🤖 machine learning

Triangular Fuzzy Rescaling Distance

Este artículo propone la Distancia de Reescalado Difuso Triangular ( $d_{TR}$ ), una métrica novedosa que integra el reescalado lineal directamente en el cálculo de la distancia para permitir comparaciones invariantes de escala de Números Difusos Triangulares en contextos de toma de decisiones heterogéneos, satisfaciendo formalmente todas las propiedades métricas.

Autores originales: Eddy Soria, Aida Valls, Ana Beatriz Hernández-Lara

Publicado 2026-08-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Eddy Soria, Aida Valls, Ana Beatriz Hernández-Lara

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En la desordenada realidad del mundo, los datos rara vez son perfectos. Las mediciones vienen con márgenes de error, las opiniones de los expertos varían en su confianza y la información suele estar incompleta. Para dar sentido a esta incertidumbre, los científicos y los responsables de la toma de decisiones recurren a menudo a una herramienta matemática llamada número difuso triangular. En lugar de fijar un valor a un único punto rígido en una recta numérica, este enfoque representa un valor como una pequeña forma triangular que captura un rango de posibilidades, desde el resultado más probable hasta los bordes más alejados de lo que es plausible. Este método es invaluable para modelar desde tendencias de mercado futuras hasta el monitoreo ambiental, donde la exactitud es imposible. Sin embargo, surge un problema significativo cuando los investigadores intentan comparar estas formas difusas entre sí, especialmente cuando los datos provienen de diferentes fuentes con diferentes unidades. Comparar una medición de temperatura en grados con una medición de ingresos en dólares es como intentar sumar manzanas con naranjas; las diferentes escalas y puntos de partida distorsionan la comparación, lo que a menudo conduce a conclusiones erróneas sobre qué opción es verdaderamente mejor o más cercana a un objetivo.

Para resolver este obstáculo persistente, los investigadores Eddy Soria, Aida Valls y Ana Beatriz Hernández han desarrollado una nueva forma de medir la distancia entre estas formas difusas. Lo llaman la Distancia de Reescalado Difuso Triangular. La innovación central de su trabajo es que no tratan la comparación como un proceso de dos pasos donde primero se limpian los datos y luego se miden. En su lugar, han integrado el acto de limpiar los datos directamente en la propia medición. A medida que se calcula la distancia, el método ajusta automáticamente los valores a una escala común y neutral, asegurando que un número grande en una categoría no domine injustamente a un número pequeño en otra. Esto permite una comparación justa de conjuntos de datos complejos y mixtos sin la necesidad de pasos de preprocesamiento separados y propensos a errores.

Los investigadores demostraron que este nuevo método es matemáticamente sólido, cumpliendo con todas las reglas estrictas requeridas para una medida de distancia confiable. Se comporta de manera predecible: la distancia nunca es negativa, es cero solo cuando las dos cosas comparadas son idénticas, y sigue la regla lógica de que el camino del punto A al punto C no puede ser más corto que pasar por el punto B. Crucialmente, el método es inmune a las elecciones arbitrarias de escala o punto de partida. Ya sea que los datos se midan en miles o millones, o si la escala comienza en cero o en cien, la distancia resultante sigue siendo la misma. El método también garantiza que el resultado final siempre caiga dentro de un rango específico y comprensible, lo que facilita la interpretación del grado de diferencia entre dos conjuntos de información.

Para demostrar el poder de este enfoque, el equipo lo aplicó a un escenario hipotético que involucraba el desempeño de sostenibilidad de cinco ciudades diferentes. Evaluaron cada ciudad basándose en cinco indicadores distintos, tales como las emisiones de dióxido de carbono, el acceso a espacios verdes y el uso del transporte público. Estos indicadores tenían unidades y rangos muy diferentes, desde porcentajes hasta toneladas por año. Al utilizar su nueva medida de distancia, los investigadores pudieron calcular qué tan lejos estaba cada ciudad de un estado ideal y perfecto de sostenibilidad. Los resultados mostraron que el método podía manejar estos datos diversos sin problemas, produciendo un ranking claro de las ciudades. El estudio también reveló que el ranking final podía cambiar dependiendo de cuánto peso se le diera a las mayores discrepancias, ofreciendo a los responsables de la toma de decisiones una forma de ver no solo el desempeño promedio, sino también de identificar debilidades críticas en áreas específicas.

Este trabajo proporciona una herramienta robusta para cualquiera que intente tomar decisiones con datos inciertos o mixtos. Al integrar la normalización de los datos directamente en el cálculo de la distancia, la Distancia de Reescalado Difuso Triangular elimina el sesgo introducido por las diferentes unidades y escalas. Permite la construcción de indicadores sintéticos que reflejan con precisión realidades complejas, como la calidad de vida o la salud económica, sin distorsionar la imagen. Si bien el método actual está diseñado específicamente para números difusos triangulares, su éxito sugiere un camino prometedor para el manejo de información imprecisa en campos que van desde el aprendizaje automático hasta la formulación de políticas, ofreciendo una visión más clara de la distancia entre donde estamos y donde queremos estar.

Resumen Técnico: Distancia de Reescalado Difuso Triangular

Planteamiento del Problema
La toma de decisiones en sistemas complejos depende frecuentemente de información imprecisa o incierta, a menudo modelada mediante Números Difusos Triangulares (TFN, por sus siglas en inglés). Un desafío crítico al aplicar métodos difusos es cuantificar la distancia entre los TFN, particularmente cuando se trata de atributos heterogéneos que poseen diferentes escalas, unidades o rangos. Las medidas de distancia tradicionales suelen asumir escalas uniformes, lo que requiere una etapa de normalización preliminar. Esta separación puede introducir sesgos o distorsiones, especialmente en contextos como la construcción de indicadores sintéticos o el apoyo a la decisión multicriterio donde la heterogeneidad de los datos es inherente.

Metodología
El artículo propone la Distancia de Reescalado Difuso Triangular ( $d_{TR}$ ), una métrica novedosa diseñada para comparar $n$ -tuplas de TFN. A diferencia de los enfoques convencionales que normalizan los datos antes del cálculo de la distancia, la $d_{TR}$ integra de manera única el Reescalado Lineal (LRE) directamente en la fórmula de la distancia.

La métrica se define para dos $n$ -tuplas de TFN, $\tilde{f}$ y $\tilde{f}^*$ , donde cada componente $\tilde{f}_i = (f_i^{(1)}, f_i^{(2)}, f_i^{(3)})$ reside dentro de un intervalo específico $[a_i, b_i]$ . La distancia se calcula como:

$d_{TR}(\tilde{f}, \tilde{f}^*) = \frac{M}{4} \left( \sum_{i=1}^{n} \omega_i \left( \frac{|f_i^{*(1)} - f_i^{(1)}| + 2|f_i^{*(2)} - f_i^{(2)}| + |f_i^{*(3)} - f_i^{(3)}|}{b_i - a_i} \right)^\lambda \right)^{1/\lambda}$

Donde:

$\omega_i$ es un vector de pesos ( $\sum \omega_i = 1$ ).
$\lambda \geq 1$ es un parámetro que controla la sensibilidad a las grandes discrepancias.
$M > 0$ es un parámetro de escala que define el límite superior.
El término $(b_i - a_i)$ en el denominador realiza el reescalado lineal, normalizando efectivamente la diferencia entre los componentes del TFN en relación con el rango de su dominio específico.

Contribuciones Clave y Propiedades Teóricas
Los autores demuestran formalmente que $d_{TR}$ satisface los axiomas de un espacio métrico y posee varias propiedades distintas:

Propiedades Métricas: El artículo demuestra que $d_{TR}$ satisface la no negatividad, la identidad de los indiscernibles, la simetría y la desigualdad triangular (probada mediante la desigualdad de Minkowski).
Acotación: La distancia está estrictamente acotada dentro del intervalo $[0, M]$ , independientemente de los valores de entrada, siempre que estos se encuentren dentro de sus intervalos definidos.
Invarianza de Escala: La métrica permanece inalterada si tanto los TFN como sus intervalos definidos se escalan por una constante positiva.
Invarianza de Origen: La distancia no se ve afectada si tanto los TFN como sus intervalos se desplazan por un valor constante.
Normalización Inherente: La métrica normaliza inherentemente los valores característicos a través del mecanismo LRE, eliminando la necesidad de pasos de preprocesamiento separados.

Resultos y Aplicación
El artículo valida la $d_{TR}$ a través de dos demostraciones principales:

Ejemplo Numérico: Un cálculo con $n=2$ demuestra la aplicación paso a paso de la fórmula, mostrando cómo se deriva la distancia a partir de los datos brutos de los TFN a través de diferentes intervalos.
Estudio de Caso (Evaluación de Sostenibilidad): La métrica se aplica para evaluar cinco ciudades hipotéticas frente a un perfil de sostenibilidad ideal a través de cinco indicadores (por ejemplo, emisiones de CO2, áreas verdes, desigualdad de ingresos) con unidades y rangos muy distintos.
- Los resultados muestran que la $d_{TR}$ produce valores dentro del rango $[0, 100]$ (con $M=100$ ), lo que permite la interpretación directa como un porcentaje de desviación respecto al ideal.
- El estudio destaca el papel del parámetro $\lambda$ . Los valores de $\lambda$ más bajos (por ejemplo, $\lambda=1, 2$ ) proporcionan una agregación equilibrada de las desviaciones, mientras que los valores de $\lambda$ más altos (por ejemplo, $\lambda=500$ ) aumentan la sensibilidad a las mayores discrepancias individuales. Esto permite a los tomadores de decisiones detectar debilidades críticas incluso cuando otros indicadores son fuertes.
- El ranking de las ciudades cambia según $\lambda$ , ilustrando la flexibilidad de la métrica para priorizar diferentes tipos de estrategias de toma de decisiones (equilibradas frente a enfocadas en el peor de los casos).

Significancia y Reivindicaciones
El artículo afirma que la $d_{TR}$ ofrece una solución robusta para manejar datos difusos heterogéneos sin requerir una normalización externa. Su principal significancia radica en su capacidad para:

Mitigar los sesgos introducidos por las diferentes escalas y unidades en los datos.
Servir como un mecanismo de agregación para la construcción de indicadores sintéticos (por ejemplo, índices de sostenibilidad, medidas de calidad de vida).
Ser aplicable a algoritmos de aprendizaje automático basados en distancia y métodos de apoyo a la decisión multicriterio (como TOPSIS).
Mantener una complejidad computacional lineal $O(n)$ .

Los autores reconocen limitaciones, señalando que la formulación actual es específica para TFN y puede no aplicarse directamente a otras representaciones difusas (por ejemplo, trapezoidales o gaussianas). Sugieren que el trabajo futuro debería centrarse en la validación empírica en diversos escenarios del mundo real, la comparación de rendimiento contra medidas existentes y la extensión a otros tipos de números difusos.

Más como este