Estadísticas difusas: definición simple, ejemplos

Actualizado por ultima vez el 13 de enero de 2022, por Luis Benites.

Las estadísticas difusas generalmente se refieren a una combinación de teoría de conjuntos difusos (el tratamiento de datos ambiguos, imprecisos o subjetivos) y métodos estadísticos tradicionales. Es un término muy vago que no está muy bien definido ; Técnicamente, podría aplicarse a cualquier cosa que tenga que ver con conjuntos borrosos y estadísticas. Por lo tanto, querrá prestar mucha atención al contexto de un autor (o maestro) en particular cuando decida a qué se refiere exactamente.

En un sentido coloquial, podría significar simplemente estadísticas que no son claras . Por ejemplo, este artículo del Washington Post se refiere a las «estadísticas confusas» de la propiedad de mascotas.

Teoría de conjuntos borrosos

En una definición del término, la teoría de conjuntos borrosos forma la columna vertebral de las estadísticas borrosas. En la teoría clásica de conjuntos , un miembro de un conjunto pertenece a un conjunto o no. Este enfoque en blanco y negro, similar a los experimentos binomiales , crea líneas claras entre los tipos de datos. También hace que sea más fácil sacar conclusiones sobre los datos.

Por otro lado, la teoría de conjuntos borrosos desdibuja las líneas de pertenencia a un conjunto, asignando elementos a un conjunto basándose en funciones de pertenencia .

Métodos de estadísticas difusas

La estadística difusa incluye una amplia gama de métodos y teorías, que incluyen:

  • Estadísticas bayesianas difusas,
  • estimación difusa,
  • Pruebas de hipótesis difusas,
  • Regresión difusa.

En términos simples, el apodo «difuso» significa tomar una de las teorías establecidas y desdibujar un poco las líneas. Podría ver esto como ampliar los límites o incluso romper las reglas. Como probablemente puedas imaginar, no todos rompen las mismas reglas, lo que significa que los métodos involucrados con las estadísticas difusas no están muy bien definidos. Por ejemplo, algunos autores (p. ej., Buckley) recomiendan comenzar con datos nítidos (no borrosos) para generar estimadores . Otros autores comienzan con datos borrosos e intentan crear estimadores significativos.

Referencias

Buckley, J. (2013). Estadísticas borrosas . Saltador.
Taheri, M. (2016). Tendencias en Estadística Fuzzy. Recuperado el 13 de febrero de 2020 de: https://www.semanticscholar.org/paper/Trends-in-Fuzzy-Statistics-Taheri/1aeabf696923eab6724a3a3140d30018050df79e
Zadeh, L. (Ed.) et al. (1975). Conjuntos Difusos y sus Aplicaciones a Procesos Cognitivos y de Decisión. Actas del Seminario EE. UU.-Japón sobre conjuntos borrosos y sus aplicaciones, celebrado en la Universidad de California, Berkeley, California, del 1 al 4 de julio.

Tengo una Maestría en Ciencias en Estadística Aplicada y he trabajado en algoritmos de aprendizaje automático para empresas profesionales tanto en el sector de la salud como en el comercio minorista.

Deja un comentario

1. Peso y Factor de Ponderación . Un peso estadístico es una cantidad dada para aumentar o disminuir la importancia…
statologos comunidad-2

You have Successfully Subscribed!