Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/322746285
CITATION READS
1 890
2 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Pedro A. Lopez-García on 27 January 2018.
This article presents the theoretical and practical foundations of a classification method
based on fuzzy logic, which can be applied to a variety of archaeological materials. This method
can be used in combination with data obtained from a type-variety classification system, in
which the use of linguistic variables is common. Two examples are used to illustrate this
method, and their results are compared with those that would have been obtained with other
methods based on similarity matrices, like in the case of cluster analysis. Special attention is
given to the use of validity measurements for the determination of the optimal number of
clusters to be obtained in a classification based on fuzzy logic algorithms.
finición: “la cultura es un conjunto recurrente ficación analítica para formar los modos y des-
de tipos arqueológicos” (Childe, 1956: 15). Aña- pués hará la clasificación taxonómica en térmi-
dió, además, que los tipos se hallaban repeti- no de esos modos, en vez de ir de regreso a los
damente asociados, debido a que eran el resul- atributos originales (Rouse, 1970). Rouse reco-
tado de un patrón de comportamiento noció que en cualquier colección dada existen
estandarizado procedente de una misma socie- diferentes clases de tipos como diferentes cla-
dad. De esta forma relacionaba los objetos con ses de modos que pueden ser descubiertos, y
las personas. que cada uno resulta útil en la obtención de
Childe postuló que a partir de los datos se clases particulares de información deseadas por
forman los tipos y que éstos, a su vez, dan ori- el investigador (Rouse, 1960). También demos-
gen al concepto de cultura, y esta última gene- tró que los modos tienen un significado histó-
ra el concepto de etnia o grupo social. La defi- rico y que resultan ser de mayor utilidad que
nición de tipo de Childe resultó ser menos los tipos para estudiar la cultura histórica.
incisiva al no mencionar en absoluto los ‘ras- Para la década de 1970 la noción de clasifica-
gos’, que describen o identifican a los tipos, ni ción de artefactos arqueológicos se basó en los
los elementos diagnósticos (Doran y Hodson, principios del análisis tipológico. Una tipología
1975). A pesar de que la metodología identifica clases de artefactos que exhiben con-
taxonómica que manejaba no era matemática, juntos de atributos asociados dentro de un con-
sí consideraba la necesidad de introducir algún texto de una matriz de coeficiente de simili-
elemento cuantitativo a su definición de cul- tud. Esta postura dio como origen a un esquema
tura (clase). de clasificación conocido comúnmente como
Por otro lado, para el nuevo continente se análisis de conglomerados o análisis de cúmu-
tiene la aproximación a la clasificación propues- los, que tiene como objetivo principal la clasi-
ta por Rouse, la cual difiere ampliamente de la ficación de objetos de acuerdo con sus simili-
propuesta por Childe. Por ejemplo, Rouse cam- tudes con el fin de organizar los datos en grupos
bia el énfasis de agrupar unidades para agrupar o tipos (Baxter, 1994; Doran y Hodson, 1975;
atributos, donde un tipo es un grupo diagnósti- Hodson, 1970). En términos generales, un cú-
co de atributos que caracterizan a una clase mulo es un grupo de objetos más similares en-
(Rouse, 1960). Además introdujo el término de tre sí que con respecto a los miembros perte-
modo, el cual define como “cualquier patrón, necientes a otros grupos, de acuerdo con una
concepto o costumbre que gobierne la conduc- métrica conocida como similitud, la cual se ex-
ta de los artesanos de una comunidad, transmi- presa en términos matemáticos. La evaluación
tiéndose de generación en generación, pudien- de los cúmulos (tipos) formados es una etapa
do pasar incluso de comunidad en comunidad crucial en el proceso del análisis de los datos
a grandes distancias (...) Estos se verán refleja- debido a que existe una gran cantidad de mé-
dos en los artefactos como atributos” (Rouse, tricas para la formación de cúmulos, lo que pue-
1960: 313). Con base a esto diferenció entre de ocasionar que, usando los mismos datos, se
dos tipos de clasificación de materiales arqueo- puedan obtener diferentes configuraciones.
lógicos: la clasificación analítica y la clasifica- Si bien los diferentes esquemas de clasifica-
ción taxonómica. El primer caso tiene que ver ción poseen en común el principio del recono-
con el establecimiento de modos y el segundo cimiento de atributos para distinguir tipos, las
con el establecimiento de tipos. primeras aproximaciones son resultado de la
Los modos pueden ser conceptuales, defi- observación directa y son reconocidas como cla-
niendo el material, forma y decoración utiliza- sificaciones no numéricas, mientras el caso del
dos por el artesano. Los atributos indicativos análisis de cúmulos es resultado del manejo de
de tipos deben ser escogidos por su significado variables o atributos cualitativos y cuantitati-
cultural. Si el arqueólogo procede de forma vos, así como del manejo de modelos matemá-
completamente lógica, hará primero una clasi- ticos, y es reconocido como análisis numérico.
98
ARQUEOLOGÍA 40 z enero-abril 2009
Aun así, este método tiene sus pros y sus con- como la segmentación de imágenes (Sutton et
tras, tema que se tratará más adelante. al., 2000), los estudios de sistemas litológicos
En este artículo se discutirá la importancia (Hsieg et al., 2005), la teoría de conjuntos difu-
de los métodos numéricos de clasificación so- sos (Kandel, 1986; Kaufmann y Gupta, 1988),
bre los métodos tradicionales, presentando los las investigaciones operativas para toma de de-
fundamentos teóricos y prácticos que los rigen. cisiones multi-objetivo fuzzy (Lai y Hwang,
Así mismo, se presenta un método numérico 1994; Zimmermann, 1983) y modelos de deci-
de clasificación que opera utilizando los prin- sión en investigaciones operativas (Liu y Shi,
cipios de la lógica difusa (fuzzy logic), con el cual 1993; Zimmermann, 2000).
se pueden obtener mejores resultados que con En el desarrollo de sistemas que intentan
otros procedimientos también de tipo numéri- modelar la toma de decisiones humanas se ha
co. Se trabajará con dos ejemplos, uno de datos reconocido la necesidad de tratar con la incer-
sintéticos y otro de datos reales (ambos publi- tidumbre.1 Existen algunos dominios del pro-
cados), con el fin de ilustrar la aplicación del blema que no pueden ser entendidos natural-
método y poder comparar los resultados obte- mente en términos precisos o rígidos, y entre
nidos por nosotros con los resultados publica- ellos se encuentran los sistemas políticos, los
dos por otros autores que han utilizado los mis- económicos o los sociales. Una característica de
mos ejemplos para aplicar sus propias técnicas. los sistemas humanos es que la toma de deci-
siones y los juicios deben tomar lugar en un cli-
ma de incertidumbre, por eso no es suficiente
Análisis de conglomerados utilizar un lenguaje matemático clásico basado
en características dicotómicas de la teoría de
En la actualidad, el análisis de cúmulos o de conjuntos. Lofty A. Zadeh, quien definió el
conglomerados se puede dividir en dos grupos principio de incompatibilidad, dice que a me-
principales: a) la formación de grupos median- dida que la complejidad de un sistema aumen-
te técnicas de agrupamiento rígidas y b) la for- ta, nuestra capacidad para ser precisos y cons-
mación de grupos mediante técnicas de agru- truir instrucciones sobre su comportamiento
pamiento de lógica difusa. disminuye hasta un punto donde la precisión y
Un conjunto rígido divide al universo de po- el significado son características excluyentes
sibilidades en dos grupos: los que pertenecen (Zadeh, 1973: 28).
al conjunto y los que no pertenecen. El objeti- La lógica clásica o booleana es puramente
vo es hallar cúmulos o grupos en los datos mi- binaria y apareció en un principio como la he-
nimizando la variación interna de los mismos y rramienta matemática más potente para mo-
maximizando la variación externa entre grupos. delar agrupamientos y discriminaciones. En el
Las técnicas rígidas de análisis de conglomera- álgebra de Boole, un elemento está o no está
dos pueden ser jerárquicas, donde la clasifica- contenido en un conjunto dado; es decir, la tran-
ción resultante tendrá un número creciente de sición de membresía a la no membresía es
clases anidadas, o no jerárquicas cuando el nú- abrupta. La lógica difusa se basó en extender la
mero de grupos es seleccionado por el usuario lógica clásica al estudio de la lógica
—por ejemplo, el agrupamiento k-means y el multivalente, y se contempló inicialmente des-
agrupamiento k-medios. de la perspectiva del manejo de la incertidum-
La teoría de conjuntos difusos ha sido am- bre y la vaguedad en los términos. La lógica
pliamente estudiada durante los últimos 30 difusa ofrece un modelo de la percepción clasi-
años. La mayor parte de su interés inicial se ficadora del universo gracias a la posibilidad de
enfocaba en la representación de la incertidum- permitir la atribución de un objeto a varias cla-
bre de los procesos cognitivos humanos (Zadeh, 1
Incertidumbre es definida en sentido de vaguedad, más
1965), pero con el tiempo esta teoría ha podi- que en el de falta de conocimiento en el valor del
do aplicarse con éxito en áreas tan diferentes parámetro.
99
LÓGICA DIFUSA: UN MÉTODO DE CLASIFICACIÓN DE MATERIALES ARQUEOLÓGICOS
ses en el grado en que sea necesario, confirién- organización de una colección de objetos en
dole grados de elasticidad a los grupos forma de grupos tiene que sobrepasar la idea
(Zimmermann, 1996). De hecho, el manejo de de clasificación puramente lógica y estricta. La
la indefinición entre clases es presentada por lógica difusa ofrece un modelo de la percep-
Zadeh (1965) como la principal motivación al ción clasificadora del universo gracias al hecho
introducir la noción de conjunto difuso, donde de permitir la atribución de un objeto a tantas
no todos los conceptos son booleanos. clases y en el grado que sea necesario.
En el concepto de conjunto difuso reside la En los enfoques de modelado basados en la
idea de que los elementos sobre los que se cons- teoría de conjuntos difusos es necesario deci-
truye el pensamiento humano no son núme- dir el tipo de función de pertenencia que ca-
ros, sino etiquetas lingüísticas. La lógica difusa racteriza a los conjuntos difusos que caracteri-
permite representar el conocimiento humano, zan la posible incertidumbre presente en el
que es mayoritariamente de tipo lingüístico- problema modelado, así como la función dis-
cualitativo y no necesariamente cuantitativo, tintiva que se encargará de discriminar los cú-
en un lenguaje matemático mediante la teoría mulos. La función característica resulta ser el
de conjuntos difusos y funciones característi- componente crucial de un conjunto difuso, con-
cas asociadas a éstos. Una variable lingüística cepto sugerido por Zadeh y que constituye un
hace referencia a una magnitud que toma sus armazón consistente de la teoría de conjuntos
valores en un espacio continuo o discreto — difusos. De esta manera se tiene que la fun-
por ejemplo, la recta real R, o bien un ción característica de un conjunto difuso A tie-
subconjunto de la misma—. Además, en el caso ne asociada una función de pertenencia con domi-
de variables lingüísticas, el espacio donde la nio X (normalmente X se conoce como universo
magnitud toma valores está fraccionado, de de discurso) y rango [0,1] (μA(x) → [0,1]. Así, el
modo que cada intervalo de la partición se co- conjunto difuso A queda definido como una co-
rresponde aproximadamente con un adjetivo lección de pares ordenados
que usamos en la vida diaria para calificar la
magnitud descrita. (1)
Por ejemplo, si vemos el acabado de superfi-
cie de un tiesto como una variable, los valores La función de pertenencia expresada en (1)
rojo, negro o café pueden ser interpretados tiene la ventaja de poder tomar cualquier valor
como niveles de subconjuntos difusos del uni- dentro del intervalo continuo [0,1]. De esta
verso de tiestos. En este sentido, el atributo manera, un valor igual a 0 representa la no-per-
color es una variable difusa, una variable cuyos tenencia al conjunto A y un valor igual a 1 re-
valores nominales son conjuntos difusos presenta la pertenencia total a dicho conjunto.
(Zadeh, 1973). De igual forma, una magnitud Valores dentro del rango 0,1 implican un grado
cualquiera puede verse como una variable lin- de pertenencia intermedio. Por tanto, el pro-
güística cuyos valores son conjuntos difusos blema que se plantea es el de determinar la
definidos en términos nominales; por ejemplo, correspondiente función μA: U→[0, 1] dado un
la estatura de una persona puede describirse predicado A sobre un universo U, ya que tal
como una variable lingüística si se usan como función no es única y depende del contexto y
categorías las variables muy alto, alto, no muy de quien la construya.
alto, etcétera, o bien describir a la altura en tér- Con los sistemas basados en la lógica difusa
minos mensurables, ya sea en centímetros o se puede evaluar una mayor cantidad de varia-
metros. bles, simulando el conocimiento humano. Es
La función principal de las variables aquí donde la noción de algoritmo difuso juega
lingüísticas es proporcionar un medio sistemá- un papel importante para caracterizar la aproxi-
tico para una caracterización aproximada de un mación de los conceptos difusos y sus
fenómeno complejo (Zade, op. cit.). Por ello la interrelaciones. Esencialmente, un algoritmo
100
ARQUEOLOGÍA 40 z enero-abril 2009
V = [v1, v2, … vc], vi ∈ Rn (3) Uno de los problemas de los algoritmos de agru-
pamiento difuso consiste en determinar el nú-
y es una norma de distancia del pro- mero óptimo de cúmulos. Si c (número de cú-
ducto interno al cuadrado mulos) es desconocido, la determinación de un
c óptimo se vuelve un criterio importante. La
(4) estrategia para enfrentar este tipo de proble-
ma es utilizar medidas de validación, las cuales
Estadísticamente (2) puede ser vista como evalúan la bondad del ajuste de los datos ob-
una medida de la variación total de xk a partir servados al modelo; es decir, si una determina-
101
LÓGICA DIFUSA: UN MÉTODO DE CLASIFICACIÓN DE MATERIALES ARQUEOLÓGICOS
da partición difusa ajusta a todos los datos. más compacta y separada, y se define como:
Esto se debe a que si bien el algoritmo de
agrupamiento siempre trata de encontrar el
mejor ajuste para un número fijo de cúmulos,
podrían estar equivocados o no corresponder a S (c) = (10)
los grupos de los datos reales. Para ello existen
varios algoritmos de validación que
automáticamente pueden optimizar el núme- El índice de Xie y Beni (XB; Xie y Beni,
ro de cúmulos. En este trabajo se utilizaron seis 1991) ayuda a cuantificar el cociente de la va-
diferentes algoritmos de validación: el coefi- riación total dentro de cúmulos, así como la
ciente de partición (CP), el índice de partición separación entre los cúmulos, y esta dado por:
(SC), el índice de separación (IS), el índice de
Xie y Beni (IXB), el índice de Dunn (ID) y el
índice de Dunn alternativo (IDA). XB (c) = (11)
El coeficiente de partición (CP) mide la can-
tidad de “traslape” entre cúmulos y es defini-
do por Bezdek (1981) como: El número óptimo de cúmulos deberá mini-
mizar el valor del índice. Nótese que la única
diferencia entre SC, S y XB está en la aproxi-
CP (c) = (8) mación de la separación de los cúmulos.
El índice de Dunn (ID) originalmente fue
donde μij (i = 1,2,…, c; j = 1,2,…, N) es la propuesto para la identificación de cúmulos
membresía del punto dato j en el cúmulo c. La compactos y bien diferenciados. De esta ma-
desventaja del CP es su decreciente nera, el resultado del agrupamiento tiene que
monotónicamente y la falta de conexión direc- ser recalculado como el de una partición rígida:
ta con alguna propiedad de los datos, como se-
ría asumir una densidad constante de los datos
en los cúmulos. ID (c) = (12)
El índice de partición (SC) es el cociente
de la suma de la compactación y separación de
los cúmulos. Se entiende como la suma de las donde d(x,y) es la norma de la distancia
medidas de validación de cúmulos individua- euclidiana entre todos los datos.
les, normalizada a través de la división por la El índice de Dunn alternativo (IDA) sim-
posición difusa de cada cúmulo: plifica los cálculos del índice original de Dunn,
y está dada por:
SC (c) = (9)
IDA (c) = (13)
donde N es el total de datos, k es el número de
datos en cada cúmulo, x es cada uno de los ob-
donde la función de disimilitud entre dos cú-
jetos y v es el vector . El SC resulta ser útil
mulos está en razón del va-
cuando se comparan diferentes particiones que
lor por debajo de la desigualdad del triángulo
tienen igual número de cúmulos. Un valor bajo
de SC indica una mejor partición.
(14)
El índice de separación (S) da prioridad a la
separación entre cúmulos y a la cohesión entre
siendo vj el centroide del j-ésimo cúmulo.
los mismos. Si este índice es pequeño, signifi-
ca que se encontró una partición del espacio
102
ARQUEOLOGÍA 40 z enero-abril 2009
16
6
14 O
12
1 8 10
10 O O O
2 3 5 7 12
O O O O O
4 9 11
8 O O O
13
O
6
4
14 15 16
O O O
17 18 19
2 O O O
20 21 22
O O O
0
0 2 4 6 8 10 12 14 16
Objeto 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
x 1 2 2 2 37 12 13 13 14 14 15 7 6 7 8 6 7 8 6 7
y 9 10 9 8 9 14 9 10 8 10 8 9 7 3 3 3 2 2 2 2 2
donde (x) representa la matriz de similitud y (centro), siendo más cercana su similitud a este
(y) representa la matriz de las distancias a las grupo que a cualquier otro. El CCC resulta ser
que se formó el dendograma. En este ejemplo de r = 0.91991, cantidad mayor que para el caso
el coeficiente para el método de eslabonamien- anterior, y significa que este arreglo es mejor
to simple da r = 0.89930, valor cercano a 1; de que el de eslabonamiento simple.
acuerdo con este criterio se podría confirmar También se aplicó el método de agrupamien-
que la clasificación es bastante aceptable. to Ward. En el dendograma resultante (fig. 5)
El segundo método utilizado es el de pro- se puede apreciar que los objetos 6 y 13 son
medios aritméticos sin ponderar de pareja de asignados al grupo 2 (centro), aunque no están
grupo, cuyo dendograma resultante puede ob- incluidos en lo compacto de este grupo; sin
servarse en la fig. 4. Aquí el objeto 13 es fusio- embargo, el método los reconoce como parte
nado al grupo 1 (izquierda); aunque es claro del mismo. En este caso el CCC resulta ser de
que no pertenece del todo a este grupo com- r = 0.91728, valor bastante similar al del caso
pacto, el algoritmo lo considera más similar a anterior.
ese grupo que a cualquier otro. De la misma El otro método utilizado en este ejemplo es
forma, el objeto 6 es fusionado con el grupo 2 un método de clasificación no jerárquico cono-
104
ARQUEOLOGÍA 40 z enero-abril 2009
6 4 1 3 2 5 13 21 20 18 17 16 15 16 19 22 11 9 7 8 10 12
haustivos, de tal forma que los
0 objetos dentro de cada cúmulo
son más cercanos entre sí y más
lejanos de los objetos contenidos
en otros cúmulos. K-means es un
1
jetos 13 y 6).
Es fácil ver que con los méto-
2
dimensionales y n-variables, en
cuyo caso resulta imposible apre-
7
da.
W Fig. 4 Dendograma de los 22 objetos utilizando la distancia euclidiana
y el método de promedios aritméticos sin ponderar de pareja de Ejemplo 2
grupo.
cido como K-means. El agrupamiento de K-means En la década de 1970 fue publicada la clasifica-
particiona el conjunto de datos en c cúmulos ción de una muestra de broches provenientes
mutuamente exclusivos y colectivamente ex- de un sitio de la Edad de Hierro en Münsingen,
105
LÓGICA DIFUSA: UN MÉTODO DE CLASIFICACIÓN DE MATERIALES ARQUEOLÓGICOS
8
Grupo 3
×
13 Doran y Hodson pusieron a
6 prueba varios métodos de clasifi-
cación con los broches de
4
× Münsingen, como el de eslabona-
2 miento simple, el de promedios,
el eslabonamiento doble y el mé-
0 0 todo de K-means. En su estudio se
25 20 5
15 10 10 restringieron únicamente a la for-
5 0 2
Grupo 1 Gru p o ma de los broches, excluyendo el
W Fig. 6 Gráfica 3D de la clasificación de los 22 objetos con el método
tamaño como una base posible
de K-means. para clasificarlos. Reconocieron
que sus métodos de agrupamien-
Suiza. Los datos de estos broches fueron el to fallaron para producir una jerarquía al incre-
objeto de comparación de varias taxonomías y mentar gradualmente los grupos formados, lo
seriaciones establecidas por estudios tradicio- cual provocó que estos procedimientos no re-
nales, en los que se han dividido los tipos de sultaran adecuados en la formación de los mis-
estos broches en dos o tres grupos mayores; aun mos. Por ejemplo, el método de agrupamiento
cuando se ha intentado subdividir estos tipos del promedio demostró su incapacidad para pro-
mayores, las clasificaciones propuestas han te- porcionar una taxonomía aceptable, pues ter-
106
ARQUEOLOGÍA 40 z enero-abril 2009
minó con una configuración falsa, y el método miento de los broches por arriba de los ocho
de agrupamiento de Double- Linkage produjo cúmulos, aunque se podía apreciar gráficamen-
el traslape de los cúmulos, por lo que los gru- te una indicación de la existencia de dos cú-
pos formados resultaron difíciles de interpre- mulos. De acuerdo con la partición de la grafica
tar. de la fig. 7, un primer grupo (región izquierda)
Según los autores, el procedimiento que contenía a los broches más tardíos (broches 21,
mejor funcionó para establecer la tipología de 2 y 30) junto con otros broches relacionados (1
los broches fue el método de K-means, el cual y 3). Esta clasificación de dos grupos era muy
mostró una secuencia de 2 a 19 particiones, y al similar a la establecida por métodos conven-
mismo tiempo obtuvieron una grafica de cú- cionales para determinar la existencia de tipos
mulos característicos que mostró la formación de broches para las épocas de la Tene I y II.
de 2 a 8 cúmulos; todos estos resultados se ba- Los 5 broches detectados en este punto corres-
saron tanto en la distancia euclidiana como en ponden al tipo de la Tene II, los otros broches
la suma de cuadrados del error (fig. 7). Según asociados a este nivel de partición de dos cú-
los resultados del método de K–means, se podía mulos fueron los broches 12, 21, 9 y 1. Se supu-
obtener una estructura progresiva de agrupa- so que los broches 10 y 26 correspondían al tipo
Hallstatt
Thames
Number of clusters
355 %
f f f f f f
f
f
f
f f f f f f
f
f
f
20 1 21 2 4 6 12 3 20 10 15 20 11 10 13 14 24 22 27 19 5 26 17 4 27 7 4 28 25 29
19 9
16 13
13 16
21
10 24
27
31
7 35
40
46
4 55
¤ 20 20 ¤ 60
73
1 100
W Fig. 7 Cúmulos formados mediante el método de K-means de los broches de Münsingen (Doran y Hodson,
1975).
107
LÓGICA DIFUSA: UN MÉTODO DE CLASIFICACIÓN DE MATERIALES ARQUEOLÓGICOS
0.4
dendogramas, como en el caso de
Doran y Hodson, quienes lo inter-
0.3
pretaron mediante el algoritmo de
0.2
K-means (fig. 6) como una parti-
ción bipartita con la existencia de
0.1 un punto aberrante, siendo que,
observando detenidamente el
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 dendograma, existen más de dos
W Fig. 12 Clasificación fuzzy de los broches de Münsingen
grupos y un mayor número de
especificando dos cúmulos. puntos aberrantes.
PC SC S XB DI ADI
C=2 0.5569 4.7713 0.1590 1.1581 0.2907 0.1426
C=3 0.4187 2.3414 0.1103 0.9968 0.2980 0.0461
W Fig. 13 Medidas de validación para el número óptimo de cúmulos.
0.95
0.08
0.90
0.06
0.86
0.04
0.80
0.02
0.75
0.70 0.00
2 3 4 5 6 7 8 9 10 11 12 13 14 2 3 4 5 6 7 8 9 10 11 12 13 14
Índice de partición (CP) Índice de Dunn (DI)
2.0 0.10
1.8
0.09
1.6
0.08
1.4
1.2 0.07
1.0 0.06
0.8
0.05
0.6
0.04
0.4
0.03
0.2
0.0 0.02
2 3 4 5 6 7 8 9 10 11 12 13 14 2 3 4 5 6 7 8 9 10 11 12 13 14
Índice de Xie y Beni (XB) Índice de Dunn alternativo (ADI)
4.0 0.20
0.18
3.5
0.16
3.0
0.14
2.5
0.12
2.0 0.10
1.5 0.08
0.06
1.0
0.04
0.5
0.02
0.0 0.00
2 3 4 5 6 7 8 9 10 11 12 13 14 2 3 4 5 6 7 8 9 10 11 12 13 14
Membresías de los 30 broches de Münsingen todo posee algunas ventajas significativas so-
bre otros criterios de clasificación no numéri-
1c 0.19351 0.24797 0.55853
cos, en particular sobre métodos numéricos para
2c 0.12109 0.17168 0.70723 el análisis de cúmulos rígidos. Este modelo pue-
3c 0.20859 0.35996 0.43144 de tomar como base las clasificaciones hechas
4a 0.42604 0.34914 0.22482 mediante el sistema conocido como tipo-varie-
5a 0.56322 0.32303 0.11375 dad. Se resaltó, además, el hecho de utilizar
6c 0.23062 0.25168 0.5177 medidas de validación para obtener el número
óptimo de cúmulos en un conjunto de datos.
7a 0.5663 0.28307 0.15063
La aproximación por conjuntos difusos ofrece
8a 0.51957 0.31161 0.16881 una forma diferente de realizar una clasifica-
9c 0.21826 0.30492 0.47682 ción de materiales arqueológicos y es útil en la
10b 0.30443 0.54242 0.15315 solución de problemas complejos donde no se
11b 0.1597 0.66768 0.17262 dispone de un modelo matemático simple.
12c 0.03967 0.065325 0.895 Esta metodología resulta ideal para la revi-
13b 0.20645 0.53716 0.25639 sión de tipos cerámicos establecidos con mé-
todos convencionales, así como para la posible
14b 0.21902 0.56959 0.21138
redefinición de los mismos. Por medio de una
15b 0.32549 0.55662 0.11789 clasificación con un algoritmo de agrupamien-
16a 0.49368 0.42554 0.08078 to difuso pueden encontrarse tipos o sub-tipos
17b 0.31265 0.53172 0.15564 no detectados anteriormente, lo cual resulta
18b 0.23882 0.51631 0.24487 ideal para el refinamiento de las tipologías y
19a 0.50248 0.37172 0.12579 cronologías establecidas. Esto último es posi-
ble gracias a la estrecha relación existente en-
20a 0.37301 0.37757 0.24942
tre métodos numéricos y aplicaciones de se-
21c 0.16024 0.20111 0.63866 ries matemáticas para el ordenamiento
22a 0.47267 0.39502 0.13231 temporal de materiales arqueológicos, con los
23a 0.42443 0.39035 0.18522 cuales se pueden obtener cronologías relativas
24b 0.36121 0.49581 0.14298 con base en las matrices de datos.
25a 0.51477 0.33555 0.14968 Los ejemplos presentados en este trabajo
26b 0.27779 0.56041 0.1618 verifican la aplicabilidad del método propues-
to al detectar el número óptimo de tipos me-
27a 0.49332 0.3041 0.20258
diante medidas de validación, como sucedió en
28a 0.45537 0.33819 0.20644 el caso concreto de los datos de los broches del
29a 0.42664 0.35284 0.22052 cementerio de Münsingen, Suiza. Desafortu-
30c 0.20518 0.24016 0.55467 nadamente, no existen datos numéricos proce-
W Fig. 15 Membresías calculadas para 3 cúmulos.
dentes de investigaciones en Mesoamérica, por
lo que no fue posible utilizar ningún ejemplo
de esta región.
1
0.9
0.8 c
0.7
0.6
0.5
0.4
0.3
b
0.2
a
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
• Digby, P. G. N. • Kandel, A.
1985. “Graphical Displays for Classification”, en A. 1986. Fuzzy Mathematical Techniques with Applications,
Voorrips y S. Loving (eds.), To Pattern the Past, Reading, Addison-Wesley.
Amsterdam, University of Amsterdam, pp. 75-90.
• Kaufmann, A. y M. M. Gupta
• Doran, J. E. 1988. Fuzzy Mathematical Models in Engineering and
1971. “Computer Analysis of Data from La Téne Management Science, Amsterdam, North-Holland.
Cementery at Münsingen-Rain”, en F.R. Hodson,
D.G. Kendall y P. Tautu (eds.), Mathematics in the • Kaufman, Leonard y Peter J. Rousseeuw
Archaeological and Historical Sciences, Edinburgh, 1990. Finding Groups in Data. An Introduction to
Edinburgh, University Press, pp. 422-431. Cluster Analysis, Nueva York, John Wiley & Sons.
114
ARQUEOLOGÍA 40 z enero-abril 2009
• Liu, X. y L. Shi
1993. “Fuzzy Pattern Recognition of the Mode of
Fluidization”, en M. Mao (ed.), Selected Papers of
Engineering Chemistry and Metallurgy, Beijing,
Science Press, pp. 182-189.
• Rouse, Irving
1960. “The Classification of Artifacts in
Archaeology”, en American Antiquity, vol. 25, núm. 3,
pp. 313-323.
• Zadeh, Lofti A.
1965. “Fuzzy Sets”, en Information and Control,
núm. 8, pp. 338-353.
• Zimmermann, H. J.
1983. “Using Fuzzy Sets in Operational Research”,
en European Journal of Operational Research, vol. 13,
núm. 3, pp. 201-216.