Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
Introducción
LP = (M, H, C, A, O),
Además se debe considerar que cada uno de los valores cualitativos anteriores corresponde
o se representan en el intervalo de pertenencia [0,1]. En particular usaremos dos funciones
de membresía consideradas como clásicas, la primera corresponde a la representación
conocida como Números Triangulares o Función Triangular:
|0 para x < a
| x - a para a < x < m
f(x) = | m -a
| b - x para m < x < b
| b -m
|0 para x > b
Además, se debe considerar que cada uno de los valores cualitativos anteriores o se
representan en el intervalo de pertenencia [0,1]
|0 para x < a
| x - a para a < x < m
| b -a
f(x) = |1 para b < x < c
| b - x para m < x < b
| b -m
|0 para x > b
Cuadro 1
LP GILP
M GI
H Dir
C I
A Cir
O Dir
Cuadro 2
LP GILP
M I
H I
C GI
A Cir
O Dir
Desde el punto de vista operativo y como sabemos que los grados de cada una de las
asignaturas se encuentran en el intervalo [0, 1], se puede construir “una función” de grados
de influencia de cada una de las asignaturas en el currículum como:
Observación
Es importante resaltar que el Currículum debe ser igual a 1 o lo más cercano que se pueda,
se considerará que Currículum está en “estado óptimo” si está lo “más cercano a 1” que se
pueda. Este valor “lo más cercado a 1”, corresponde a un umbral a determinar por los
gestores y será un indicador de cercanía o alejamiento que esté tomando Currículum en el
tiempo.
Posteriormente y para este ejemplo en particular, se debe construir una Matriz de
Relaciones entre Asignaturas. Esta Matriz se llena con los valores que a juicio de los
diseñadores representan de mejor manera la Incidencia que tiene una Asignatura respecto
a otra. Debe notarse que esta Matriz no es necesariamente simétrica y además debe
aclararse que esta Matriz se debe construir al comienzo de este proceso y los valores
corresponden a apreciaciones difusas de los diseñadores.
M H F Q B A O
Algoritmo
Conclusión
El ánimo del presente trabajo no es estar en contra o a favor del Asignaturismo, pudiendo
existir haber muchos, variados y diversos argumentos por una u otra postura (es más fácil
estar en contra); sino más bien dado que el Asignaturismo está presente o se manifiesta
hoy en día en la mayoría de las mallas curriculares, sobretodo en las primeras etapas de
elaboración, planificación, diseño y posterior construcción es que me sitúo desde el punto
de vista de ofrecer una propuesta que permita de alguna manera mejorar operacionalmente
manera de abordar la problemática, sobretodo reconociendo que ésta en sí tiene variables
que son mpas de tipo cualitativas que cuantitativas y por lo tanto esta naturaleza debe ser
abordada con herramientas de representación del conocimiento adecuadas, como en este
caso el uso de Conjuntos Fuzzy y en particular las funciones de membresía fuzzy para
representar las variables cualitativas y las relaciones de importancia y grados de influencia,
ambas susceptibles de grados de tipo cualitativos. Por último se esboza una propuesta de
algoritmo y un pequeño Caso de Uso.
Conceptos Fuzzy
El concepto de conjunto fuzzy dado por Zadeh (1987), está basado en el modelamiento de
la pertenencia parcial en un conjunto para ciertos elementos de un universo dado. En
particular, una variable fuzzy lingüística es un atributo cuyo dominio contiene valores
lingüísticos, que son rótulos para un subconjunto fuzzy; por ejemplo, el conjunto fuzzy Edad
se puede describir como:
Edad = {Bebé, Infante, Niño, Pre Púber, Adolecente, Adolecente Mayor, Adulto Joven,
Adulto, Adulto Mayor, Casi Anciano, Anciano}.
Ejemplo 1:
La variable EDAD es lingüística si se considera que los valores que puede tomar está
comprendida en el conjunto (joven, maduro, viejo, muy viejo).
Una proposición p, en el lenguaje natural, puede ser escrita en forma canónica.
X es F, donde
Ejemplo 2:
Notemos que, en los ejemplos anteriores, los valores de las variables lingüísticas son fuzzy.
Es por esto que la Teoría Fuzzy es considerada como una herramienta para manejar en
forma precisa las expresiones del lenguaje natural.
En lo que resta de este trabajo, se verá cómo la Teoría Fuzzy permite representar
conocimiento fuzzy y ejecutar inferencias con este tipo de conocimiento. La Teoría Fuzzym
introducida por Zadeg (1975), permite modelar la incertidumbre, considerando para esto
obviamente la entropía y evaluacion de esta en un sistema de relaciones fuzzy de manera
natural, debido a su axiomática, la cual concibe un nuevo tipo de matemática, donde todos
los elementos son conceptualizados de manera gradual y no taxativos, como en la
matemática clásica (Videla, Leyton y Rossel, 2017); es por esta razón que algunos
matemáticos son críticos de esta teoría. Según Córdova y Leyton (2013) el modelamiento
se hace tomando en cuenta las siguientes consideraciones:
Definición. Sea X un conjunto clásico de objetos, llamado universo. La pertenencia
en un subconjunto A de X se puede definir en términos de la función característica:
μX −−−−−−−−−−−−−−−−−−−−−−> [0, 1]
Ejemplo 3:
A = {(6,0.0),(7,0.1),(8,0.5)(9,0.8)(10,1.0)(11,0.8),(12,0.5)(13,0.1),(14,0.0)}
Ejemplo 4:
| 0, xεA
μ( x) = |
x−1 ∉A
| , x
x
Observaciones
1. Los subconjuntos fuzzy discretos se pueden escribir en forma de una tabla. En el
ejemplo 3 se tiene:
x μ(x)
6 0.0
7 0.1
8 0.5
9 0.8
10 1.0
11 0.8
12 0.5
13 0.1
14 0.0