Diseñando Bases de Datos Difusas

1. Diseñando Bases de Datos Difusas Doctora: Angélica Urrutia Sepúlveda Universidad Católica del Maule Talca Chile

2. INDICE • Introducción • Estado del Arte • Propuesta del modelo FuzzyEER • Validación de modelo FuzzyEER • Herramienta FuzzyCASE • Conclusiones • Líneas futuras

3. Introducción • Las Bases de Datos Relacionales (BDR) gestionan datos precisos o clásicos. Ejemplo Edad = 30 años. • Las Bases de Datos Relacionales Difusas (BDRD) gestionan además, datos imprecisos o difusos. Ejemplo Persona “joven”.

4. Introducción • Existe información incompleta, imprecisa, vaga, ... (Motro, 1995). • Existe restricción en la lógica clásica al ser bivaluada. La cual se extiende con la lógica difusa (Zadeh , 1965).

5. Introducción • Metodología de diseño de bases de datos Urrutia (2003) Diseño Conceptual FuzzyEER Medina (1994) Diseño Lógico Grefed Galindo (1999) Implementación FSQL

6. Introducción : FuzzyEER • Selección de las notaciones a extender en ER/ERR • Selección de los conceptos de la teoría de conjuntos difusos a partir del FSQL • Se construye el modelo FuzzyEER • Se valida con usuarios FuzzzEER y FuzzyCASE • Se construye la herramienta FuzzyCASE

7. INDICE • Introducción • Estado del Arte • Propuesta del modelo FuzzyEER • Validación de modelo FuzzyEER • Herramienta FuzzyCASE • Conclusiones • Líneas futuras

8. Estado del Arte: Grado de Pertenencia A (u) se denomina grado de pertenencia del elemento u al conjunto difuso A. A (u) = 0, indica que u no pertenece en absoluto al conjunto difuso A. A (u) = 1, indica que u pertenece totalmente al conjunto difuso A.

9. Estado del Arte: Grado de Similitud A (u,v) se denomina grado de similitud de los elementos u,v en conjunto difuso A. A (u,v) = 0, indica que u,v son “totalmente diferentes”. A (u,v) = 1, indica que u,v son “totalmente parecidos” .

10. Estado del Arte: Conjunto Difuso Etiqueta Lingüística: Los datos expresados de esta forma hacen referencia a un conjunto impreciso, que lleva asociado una distribución de posibilidad en representación trapezoidal

11. Estado del Arte: Bases de datos difusas • Medina (1994) • GREFED modelo de bases de datos difusas generalizado • Umano-Fukami (referencia ordenado) • Prade –Testemale (referencial no ordenado) • FIRST

12. Valores Tipo 1, Tipo 2 y Tipo 3 Grado en cada valor Grado en toda la instancia Grado de un conjunto de valores Grado de cumplimiento Grado de incertidumbre Grado de posibilidad Grado de importancia Estado del Arte: Bases de datos difusas Medina (1994) y Galindo (1999)

13. Estado del Arte: Modelo conceptual difuso • Modelo de Yasici y Merdan (1996)

14. Estado del Arte: Chen (1998) • Modelo de Chen (1998)

15. Estado del Arte: • Modelo de Ma et al. (2001)

16. INDICE • Introducción • Estado del Arte • Propuesta del modelo FuzzyEER • Validación de modelo FuzzyEER • Herramienta FuzzyCASE • Conclusiones • Líneas futuras

17. Propuesta del Modelo FuzzyEER • Extensión del modelo conceptual ER/EER De Miguel et al. (1999) y Elmasri y Navathe (2001) • Incorporación de: Tipos de Atributos difusos, grados en cada valor de atributos, grado de un conjunto de valores, cuantificadores difusos en restricciones... Medina (1994) y Galindo (1999)

18. Atributo difuso Atributos difusos simple, compuesto, derivado, múltivaluado y compuestos Grado difuso asociado a un atributo Grado asociado a los valores de diversos atributos Tipo de entidad difusa Entidad débil difusa Interrelación difusa Restricción de participación difusa Restricción de tipo de correspondencia Restricción usando la notación (min, max) difusa Restricción de completitud difusa Restricción de cardinalidad difusa con notación (min,max) en una especialización solapada Especialización disjunta difusa Especialización solapada difusa Tipos de atributos difusos en especializaciones Agregación difusa Grado difuso en las especializaciones difusas Restricción de participación difusa en una o más superclases Restricción de completitud difusa en una categoría de un tipo de unión Una restricción de participación difusa en una o más superclases Restricción de completitud difusa en una subclase compartida Propuesta del Modelo FuzzyEER

19. Estado del Arte:Bases de datos difusas • Datos precisos • Datos imprecisos • Sobre un referencial ordenado • Distribución de posibilidad • Etiquetas lingüísticas • Intervalos de posibilidad Sobre un referencial no ordenado Escalares simples Distribución de posibilidad sobre escalares UNKNOW UNDEFINED NULL

20. Propuesta del Modelo FuzzyEER Datos Precisos Clásicos Datos Imprecisos Tipo 1 (T1) Crisp Tipo 2 (T2): A (u) Tipo 3 (T3): A (u,v)

21. Propuesta del Modelo FuzzyEER • Atributos Difusos Simple, Compuesto, Derivado • Atributos Difusos Tipo 1, Tipo 2, Tipo 3 y Tipo 4

22. Propuesta del Modelo FuzzyEER • Atributos difusos Tipo 1, Tipo2, tipo 3 y Tipo 4 • Atributos difusos simples, compuesto, derivado

23. Propuesta del Modelo FuzzyEER • Tipos de grados difusos en atributos clásicos y atributos difusos G0 Grado de pertenencia G1 Grado de Complimiento G2 Grado de incertidumbre G3 Grado de Posibilidada G4 Grado de importancia

24. Propuesta del Modelo FuzzyEER • Interrelación difusa • Entidad difusa

25. Propuesta del Modelo FuzzyEER • Cuantificadores difusos • Si Q es absoluto, el valor  es el número de elementos que cumplen cierta condición. • Si Q es relativo,  es la división del número de elementos que cumplen cierta condición entre el número total de elementos existentes.

26. Propuesta del Modelo FuzzyEER Cuantificadores difusos (a elementos que cumplen la condición y b elementos existentes): a si Q = Qabs  a/b si Q = Qrel

27. Propuesta del Modelo FuzzyEER • Retricción de participación difusa • Retricción de razon de cardinalidad con notación (min,max)

28. Propuesta del Modelo FuzzyEER • Especializaciones de completitud difusa, con notación (min,max)

29. Propuesta del Modelo FuzzyEER • Especializaciones disjunta o solapada difusa • Especialización solapada

30. Propuesta del Modelo FuzzyEER • Categorías difusas • Subclases Compartidas difusas

31. Propuesta del Modelo FuzzyEER • Especializaciones por atributo difuso

32. Propuesta del Modelo FuzzyEER • Grados en la agregación de entidades • Grados de agregación en los atributos de una entidad

33. Propuesta del Modelo FuzzyEER • Grados en la especialización

34. Propuesta del Modelo FuzzyEER • Otras propuestas

35. Propuesta del Modelo FuzzyEER • Comparación de FuzzyEER con otros modelos difusos

36. Propuesta del Modelo FuzzyEER • Comparación de atributos difusos

37. Propuesta del Modelo FuzzyEER • Resumen Modelo FuzzyEER 8 Tipos de Atributos Difusos Otras 5 Grados Difusos Restricciones Difusas 18 Notaciones 21Definiciones Herramienta FuzzyCASE

38. INDICE • Introducción • Estado del Arte • Propuesta del modelo FuzzyEER • Validación de modelo FuzzyEER • Herramienta FuzzyCASE • Conclusiones • Líneas futuras

39. Validación del Modelo FuzzyEER • Agencia Inmobiliaria (Granada, España) • Control de la calidad del papel (Talca, Chile)

40. Validación del Modelo FuzzyEER • Modelo ER/EER de Agencia Inmobiliaria

41. Validación del Modelo FuzzyEER • Modelo FuzzyEER de Agencia Inmobiliaria

42. Propuesta del Modelo FuzzyEER T3: Estado T2: Antiguedad

43. Validación del Modelo FuzzyEER • Modelo ER/EER del Control de Calidad del Papel

44. Validación del Modelo FuzzyEER • Modelo FuzzyEER del Control de Calidad del Papel

45. Ejemplo: Grados Difusos • Grado de un conjunto de valores Empleado {DNI, oficio, experiencia, habilidad} “grado de experiencia”

46. Ejemplo: Grados Difusos Ejemplo de una entidad empleado. Se define un atributo correspondiente al total de horas trabajadas que asignaría cierto grado de pertenencia a la entidad para cada empleadoes: Q(x) = min (1, n°horas trabajadas/ n°mínimo de horas para la pertenencia total)

47. Ejemplos: Grados Difusos

48. Validación del Modelo FuzzyEER • Importancia de contar con una notación de Tipo de atributo difuso en la especialización • Importancia de definir de atributos T1 • Importancia de definir atributos T2, T3 y T4 siendo de gran utilidad para los usuarios. • Identificar y modelar cuantificadores difusos, restricciones, especializaciones, categorías,... • La posibilidad de representar información que con un modelo EER no es posible.

49. INDICE • Introducción • Estado del Arte • Propuesta del modelo FuzzyEER • Validación de modelo FuzzyEER • Herramienta FuzzyCASE • Conclusiones • Líneas futuras

50. Herramienta FuzzyCASE • Construida en Visual Basic para window