria difusa (RFV) se define como una variable difusa de tipo 2 que satisface las siguientes condiciones: [11]
En la figura se puede ver una RFV. La función de membresía externa es la distribución en azul y la función de membresía interna es la distribución en rojo. Ambas funciones de membresía son distribuciones de posibilidades. Tanto la función de membresía interna como la externa tienen un valor unitario de posibilidad sólo en la parte rectangular del RFV. Por lo tanto, se han cumplido las tres condiciones.
Si sólo hay errores sistemáticos en la medición, entonces el RFV simplemente se convierte en una variable difusa que consta únicamente de la función de pertenencia interna. De manera similar, si no hay un error sistemático, entonces el RFV se convierte en una variable difusa con solo las contribuciones aleatorias y, por lo tanto, es solo la distribución de posibilidades de las contribuciones aleatorias.
Se puede construir una variable aleatoria difusa utilizando una distribución de posibilidad interna ( r interna ) y una distribución de posibilidad aleatoria ( r aleatoria ).
r aleatorio es la distribución de posibilidades de las contribuciones aleatorias a la incertidumbre. Cualquier instrumento o proceso de medición sufre contribuciones de errores aleatorios debido al ruido intrínseco u otros efectos.
Esto es de naturaleza completamente aleatoria y es una distribución de probabilidad normal cuando se combinan varias contribuciones aleatorias según el teorema del límite central . [12]
Pero también puede haber contribuciones aleatorias de otras distribuciones de probabilidad, como una distribución uniforme , una distribución gamma , etc.
La distribución de probabilidad se puede modelar a partir de los datos de medición. Luego, la distribución de probabilidad se puede utilizar para modelar una distribución de posibilidad equivalente utilizando la transformación de probabilidad-posibilidad máximamente específica. [13]
En las figuras se pueden ver algunas distribuciones de probabilidad comunes y las correspondientes distribuciones de posibilidad.
r interna es la distribución interna en el RFV, que es la distribución de posibilidades de la contribución sistemática a la incertidumbre total. Esta distribución se puede construir en base a la información que está disponible sobre el instrumento de medición y el proceso.
La distribución más grande posible es la distribución de posibilidades uniforme o rectangular. Esto significa que todos los valores en el intervalo especificado son igualmente posibles. En realidad, esto representa el estado de ignorancia total según la teoría de la evidencia [14] , lo que significa que representa un escenario en el que hay una falta máxima de información.
Esta distribución se utiliza para el error sistemático cuando no tenemos absolutamente ninguna idea sobre el error sistemático excepto que pertenece a un intervalo particular de valores. Esto es bastante común en las mediciones.
Pero, en ciertos casos, se puede saber que ciertos valores tienen un mayor o menor grado de creencia que otros valores. En este caso, dependiendo de los grados de creencia en los valores, se podría construir una distribución de posibilidades adecuada.
Después de modelar la distribución de posibilidades interna y aleatoria, la función de membresía externa, r externa , del RFV se puede construir usando la siguiente ecuación: [15]
donde es la moda de , que es el pico en la función de pertenencia de y T min es la norma triangular mínima . [dieciséis]
RFV también se puede construir a partir de distribuciones internas y aleatorias considerando los cortes α de las dos distribuciones de posibilidades (PD).
Un corte α de una variable difusa F se puede definir como [17] [18]
Entonces, esencialmente un corte α es el conjunto de valores para los cuales el valor de la función de pertenencia de la variable difusa es mayor que α . Entonces, esto da los límites superior e inferior de la variable difusa F para cada α -corte.
El corte α de un RFV, sin embargo, tiene 4 límites específicos y viene dado por . [11] y son los límites inferior y superior respectivamente de la función de membresía externa ( r externa ), que es una variable difusa en sí misma. y son los límites inferior y superior respectivamente de la función de membresía interna ( r interna ), que es una variable difusa en sí misma.
Para construir el RFV, consideremos los cortes α de los dos PD, es decir, r aleatorio y r interno para el mismo valor de α . Esto proporciona los límites superior e inferior para los dos cortes α . Sean y para las distribuciones aleatoria e interna respectivamente. se puede dividir nuevamente en dos subintervalos y donde está la moda de la variable difusa. Entonces, el corte α para el RFV para el mismo valor de α se puede definir mediante [11]
Usando las ecuaciones anteriores, los cortes α se calculan para cada valor de α , lo que nos da la gráfica final del RFV.
Una variable aleatoria-difusa es capaz de brindar una imagen completa de las contribuciones aleatorias y sistemáticas a la incertidumbre total de los cortes α para cualquier nivel de confianza, ya que el nivel de confianza no es más que 1-α . [17] [18]
En la siguiente figura se puede ver un ejemplo de la construcción de la función de membresía externa correspondiente ( r externa ) y el RFV a partir de una PD aleatoria y una PD interna.
{{cite book}}
: Mantenimiento CS1: varios nombres: lista de autores ( enlace ) Mantenimiento CS1: nombres numéricos: lista de autores ( enlace ){{cite book}}
: Mantenimiento CS1: falta el editor de la ubicación ( enlace ){{cite book}}
: Mantenimiento CS1: varios nombres: lista de autores ( enlace ) Mantenimiento CS1: nombres numéricos: lista de autores ( enlace ){{cite book}}
: Mantenimiento CS1: varios nombres: lista de autores ( enlace ) Mantenimiento CS1: nombres numéricos: lista de autores ( enlace )