Uzleti Folyamatok Merese Es Ertekelese 2020

Eötvös Loránd Tudományegyetem
Gazdálkodástudományi Intézet
Jónás Tamás
Üzleti folyamatok mérése és értékelése

Bevezetés a fuzzy elmélet menedzsment alkalmazásaiba
Oktatási segédanyag az "Üzleti folyamatok elemzése" tárgyhoz mesterszakos

hallgatók részére
Budapest, 2020.
Lektorálta: Dr. Piros Attila
1
Tartalomjegyzék
Nyitó gondolatok 4
1. Üzleti folyamatok, azok mérése és értékelése 5

1.1. A mérés és bizonytalanságai . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1. A mérés szubjektív elemei . . . . . . . . . . . . . . . . . . . . 6
1.1.2. A mérőrendszer ismételhetőségével és reprodukálhatóságával
kapcsolatos problémák . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3. A mért és a mérő entitás által érzékelt jóság eltérése . . . . . 7
1.2. Mérési eredmények értékelése . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1. A hagyományos értékelés . . . . . . . . . . . . . . . . . . . . 9
2. Fuzzy halmazok 12
2.1. Fuzzy halmazok és tagsági függvényeik . . . . . . . . . . . . . . . . . 14
2.1.1. Fuzzy halmazok tagsági függvényei, mint értékelő függvények 15
2.2. Nevezetes tagsági függvénytípusok . . . . . . . . . . . . . . . . . . . 15
2.2.1. Háromszög tagsági függvény . . . . . . . . . . . . . . . . . . . 16
2.2.2. Trapéz tagsági függvény . . . . . . . . . . . . . . . . . . . . . 17
2.2.3. Gauss-tagsági függvény . . . . . . . . . . . . . . . . . . . . . 17
2.2.4. Harang (Bell) tagsági függvény . . . . . . . . . . . . . . . . . 18
2.2.5. S-alakú, másodfokú tagsági függvény . . . . . . . . . . . . . . 19
2.2.6. Z-alakú, másodfokú tagsági függvény . . . . . . . . . . . . . . 20
2.2.7. Szigmoid tagsági függvény . . . . . . . . . . . . . . . . . . . . 20
2.3. Értékelés a logisztikus függvénnyel és közelítésével . . . . . . . . . . 21
2.3.1. Kvázi logisztikus értékelés . . . . . . . . . . . . . . . . . . . . 24
2.3.2. Példa a logisztikus értékelésre . . . . . . . . . . . . . . . . . . 25
2.4. Fuzzy halmazok jellemzői . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5. Műveletek fuzzy halmazokkal . . . . . . . . . . . . . . . . . . . . . . 29
2.5.1. A Zadeh-féle fuzzy halmazműveletek . . . . . . . . . . . . . . 29
2.5.2. További lehetőségek a fuzzy halmazműveletek megvalósítására 30
2.6. Fuzzy relációk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1. Klasszikus relációk és kompozíciójuk . . . . . . . . . . . . . . 34
2.6.2. Fuzzy relációk és kompozíciójuk . . . . . . . . . . . . . . . . 36
3. Fuzzy logika 39
3.1. A nyelvi változók . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2. Fuzzy implikációk és a "Ha A, akkor B" alakú szabályok . . . . . . . 40
3.2.1. Az ítéletkalkulus alapjai . . . . . . . . . . . . . . . . . . . . . 40
3.2.2. A halmaz- és a logikai műveletek kapcsolata . . . . . . . . . . 41
3.2.3. Formális fuzzy implikációk . . . . . . . . . . . . . . . . . . . 42
3.2.4. "Ha A, akkor B" alakú szabályok megvalósítása . . . . . . . . 43
3.3. Fuzzy logikai következtetés . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.1. A hagyományos modus ponens . . . . . . . . . . . . . . . . . 44
2
3.3.2. A Mamdani-féle következtetés . . . . . . . . . . . . . . . . . . 45
4. Fuzzy rendszerek alapjai 51

4.1. A fuzzifikáló . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.1. A fuzzifikáló kiválasztása . . . . . . . . . . . . . . . . . . . . 53
4.2. A szabálybázis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3. A következtető gép . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4. A defuzzifikáló . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.1. A súlyponti defuzzifikáló . . . . . . . . . . . . . . . . . . . . . 55
4.4.2. Maximum defuzzifikálók . . . . . . . . . . . . . . . . . . . . . 55
4.4.3. A defuzzifikáló módszer megválasztásának szempontjai . . . . 56
4.5. Fuzzy alkalmazások az üzleti tudományokban . . . . . . . . . . . . . 57
4.6. Példa: felvásárlási lehetőségek fuzzy értékelése . . . . . . . . . . . . . 58
Hivatkozások 61
3
Nyitó gondolatok
Induljunk ki a "HA egy vállalat termékei iránt a kereslet nagy, AKKOR a vállalat
növekedési potenciálja magas." kijelentésből. Bár vitatható, de mégiscsak tegyük
fel, hogy ez a szabály igaz. E szabály alapján egy vállalat ügyvezetője milyen kö-
vetkeztetést vonhat le a tulajdonosoknak tartott beszámolójában például abból a
tényből, hogy vállalata termékei iránt a kereslet mérsékelten nagy? Egyáltalán mit
takar a nagy és a mérsékelten nagy kereslet? Hogyan értelmezhető a magas nö-
vekedési potenciál? Miként lehet e bizonytalan fogalmakkal bánni, hogyan lehet a
felhasználásukkal következtetni? Ilyen és ehhez hasonló problémák lehetséges ke-
zelési módszereit tárgyaljuk az "Üzleti folyamatok elemzése" című tárgy előadásai
során.
Az üzleti gyakorlatban általában nincs lehetőségünk az üzleti folyamatok és je-
lenségek teljes körű megismerésére, így azokkal kapcsolatban csak korlátozott isme-
retekkel rendelkezünk. Ugyanakkor, gyakran találkozunk olyan, a fentihez hasonló
helyzetekkel, amikor bizonytalan körülmények között, hiányos ismeretek és gyen-
gén definiált fogalmak alapján kell üzleti folyamatokat értékelnünk, majd az érté-
kelés eredményei alapján döntéseket hoznunk. A fuzzy elmélet alternatívát kínál a
bizonytalanság kezelésére, alkalmazásával lehetővé válik üzleti folyamatok adekvát
értékelése és a menedzseri döntések konzisztens megalapozása.
A tárgy célja a fuzzy elmélet alapjainak megismerése, valamint az üzleti gyakor-
latban történő alkalmazási jelentőségének bemutatása. Ezért a tárgy hat előadása
során tárgyalásra kerülő témákat az üzleti folyamatok oldaláról közelítjük és a fuzzy
elmélet eszközeinek menedzsment célú alkalmazási lehetőségeire koncentrálunk. A
témakörök tárgyalásához szükséges matematikai alapokat igyekeztünk közvetlenül
azok felhasználása előtt, röviden áttekinteni, ezáltal könnyítve az új ismeretek elsa-
játításának folyamatát.
Jegyzetünk, amely Jónás T.: Fuzzy elmélet a menedzsmentben című oktatási
segédanyagára épül [33], a következő felépítést követi. Először üzleti folyamatok
mérésének és értékelésének kérdéseivel foglalkozunk, majd a hagyományos értékelé-
sek bizonytalanságai kapcsán rátérünk a fuzzy halmazok bemutatására. A 3. sza-
kaszban a fuzzy logika és a fuzzy logikai következtetés alapjait tárgyaljuk, végül
a 4. szakaszban fuzzy rendszerek alapjaiba nyerünk bepillantást. Jegyzetünkhöz
szervesen kapcsolódnak gyakorlati esettanulmányok, amelyeket a szemináriumokon
tárgyalunk.
Itt szeretnék köszönetet mondani Dr. Piros Attilának, a BME Gépészmérnö-
ki Kar, Gép- és Terméktervezés Tanszék egyetemi docensének lelkiismeretes lektori
munkájáért és hasznos tanácsaiért.
Jónás Tamás
Budapest, 2019.
4
1
1. Üzleti folyamatok, azok mérése és értékelése
Vállalkozások versenyképes működésének egyik kulcsfeltétele a működésükhöz kap-
csolódó folyamatok megértése, azok ismerete. Napjaink üzleti világának alapvető
elvárása a működési folyamatok hatékonyságának maximalizálása, a veszteségek fo-
lyamatos és tudatos csökkentése. Egy vállalkozás erőforrásaitól azt várjuk, hogy
a lehető legnagyobb hatékonysággal szolgálják az üzleti célokat, azaz értékteremtő
képességük maximális kiaknázásával járuljanak hozzá a vállalkozás kibocsátásához.
A szervezeti erőforrások a vállalati folyamatok "motorjai", ezért ezek jóságának
javításával a folyamatok jósága is javítható. Ugyanakkor, egy vállalkozás gyártási
és szolgáltatási folyamatain túl – amelyek jósága általában jól mérhető – figyelembe
kell vennünk a gyártási és szolgáltatási tevékenységhez közvetlenül nem kapcsolódó,
de a vállalkozás egészének működését befolyásoló, kiegészítő és támogató tevékeny-
ségekhez kötődő folyamatokat is. Az alap-, valamint ezen kiegészítő és támogató
folyamatok együttesén keresztül valósul meg a vállalkozások üzleti tevékenysége, így
e folyamatok összességét – mint gyűjtőfogalmat – üzleti folyamatoknak tekinthetjük.
Az alapfolyamatok kvantitatív jósági jellemzői (mint pl. a gyártott darabok fizikai
paraméterei) a matematika, a fizika, a kémia és a műszaki tudományok módszerei-
vel általában jól számszerűsíthetők. Ezzel szemben jóval nehezebben ragadható meg
az olyan folyamatok és jellemzők jósága, mint például a humán teljesítmények, a
munkatársak kiválasztása, a beszállítói teljesítmények, a vevők elégedettsége, vagy
a vállalkozás intellektuális tőkéjének szintje. Ez utóbbiak kvalitatív jellemzők. E
példák jól mutatják az üzleti tudományok azon problémáját, hogy az általuk al-
kalmazott fogalmak sok esetben gyengén definiáltak, nem egzaktak, ugyanakkor az
üzleti folyamatok nehezen számszerűsíthető "puha" tényezőit kezelni, menedzselni
kell a vállalkozások működése során.
Vizsgálataink középpontjában e nehezen számszerűsíthető, "puha" tényezőktől
függő jellemzők és üzleti folyamatok jóságának értelmezési, mérési és értékelési kér-
dései állnak. Abból indulunk ki, hogy e jellemzőkhöz és folyamatokhoz mindig társít-
hatók olyan mesterséges mutatószámok, amelyek segítségével azok jósága mérhető és
számszerűsíthető. Egyrészt azt vizsgáljuk, hogy az így nyert számértékek mennyire
adnak valós képet, mennyire vannak összhangban a vállalkozás szervezetének észlelé-
seivel, továbbá milyen okokra vezethetők vissza az eltérések. Másrészt a kvantitatív
módszerek olyan elméletét és azok gyakorlati alkalmazásait mutatjuk be, amelyek
lehetővé teszik a mutatószámokkal mért jellemzők és folyamatok jóságának adekvát
kifejezését.
A továbbiakban üzleti folyamat alatt olyan gyűjtőfogalmat értünk, amely egy vál-
lalkozás tágabb értelemben vett működéséhez szükséges, vagy azt szolgáló bármely
folyamatot jelenthet. Így például üzleti folyamatnak tekintjük egy vállalat emberi
erőforrás kiválasztási folyamatát csakúgy, mint azt a folyamatot, amellyel egy szol-
gáltató vállalkozás a vevői elégedettségét értékeli. Ilyen üzleti folyamatok vizsgálata
1
A szakasz Kövesi János (szerk.): Minőség és megbízhatóság a menedzsmentben című munkánk
4.1. - 4.3. szakaszainak átvételére épül [1]
5
esetén – amikor a gyártási és szolgáltatási folyamatokon túl, a működéshez szükséges

kiegészítő és támogató tevékenységekhez kötődő folyamatokat is figyelembe vesszük –
egy folyamat jósága nehezen ragadható meg. A felmerülő nehézségeknek több forrása
azonosítható. Ezek közül elsősorban az üzleti folyamatok jóságának értelmezésével,
mérésével és értékelésével foglalkozunk.
1.1. A mérés és bizonytalanságai

Egy termék minőségi és megbízhatósági jellemzőinek ismeretében képet kaphatunk
a termék előállítási folyamatának jóságáról, ugyanakkor nehezebb a feladatunk ak-
kor, amikor egy szolgáltatási vagy klasszikus értelemben vett nem termelő folyamat
jóságát szeretnénk jellemezni. Ez a gyakorlatban általában azt jelenti, hogy a vizs-
gált folyamathoz olyan mérhető mutatószámokat rendelünk, amelyekkel a folyamat
attribútumai számszerűen leírhatók és rajtuk keresztül a folyamat jósága számsze-
rűsíthető, illetve az a mért értékek alapján minősíthető vagy értékelhető.
Attribútumok mutatószámokkal történő mérése – a mérhetőség iránti igényből
fakadóan – a menedzsment nagyon széles körben alkalmazott módszerei közé tar-
tozik. Ugyanakkor elmondható, hogy üzleti folyamatok jellemzőinek mutatószámok
segítségével történő mérési módszerei általában olyan tulajdonságokkal bírnak, illet-
ve olyan feltételezésekkel élnek, amelyek alapján a módszerek jósága, az eredmények
interpretálhatósága és az ezeken alapuló menedzsment döntések konzisztenciája meg-
kérdőjelezhető [2].
A mutatószám alapú mérés esetén legalább az alábbi bizonytalanságokkal kell
számolnunk.
• A mérés szubjektív elemei
• A mérőrendszer ismételhetőségével és reprodukálhatóságával kapcsolatos prob-

lémák
• A mért és a mérő entitás által érzékelt jóság eltérése
1.1.1. A mérés szubjektív elemei

A szóban forgó módszerekben az emberi szubjektum gyakran jelentősen befolyásol-
hatja a mérési eredményeket. Pszichológiailag bizonyított jellemző, hogy az emberek
bizonyos tényezőket alul-, míg másokat szubjektív módon túlértékelnek. Gondoljunk
például egy jól strukturált szempontrendszerre és egy olyan munkakörelemzésre épü-
lő humán teljesítményt mérő módszerre [3], amelynek célja a munkaköri követelmé-
nyeknek való megfelelés számszerűsítése és kifejezése egy előre meghatározott mérési
skálán. Ebben az esetben – összhangban a széleskörű vállalati gyakorlattal – ál-
talában minden munkatárs teljesítményét közvetlen felettese méri. A mérést végző
személy maximális objektivitásra törekvő szándéka ellenére sem tud teljes mértékben
elszakadni olyan tényezőktől, mint például a munkatárshoz kötődő személyes kap-
csolata vagy a mérés pillanatnyi körülményei, így ezek, illetve az ezekhez hasonló –
6
elvben a mérés tárgyához nem kötendő – tényezőknek jelentős torzító hatásuk lehet az
eredményekre. Hasonló torzító hatások tapasztalhatók egy beszállítói teljesítményt
mérő rendszer alkalmazása során, vagy akkor, amikor egy vevői elégedettség méré-
sére szolgáló rendszer alkalmazásával kér egy vállalkozás strukturált visszajelzést az
ügyfeleitől a vállalkozás szolgáltatási színvonalára vonatkozóan. A fenti példák közös
vonása, hogy a mindennapi üzleti életben előforduló folyamatok jóságának méréséről
szólnak. Vállalati tapasztalataink szerint tovább rontja a helyzetet az, hogy a gya-
korlatban még a jól kidolgozott, mutatószámokra épülő mérési módszerekhez tartozó
mérési iránymutatások értelmezése is nagyon sokféle lehet annak függvényében, hogy
a mérést, majd azt követően az értékelést éppen ki végzi.
1.1.2. A mérőrendszer ismételhetőségével és reprodukálhatóságával kap-

csolatos problémák
Egy mérőrendszertől elvárjuk a mérések ismételhetőségének és reprodukálhatóságá-
nak képességét. Ismételhetőség alatt a rendszer azon képességét értjük, hogy ugyan-
azon személy által, ugyanazon eszközzel, ugyanazokon az objektumokon végzett is-
mételt mérések objektumonként ugyanazokat a mért értékeket eredményezik. A re-
produkálhatóság annak a mértéke, hogy ugyanazon objektumokra vonatkozóan a mé-
résben résztvevő különböző személyek vagy eszközök mennyire képesek ugyanazokat
a mért értékeket eredményezni [4]. Mutatószámok mérésére alkalmazott mérőrend-
szerektől is jogosan elvárható, hogy a mérőrendszer, illetve az alkalmazott módszer
rendelkezzen e két fontos tulajdonsággal. Ugyanakkor, e két tulajdonság megléte
voltaképpen erősen függ a fent vázolt szubjektív elemektől. Az előző, humán telje-
sítmények mérésével kapcsolatos példánkra visszatérve, nem biztos az, hogy ha egy
adott munkatárs teljesítményét – feltételezve a tényleges teljesítmény állandó voltát
– közvetlen felettese többször egymás után megmérné és értékelné, akkor ugyanazok-
ra az eredményekre jutna. Még kevésbe gondoljuk azt – szintén állandó tényleges
teljesítményt feltételezve –, hogy más és más mérő-értékelő személyek ugyanazt a
teljesítményt állapítanák meg egy adott munkatárs esetén.
1.1.3. A mért és a mérő entitás által érzékelt jóság eltérése

Folyamatok jóságának mutatószámokkal történő kifejezését előre rögzített mérési
skálákon általában különösebb aggályok nélkül helyesnek fogadjuk el. Nem látunk
semmi kivetnivalót abban, hogy például a fent említett egyéni teljesítmények mérté-
két egy 0-tól 100-ig terjedő pontskálán fejezzük ki. Elbizonytalanodhatunk azonban
akkor, ha feltesszük a kérdést, hogy egy 90 pontnyi mért humán teljesítménnyel ren-
delkező munkatárs tényleges teljesítménye valóban kétszer akkora-e, mint egy másik
kollégáé, akinek teljesítményét a rendszer 45 pontban állapította meg. Bizonytalan-
ságunk forrása az, hogy a teljesítményt egy arányskálán (vagy más szóval lineáris
skálán) mérjük [5], miközben a tényleges, azaz a vállalat szervezete által érzékelt
teljesítményt egy ettől eltérő, általában nem-lineáris skála szerint próbáljuk érté-
kelni. Azt is mondhatjuk, hogy mérési skálának elfogadjuk a 0-tól 100-ig terjedő
7
arányskálát, de értékelési skálának nem feltétlenül. Az üzleti gyakorlatban az üzle-

ti folyamatok jellemzőinek mutatószámokkal történő mérése többnyire arányskálán
történik, ugyanakkor a mért értékek önmagukban nem képesek tükrözni a vizsgált
üzleti folyamat jóságának a vállalkozás szervezete vagy a mérést végző entitás által
észlelt szintjét.
1.2. Mérési eredmények értékelése

Az eddigiek alapján megállapíthatjuk, hogy a vállalkozások gyakorlatában az üzleti
folyamatok jellemzőinek mérése önmagában nem elegendő, a mérésen túl szükséges
olyan, a mért értékeket felhasználó értékelési módszerek alkalmazása, amelyek az
üzleti folyamatok jóságát úgy képesek értékelni, hogy az értékelés eredményei össz-
hangban vannak az értékelő entitás által az üzleti folyamatokhoz társított, észlelt
jósággal. Értékelő entitás alatt azt a személyt, vagy szervezetet értjük, aki, illet-
ve amely a mért értékek alapján az értékelést végzi. Ez lehet például a vállalkozás
(vállalat) szervezete, vagy a vállalkozás egy vevője, vagy a vevő szervezetét képviselő
emberek csoportja.
A továbbiakban egy üzleti folyamat jóságának értékelésére a következő lépésekből
álló módszert alkalmazzuk.
1. A folyamat egy jellemző attribútumának kijelölése. Ez voltaképpen egy üzle-

ti folyamat valamely jellemzőjének kiválasztását jelenti. Korábbi példánkban
ilyen jellemző a munkatársak humán teljesítménye.
2. A kiválasztott jellemzőhöz mutatószám hozzárendelése. Ilyen például az a

mesterségesen létrehozott mutató, amelynek segítségével a korábbi példában
bemutatott munkakörelemzésre épülő teljesítménymérési módszer alkalmazá-
sával egy munkatárs teljesítményét egyetlen számértékkel fejeztük ki.
3. A meghatározott mutatószám mérése. Ez nem más, mint a mutatószám konk-

rét értékeinek kijelölése a mérési skálán. A fenti, humán teljesítmény mérésére
vonatkozó példában ez az egyes munkatársakhoz tartozó mutató nagyságának
meghatározását jelenti a 0-tól 100 pontig terjedő mérőskálán.
4. A mutatószám mért értékeinek értékelése. A cél az, hogy a vállalkozás a mért

értékek alapján konzisztens döntéseket tudjon hozni. Ehhez a mért értékek
minősítése, értékelése szükséges, mégpedig úgy, hogy az értékelés eredményei
összhangban legyenek az értékelő entitás által az üzleti folyamatokhoz társított,
észlelt jósággal.
Tekintsünk egy mutatószámot, amellyel egy üzleti folyamat valamely jellemző-

jét mérjük. Ha a folyamat jóságáról szeretnék képet kapni, akkor az előző séma
alapján egy olyan értékelést végzünk, amelynek alapja a mutatószám mért értéke.
Tudjuk, hogy a mérés során fellépő különböző torzító hatások eredményeként előál-
ló mutatóérték alapján megvalósuló értékelés és az erre épülő döntés inkonzisztens
8
lehet. Másrészről, még ha maga a mérés tökéletesen mentes is lenne a bemuta-

tott torzításoktól, akkor is fennállna az értékelő entitás elkerülhetetlenül szubjektív
megközelítéséből adódó bizonytalanság. Fontos látni, hogy itt nem a mutatószám
mérésének szubjektív voltáról van szó, hanem a mutatószám mért értékeinek szub-
jektív értékeléséről. Olyan ez, mintha például egy tökéletesen működő mérőeszköz
segítségével mérnénk emberek magasságát, majd a mérési eredmények alapján álla-
pítanánk meg azt, hogy kik a magas emberek. Kétségtelen, hogy a legtöbben egy
200 cm magasságú személyről azt mondanák, hogy magas, és ugyanígy a legtöbben
egy 150 cm magas felnőttet nem tartanának magasnak. Sokkal nehezebb azonban a
helyzet akkor, ha egy 178 cm vagy egy 182 cm magas személyről kell eldöntenünk,
hogy magas-e. Nagyon sok, ezzel analógnak mondható problémával találkozhatunk
a vállalati és üzleti gyakorlatban. Ha például x egy munkatárs humán teljesítmé-
nyének egy rögzített és ismert teljesítménymérési módszer szerinti mért értéke, x
lehetséges értékei a 0 és 100 közötti valós számok, és feltételezzük, hogy nagyobb
x értékek nagyobb teljesítményekhez tartoznak, akkor egy 99-es mért értékkel ren-
delkező személy teljesítményét általában igen jónak, míg egy mindössze 3-as mért
értékkel rendelkező munkatárs teljesítményét általában igen gyengének tekintenénk.
Nehézséget okozhat azonban annak eldöntése, hogy egy 78-as mért teljesítményérték-
kel rendelkező kolléga teljesítménye megfelelő-e. Célunk az, hogy a mért magasságok,
illetve teljesítmények alapján egy konkrét mért magasságot, illetve teljesítményt ér-
tékelni tudjunk, azaz például el tudjuk dönteni, hogy egy személy magas-e, illetve
egy munkatárs teljesítménye megfelelő-e. Általánosan, a célunk az, hogy egy mu-
tatószámot egy üzleti folyamat valamely jellemzője mérőszámaként tekintve a mért
értékek alapján a folyamat jóságát értékeljük, majd az értékelés eredményeit alapul
véve hozzunk döntést.
Az értékelés szubjektivitásából adódó bizonytalanságot pedig alapvetően kétféle
módon kezelhetjük: vagy olyan „szabályokat” alkalmazunk, melyek az effajta bizony-
talanságot kizárják, vagy pedig olyan módszereket használunk, melyek alkalmasak a
bizonytalanság kezelésére. Az első, tradicionálisnak mondható megközelítés megva-
lósítása egyszerűen megtörténhet a klasszikus halmazelmélet jól ismert módszereinek
alkalmazásával. A második megközelítéshez pedig - több más lehetőség mellett - a
fuzzy halmazok elméletét alkalmazhatjuk. A következőkben a hagyományos, úgyne-
vezett "éles" értékelési módszerek bizonytalanságait mutatjuk be röviden.
1.2.1. A hagyományos értékelés

A hagyományos értékelési módszerek jellemzőit arra az egyszerű esetre mutatjuk be,
amikor az értékelés kimenetele két lehetséges érték, azaz a vizsgált jellemzőt vagy
megfelelőnek (jónak), vagy nem megfelelőnek (nem jónak) értékeljük. A tradicio-
nális értékelés itt bemutatásra kerülő jellemzői akkor is fennállnak, ha az értékelés
kimenetele kettőnél több lehetséges értékkel bír, ugyanakkor a téma tárgyalását egy-
szerűsíti, ha csupán a két lehetséges értékkel rendelkező esetet vizsgáljuk.
Legyen X az x mutatószám lehetséges értékeinek halmaza. A tradicionális meg-
közelítés lényege abban áll, hogy az x mutatószám lehetséges értékei alapján éles ha-
9
tárt húzunk a megfelelő és nem megfelelő tartományok között, azaz x-re vonatkozóan
megadjuk a megfelelő és nem megfelelő értékek tartományait. Ekkor voltaképpen az
x mutatószám alapján megfelelőnek (jónak) tekinthető folyamatot halmazként de-
finiáljuk. Jelöljük ezt a halmazt XJ -vel. XJ az X alaphalmaz egy élesen definiált
részhalmaza, amely – több más megadási mód mellett – karakterisztikus függvényé-
vel is megadható. Az X alaphalmazon az XJ halmaz karakterisztikus függvénye
a
µXJ : X → {0; 1} (1)

leképezés, amelyet így definiálunk [6]:
(
0, ha x 6∈ XJ
µXJ (x) = (2)
1, ha x ∈ XJ
A µXJ függvénynek X az értelmezési tartománya, az értékkészlete pedig a {0; 1}
kételemű halmaz, és µXJ (x) értéke 1, ha x ∈ XJ , illetve µXJ (x) értéke 0, ha x 6∈ XJ .
Fontos hangsúlyozni, hogy a karakterisztikus függvény egy alaphalmazt képez le a
{0; 1} kételemű halmazba, amelyet egy értékelő halmaznak tekinthetünk. Az értékelő
halmaz kételemű, így a halmazhoz tartozás élesen definiált, azaz az X univerzum
tetszőleges eleméről eldönthető, hogy hozzá tartozik-e az XJ halmazhoz vagy sem. A
vállalati, üzleti gyakorlatban a mutatószámok lehetséges értékei általában racionális
számok vagy olyan valós számok, amelyek tényleges mérése egy racionális skálán
történik. Nem okoz azonban zavart, ugyanakkor a téma tárgyalását megkönnyíti,
ha a mutatószámokat valós számoknak tekintjük, ezért a továbbiakban élünk ezzel
a feltételezéssel. Ezek alapján az X alaphalmaz többnyire a számegyenes, vagy
annak valamely részhalmaza. Az üzleti gyakorlatban az XJ halmaz éles kijelölésének
alapvetően az alábbi eseteivel találkozhatunk.
• XJ -t egy ≥ reláció határozza meg

Például egy munkatárs mért humán teljesítménye megfelelő, ha teljesítményé-
nek mért értéke 80 pont vagy annál nagyobb. Ebben az esetben a megfelelő
humán teljesítmények XJ halmazának karakterisztikus függvénye:
(
0, ha x < 80
µXJ (x) = (3)
1, ha x ≥ 80.
• XJ -t egy > reláció határozza meg

Például egy vállalkozás jövedelmezősége megfelelő, ha üzleti eredménye az ár-
bevétele 10%-át meghaladja. Természetesen a vállalkozás igyekszik eredményét
maximalizálni, de ha a profitja 10%-nál nagyobb, akkor az már elfogadható,
megfelelő. Ekkor a megfelelő jövedelmezőség XJ halmazának karakterisztikus
függvénye: (
0, ha x ≤ 10%
µXJ (x) = (4)
1, ha x > 10%.
10
• XJ -t egy < reláció határozza meg

Az XJ halmaz < relációval történő kijelölésére jó példa a megfelelő minőség
selejtaránnyal történő meghatározása. A minőség megfelelő, ha a selejtarány
1%-nál kisebb. A cél persze a selejtarány minimalizálása, ideális esetben pedig
a nulla selejtarány elérése. A megfelelő minőség (elfogadható selejtarány) XJ
halmazának karakterisztikus függvénye:
(
0, ha x ≥ 1%
µXJ (x) = (5)
1, ha x < 1%.
• XJ -t egy ≤ reláció jelöli ki

Egy vállalkozás szolgáltatási színvonala elfogadható, ha a határidőre le nem
szállított szolgáltatások aránya nem nagyobb, mint 2%. Az elfogadható szol-
gáltatási színvonal XJ halmazának karakterisztikus függvénye:
(
0, ha x > 2%
µXJ (x) = (6)
1, ha x ≤ 2%.
• XJ -t egy intervallum jelöli ki

Ilyen esetek például a következők.
– A raktárban található csomagolóanyag készlet nagysága megfelelő, ha an-
nak értéke 2000 és 3000 USA Dollár között van. Ha a készlet túl kicsi,
akkor az veszélyeztetheti a termelés folyamatosságát, ha túl nagy, akkor a
készletre lekötött tőke és a készlettartási költségek lehetnek szükségtelenül
nagyok.
– A forrasztáshoz használt forraszpaszta mennyisége egy érintkezőn meg-
felelő, ha a forraszpaszta magassága 100 és 120 mikron között van. Ha
a forraszpaszta magassága 100 mikronnál kisebb, akkor jó eséllyel nem
jön létre megfelelő forraszkötés, ha pedig a forraszpaszta magassága 120
mikronnál nagyobb, akkor fennáll a rövidzár keletkezésének veszélye.
– Egy termelő vállalat esetében a bérelt munkaerő aránya akkor megfelelő,
ha az 20% és 30% között van. Ha ez az arány 20% alatt van, akkor a
vállalat számára túlzottan merev munkaerő struktúra alakul ki, ha pedig
az arány 30% felett van, akkor a munkaerő költségek válnak túlzottan
magassá.
A hagyományos (éles) értékelés jellemzőinek tárgyalásához tekintsük a fenti, hu-

mán teljesítmény értékelésére vonatkozó példánkat. Eszerint egy munkatárs mért
humán teljesítménye megfelelő, ha teljesítményének mért értéke 80 pont vagy annál
nagyobb. Ekkor a megfelelő humán teljesítmények XJ halmazának µXJ (x) karakte-
risztikus függvénye (3) a 79 helyen 0 értéket vesz fel, azaz a 79-es mért érték nem
tartozik a megfelelő teljesítmények halmazába. Akkor ez a teljesítmény valóban nem
megfelelő? Jelenti-e ez azt, hogy a munkatárs teljesítménye nem értékes a vállalkozás
számára, vagy nem járul hozzá a vállalkozás sikeréhez?
11
2. Fuzzy halmazok
Választ keresve a fenti kérdésekre, arra a felismerésre juthatunk el, hogy ebben az
esetben a kétértékű karakterisztikus függvény szerinti értékelés túlzottan szigorú.
Tudjuk, hogy a 79-es pontértékű teljesítmény egy absztrakció, egy mesterségesen
létrehozott rendszer által adott eredmény, voltaképpen egy szigorúan alkalmazott
szabály eredménye. Tudva azt, hogy a küszöbérték 80 pont, a 79-es pontértékű tel-
jesítményről sokan talán azt mondanák, hogy "majdnem jó", "majdnem megfelelő",
"nem rossz", vagy "közel jó". Ezek a minősítések hétköznapi nyelvhasználatunkban
ugyanazt a jóságot írják körül, de matematikai értelemben véve nem precíz módon,
hanem határozatlanul és pontatlanul. Ez a határozatlanság és pontatlanság azonban
az emberi gondolkodás és hétköznapi nyelvhasználat természetéből fakad [7]. Min-
dennapi fogalmaink, melyekkel a világot leírjuk, meglehetősen pontatlanok, gyengén
definiáltak. Gondoljunk például a "szép virág", a "jó autó" vagy az "idős ember" ki-
jelentésekre. A vállalatok, vállalkozások világában is lépten-nyomon találkozhatunk
olyan minősítő kijelentésekkel, mint a "megbízható beszállító", "stratégiai partner",
"közepesen jövedelmező üzlet", "hatékony gyártási folyamat", "közepes teljesítmény"
vagy "elfogadható profit". Ezek a minősítések elnagyoltak és pontatlanok, de mégis
széles körben használtak és mindenki által elfogadottak. Ha megpróbálunk precí-
zek lenni, és ennek érdekében mutatószámokat rendelünk a felsorolt jellemzőkhöz
és mérjük azokat, akkor a számszerűsítés révén nagyobb egzaktságot és egyértelmű
minősíthetőséget, értékelhetőséget remélünk. Ez azonban a legtöbb esetben nem
teljesül, mint ahogy azt a humán teljesítmény minősítésével foglalkozó példa is alá-
támasztja. Ennek oka az, hogy világunk alapvetően fuzzy, vagyis életlen, pontatlan,
ezért a hagyományos, kétértékű karakterisztikus függvény szerinti minősítés túlzot-
tan korlátozó [8].
Vegyük például a fent említett, közepesen jövedelmező üzlet kijelentést. Ha a kö-
zepesen jövedelmező üzletek halmazát a profitráta, mint mutatószám alapján élesen
definiáljuk, például úgy, hogy egy üzlet pontosan akkor tartozik a közepesen jöve-
delmező üzletek halmazához, ha annak profitrátája 5% és 10% között van, akkor az
így meghatározott halmaz µ(x) karakterisztikus függvényének grafikonja az 1. ábra
szerinti, amelyen x a profitrátát jelöli.
12
1. ábra. Az élesen definiált közepesen jövedelmező üzletek halmaz karakterisztikus

függvényének grafikonja
A karakterisztikus függvény a közepesen jövedelmező üzletek halmazához tartozás

mértékét adja meg minden profitrátára: ez a mérték pedig csak a 0 vagy 1 érték
valamelyike lehet. Ezen éles definíció szerint egy 4,8%-os vagy egy 10,1%-s profit-
rátájú üzletet már nem tekintenénk közepesen jövedelmezőnek. Hétköznapi gondol-
kodásunk szerint azonban inkább közel, vagy majdnem közepesen jövedelmezőnek
tekintenénk ezeket az üzleteket, és általában ugyanezt mondanánk egy 5%-nál csak
kicsivel nagyobb és 10%-nál csak kicsivel kisebb profitrátájú üzletről is. Az emberi
természetből fakadó fuzzy megközelítés alapján [9], inkább egy a 2. ábrán látha-
tó µ(F ) (x) halmazhoz tartozási függvénygrafikonhoz hasonló alapján sorolunk egy
üzletet a közepesen jövedelmezők közé.
13
2. ábra. Fuzzy értelemben vett közepesen jövedelmező üzletek halmazának egy le-
hetséges halmazhoz tartozási függvénygrafikonja
Ezek szerint hajlunk arra, hogy a halmazhoz tartozás mértékét ne csak az 1 (hal-
mazhoz tartozik) és a 0 (nem tartozik a halmazhoz) értékekkel adjuk meg. Ezek a
függvények, szemben a karakterisztikus függvénnyel, a halmazhoz tartozás mértékét
a 0 és 1 közötti folytonos skálán fejezik ki úgy, hogy minél nagyobb a függvény-
érték, annál nagyobb a halmazhoz tartozás mértéke. A bemutatott függvénygörbe
csupán egy példát mutat egy lehetséges halmazhoz tartozási definícióra, a gyakorlati
alkalmazásokban természetesen nagyon sokféle, igen változatos alakú függvénygörbe
felhasználható a halmazhoz tartozás mértékének kifejezésére. Ezek közül, a téma
irodalmában széles körben alkalmazott és hivatkozott típusokat – a teljesség igénye
nélkül – a 2.2 szakaszban mutatjuk be röviden.
2.1. Fuzzy halmazok és tagsági függvényeik

Zadeh [10] a fuzzy halmazok és az azokat definiáló tagsági függvények fogalmainak
bevezetésével az információ reprezentálásának egy olyan módját teremtette meg,
amely jobban harmonizál az emberi fogalom- és nyelvhasználattal, mint a kétértékű
karakterisztikus függvényekre és az általuk definiálható éles (klasszikus) halmazokra
építő tradicionális megközelítés.
Az eddigi jelöléseket alkalmazva egy x mutatószám lehetséges értékeinek X hal-
mazán, mint alaphalmazon értelmezett H (F ) fuzzy halmaz Retter Gyula [11, 21-22.
o.] nyomán a n o
(F )
H (F ) = x, µH (x) : x ∈ X (7)
rendezett párokból álló halmaz, ahol
(F )
µH : X → [0, 1] . (8)
14
(F )
A µH leképezést a H (F ) fuzzy halmaz tagsági függvényének (halmazhoz tartozási
függvényének) nevezzük. A tagsági függvény tulajdonképpen a
µH : X → {0; 1} (9)
{0; 1} értékelő
karakterisztikus függvény általánosítása, áttérés a kételemű halmazról
(F ) (F )
a [0, 1] értékelő intervallumra. A H fuzzy halmaz az x, µH (x) rendezett pá-
(F )
rokból áll, azaz az X alaphalmaz minden x elemének van egy µH (x) tagsági értéke
a [0, 1] intervallumban. Ez a tagsági érték adja meg, hogy egy x elemnek mekkora a
halmazhoz tartozási mértéke.
Fuzzy halmazok szélső esetei megfelelnek a klasszikus halmazelmélet határesete-
inek [12]:
(F )
• Az X alaphalmaz µX tagsági függvénye olyan, hogy minden x ∈ X esetén
(F )
µX (x) = 1, azaz az alaphalmaz minden eleme 1 tagsági értékkel az alaphal-
mazhoz tartozik.
(F )
• Egy H fuzzy halmaz üres halmaz, ha minden x ∈ X esetén a µH (x) tagsági
függvényérték nulla.
2.1.1. Fuzzy halmazok tagsági függvényei, mint értékelő függvények

Az eddigiek alapján azt mondhatjuk, hogy egy jó (megfelelő) üzleti folyamatot -
mint fuzzy halmazt - meghatározó tagsági függvény egy olyan értékelést testesít
meg, amely az adott üzleti folyamathoz társított mutatószám konkrét értéke alap-
ján a [0, 1] skálán értékeli az üzleti folyamat jóságát. Ebben az értelemben tehát
egy fuzzy tagsági függvény értékelő függvénynek tekinthető. Fontos kiemelni, hogy
az üzleti folyamatok jóságának fuzzy értelmezése lehetővé teszi, hogy e folyamatok
jóságát, mért mutatószámok alapján úgy értékeljük, hogy egyrészt kezeljük az érté-
kelés bizonytalanságait, másrészt az értékelés eredménye összhangban van az értékelő
entitás által észlelt értékekkel. A hétköznapokban és az üzleti világban egyaránt na-
gyon sok elnagyolt és pontatlan kijelentéssel, minősítéssel, értékeléssel találkozunk,
ezért azt mondhatjuk, hogy világunk alapvetően fuzzy. A „fuzzy” angol jelző életlent
vagy elmosódottat jelent magyarul. A fuzzy halmazok elmélete azonban matematikai
szempontból teljesen egzakt tagsági függvényeket alkalmaz, így maga a felhasznált
eszköztár már egyáltalán nem fuzzy.
2.2. Nevezetes tagsági függvénytípusok

A kérdés az, hogy egy konkrét üzleti folyamat vagy jellemző esetén a folyamathoz
vagy a jellemzőhöz társított mutatószám alapján hogyan határozzuk meg a jó (megfe-
lelő) folyamat, illetve jó (megfelelő) jellemző, mint fuzzy halmaz tagsági függvényét.
Általánosságban, adott feladathoz alkalmas tagsági függvény megtalálásának
alapvetően két útja van [12]. Az egyik lehetőség az, hogy szakértői ismeretek alapján
15
határozzuk meg a függvény jellegét, majd annak paramétereit úgy hangoljuk, hogy
az a konkrét alkalmazás esetén előre rögzített kritériumoknak eleget tegyen. A má-
sik lehetőség az, hogy mérési vagy megfigyelési adatokból indulunk ki, és többnyire
neurális hálózatokra valamint genetikus algoritmusokra épülő módszerek segítségé-
vel adjuk meg a tagsági függvényt. E témakör egy jó áttekintését adja Johanyák
és Kovács [13] munkája, amelyben tagsági függvények megválasztási szempontjai
mellett a függvények jellemzőinek meghatározási módszereit is tárgyalják. Ebben a
szakaszban a legismertebb tagsági függvény típusokat mutatjuk be röviden, majd a
menedzsment területén történő jó alkalmazhatóságuk miatt két típussal, a logisztikus
(szigmoid), illetve egy a logisztikust jól közelítő racionális törtfüggvénnyel foglalko-
zunk részletesebben.
Legyen az X alaphalmaz a valós számegyenes valamely intervalluma, H pedig
egy fuzzy halmaz az X alaphalmazon. A következőkben µ(x) a H fuzzy halmaz egy
tagsági függvényének helyettesítési értékét jelöli az x ∈ X helyen.
2.2.1. Háromszög tagsági függvény

A H fuzzy halmaz háromszög (trianguláris) tagsági függvénye az a, b, c paraméte-
rekkel (a, b, c ∈ X, a < b < c):



0, ha x ≤ a

 x−a
, ha a < x ≤ b



µ(x) = b−a (10)
c−x

 , ha b < x ≤ c
c−b




0, ha x > c.

A 3. ábrán egy trianguláris tagsági függvény grafikonja látható.
3. ábra. Háromszög (trianguláris) tagsági függvény grafikonja az a = 3, b = 6, c = 8

paraméterekkel
16
2.2.2. Trapéz tagsági függvény

A H fuzzy halmaz trapéz tagsági függvénye az a, b, c, d paraméterekkel (a, b, c, d ∈
X, a < b < c < d):


 0, ha x ≤ a

 x − a
, ha a < x ≤ b



b−a


µ(x) = 1, ha b < x ≤ c (11)
d − x


, ha c < x ≤ d



d−c



0, ha x > d.

A 4. ábrán egy trapéz tagsági függvény grafikonja látható.
4. ábra. Trapéz tagsági függvény grafikonja az a = 1, b = 5, c = 7, d = 8 paraméte-

rekkel
2.2.3. Gauss-tagsági függvény

A H fuzzy halmaz Gauss-tagsági függvénye a c, σ paraméterekkel (c, σ ∈ X, c > 0):
2
1 x−c

−
µ(x) = e 2 σ (12)
A c paraméter a Gauss-görbe középpontját, a pozitív σ szórás paraméter a függvény-

görbe szélességét határozza meg (5. ábra).
17
5. ábra. Gauss-tagsági függvény grafikonja a c = 5, σ = 1, 5 paraméterekkel
2.2.4. Harang (Bell) tagsági függvény

A H fuzzy halmaz általánosított harang tagsági függvénye az a, b, c paraméterekkel
(a, b, c ∈ X, a 6= 0, b > 0):
1
µ(x) = (13)
x − c 2b

1+
a
A 6. ábrán egy általánosított harang tagsági függvény grafikonja látható.
6. ábra. Harang tagsági függvény grafikonja az a = 2, b = 5, c = 6 paraméterekkel
18
A függvénygörbe meredeksége a c + a helyen −b/(2a). Érdemes megjegyezni, hogy

a függvény a nulla értéket sehol nem veszi fel, a pozitív és negatív végtelenben vett
határértékei viszont nullával egyenlők. Ez azonban a függvény gyakorlati alkalmaz-
hatóságát nem befolyásolja.
2.2.5. S-alakú, másodfokú tagsági függvény

A H fuzzy halmaz S-alakú, másodfokú tagsági függvénye az a, b paraméterekkel
(a, b ∈ X, a < b):

0,

 ha x ≤ a
x−a 2

a+b


2 , ha a < x ≤


µ(x) = b−a 2 (14)
x−b 2 a+b



 1 − 2 , ha <x≤b
b−a 2





1, ha x > b.
A 7. ábrán egy S-alakú tagsági függvény grafikonja látható. A függvény a és b

paramétere az S-alakú függvénygörbe bal, illetve jobb oldali nyúlványának végét,
illetve kezdetét határozza meg.
7. ábra. S-alakú, másodfokú tagsági függvény grafikonja az a = 1, b = 8 paraméte-

rekkel
19
2.2.6. Z-alakú, másodfokú tagsági függvény

A H fuzzy halmaz Z-alakú, másodfokú tagsági függvénye az a, b paraméterekkel
(a, b ∈ X, a < b):



 1, ha x ≤ a
x−a 2

a+b


1 − 2 , ha a < x ≤


µ(x) = −a
b 2 (15)
x−b 2 a+b



 2 , ha <x≤b
b−a 2





0, ha x > b.
A 8. ábrán egy Z-alakú tagsági függvény grafikonja látható. A függvény a és b pa-

ramétere a Z-alakú függvénygörbe bal, illetve jobb oldali nyúlványának végét, illetve
kezdetét határozza meg. (14) és (15) alapján látható az S- és Z-alakú, másodfo-
kú tagsági függvények közötti kapcsolat, nevezetesen az, hogy egy a, b paraméterű
S-alakú, másodfokú és egy szintén a, b paraméterű Z-alakú, másodfokú tagsági függ-
vény összege minden x-re 1.
8. ábra. Z-alakú, másodfokú tagsági függvény grafikonja az a = 1, b = 8 paraméte-

rekkel
2.2.7. Szigmoid tagsági függvény

A H fuzzy halmaz szigmoid tagsági függvénye az a, c paraméterekkel (a, c ∈ X, a 6=
0):
1
µ(x) = −a(x−c)
(16)
1+e
20
A függvény szigorúan monoton növekedő, ha a pozitív és szigorúan monoton csök-

kenő, ha a negatív. A függvénygörbe szimmetrikus a (c; 0, 5) pontra és ebben a
pontban a függvénygörbe meredeksége a4 . A függvény a 0 és az 1 értékeket nem veszi
fel. Ugyanakkor, mivel (
1, ha a > 0
lim µ(x) = (17)
x→∞ 0, ha a < 0,
(
0, ha a > 0
lim µ(x) = (18)
x→−∞ 1, ha a < 0,
így a szigmoid függvény a gyakorlatban jól alkalmazható S-, illetve Z-alakú tagsági
függvényként. A 9. ábrán egy S- és egy Z-alakú függvénygörbéjű szigmoid függvény
grafikonja látható.
9. ábra. Szigmoid tagsági függvények grafikonjai az a = 2, c = 4, illetve a = −2,

c = 4 paraméterekkel
2.3. Értékelés a logisztikus függvénnyel és közelítésével

Tudjuk, hogy a fuzzy tagsági függvények olyan értékelő függvényeknek tekinthetők,
amelyek segítségével egy alkalmasan választott mutatószám értéke alapján egy üzleti
folyamat jósága azáltal kerül kifejezésre, hogy mekkora mértékben tartozik a jó fo-
lyamatok fuzzy halmazához. Ebben a szakaszban az előző pontban tárgyalt szigmoid
függvényt, amelyet logisztikus függvénynek is neveznek, mint értékelő függvényt mu-
tatjuk be. Látni fogjuk, hogy a logisztikus függvény olyan értékelést testesít meg,
amely jól harmonizál az üzleti életben gyakran alkalmazott értékelési megfontolá-
sokkal.
21
Induljunk ki abból, hogy az x mutatószámot az [xS , xE ] mérési skálán mérjük, s

tegyük fel, hogy az x által mért üzleti folyamat vagy jellemző jósága x-nek valamilyen
monoton növekvő E függvénye. Például egy beszállító teljesítményét annál jobbnak
értékeljük, minél nagyobb a teljesítmény mérésére szolgáló x mutatószám értéke.
E feltételezésünk, miszerint E szigorúan monoton növekedő, azt jelenti hogy minél
nagyobb x értéke, annál nagyobb a vizsgált üzleti folyamat vagy jellemző jósága.
Tegyük fel továbbá, hogy
(
0, ha x ≈ xS
E(x) ≈ (19)
1, ha x ≈ xE .
Tehát az értékelő függvényünktől azt várjuk, hogy helyettesítési értéke közel 0 legyen,
ha x közel van a mérési skála xS kezdőpontjához, és közel 1 legyen, ha x közel van
a mérési skála xE végpontjához. A beszállítói teljesítmény értékelése esetén ez azt
jelenti, hogy a beszállítót rosszul teljesítőnek értékeljük, ha a teljesítmény mért értéke
a mérési skála kezdőpontjához van közel, és jól teljesítőnek akkor, ha teljesítményének
mért értéke a mérési skála végpontjához közeli. A (19) közelítő egyenlőségek csak
az értékeléssel kapcsolatos alapvető elvárásokat fogalmazzák meg, de nem nyújtanak
támpontot ahhoz, hogy milyen értékeket vegyen fel az E értékelő függvény az xS -től
és xE -től jelentősen eltérő helyeken.
Az értékelő függvény további jellemzőinek azonosításához, a beszállítói teljesít-
mény értékelését példaként véve, hajtsuk végre a következő – a legtöbb üzleti folya-
mat értékelésére alkalmazható – gondolatkísérletet. Vegyünk két olyan, xS,1 és xS,2
mért beszállítói teljesítményt, amelyek közel vannak xS -hez és legyen xS,2 egy picivel
nagyobb, mint xS,1 , de továbbra is xS,1 ≈ xS és xS,2 ≈ xS . Egy beszállító gyengén
teljesít, azaz a megfelelően teljesítő beszállítók halmazához tartozásának mértéke
közel nulla, ha x ≈ xS . Mivel xS,1 < xS,2 , és az E függvényt szigorúan monoton nö-
vekedőnek feltételeztük, ezért E(xS,1 ) ≤ E(xS,2 ). Ha a mért beszállítói teljesítmény
eléggé kicsi, akkor nagyjából mindegy, hogy mennyire kicsi, ilyenkor ugyanis a válla-
lat számára – mint értékelő entitás számára – hordozott érték nagyjából nulla, azaz
az E függvény ugyan monoton növekvő az xS hely közelében, de itt növekedése kicsi,
azaz E(xS,2 ) − E(xS,1 ) ≈ 0. Azt mondhatjuk tehát, hogy ha az E(x) függvényérték
nulla közeli, akkor a függvénygörbe meredeksége is nulla közeli. Ha a mért beszállítói
teljesítmény a mérési skála xE végpontjához közeli érték, azaz E(x) ≈ 1, akkor x
további növekedése már szinte nulla növekedést eredményez beszállítói teljesítmény
E(x) értékében. Azt mondhatjuk tehát, hogy ha az E(x) függvényérték 1 közeli,
akkor a függvénygörbe meredeksége nulla közeli.
Ha az eddigiek alapján azt feltételezzük, hogy az E értékelő függvény meredeksé-
gét a függvényérték mind nullától, mind egytől számított távolsága határozza meg, és
a függvény meredeksége állandó arányban áll e két távolsággal, akkor az E függvény
szerinti értékelést logisztikus értékelésnek nevezzük. Logisztikus értékelés esetén az
E értékelő függvény eleget tesz a
∆E(x)
= a [1 − E(x)] [E(x) − 0] (20)
∆x
22
differenciaegyenletnek, ahol a 6= 0 egy állandó arányossági tényező. Ha a pozitív,

akkor E növekedő, ha a negatív, akkor E csökkenő. A 10. ábra az E logisztikus
értékelő függvény görbéje meredekségének változását mutatja a > 0 esetén.
10. ábra. Az értékelő függvény meredekségének változása logisztikus értékelés esetén
A (20) egyenletben infinitezimális mennyiségekre áttérve a
dE(x)
= a [1 − E(x)] E(x) (21)
dx
differenciálegyenlet adódik, amelyet logisztikus egyenletnek neveznek. A logisztikus
egyenletnek számos biológiai, kémiai, gazdasági és számítástudományi alkalmazása
ismert. Alkalmazásának gyökerei egészen a 19. századig nyúlnak vissza, amikor
Verhulst belga matematikus 1838-ban elsőként használta az egyenletet és segítségével
populációk növekedését modellezte [14].
Az üzleti gyakorlatban, a legtöbb esetben – ahogy ezt a beszállítói teljesítmény
értékelésére vonatkozó példa segítségével a gondolatkísérleten keresztül láttuk – a
mutatószámok mért értékei alapján történő értékelés olyan meredekségi tulajdonsá-
gokkal rendelkező értékelő függvényekkel történik, amelyek eleget tesznek a logiszti-
kus egyenletnek. Az értékelő függvény meredekségére vonatkozó jellemezőket a (21)
egyenlet úgy ragadja meg, hogy E(x) annál meredekebb, minél messzebb van mind
0-tól, mind 1-től, és ezt a meredekséget az a arányossági tényező határozza meg.
Ahhoz azonban, hogy ne csak a 0-ból 1-be történő átmenet meredekségét tudjuk
megadni, hanem azt is, hogy ez az átmenet a mérési skála mely pontja körül tör-
ténjen meg, éljünk azzal az elvárással, hogy E helyettesítési értéke a c ∈ (xS , xE )
helyen legyen 21 . Ezen elvárás megadása azért szükséges, mert a gyakorlatban a
mért x értékekkel monoton növekvő értékelések esetén az értékelő függvénynek –
23
vagy más szavakkal a megfelelő halmazhoz tartozás mértékének – a nullából egybe

történő átmenete valamely mért x érték környezetében történik meg. Szélső esetben,
amikor a fuzzy értelemben vett jóság helyett az éles halmazhoz tartozást alkalmaz-
nánk, akkor lenne egy küszöbérték, amelynél a karakterisztikus függvény nullából
egybe „ugrana”. A fuzzy megközelítésű értékeléstől elvárjuk, hogy a hagyományos
karakterisztikus értékelés egyfajta általánosítása legyen, ezért nem meglepő, hogy
itt is várunk egy olyan – sok esetben explicit módon ugyan ki sem fejezett – kvázi
küszöbértéket, amely körül a nullából egybe történő átmenet megvalósul. Az
1
E(c) = (22)
2
kritérium mellett, a változók szeparálása után a (21) differenciálegyenlet megoldása
1
E(x) = Sa,c (x) = , (23)
1+ e−a(x−c)
amely megegyezik a (16) szerinti szigmoid függvénnyel.
2.3.1. Kvázi logisztikus értékelés

Tudjuk, hogy az Sa,c szigmoid függvény a 0 és 1 értékeket nem veszi fel, azonban para-
métereinek megfelelő választása mellett elérhető, hogy ezeket az értékeket az [xS , xE ]
intervallum végpontjaiban az adott alkalmazás szempontjából kielégítő pontossággal
közelítse. Ha a logisztikus értékeléshez közeli értékelést szeretnénk megvalósítani és
az alkalmazás megkívánja, hogy az értékelő függvény az [xS , xE ] skála végpontjaiban
pontosan a 0, illetve 1 értéket vegye fel, akkor érdemes az Sa,c logisztikus függvényt
(a > 0) az
Eω,c,xS ,xE : [xS , xE ] → [0, 1]
x − xS ω

x − xS (24)
Eω,c,xS ,xE (x) = E
x − xS ω
ω
c − xS x − xS

+ 1−
xE − xS xE − c xE − xS
kvázi logisztikus függvénnyel közelíteni, ahol ω > 0. Ha az Eω,c,xS ,xE függvény ω
paraméterét úgy választjuk meg, hogy
a(xE − c)(c − xS )
ω= , (25)
xE − xS
akkor Eω,c,xS ,xE jól közelíti az Sa,c függvényt (első rendben illeszkedik hozzá), mi-
közben Eω,c,xS ,xE (xS ) = 0 és Eω,c,xS ,xE (xE ) = 1 teljesül [15], [16]. Megjegyezzük,
hogy az Eω,c,xS ,xE függvény az alábbi alakban is megadható:
Eω,c,xS ,xE : [xS , xE ] → [0, 1]



 0, ha x = xS
(26)


1
Eω,c,xS ,xE (x) = , ha x ∈ (xS , xE ].
c − xS xE − x ω


1 +


xE − c x − xS
24
2.3.2. Példa a logisztikus értékelésre

Egy termelő vállalat egy új projektjének indításához 15 új indirekt munkatársat
vett fel. Indirektnek tekintjük azokat a kollégákat, akik a gyártott termék elkészí-
tésében közvetlenül nem vesznek részt, tevékenységükkel közvetett módon képeznek
hozzáadott értéket. A 15 új kolléga között beszerzők, vevőkapcsolati munkatársak,
gyártástechnológusok, elektronikai teszt mérnökök, termeléstervezők, karbantartó
mérnök, műszakvezetők, termelésvezető, minőségbiztosítási mérnök és projekt me-
nedzser munkatársak voltak. A vállalat menedzsmentje úgy döntött, hogy a felvett
munkatársak teljesítményét – az előre meghatározott teljesítménycélok figyelembe
vételével – munkájuk első három hónapja után megméri. Ehhez egy olyan mérési
módszert alkalmaztak, amely 4 kategóriában, összesen 14 szempont szerint mérte
a humán teljesítményt. Az értékelő személy minden szemponthoz egy számértéket
rendelt a 0-tól 10-ig terjedő skálán (0 a leggyengébb, 10 a legjobb), s az így kapott
összesen 14 db számérték szempontokhoz rendelt súlyokkal vett súlyozott átlagaként
adódott a teljesítmény mért értéke a 0-tól 10-ig terjedő mérési skálán.
A mérés célja az volt, hogy az új kollégák teljesítményeiről eldöntsék, hogy azok
megfeleltek-e az elvárásoknak. A vállalat gyakorlata szerint a legalább 7 pontot elért
kollégák teljesítményét megfelelőnek értékelik. A mérés és a hagyományos értékelés
eredményeit az 1. táblázat foglalja össze. (A hagyományos értékelés 0 kimenete
jelenti a nem megfelelést.)
1. táblázat. Humán teljesítmények mért értékei és hagyományos értékelésük
Hagyományos
Munkatárs Mért teljesítmény
értékelés
M1 4,1 0
M2 2,8 0
M3 7,6 1
M4 9,1 1
M5 9,4 1
M6 6,8 0
M7 7,1 1
M8 6,9 0
M9 1,8 0
M10 8,2 1
M11 7,5 1
M12 8,3 1
M13 6,3 0
M14 6,8 0
M15 6,7 0
Az 1. táblázat szerinti hagyományos (éles) értékeléssel kapcsolatban az alábbi

problémák merülnek fel.
25
• A legalacsonyabb pontszámokat elért kollégák (M2, M9) észlelt teljesítménye

és a legmagasabb pontszámú kollégák (M4, M5) észlelt teljesítménye közötti
különbség jóval nagyobb, mint ahogy azt a pontszámok tükrözik.
• A 8,3 pontszámú M12-es kolléga és a 9,1 pontszámú M4-es kolléga teljesítménye

között nincs lényeges különbség, legalábbis a kettő között nincs közel 10%-os
eltérés, mint ahogy ezt a pontszámok magyarázzák.
• Az M6, M8, M14 és M15 munkatársak teljesítménye nem annyira rossz, hogy
azok ne felelnének meg, „kis jóindulattal” azok is megfelelnek.
A fenti észrevételek alapján végezzük el a mért teljesítmények logisztikus értékelését!

A logisztikus értékelés elvégzéséhez meg kell határoznunk az Sa,c szigmoid függvény
paramétereit. Ennek egyik módja lehet az, ha az értékelő entitás (esetünkben a vál-
lalat menedzsmentje) kijelöli az Sa,c értékelő függvény görbéjének két pontját. Mivel
a függvény két paramétert tartalmaz, így a függvénygörbe két pontjának megadásá-
val a függvény paraméterei egyértelműen meghatározhatóak, s ezáltal a függvényt az
adott feladathoz hangoljuk. Tegyük fel, hogy a vállalat menedzsmentje az 5-ös mért
teljesítményhez a 0,4-es, a 7-es mért teljesítményhez pedig a 0,85-ös értéket rendeli
az értékelési skálán. Ekkor az
1
0, 4 =
1 + e−a(5−c)
(27)
1
0, 85 = −a(7−c)
1+e
egyenletrendszerből a = 1, 07, c = 5, 38 adódik. Ezekkel a paraméterekkel a függvény
helyettesítési értéke a mérési skála kezdő- és végpontjában rendre 0,0032 és 0,9929,
azaz ezeken a helyeken a függvény közel 0, illetve 1 értékű, így értékelő függvényként
alkalmazható.
26
2. táblázat. Humán teljesítmények mért értékei, hagyományos- és logisztikus értéke-

lésük
Hagyományos Logisztikus
Munkatárs Mért teljesítmény
értékelés értékelés
M1 4,1 0 0,2027
M2 2,8 0 0,0595
M3 7,6 1 0,9149
M4 9,1 1 0,9817
M5 9,4 1 0,9866
M6 6,8 0 0,8205
M7 7,1 1 0,8630
M8 6,9 0 0,8357
M9 1,8 0 0,0212
M10 8,2 1 0,9534
M11 7,5 1 0,9062
M12 8,3 1 0,9579
M13 6,3 0 0,7280
M14 6,8 0 0,8205
M15 6,7 0 0,8041
A logisztikus értékelés eredményeként kapott értékek a megfelelő humán teljesít-

ményű munkatársak fuzzy halmazához tartozás tagsági értékei. Ezekkel a számérté-
kekkel jobb minőségben tudjuk kifejezni azt, hogy egy munkatárs mekkora mértékben
tartozik a jó teljesítményűek halmazához, szemben a hagyományos (karakterisztikus)
értékelés eredményével, amely csak a „halmazhoz tartozik”, illetve a „nem tartozik a
halmazhoz” eredményeket szolgáltatja. A logisztikus értékelés eredményeként az ér-
tékelési skálán kapott teljesítményértékek jobban összhangban állnak a menedzsment
teljesítményekkel kapcsolatos észleléseivel, mint a puszta mért értékek.
Ha a menedzsment mindenképpen éles döntéseket szeretne hozni az értékelt tel-
jesítmények alapján, akkor meg kell még adnia egy olyan teljesítményértéket az ér-
tékelési skálán, amelynél nagyobb vagy azzal egyenlő értékű teljesítményeket megfe-
lelőnek tart. Ez nagyon hasonlít a hagyományos döntési elvhez, de minőségében itt
egészen másról van szó. A tradicionális döntés (értékelés két lehetséges kimenettel)
alapját olyan mért teljesítmények adják a mérési skálán, melyek jóval kevésbé állnak
összhangban a vállalat által észlelt teljesítményekkel, mint a logisztikus értékeléssel
kapott eredmények az értékelési skálán.
2.4. Fuzzy halmazok jellemzői

A fuzzy halmazok és azokat definiáló tagsági függvények megismerése után fuzzy
halmazok néhány további jellemzőjét tárgyaljuk. Legyen X továbbra is egy éles
alaphalmaz, amely a valós számok valamely nem üres részhalmaza.
27
Fuzzy halmaz szupportja. Azt mondjuk, hogy az X alaphalmazon értelmezett

H fuzzy halmaz szupportja az S(H) éles halmaz, ha S(H) mindazokat az x ∈ X
elemeket tartalmazza, amelyekre H µH (x) tagsági függvénye pozitív. Formálisan:
S(H) = {x ∈ X : µH (x) > 0}. (28)
A magyar szakirodalomban egy fuzzy halmaz szupportját szokás tartóhalmaznak

nevezni.
Fuzzy halmaz magja. Az X alaphalmazon értelmezett H fuzzy halmaz magja a

C(H) éles halmaz, ha C(H) mindazokat az x ∈ X elemeket tartalmazza, amelyekre
H µH (x) tagsági függvénye 1 értékű, azaz
C(H) = {x ∈ X : µH (x) = 1}. (29)
A C jelölés a Core kifejezésre utal.
Normalizált fuzzy halmaz. Azt mondjuk, hogy az X alaphalmazon értelmezett

H fuzzy halmaz normalizált, ha magja nem üres. Ez azt jelenti, hogy létezik legalább
egy olyan x ∈ X, amelyre H µH (x) tagsági függvénye 1 értékű.
Fuzzy szingleton. Azt az X alaphalmazon értelmezett fuzzy halmazt, amelynek

szupportja és magja az egyetlen x0 ∈ X pont, fuzzy szingletonnak nevezzük (11.
ábra).
11. ábra. Fuzzy szingleton
28
2.5. Műveletek fuzzy halmazokkal

Tudjuk, hogy a fuzzy halmazok tagsági függvényei értékeléseket testesítenek meg. A
műszaki, gazdasági alkalmazásokban gyakran van szükség arra, hogy egy mutató-
szám felhasználásával két, vagy több kritérium szerint értékeljük a mutatószám éles
értékeit. A többtagú fuzzy halmazműveletek több fuzzy halmaz egyedi értékeléseiből,
azaz azok egyedi tagsági függvényeiből képeznek egy eredő tagsági függvényt, amely
egy eredő fuzzy halmazt reprezentál. Gondoljunk például arra, hogy az x profitrá-
ta - mint mutatószám - alapján egy vállalkozást mind jövedelemtermelő képessége,
mind pedig növekedési képessége szerint egyszerre szeretnénk értékelni. Ekkor pél-
dául a "jól jövedelemtermelő képességű" és "jó növekedési képességű" fuzzy halmazok
metszetét adjuk meg.
Klasszikus (éles) halmazok esetén a metszet (és kapcsolat), az unió (vagy kap-
csolat) és a komplementum képzés (negáció), mint három alapművelet segítségével
kapcsolhatunk össze halmazokat úgy, hogy az összekapcsolás eredményeként hal-
maz keletkezik. (A komplementum képzés egyoperandusú művelet, azaz mindig egy
halmazra vonatkozik.) Ebben a szakaszban a fuzzy halmazokon értelmezhető hal-
mazműveletek alapjait tárgyaljuk.
A klasszikus halmazelmélet három alapműveletének fuzzy változatát, azaz álta-
lánosítását sokféle módon megválaszthatjuk. A konstrukciók meghatározása során
alapvetően két fontos szempontot kell figyelembe vennünk. Egyrészt a fuzzy hal-
mazműveleteket úgy kell megadnunk, hogy azok eleget tegyenek bizonyos algebrai
és logikai elvárásoknak, amelyeket normáknak nevezünk. Másrészt a műveleteket
úgy célszerű megadni, hogy azok alkalmasak legyenek adott gyakorlati problémák
megoldására.
2.5.1. A Zadeh-féle fuzzy halmazműveletek

Zadeh 1965-ös munkájában [10] a minimum, a maximum és a komplementum ope-
rátorokat javasolta rendre a fuzzy metszet, fuzzy unió és fuzzy komplementer kép-
zés halmazműveletek megvalósítására. Ezek az operátorok valósítják meg a fuzzy
halmazelmélet sztenderdnek nevezett műveleteit. A sztenderd műveletek egyfelől a
klasszikus halmazműveletek átvételei és rendelkeznek a legtöbb olyan algebrai tu-
lajdonsággal, amelyekkel az éles halmazokon értelmezett műveletek is rendelkeznek,
másfelől egyszerűségük következében könnyen alkalmazhatóak. E műveletek ezen
tulajdonságaik következtében rendkívül széles körben alkalmazottak.
A és B legyenek az X éles alaphalmazon értelmezett fuzzy halmazok rendre a µA
és µB tagsági függvényekkel. Ekkor, a Zadeh-féle komplementum, metszet és unió
műveletek a következők.
Fuzzy komplemens. Az A fuzzy halmaz komplemense (komplementuma) az A

fuzzy halmaz, amelynek µA tagsági függvénye minden x ∈ X esetén a
µA (x) = 1 − µA (x) (30)
függvény.
29
Fuzzy metszet. Az A és B fuzzy halmazok metszete az A ∩ B fuzzy halmaz,

amelynek µA∩B tagsági függvénye minden x ∈ X esetén a
µA∩B (x) = min (µA (x), µB (x)) (31)
függvény.
Fuzzy unió. Az A és B fuzzy halmazok uniója az A ∪ B fuzzy halmaz, amelynek

µA∪B tagsági függvénye minden x ∈ X esetén a
µA∪B (x) = max (µA (x), µB (x)) (32)
függvény.
A 12. ábra a Zadeh-féle (sztenderd) műveletek működését mutatja háromszög tagsági
függvények esetén.
(a) Fuzzy komplementer (b) Fuzzy metszet
(c) Fuzzy unió
12. ábra. A Zadeh-féle (sztenderd) fuzzy halmazműveletek
2.5.2. További lehetőségek a fuzzy halmazműveletek megvalósítására

A Zadeh-féle metszet, unió és komplementum műveletek egyszerűek, matematikailag
rendezettek és széles körben alkalmazottak. Ugyanakkor a minimum és a maximum
30
művelet eredménye csak a művelet egyik operandusát építi be az eredménybe, ez pe-

dig nem mindig felel meg a gyakorlati alkalmazások elvárásainak. A sztenderd fuzzy
komplementum szintén nem mindig elégíti ki a konkrét alkalmazások egyedi igénye-
it. Ezek a gondolatok motiválták azokat a törekvéseket, amelyek eredményeként a
fuzzy elmélet története során nagyon sok javaslat született a fuzzy halmazművele-
tek Zadeh-féle sztenderdtől eltérő alternatív megvalósítására. Ahhoz azonban, hogy
egy komplementum, metszet vagy unió művelet matematikai szempontból megfelelő,
elfogadható legyen, eleget kell tennie bizonyos elvárásoknak. Ezeket az elvárásokat
axiómák testesítik meg. A téma mélyebb tárgyalása messze túlmutat e jegyzet kerete-
in és céljain, ezért itt mindhárom művelet típus esetén csak a "minimális elvárásokat"
megtestesítő axiómákat és a műveletek néhány konkrét megvalósítását mutatjuk be,
meglehetősen érintőlegesen.
Fuzzy komplementum. Egy

c : [0, 1] → [0, 1] (33)
függvényt akkor tekintünk fuzzy komplementumnak, ha eleget tesz a következő két
axiómának.
• c1. Axióma. (Peremfeltételek): c(0) = 1 és c(1) = 0.
• c2. Axióma. (Monotonitási feltétel): minden a, b ∈ [0, 1] esetén ha a < b,

akkor c(a) ≥ c(b).
A c1. feltétel azt az elvárást fogalmazza meg, hogy a komplemensképzés az éles

halmazok határesetére megfelelő eredményt adjon. A c2. feltétel azt írja elő, hogy
a fuzzy komplementum monoton csökkenő legyen, azaz egy fuzzy halmaz tagsági
függvénye értékének növekedésével a komplementer fuzzy halmaz tagsági függvényé-
nek értéke nem növekedhet. Könnyen belátható, hogy a Zadeh-féle komplementum
eleget tesz a fuzzy komplementum axiómáinak. Paraméteres fuzzy komplementu-
mok például a Yager osztály komplementumai, amelyeket az alábbi formula definiál
(w > 0):
cw : [0, 1] → [0, 1]
1 (34)
cw (a) = (1 − aw ) w .
A w paraméter a komplementálás mértékét határozza meg. Ha w = 1, akkor a Yager
komplementum megegyezik a sztenderd, Zadeh-féle komplementummal.
A következő témakörök tárgyalása során fel fogjuk használni halmazok Descartes-
szorzatának fogalmát, ezért először ezt adjuk meg.
Descartes-szorzat. Legyen A és B két éles halmaz. Azt mondjuk, hogy az A × B

halmaz az A és B halmaz Descartes-szorzata, ha A × B azokat rendezett párokat
tartalmazza, amelyek első komponense A-nak, második komponense B-nek eleme.
A × B = {(x, y) : x ∈ A, y ∈ B} (35)
31
A Descartes-szorzatot szokás direkt szorzatnak, vagy régiesen karteziánus szorzatnak

is nevezni.
Fuzzy metszet, t-norma [17]. Egy
t : [0, 1] × [0, 1] → [0, 1] (36)
függvényt akkor tekintünk fuzzy metszetnek (t-normának), ha eleget tesz a következő

négy axiómának.
• t1. Axióma. (Peremfeltétel): minden a ∈ [0, 1] esetén t(a, 1) = a.
• t2. Axióma. (Monotonitási feltétel): minden a, b, c ∈ [0, 1] esetén ha b ≤ c,

akkor t(a, b) ≤ t(a, c).
• t3. Axióma. (Kommutativitási feltétel): minden a, b ∈ [0, 1] esetén t(a, b) =

t(b, a).
• t4. Axióma. (Asszociativitási feltétel): minden a, b, c ∈ [0, 1] esetén t(a, t(b, c)) =
t(t(a, b), c).
Könnyen ellenőrizhetjük, hogy a Zadeh-féle t(a, b) = min(a, b) fuzzy metszet eleget

tesz az t-normák axiómáinak. A teljesség igénye nélkül sorolunk fel néhányat a
nevezetes t-normák közül.
Algebrai szorzat
t(a, b) = ab (37)
Drasztikus szorzat

a,

 ha b = 1
t(a, b) = b, ha a = 1 (38)


0, különben.
Yager-féle t-norma
1
t(a, b) = 1 − min 1, ((1 − a)w + (1 − b)w ) w , (39)
ahol w > 0.
Dombi-féle t-norma
1
α α 1 , (40)
1−a 1−b

α
1+ +
a b
32
ahol α > 0.
Fuzzy unió, s-norma [17]. Egy
s : [0, 1] × [0, 1] → [0, 1] (41)
függvényt akkor tekintünk fuzzy uniónak (s-normának), ha eleget tesz a következő

négy axiómának.
• s1. Axióma. (Peremfeltétel): minden a ∈ [0, 1] esetén s(a, 0) = a.
• s2. Axióma. (Monotonitási feltétel): minden a, b, c ∈ [0, 1] esetén ha b ≤ c,

akkor s(a, b) ≤ s(a, c).
• s3. Axióma. (Kommutativitási feltétel): minden a, b ∈ [0, 1] esetén s(a, b) =
s(b, a).
• s4. Axióma. (Asszociativitási feltétel): minden a, b, c ∈ [0, 1] esetén s(a, s(b, c)) =
s(s(a, b), c).
Az s-normákat szokás t-konormáknak is nevezni (az elnevezés abból adódóik, hogy

a metszet és az unió műveletek egymás duálisai). Könnyen ellenőrizhető, hogy a
Zadeh-féle s(a, b) = max(a, b) fuzzy unió eleget tesz az s-normák axiómáinak. Újra
a teljesség igénye nélkül mutatunk be néhányat a nevezetes s-normák közül.
Algebrai összeg
s(a, b) = a + b − ab (42)
Drasztikus összeg

a, ha b = 0


s(a, b) = b, ha a = 0 (43)


1, különben.
Yager-féle s-norma
1

s(a, b) = min 1, (aw + bw ) w , (44)
ahol w > 0.
Dombi-féle s-norma
1
α α 1 , (45)
1−a 1−b

α
1+ +
a b
ahol α < 0.
33
2.6. Fuzzy relációk

A fuzzy relációk bevezetéséhez röviden áttekintjük az éles halmazok feletti relációk
alapjait. Áttekintésünk célja a témakör megértéséhez minimálisan szükséges mate-
matikai ismeretek rövid összefoglalása.
2.6.1. Klasszikus relációk és kompozíciójuk

A hétköznapokban gyakran kapcsoljuk össze különböző halmazok objektumait úgy,
hogy az összekapcsolás eredményeként újabb halmaz keletkezik. Ilyen összekapcsolás
például az, amikor munkatársakat kapcsolunk azokhoz a vállalkozásokhoz, amelyek-
nél dolgoznak. Ekkor, ha egy a személy a b vállalkozás munkatársa, akkor azt mond-
hatjuk, hogy a "munkatárs" kapcsolatban van a b vállalkozással, vagy a "munkatárs"
relációban van b-vel. Erre a konkrét hétköznapi relációra úgy is gondolhatunk, mint
a személyek halmaza egy elemének és a vállalkozások halmaza egy elemének össze-
kapcsolására. Ez alapján a "munkatárs" relációt általánosan úgy fogalmazhatjuk
meg, hogy az olyan (a; b) párokból áll, amelyre a egy személy, b egy vállalkozás, és a
a b vállalkozás munkatársa. A "munkatárs" relációt, mint halmazt tehát úgy kapjuk,
hogy az összes lehetséges (a, b) rendezett párból kiemeljük azokat, amelyekre teljesül,
hogy a munkatársa b-nek. A következőkben két éles halmaz közötti relációk és azok
kompozíciójának leírásához szükséges matematikai alapfogalmakat tekintjük át.
Bináris reláció. Legyen A és B két nem üres, éles halmaz. Az A × B halmaz

bármely ρ részhalmazát egy A és B közötti bináris relációnak nevezzük. Az A
halmaz a reláció indulási halmaza, B pedig az érkezési halmaza. Azt, hogy x ∈ A és
y ∈ B ρ relációban vannak általában xρy-nal, vagy (x, y) ∈ ρ-val jelöljük.
Legyen például A = {1; 4; 9} és B = {5; 7}. Ekkor
ρ = {(x, y) : (x, y) ∈ A × B, x < y} = {(1, 5); (1, 7); (4, 5); (4, 7)}
egy reláció az A és B halmazok között.
Két bináris reláció kompozíciója (szorzata). Legyen A, B és C három éles

halmaz és legyen ρ ⊆ A × B és σ ⊆ B × C egy-egy reláció az A és B, illetve B és C
halmaz között. Ekkor a ρ és σ relációk kompozíciója (szorzata) a
ρ ◦ σ = {(x, z) ∈ A × C : ∃y ∈ B, amelyre (x, y) ∈ ρ és (y, z) ∈ σ} (46)
reláció.
Legyen például A = {1; 4; 9}, B = {5; 7}, C = {2; 5; 8} és
ρ = {(x, y) : (x, y) ∈ A × B, x < y}

σ = {(y, z) : (y, z) ∈ B × C, y ≤ z}.
34
Ekkor
ρ ◦ σ = {(1, 5); (1, 8); (4, 5); (4, 8)}.
A 13. ábra a ρ ◦ σ relációt szemlélteti.
13. ábra. A ρ és σ relációk szorzata
Korábban láttuk, hogy egy halmaz - más megadási módok mellett - megadható
a karakterisztikus függvényével. Mivel egy bináris reláció is egy halmaz, rendezett
párokból álló halmaz, ezért az is megadható karakterisztikus függvényével.
Bináris reláció karakterisztikus függvénye. A ρ ⊆ A × B bináris reláció karak-

terisztikus függvénye a
µρ : A × B → {0; 1}
(
1, ha (x, y) ∈ ρ (47)
µρ (x, y) =
0, ha (x, y) 6∈ ρ
függvény.
Ha ρ ⊆ A × B és σ ⊆ B × C két bináris reláció, akkor a ρ ◦ σ kompozíciójuk akkor

nem üres halmaz, ha létezik legalább egy olyan y ∈ B, amely egyaránt benne van ρ
érkezési- és σ indulási halmazában. Ha a két reláció karakterisztikus függvénye µρ ,
illetve µσ , akkor mivel e függvények csak 0 vagy 1 értéket vehetnek fel, ezért az előző
feltételt a karakterisztikus függvényekkel úgy fogalmazhatjuk meg, hogy ρ ◦ σ akkor
nem üres, ha a µρ (x, y) és µσ (y, z) függvényértékek szorzatának maximuma 1-gyel
egyenlő ((x, y) ∈ ρ, (y, z) ∈ σ). Ezek alapján két bináris reláció kompozíciójának
karakterisztikus függvénye a következőképpen adható meg.
35
Két bináris reláció kompozíciójának karakterisztikus függvénye. Legyen a

ρ ⊆ A × B, illetve σ ⊆ B × C bináris reláció karakterisztikus függvénye, a µρ , illetve
µσ függvény. Ekkor ρ és σ ρ ◦ σ ⊆ A × C kompozíciójának µρ◦σ karakterisztikus
függvénye a
µρ◦σ : A × C → {0; 1}
(48)
µρ◦σ (x, z) = max (µρ (x, y) · µσ (y, z))
y∈B
függvény.
Látni fogjuk, hogy két éles reláció kompozíciója karakterisztikus függvényéből

kiindulva, annak analógiájára definiálhatjuk majd két fuzzy reláció kompozíciójának
tagsági függvényét.
2.6.2. Fuzzy relációk és kompozíciójuk

A műszaki, gazdasági gyakorlatban gyakran találkozunk éles halmazok elemeinek
olyan összekapcsolásaival, amelyek gyengébben definiáltak, mint a klasszikus reláci-
óknál bemutatott "munkatárs" reláció. Azt, hogy egy a személy egy b vállalkozásnak
munkatársa, vagy sem, általában egyértelműen el tudjuk dönteni, azaz egy (a, b)
rendezett párról egyértelműen el tudjuk dönteni, hogy eleme-e a relációnak. Ha vi-
szont vásárlók és üzletek között vizsgáljuk az "elégedettség" relációt, már nem ilyen
egyértelmű a helyzet. Ha a vásárlók halmaza A, az üzletek halmaza B, akkor milyen
értelemben, mekkora mértékben mondhatjuk azt, hogy egy A halmazbeli a vásárló
elégedett egy B halmazbeli b üzlettel? Ilyenkor, az "elégedettséget" fuzzy fogalom-
nak tekinthetjük és az "elégedettség" relációt, mint (a, b) rendezett párokból álló
fuzzy halmazt értelmezhetjük. E bevezető gondolatok után a bináris fuzzy relációt
a következőképpen definiáljuk.
Bináris fuzzy reláció. Legyen A és B két éles halmaz. A

n o
ρ= (x, y), µ(F )
ρ (x, y) : x ∈ A, y ∈ B (49)
rendezett párokból álló halmazt bináris fuzzy relációnak nevezzük, ahol
µ(F
ρ
)
: A × B → [0, 1]
a ρ fuzzy halmaz (reláció) tagsági függvénye.

(F )
A µρ tagsági függvény azt adja meg minden (x, y) ∈ A × B párra, hogy (x, y) mek-
(F )
kora mértékben tartozik ρ ⊆ A × B relációhoz. A bináris fuzzy reláció µρ tagsági
függvénye a [0, 1] intervallumon értékeli azt, hogy (x, y) a ρ relációhoz tartozik, szem-
ben a hagyományos bináris reláció karakterisztikus függvényével, amely a relációhoz
tartozás mértékét a kételemű {0; 1} halmaz valamely elemével adja meg, ahogy ezt
a (47) összefüggésben láttuk. Ez alapján a bináris fuzzy reláció a klasszikus bináris
reláció általánosításának tekinthető.
36
Tekintsük példaként a v1 , v2 vevőkből álló A halmazt és az s1 , s2 , s3 üzletekből

álló B halmazt és jelölje ρ ⊆ A × B az "A elégedett B"-vel bináris fuzzy relációt. A
(F )
reláció µρ tagsági függvénye lehet például az alábbi mátrix szerint adott.
3. táblázat. A vi vevő elégedett az sj üzlettel bináris fuzzy reláció tagsági értékei

(i = 1, 2; j = 1, 2, 3)
s1 s2 s3
v1 0,5 0,2 0
v2 0,9 0,4 0,7
(F )
A táblázatban µρ (v2 , s1 ) = 0, 9, ami azt jelenti, hogy a v2 vevő 0,9 mértékben
elégedett az s1 üzlettel a [0, 1] értékelő skálán.
A későbbiekben látni fogjuk, hogy a fuzzy logikai következtetés két fuzzy reláció
kompozíciójaként adható meg. A fuzzy elméletben a kompozíciónak sokféle alakja
létezik. Ezek közül a klasszikus relációk kompozíciójából közvetlenül nyerhető max-
min és max-szorzat alakok széles körben használatosak, ezért itt ezeket mutatjuk
be. Az (48) összefüggés alapján tudjuk, hogy ha a ρ ⊆ A × B és σ ⊆ B × C
klasszikus bináris reláció karakterisztikus függvénye rendre a µρ és µσ függvény,
akkor a ρ ◦ σ ⊆ A × C kompozíció µρ◦σ karakterisztikus függvénye minden x ∈ A,
y ∈ B, z ∈ C-re
µρ◦σ (x, z) = max (µρ (x, y) · µσ (y, z)) .
Ez alapján két bináris fuzzy reláció max-min, illetve max-szorzat kompozíciója a
következők szerint adható meg.
Két bináris fuzzy reláció max-min és max-szorzat kompozíciója. Legyen

ρ ⊆ A×B és σ ⊆ B×C két bináris fuzzy reláció rendre a µρ és µσ tagsági függvénnyel.
Ekkor a
µρ◦σ (x, z) = max min (µρ (x, y), µσ (y, z)) (50)
y∈B
tagsági függvény ρ és σ ρ ◦ σ ⊆ A × C max-min kompozícióját, a
µρ◦σ (x, z) = max (µρ (x, y) · µσ (y, z)) (51)

y∈B
tagsági függvény pedig ρ és σ ρ ◦ σ ⊆ A × C max-szorzat kompozícióját határozza

meg (x ∈ A, y ∈ B, z ∈ C).
Látható, hogy max-min kompozíció esetén t-normaként a minimumot, míg max-

szorzat kompozíció esetén az algebrai szorzatot alkalmazzuk. A fenti két kompozí-
ció általánosításának tekinthető, ha maximum helyett szuprémumot (legkisebb felső
korlátot), a minimum, illetve algebrai szorzat helyett pedig tetszőleges t-normát al-
kalmazunk. Ezzel nyerjük két bináris fuzzy reláció szup-sztár kompozícióját.
37
Két bináris fuzzy reláció szup-sztár kompozíciója. Legyen ρ ⊆ A × B és

σ ⊆ B × C két bináris fuzzy reláció rendre a µρ és µσ tagsági függvénnyel. Ekkor a
µρ◦σ (x, z) = sup (µρ (x, y) ∗ µσ (y, z)) (52)

y∈B
tagsági függvény ρ és σ ρ◦σ ⊆ A×C szup-sztár kompozícióját határozza meg (x ∈ A,

y ∈ B, z ∈ C). A ∗ művelet tetszőleges t-normát jelöl.
Fuzzy következtetések során olyan fuzzy relációk kompozícióját fogjuk meghatá-

rozni, amelyekben az első, ρ reláció csak egy A fuzzy halmaz, amelyet a µρ tagsági
függvény határoz meg, míg a második reláció, σ ⊆ A × C egy bináris fuzzy reláció a
µσ tagsági függvénnyel. Ilyenkor tehát egy fuzzy halmaz és egy bináris fuzzy reláció
kompozícióját kell megadnunk. Ebben az esetben ρ és σ szup-sztár kompozíciójának
tagsági függvényét úgy kapjuk, hogy a szup-sztár kompozíció (52) szerinti képletét az
A = B esetre alkalmazzuk. Ekkor a ρ ◦ σ fuzzy reláció tagsági függvénye (szup-sztár
kompozícióval) csak a z ∈ C változó függvénye:
µρ◦σ (z) = sup (µρ (x) ∗ µσ (x, z)) . (53)

x∈A
38
3. Fuzzy logika
Fuzzy rendszerek működésének központi elemét képezik a fuzzy logikai következteté-
sek, amelyek alapjai a "HA A, AKKOR B" alakú természetes nyelvi szabályok. Egy
ilyen szabály felhasználásával egy premisszából vonunk le konklúziót. A-t a szabály
előzményének (antecedensének), B-t pedig következményének (konzekvensének) ne-
vezzük. Szokás még A-t a szabály előtagjának, B-t pedig utótagjának nevezni. A
hétköznapi nyelvhasználatban egy ilyen szabály előtagja és utótagja is általában
fuzzy halmaz, továbbá a premissza és az abból levont következtetés általában szin-
tén fuzzy halmazzal reprezentálható. Ebben a szakaszban a fuzzy következtetések
elméleti alapjaiba teszünk rövid betekintést. Először megismerjük a nyelvi változó
fogalmát, majd a fuzzy "HA A, AKKOR B" alakú szabályokat tárgyaljuk röviden.
Ezt követően a fuzzy logikai következtetések működésével foglalkozunk.
3.1. A nyelvi változók

A hétköznapi nyelvhasználatban változó alatt általában olyan dolgot értünk, amely-
nek lehetséges értékei számok. Ennek ellenére nagyon gyakran használunk olyan
nyelvi konstrukciókat, amelyekben mennyiségeket, változókat nem számértékekkel,
hanem szavakkal írunk le. Például mennyiség a sebesség, amelynek "értékeit" a
"kicsi", "közepes", vagy "nagy" szavakkal jellemezzük. Ugyanígy változónak tekint-
hetjük gyártott termékek vagy nyújtott szolgáltatások minőségét, amelyeket például
a "gyenge", "közepes", "jó", vagy "kiváló" értékekkel adhatunk meg. E megfontolások
alapján vezetjük be a nyelvi változó fogalmát.
Nyelvi változó. Ha egy változó értékei a természetes nyelvben használt szavak és e

szavakat a változó alaphalmazán értelmezett fuzzy halmazokkal jellemezzük, akkor
a változót nyelvi (lingvisztikai) változónak nevezzük.
Előző példáinkban nyelvi változók a sebesség és a minőség. A sebesség nyelvi változó

lehetséges értékei a "kicsi", "közepes" és "nagy", amelyeket egy-egy fuzzy halmaz
reprezentál. Ez azt jelenti, hogy ha a sebesség nagysága x km/h, akkor a három
fuzzy halmaz tagsági függvényének x helyen vett értékei azt adják meg, hogy az x
km/h sebesség mekkora mértékben tartozik az egyes fuzzy halmazokhoz. Hasonló
módon a minőség nyelvi változó lehetséges értékeit a "gyenge", "közepes", "jó", vagy
"kiváló" fuzzy halmazok testesítik meg.
Egy nyelvi változó egy konkrét értékelését fuzzy propozíciónak nevezzük. Azokat
a szavakat, amelyekkel nyelvi változók kezdeti értékeit adjuk meg, primer értékeknek
nevezzük. Az "ÉS" és a "VAGY" összekötők, vagy a "NEM", "NAGYON", "KEVÉS-
BÉ" módosítók alkalmazásával kapott értékeket kompaund értékeknek nevezzük.
A fuzzy logikában propozíciókból "HA A, AKKOR B" alakú nyelvi szabályokat
képezünk, majd e szabályokat egy maghatározott értékelési eljárás, az úgynevezett
inferencia alapján értékeljük ki. Ilyen szabály lehet például a
HA a gyártási folyamat minősége gyenge, AKKOR magasak a minőségköltségek.
39
Ebben nyelvi változó a "folyamat minősége" és a "minőségköltség", a "folyamat minő-

sége gyenge" és a "magasak a minőségköltségek" pedig a megfelelő fuzzy propozíciók.
3.2. Fuzzy implikációk és a "Ha A, akkor B" alakú szabályok

A "HA A, AKKOR B" alakú nyelvi szabályok és a fuzzy logikai következtetés mű-
ködésének tárgyalásához röviden áttekintjük a klasszikus matematikai logika (íté-
letkalkulus) alapműveleteit, és az implikáció műveletét, majd bemutatjuk, hogyan
értelmezhetőek e műveletek fuzzy megfelelői.
3.2.1. Az ítéletkalkulus alapjai

A matematikai logikában ítéletnek nevezünk egy olyan kijelentést, amely vagy igaz,
vagy hamis, de e két lehetőség közül egyszerre csak az egyik teljesül. Ha egy ítélet
igaz, akkor logikai értéke, az úgynevezett igazságértéke igaz. Ha egy ítélet hamis,
akkor igazságértéke hamis. Az ítéletek "NEM" szóval történő módosítását, továbbá
az "ÉS", "VAGY", "HA..., AKKOR" szavakkal történő összekapcsolásait logikai mű-
veleteknek nevezzük. Az ítéletkalkulusban további logikai műveletek is ismeretesek,
mi azonban csak a fenti, a további témakörök tárgyalásához minimálisan szükséges
műveleteket tárgyaljuk itt. Egy A ítélet "NEM" szóval történő módosítását negá-
ciónak nevezzük és ¬A (A negált, nem A) jelöljük. Az A és B ítélet "ÉS" szóval
való összekapcsolása a konjunkció, amelyet A ∧ B-vel jelölünk, míg A és B-nek a
"VAGY" szóval történő összekapcsolása a diszjunkció, jelben A ∨ B. Az A és B ítélet
a "HA A, akkor B" összekapcsolását implikációnak nevezzük és A → B-vel jelöljük.
E műveletek eredményeit a következő igazságtáblázatok mutatják, ezekben a logikai
igaz értéket 1-gyel, a logikai hamis értéket 0-val jelöltük.
4. táblázat. A negáció művelet igazságtáblázata
A ¬A
1 0
0 1
5. táblázat. A konjunkció, diszjunkció és implikáció műveletek igazságtáblázata
A B A∧B A∨B A→B

1 1 1 1 1
1 0 0 1 0
0 1 0 1 1
0 0 0 0 1
A 4. és 5. igazságtáblázatok alapján azt mondhatjuk, hogy a negáció, illetve a

konjunkció eredménye összhangban van a "NEM", illetve "ÉS" köznapi alkalmazá-
sával. A "VAGY" összekapcsolást a nyelvben kétféle módon alkalmazzuk. A disz-
junkció, mint matematikai művelet, a köznapi "VAGY" összekapcsolások közül annak
40
felel meg, amikor azt megengedő értelemben használjuk, azaz a művelet akkor is igaz
értéket ad, amikor a műveletben szereplő ítéletek mindegyike igaz. Ilyen például a
"Virág szép, vagy a fű zöld." kijelentés, amely akkor is igaz, ha egy virágot szépnek
ítélünk miközben a fű zöld. A "VAGY" összekapcsolás másik köznapi változata az,
amikor azt kizáró értelemben használjuk. Ezt gyakran a "VAGY..., VAGY" alakban
tesszük, például "Vagy kék, vagy zöld inget húzok.". A továbbiakban a "VAGY"
összekapcsolás alatt mindig a megengedő változatot értjük és azt a matematikai
diszjunkcióval írjuk le.
Nagyobb nehézséget okoz az implikáció művelet értelmezése. Az 5. táblázat
alapján a "Ha A, akkor B" implikáció logikai igaz értéket eredményez akkor, amikor
A hamis. A problémát az okozza, hogy az ítéletkalkulus implikáció művelete nem
feltétez ok-okozati kapcsolatot A és B között, azaz az implikáció két egymástól füg-
getlen ítéletet kapcsol össze, miközben a hétköznapi értelmezés szerint a "Ha A, akkor
B" alakú kijelentés esetén A és B ok-okozati kapcsolatára, azaz egy következtetésre
gondolunk. Tehát, az ítéletkalkulusban A → B egy az 5. táblázat szerint definiált
művelet, nem pedig egy következtetés. A mérnöki, gazdasági gyakorlatban súlyos
problémát okozna, ha egy "Ha A, akkor B" alakú szabályt az ítéletkalkulus impli-
káció műveletével írnánk le, mert a mérnöki, gazdasági alkalmazásokban általában
ok-okozati viszonyt feltételezünk A és B között.
3.2.2. A halmaz- és a logikai műveletek kapcsolata

Legyen A és B két éles halmaz az X alaphalmazon és x ∈ X. Ekkor az x ∈ A és
x ∈ B két ítélet, hiszen mindkettőre teljesül, hogy vagy igaz, vagy hamis. Ezek,
valamint a logikai műveletek felhasználásával
i.) A pontosan azokból az x ∈ X elemekből áll, amelyekre a ¬(x ∈ A) ítélet igaz
ii.) A∩B pontosan azokból az x ∈ X elemekből áll, amelyekre az (x ∈ A)∧(x ∈ B)

ítélet igaz
iii.) A∪B pontosan azokból az x ∈ X elemekből áll, amelyekre az (x ∈ A)∨(x ∈ B)

ítélet igaz.
Tehát a komplementer képzés, metszet és unió halmazműveletek rendre megfelelnek

a negáció, konjunkció és diszjunkció logikai műveleteknek.
Legyen most A és B két fuzzy halmaz az X alaphalmazon, rendre a µA és µB
tagsági függvényekkel, és x ∈ X. Legyen továbbá c, t és s rendre tetszőleges, rög-
zített fuzzy komplementum, t-norma és s-norma. Ekkor µA (x) és µB (x) a tagsági
függvények értelmezése szerint rendre az x ∈ A és x ∈ B logikai értékeket jelentik a
[0, 1] intervallumban. Így a
i.) µA (x) = c (µA (x)) az x ∈ A kijelentés igazságértékét jelenti a [0, 1] intervallum-

ban
41
ii.) µA∩B (x) = t (µA (x), µB (x)) az x ∈ A és x ∈ B kijelentés igazságértékét jelenti

a [0, 1] intervallumban
iii.) µA∪B (x) = s (µA (x), µB (x)) az x ∈ A vagy x ∈ B kijelentés igazságértékét

jelenti a [0, 1] intervallumban,
azaz a fuzzy komplementum, metszet és unió halmazműveletek rendre megfelelnek a

fuzzy negáció, konjunkció és diszjunkció logikai műveleteknek.
3.2.3. Formális fuzzy implikációk

Legyen x és y két nyelvi változó, xA és yB pedig két propozíció. xA és xB itt azt
jelöli, hogy x értéke az A fuzzy halmaz, y értéke pedig a B fuzzy halmaz. Az A és B
fuzzy halmazok legyenek rendre az X és Y éles alaphalmazokon a µA és µB tagsági
függvényekkel adottak. Ekkor az xA propozíció "NEM" szóval történő módosítása a
µA = c (µA (x)) (54)
komplementum (negáció) művelettel reprezentálható, ahol c egy tetszőleges fuzzy

komplementum. Az xA és yB propozíciók "ÉS" szóval történő összekapcsolásának
eredményeként létrejövő propozíció a
µA∩B (x, y) = t (µA (x), µB (y)) (55)
fuzzy relációval adható meg, ahol t egy tetszőleges t-norma. Hasonlóan, az xA és

yB propozíciók "VAGY" szóval történő összekapcsolásának eredményeként létrejövő
propozíció a
µA∪B (x, y) = s (µA (x), µB (y)) (56)
fuzzy relációval reprezentálható, ahol s egy tetszőleges s-norma.
Így a fuzzy negáció, konjunkció és diszjunkció segítségével különböző X és Y
alaphalmazokon értelmezett fuzzy halmazok (propozíciók) kapcsolhatók össze.
Az ítéletkalkulusban az A és B ítéletek között az A → B implikáció felírható a
negáció, konjunkció és diszjunkció műveletek felhasználásával is. Belátható ugyanis,
hogy
A → B = (¬A) ∨ B, (57)
valamint
A → B = (A ∧ B) ∨ (¬B). (58)
Ezek felhasználásával és a megfelelő fuzzy logikai műveletek alkalmazásával származ-
tatható a fuzzy implikáció művelet. Mivel fuzzy komplementumból, t-normából és
s-normából nagyon sok változat ismert, így formális fuzzy implikációból is nagyon
sokféle létezik. Az ítéletkalkulus implikáció művelete alapján származtatott fuzzy
implikációk a szélső esetekben ugyanúgy viselkednek, mint az ítéletkalkulus impli-
káció művelete, azaz a fuzzy xA → yB művelet 1 értéket eredményez akkor, amikor
42
az xA propozíció µA (x) tagsági értéke 0. Ennek illusztrálására tekintsük az impli-

káció (57) alakját és alkalmazzuk negációként az 1 − µA (x), diszjunkcióként a max
sztenderd műveletet. Ekkor a fuzzy implikáció tagsági függvénye
µA→B (x, y) = max (1 − µA (x), µB (y)) . (59)
Ebből látszik, hogy µA→B (x, y) = 1, ha µA (x) = 0. Ez a művelet, hasonlóan az íté-

letkalkulusbeli megfelelőjéhez, a független xA és yB propozíciókat kapcsolja össze,
azaz nem feltételez közöttük ok-okozati összefüggést. Ezért a formális fuzzy imp-
likációk közvetlenül nem alkalmasak ok-okozati kapcsolatot megfogalmazó nyelvi
szabályok megvalósítására. Gondoljunk például a következő nyelvi szabályra: "Ha
a gyártott termékek minősége jó, akkor a vevői reklamációk száma alacsony.". Itt
az x nyelvi változó a "gyártott termék minősége", xA a "gyártott termék minősége
jó" propozíció; az y nyelvi változó a "reklamációk száma", yB a "reklamációk száma
alacsony" propozíció. Tegyük fel, hogy a gyártott termékek minősége annyira rossz,
hogy x nulla mértében tartozik a "jó minőség" A fuzzy halmazához, azaz µA (x) = 0.
Ebben az esetben, ha a szabályt az (59) szerinti implikációval adnánk meg, akkor
az implikáció eredménye 1 lenne. Ha tehát ezt az implikációt következtetési célra
használnánk, akkor azt a furcsa eredményt kapnánk, hogy rossz minőségű termékek
esetén az alacsony reklamáció számra történő következtetés maximális mértékben
helyes.
3.2.4. "Ha A, akkor B" alakú szabályok megvalósítása

Ahogy láttuk, az ítéletkalkulus implikációja, valamint az abból származtatott fuzzy
implikációk nem alkalmasak ok-okozati viszonyt megtestesítő szabályok megvalósí-
tására. E probléma megoldására Mamdani a
µA→B (x, y) = min (µA (x), µB (y)) (60)
minimum fuzzy implikáció [18], Larsen pedig a
µA→B (x, y) = µA (x) · µB (y) (61)
szorzat implikáció [19] alkalmazását javasolta.
6. táblázat. Fuzzy implikációk a tagsági értékek szélső eseteire (Retter [11, 139. o.])
µA (x) µB (y) µA→B (x, y) min (µA (x), µB (y)) µA (x) · µB (y)
1 1 1 1 1
1 0 0 0 0
0 1 1 0 0
0 0 1 0 0
A 6. táblázat alapján látható, hogy mind a Mamdani-, mind a Larsen-implikáció

megtartja az ok-okozat elvét, azaz ha egy "Ha A, akkor B" alakú szabályt e két
43
implikáció valamelyikével valósítunk meg, akkor a szabály csak abban az esetben

működik, ha annak mind az előtagja, mind az utótagja igaz. Ennek köszönhetően e
két fuzzy implikáció a leginkább elterjedt a fuzzy logika műszaki alkalmazásaiban.
3.3. Fuzzy logikai következtetés

A fuzzy rendszerek, mint szakértői rendszerek, alapjait szakértők által meghatározott
"Ha A, akkor B" alakú szabályok képezik, amelyeket a rendszer az úgynevezett sza-
bálybázisában tárol. A rendszer a bemeneteit kapcsolja össze a szabályokkal, majd
a bementek és a szabályok alapján következtet, kimenetét pedig a következtetés
eredményeként előálló értékek alapján határozza meg. Ebben a szakaszban a fuzzy
következtetés alapjait tárgyaljuk. Ehhez először röviden áttekintjük a klasszikus lo-
gikai következtetést, majd annak általánosításával jutunk el a közelítő, azaz fuzzy
következtetéshez.
Tautológia. A klasszikus kétértékű logikában (ítéletkalkulusban) tautológiának ne-

vezzük azokat a logikai formulákat (ítéletek negációval, konjunkcióval és diszjunkci-
óval történő összekapcsolásait), amelyek minden kiértékelése igaz.
Az ítéletkalkulus logikai következmény fogalma. Azt mondjuk, hogy a B logi-

kai formula az A1 , A2 , . . . , An logikai formulák következménye, ha az A1 , A2 , . . . , An
logikai formulákban a logikai változóknak minden lehetséges módon értéket adva,
minden olyan kiértékelés esetén amikor A1 , A2 , . . . , An mindegyike igaz, a B logikai
formula is igaz. Az A1 , A2 , . . . , An logikai formulák a következtetés premisszái, a B
formula a konklúzió (következtetés). Azt, hogy az A1 , A2 , . . . , An logikai formulákból
következik a B logikai formula a továbbiakban így jelöljük: A1 , A2 , . . . , An ⇒ B.
Belátható, hogy A1 , A2 , . . . , An ⇒ B pontosan akkor teljesül, ha az A1 ∧ A2 ∧ . . . ∧

An → B formula tautológia. A klasszikus kétértékű logika ismert következtetési
sémái (tautológiái) közül talán a modus ponens az, amelyet a legszélesebb körben
alkalmaznak fuzzy inferencia (fuzzy következtetés) származtatására. Megjegyezzük,
hogy más logikai következtetési sémák is felhasználhatóak erre a célra, itt azonban
azokat nem tárgyaljuk.
3.3.1. A hagyományos modus ponens

Legyen A és B két ítélet és tekintsük az
(A → B) ∧ A (62)
logikai formula igazságtáblázatát.
44
7. táblázat. Az (A → B) ∧ A logikai formula igazságtáblázata
A B A→B (A → B) ∧ A
1 1 1 1
1 0 0 0
0 1 1 0
0 0 1 0
A 7. táblázatban azt látjuk, hogy amikor (A → B) ∧ A logikai értéke igaz, akkor

B értéke is igaz, azaz B következménye az (A → B) ∧ A logikai formulának. Ezt a
következtetést nevezzük modus ponens-nek, azaz a modus ponens egy következtetési
séma, amely szerint ha egy "Ha A, akkor B" alakú kijelentés igaz és A szintén igaz,
akkor a B következmény is igaz. A 8. táblázat a modus ponens következtetési sémát
mutatja formálisan.
8. táblázat. A modus ponens következtetési séma
implikáció: HA A AKKOR B
premissza: A
következmény: B
Példaként tekintsük az alábbi következtetést.
"HA egy munkahét négy napos, AKKOR az üzemben

implikáció (szabály):
a munkahét minden napján túlóráznak."
premissza: "A következő munkahét négy napos."
"Az üzemben a következő munkahét minden napján
következmény:
túlóráznak."
A példa jól érzékelteti a modus ponens séma működését. Az "A következő munkahét
négy napos." premissza tökéletesen illeszkedik a szabály előtagjához, így a szabály
utótagja által meghatározott következtetés kerül levonásra.
3.3.2. A Mamdani-féle következtetés

A fuzzy elméletben a fuzzy logikai következtetés megvalósításának számos változa-
ta ismert. Jegyzetünkben a hagyományosnak mondható kompozíciós következtetések
közül a Mamdani-féle következtetés alapjait tárgyaljuk, a fuzzy logikai következte-
téshez a hagyományos modus ponens kiterjesztésével jutunk el. A téma iránt ér-
deklődőknek Kóczy T. Lászó és Tikk Domokos [17] és Retter Gyula [11] könyveit
ajánljuk.
Láttuk, hogy a hagyományos modus ponens következtetési séma alapja egy sza-
bály és egy konkrét premissza, továbbá a szabályt egy implikáció testesít meg. Az
éles következtetés e kettő összevetéséből, kompozíciójából áll. Amikor a szabály
45
előtagjában és utótagjában fuzzy propozíciók állnak és a premissza is egy fuzzy pro-

pozíció, akkor közelítő következtetésről, fuzzy következtetésről beszélünk. A szabályt
megtestesítő fuzzy implikáció egy fuzzy reláció, míg a premissza egy egytagú fuzzy
reláció (halmaz). Így a fuzzy következtetés e két reláció fuzzy kompozíciója. Lát-
ni fogjuk, hogy ezt a kompozíciót, azaz magát a fuzzy következtetést, egy fuzzy
rendszerben a rendszer következtető gépe végzi el.
Legyen x és y két nyelvi változó az X, illetve Y éles alaphalmazokon az A(x) és
B(y) nyelvi értékekkel. Legyen továbbá A0 (x) és B 00 (y) az A(x), illetve B(y) nyelvi
értékekből módosítással nyert két nyelvi érték. A(x) itt azt a propozíciót jelöli, hogy
az x nyelvi változó értéke az A fuzzy halmaz, B(y), A0 (x) és B 00 (y) értelmezése ezzel
analóg. Ezekkel a jelölésekkel az általánosított modus ponens a következő.
9. táblázat. Általános modus ponens következtetési séma
implikáció (szabály): HA x = A(x) AKKOR y = B(y)

premissza: x = A0 (x)
következmény: y = B 00 (y)
Az általánosított modus ponens-ben azonban a premisszában szereplő A0 fuzzy

halmaz nem szükségszerűen azonos a szabály előtagjában szereplő A fuzzy halmazzal,
mint ahogy a B 00 következmény fuzzy halmaz sem szükségszerűen azonos a szabály
utótagjában szereplő B fuzzy halmazzal. Láttuk, hogy a hagyományos modus po-
nens esetén a szabály csak akkor érvényesül, ha a premissza megegyezik a szabály
előtagjával, és ebben az esetben a következmény a szabály utótagjával azonos. A
fuzzy következtetésben a szabály mindig működésbe lép, ha a premissza nullánál
nagyobb mértékben illeszkedik a szabály előtagjára, és ilyenkor a következtetés ered-
ménye egy olyan következmény, amelynek nullánál nagyobb a hasonlósága a szabály
utótagjához.
A fuzzy következtetés működésének illusztrálására tekintsük a bevezetőben em-
lített "HA egy vállalat termékei iránt a kereslet nagy, AKKOR a vállalat növekedési
potenciálja magas" szabályt és a "vállalatunk termékei iránt a kereslet mérsékelten
nagy" premisszát. Itt az x nyelvi változó a "vállalat termékei iránti kereslet", az A(x)
nyelvi érték a "nagy (kereslet)", az y nyelvi változó "a növekedési potenciál", a B(y)
nyelvi érték a "magas (potenciál)", az A0 (x) premissza pedig a "kereslet mérsékel-
ten nagy". A nem egyezik meg A0 -val, de hasonlóak, és ha hasonlóságuk nullánál
nagyobb, akkor például a "vállalatunk növekedési potenciálja mérsékelten magas"
következmény származtatható. A B 00 fuzzy halmaz a "mérsékelten magas növekedési
potenciál", ugyan B nem egyezik meg B 00 -vel, de hasonlóak. Fontos kiemelnünk,
hogy itt a következtetés kimenete egy fuzzy halmaz, a B 00 fuzzy halmaz. Röviden
tehát: ha A0 A-hoz hasonló, akkor a B 00 következmény B-hez hasonló. Az, hogy A és
A0 hasonlósága mekkora mértékben teljesül és ezáltal a szabály mekkora mértékben
lép életbe, attól függ, hogy konkrét esetben a fuzzy halmazokat hogyan adjuk meg
tagsági függvényeikkel.
Az általánosított modus ponens két fuzzy reláció, az A0 premissza, mint fuzzy
46
halmaz, és az A → B fuzzy implikáció kompozíciója. A kompozíciót az (53) szerinti

szup-sztár kompozícióval előállítva a következmény µB 00 tagsági függvénye a
µB 00 (y) = sup (µA0 (x) ∗ µA→B (x, y)) (63)

x∈X
függvény. Ahhoz, hogy ez a kompozíció a gyakorlatban alkalmazható legyen, meg

kell adnunk a használni kívánt konkrét fuzzy implikációt és konkrét szorzás (∗) mű-
veletet, azaz t-normát. Mint láttuk, ezek megvalósítására a fuzzy elméletben nagyon
sok lehetőségünk van, így e két művelet megvalósításának függvényében a kompo-
zíciós következtetésnek is nagyon sok változata létezik. Mamdani-féle következtetés
esetén az implikációt a Mamdani-féle implikációval, a szorzást (∗) pedig általában a
sztenderd minimum művelettel valósítják meg. Ekkor
µA→B (x, y) = min (µA (x), µB (y)) (64)

és így
µB 00 (y) = sup min (µA0 (x), min (µA (x), µB (y))) =
x∈X
(65)
= sup min (min (µA0 (x), µA (x)) , µB (y)) .
x∈X
Az A0 és A fuzzy halmaz ugyanazon az X alaphalmazon értelmezett, ezért

min (µA0 (x), µA (x)) a két halmaz metszete tagsági függvényének helyettesítési értéke
az x helyen, azaz
µA0 ∩A (x) = min (µA0 (x), µA (x)) . (66)
Ezt felhasználva
µB 00 (y) = sup min (µA0 ∩A (x), µB (y)) =
x∈X
!
(67)
= min sup (µA0 ∩A (x)) , µB (y) .
x∈X
supx∈X (µA0 ∩A (x)) azt méri, hogy az A0 bemenet mekkora mértékben illeszkedik a
szabály A előtagjára. Ezt az értéket nevezzük a szabály aktivizációs fokának, vagy
teljesülési mértékének és βM -mel elöljük, azaz
βM = sup (µA0 ∩A (x)) . (68)

x∈X
Így µB 00 (y) értéke minden y ∈ Y esetén a βM aktivizációs fok, amely egy számérték
a [0, 1] intervallumon, és a µB (y) tagsági függvényérték minimuma.
Egy fuzzy rendszer bemenetei általában számértékek, amelyeket először fuzzi-
fikálni kell, majd a fuzzy következtetéseket követően az aggregált fuzzy kimenetet
defuzzifikálni kell, azaz újra numerikus értékké kell alakítani. A numerikus x beme-
net fuzzifikálása történhet fuzzy halmazzal, ilyenkor A0 egy fuzzy halmaz, vagy fuzzy
szingletonnal, ilyenkor A0 egy fuzzy szingleton (11. ábra).
A 14. ábra a Mamdani következtetés működését szemléltei arra az esetre, amikor
az x bemenetet az A0 háromszög tagsági függvényű fuzzy halmazzal fuzzifikáljuk.
47
14. ábra. A Mamadani-féle következtetés az x bemenet fuzzy halmazzal történő

fuzzifikálása esetén
Az A0 premissza és a szabály A előtagja metszetének maximuma (szuprémuma) a

szabály βM aktivizációs foka. Ez a 14. ábrán az A0 és A halmazok metszete "magas-
ságának" felel meg. A szabály utótagja βM mértékben aktiválódik, ez szemléletesen
azt jelenti, hogy a szabály B utótagjának µB tagsági függvényét βM magasságban
"levágjuk", így adódik a B 00 következmény µB 00 tagsági függvénye.
15. ábra. A Mamadani-féle következtetés az x bemenet fuzzy szingletonnal történő

fuzzifikálása esetén
48
A 15. ábra a Mamdani következtetés mechanizmusát érzékelteti akkor, amikor a

numerikus x bement fuzzifikálása a
(
0, ha x 6= x0
µA0 (x) = (69)
1, ha x = x0
fuzzy szingletonnal történik. A következtetés ugyanúgy működik, mint a fuzzy hal-
mazzal történő fuzzifikálás esetén, viszont a szingleton fuzzifikálás a szup-sztár kom-
pozíció számítását egyszerűsíti, ekkor ugyanis a szabály telesülésének mértéke
βM = sup (µA0 ∩A (x)) = µA (x0 ) (70)
x∈X
és így a B 00 következmény (67) tagsági függvénye a

µB 00 (y) = min µA (x0 ), µB (y) .

(71)
összefüggéssel határozható meg.
Egy fuzzy rendszer általában több szabályt használ, s e szabályok közül egy-
szerre több is érvényesülhet, ezért szükséges e szabályok kimeneteinek aggregálása.
Mamdani következtetés esetén általában a maximum műveletet alkalmazzák a fuzzy
kimenetek aggregálására. A 16. ábrán a Mamdani inferencia működését látjuk egy
olyan rendszer esetén, amelynek bemenete az x = (x1 , x2 ) vektor és a rendszer a
következő két szabályt alkalmazza.
HA x1 = A11 ÉS x2 = A21 , AKKOR y = B1
HA x1 = A12 ÉS x2 = A22 , AKKOR y = B2
16. ábra. A Mamadani inferencia működése két szabállyal, két bemenet fuzzy szing-
letonnal történő fuzzifikálása esetén
49
Az A11 , A21 , A12 és A22 fuzzy halmazokat háromszög tagsági függvényekkel adtuk
meg. Az A11 és A12 fuzzy halmazok tagsági függvénygörbéi, illetve az A21 és A22
fuzzy halmazok tagsági függvénygörbéi átlapolódnak, ezért itt egy bement több sza-
bály aktiválásában vesz részt. Mindkét szabály előtagja két fuzzy propozíció ÉS
kapcsolata, amelyet a minimum művelettel valósítunk meg. Az x1 bemenet (fuzzy
szingleton) és az A11 fuzzy halmaz metszete h11 , az x2 bemenet és az A21 fuzzy hal-
maz metszete h21 és min(h11 , h21 ) = h21 , ezért az első szabály teljesülési mértéke h21 ,
így az első szabály B1 utótagjának tagsági függvényét h21 magasságban "vágjuk le".
Ennek eredményeként az első szabály kimenete B100 . Hasonló meggondolás alapján
adódik a második szabály B200 kimenete. A két szabály kimenetének maximum mű-
velettel történő aggregálása eredményezi az inferencia B 00 eredő kimenetét. Tudjuk,
hogy a B 00 kimenet egy fuzzy halmaz. Mivel a legtöbb alkalmazásban numerikus ki-
menetet várunk a fuzzy rendszertől, ezért a fuzzy inferencia kimenetét defuzzifikálni
kell. Erről a következő szakaszban ejtünk szót.
50
4. Fuzzy rendszerek alapjai

A fuzzy halmazok, a fuzzy logika és azon belül a fuzzy következtetés alapjainak meg-
ismerése után bepillantunk a fuzzy rendszerek alapjaiba. Látni fogjuk, hogy a fuzzy
rendszerek voltaképpen strukturált szintézisét testesítik meg az eddig tárgyaltaknak.
Ehhez egy "építőelem", a defuzzifikálás hiányzik még, amelyet ebben a szakaszban
ismerünk meg.
A fuzzy elmélet kétségtelenül legsikeresebb alkalmazásai a műszaki alkalmazások,
azokon belül is a fuzzy szabályozások, az úgynevezett fuzzy szabályozó rendszerek.
A mindennapokban rengeteg olyan műszaki eszközzel és megoldással találkozunk,
amelyek fuzzy logikát alkalmaznak. Ilyenek például a fuzzy logikát alkalmazó mosó-
gépek, hűtőgépek, vagy mikrohullámú sütők; járművek fűtésének és hűtésének fuzzy
szabályozása; ipari technológiai folyamatok szabályozása.
A fuzzy logika szerteágazó és sokszínű műszaki alkalmazásai mögött az áll, hogy
komplex műszaki problémák esetén, amikor hiányos, pontatlan vagy bizonytalan be-
meneteket és információkat kell a problémák megoldásához felhasználni, a problémák
és az azok megoldásához szükséges eljárások természetes nyelven történő leírásával
és a fuzzy logika alkalmazásával jobb eredmények érhetők el, mint a hagyományos
eszközök, a hagyományos szabályozások alkalmazásával.
A továbbiakban fuzzy rendszerek alatt olyan fuzzy szakértői rendszereket értünk,
amelyek üzleti folyamatok vagy jellemzők szakértői ismeretekre és fuzzy következte-
tésre épülő értékelését valósítják meg. E rendszerek látszólag jelentősen eltérnek
a műszaki célú fuzzy rendszerektől, de valójában ugyanazok a motivációk állnak
mögöttük, mint a fuzzy rendszerek műszaki alkalmazásai mögött. Az üzleti gya-
korlatban általában nincs lehetőségünk az üzleti folyamatok és jelenségek teljes körű
megismerésére, így azokkal kapcsolatban csak korlátozott ismeretekkel rendelkezünk.
Ugyanakkor, gyakran találkozunk olyan helyzetekkel, amikor bizonytalan körülmé-
nyek között, hiányos ismeretek és gyengén definiált fogalmak alapján kell üzleti folya-
matokat értékelnünk, következtetéseket levonnunk és döntéseket hoznunk. A fuzzy
rendszerek alternatívát kínálnak a bizonytalanság kezelésére, lehetővé teszik üzleti
folyamatok adekvát értékelését és megalapozzák a menedzseri döntések konzisztens
végrehajtását. Fuzzy rendszerek felépítését mutatja a 17. ábra.
17. ábra. Fuzzy (következtető) rendszer felépítése
51
A rendszer általános működése a következő. Bemenetként az x1 , x2 , . . . , xm numeri-

kus értékeket kapja, amelyeket a fuzzifikáló fuzzy értékekké alakít. A fuzzy bemene-
tekből a következtető gép a szabálybázis szabályainak alkalmazásával fuzzy kimene-
teket állít elő, amelyeket a defuzzifikáló numerikus y1 , y2 , . . . , yn kimenetekké alakít.
Egy m számú bemenettel és n számú kimenettel rendelkező rendszer egyenértékű n
darab olyan egykimenetes rendszerrel, amelyek mindegyikének azonosak a bemenetei
az n kimenetű rendszerével. Ez alapján elegendő a több bemenetű, egy kimenetű
rendszereket vizsgálnunk. Egy ilyen rendszer az x = (x1 , x2 , . . . , xm ) bemenő vek-
torhoz egy y numerikus értéket rendel, azaz egy y = f (x) függvénykapcsolatot tes-
tesít meg. Ezt a függvénykapcsolatot pontosan nem ismerjük, viszont tudjuk, hogy
a szabálybázis fuzzy szabályai és alkalmazott tagsági függvények határozzák meg.
Ebben rejlik a fuzzy rendszerek alkalmazásának egyik nagy előnye, nevezetesen az
általános függvényapproximációs képességük. A rendszer által reprezentált transzfor-
mációt (függvényt) a szabályok alkalmazásával természetes nyelvi eszközökkel írjuk
le, így a rendszer szakértők által természetes nyelven megfogalmazott szakértői isme-
retek alapján képes működni úgy, hogy működése során bizonytalan, fuzzy értékeket
használ. A következőkben röviden tárgyaljuk a 17. ábra szerinti fuzzy rendszerek
összetevőit.
4.1. A fuzzifikáló
Egy fuzzy rendszer bemenetei rendszerint éles x1 , x2 , . . . , xm numerikus értékek, ame-
lyet a fuzzy következtetés végrehajtásához először fuzzifikálni kell. A fuzzifikálás egy
olyan transzformáció, amely egy x0 ∈ X éles értéket egy az X halmazon értelme-
zett A0 fuzzy halmazzá képez le. A Mamdani-féle következtetés tárgyalása során
grafikusan már bemutattuk az éles bemenet fuzzy szingletonnal és háromszög fuzzy
halmazzal történő fuzzifikálását. E két fuzzifikálási módszeren kívül említést érde-
mel még a Gauss fuzzifikáció, amely Gauss tagsági függvényű fuzzy halmazzá képezi
az éles bemenetet. A következőkben e három fuzzifikáló működését foglaljuk össze
arra az esetre, amikor x0 egy skalár.
A szingleton fuzzifikáló az x0 pontot egy olyan A0 fuzzy halmazzá képezi, amelynek
µA0 tagsági függvénye az x0 helyen 1, minden más helyen 0.
(
1, ha x = x0
µA0 (x) = (72)
0, különben
Korábban láttuk, hogy Mamdani-féle fuzzy következtető esetén a szingleton fuzzifi-

kálás alkalmazása nagymértékben egyszerűsíti a fuzzy következtetés számítását. A
18a. ábra a szingleton fuzzifikálás működését mutatja.
A háromszög fuzzifikáló az x0 pontot egy olyan A0 fuzzy halmazzá képezi, amely-
nek µA0 tagsági függvénye
0
1 − |x − x | ,

ha |x − x0 | ≤ b
µA0 (x) = b (73)
0, különben

52
alakú, ahol a b paraméter a háromszög félszélessége (18b. ábra).

A Gauss-fuzzifikáló az x0 pontot egy olyan A0 fuzzy halmazzá képezi, amelynek
µA0 tagsági függvénye 2
x−x0
− σ
µA0 (x) = e (74)
alakú, ahol a σ paraméter a haranggörbe szélességét határozza meg, a függvénygör-
bének x0 -től σ távolságra jobbra és balra inflexiós pontjai vannak (18c. ábra).
(a) Szingleton fuzzifikáló (b) Háromszög fuzzifikáló
(c) Gauss-fuzzifikáló
18. ábra. Szingleton, háromszög és Gauss-fuzzifikálók
4.1.1. A fuzzifikáló kiválasztása

Egy konkrét fuzzy rendszer gyakorlati megvalósítása esetén a fuzzifikáló eljárás kivá-
lasztásához a bemutatott módszerek alábbi tulajdonságait érdemes figyelembe venni.
A Gauss- és a háromszög fuzzifikálók egyszerűsítik a fuzzy következtetés számítását,
ha a szabályok tagsági függvényei Gauss-, illetve háromszög alakú függvények. To-
vábbi előnyük, hogy zajos bement esetén képesek a bementi zaj elnyomására. Szing-
leton fuzzifikálás esetén a fuzzy következtetés számítása a szabályokban szereplő
53
tagsági függvényektől függetlenül egyszerűsödik, ugyanakkor a szingleton fuzzifikáló

nem képes zajos bement esetén a bemeneti zajt elnyomni.
4.2. A szabálybázis
A "HA A, AKKOR B" alakú szabályok fuzzy rendszerekben betöltött szerepét ko-
rábban már tárgyaltuk. Itt röviden tárgyaljuk azokat a technikákat, amelyek segít-
ségével egy fuzzy rendszer szabálybázisa meghatározható.
Ha a rendszer bemenetei az x1 , x2 , . . . , xm numerikus értékek, akkor egy "HA
..., AKKOR ..." szabály előtagja az alkalmazott tagsági függvényeken keresztül az
(x1 , x2 , . . . , xm ) vektornak az m-dimenziós bemeneti tér egy részteréhez való tartozási
mértéket adja meg a [0, 1] skálán. Ez azt jelenti, hogy a szabályok előtagjai az m-
dimenziós bemeneti teret osztják fel.
A bementi tér legkézenfekvőbb felosztása az úgynevezett rács particionálás. Eb-
ben az eseteben mindegyik bemeneti változóhoz, mint nyelvi változóhoz, azonos szá-
mú nyelvi értéket (fuzzy halmazt) rendelünk. A módszer előnye abban áll, hogy a
tagsági függvények általában valódi lingvisztikai jelentéssel bírnak, hátránya viszont
az, hogy a szabályok száma a bementi tér dimenziójával exponenciálisan növekszik.
Például, minden bemeneti változóra 3 résztartományt alkalmazva 2 dimenzió esetén
a szabályok száma 32 = 9, míg 4 dimenzió esetén ez az érték 34 = 81.
A döntési fák felépítésére alapuló, úgynevezett fa particionálás alkalmazásával
a szabályok száma csökkenthető, viszont az egyes tagsági függvények nem mindig
rendelkeznek világos nyelvi jelentéssel.
Ha rendelkezésünkre áll egy minta a bementi vektorokra vonatkozóan, akkor azok
klaszterezésével a bementi vektorok úgy osztályozhatók, hogy az azonos osztályba
(klaszterbe) kerülő vektorok közötti hasonlóság nagy, míg bármely két különböző
klaszterben lévő vektor jelentősen különbözik egymástól. Ha a bemeneteket sikerül
a C1 , C2 , . . . , Ck klaszterekbe sorolni, akkor "HA (x1 , x2 , . . . , xm ) ∈ Ci , AKKOR Bi "
alakú szabályokat alkalmazhatunk, s így a szabályok száma megegyezik a klaszterek
számával. A módszer hátránya, hogy általában nem társítható világos nyelvi jelentés
ahhoz, hogy egy (x1 , x2 , . . . , xm ) bemenet egy adott klaszterhez tartozik.
4.3. A következtető gép

A fuzzy következtető gép a fuzzy rendszernek az a része, amely a fuzzifikált beme-
netekből a szabályrendszer szabályainak alkalmazásával fuzzy következményt állít
elő. Korábban már utaltunk rá, hogy fuzzy következtetéseknek nagyon sok változata
megvalósítható, ezek közül mi csupán egy változatot, a talán legszélesebb körben
alkalmazott Mamdani következtetést tárgyaltuk.
4.4. A defuzzifikáló
A defuzzifikáló feladata a fuzzy következtető gép B 00 fuzzy halmaz kimenetének nu-
merikus, éles kimenetté alakítása. Ez az éles kimenet egy olyan y0 numerikus érték,
amely a B 00 fuzzy halmazt legjobban reprezentálja. Annak függvényében, hogy a
54
legjobb reprezentációt hogyan értelmezzük, különböző defuzzifikálási módszerek le-

hetségesek. Ezek közül - a teljességre törekvés igénye nélkül - tárgyalunk néhány, a
gyakorlatban széles körben alkalmazott módszert.
4.4.1. A súlyponti defuzzifikáló

Súlyponti defuzzifikálás esetén az Y éles halmazon értelmezett B 00 fuzzy halmazt a
tagsági függvénygörbéje alatti terület y irányú súlypontjával reprezentáljuk, azaz
R
yµB 00 (y)dy
Y
y0 = R . (75)
µB 00 (y)dy
Y
Ezt a módszert az irodalomban center of gravity (COG) módszernek nevezik. A

módszer alkalmazásának feltétele, hogy a B 00 fuzzy halmaz szupportja egy interval-
lum legyen. A 19. ábra a súlyponti defuzzifikálás módszerét szemlélteti.
19. ábra. Súlyponti defuzzifikálás
4.4.2. Maximum defuzzifikálók

Legyen h(B 00 ) azon y ∈ Y pontok halmaza, amelyekre µB 00 (y) maximális értékű.
h(B 00 ) tehát olyan y értékekből áll, amelyeknél B 00 tagsági függvénye maximális.
Ha h(B 00 ) egyelemű, akkor a B 00 -t reprezentáló y0 numerikus érték egyértelműen
adott.
Ha a h(B 00 )-béli y értékek folytonosan kitöltenek egy vagy több intervallumot,
55
akkor B 00 reprezentálható a maximumok, azaz h(B 00 ) középértékével:

R
ydy
h(B 00 )
y0 = R . (76)
dy
h(B 00 )
Ezt a módszert nevezik maximumok középértéke módszernek (mean of maxima (MOM))

(20 ábra).
A maximumok középértéke módszer egyfajta egyszerűsítésének tekinthető a ma-
ximumok középpontja módszer (center of maxima (COM)), amely a
min{y : y ∈ h(B 00 )} + max{y : y ∈ h(B 00 )}

y0 = (77)
2
számtani átlaggal reprezentálja a B 00 fuzzy halmazt, azaz y0 a legkisebb és legnagyobb
olyan y hely számtani átlaga, amelyekre µB 00 (y) maximális.
20. ábra. Maximumok középértéke módszer
4.4.3. A defuzzifikáló módszer megválasztásának szempontjai

A defuzzifikálók között nem létezik egy minden tekintetben legjobb módszer. Azt
sem mondhatjuk, hogy valamelyik módszer jobb, vagy rosszabb, mint egy másik. A
gyakorlatban a defuzzifikáló eljárás kiválasztása mindig a konkrét feladattól függ.
Itt röviden ismertetjük azokat a kritériumokat, amelyek teljesítését egy defuzzifikáló
módszertől általában szokás elvárni.
• Reprezentálás. Az y0 éles kimenet közelítőleg a B 00 fuzzy kimenet szupportjá-

nak közepén helyezkedjen el, azaz y0 intuitíve reprezentálja a B 00 fuzzy halmazt.
56
• Egyértelműség. Egy defuzzifikáló módszertől azt várjuk, hogy ugyanazt a B 00

fuzzy következményt ugyanazzal az y0 éles kimenettel reprezentálja.
• Folytonosság. A B 00 fuzzy kimenet kismértékű változása az y0 éles kimenetben

is csak kismértékű változást eredményezzen.
• Számítási egyszerűség. A defuzzifikálás legyen gyors, ami általában egyenérté-

kű azzal, hogy számításigénye kicsi.
Érdemes megjegyezni, és ez összhangban áll a korábban mondottakkal, hogy a be-

mutatott defuzzifikálási módszerek egyike sem teljesíti maradéktalanul a fenti kri-
tériumok mindegyikét. Ennek ellenére e módszereket széles körben alkalmazzák a
gyakorlatban, ugyanis a fenti szempontok különböző konkrét gyakorlati alkalmazá-
sok esetén más és más fontossággal bírhatnak.
2
4.5. Fuzzy alkalmazások az üzleti tudományokban
A fuzzy elmélet Zadeh 1965-ös korszakalkotó cikkének [10] megjelenése óta óriási
fejlődésen ment keresztül, és az elmélet eredményeinek rengeteg alkalmazása ismert.
Bár az alkalmazások jelentős része elsősorban műszaki területekre koncentrálódik,
az 1980-as évektől kezdődően egyre több kutatás témáját képezi a fuzzy elmélet al-
kalmazása a gazdaságtan, a szervezéstudományok és a menedzsment, azaz átfogóan
az üzleti tudományok területein. Biztató, hogy az alkalmazott kutatások és a publi-
kációk száma egyre növekszik ezeken a területeken, és egyre színesebb és érdekesebb
alkalmazási esetek látnak napvilágot. Itt – elsősorban az alkalmazási lehetőségek sok-
színűségének bemutatása céljából – csak egy rövid ízelítőt szeretnénk adni azokból a
publikációkból, melyek a fuzzy elmélet sikeres felhasználását mutatják be az üzleti
tudományok különböző területein. Guiffrida és Nagi 73 folyóiratcikket és 9 könyvet
tanulmányozva publikáltak egy átfogó irodalomkutatást a fuzzy halmazelmélet al-
kalmazásairól a termelésmenedzsment területén [20]. A hazai termelésmenedzsment
irodalomból említést érdemel Koltai és munkatársai munkája [21], melyben a fuzzy
elmélet eszközeinek felhasználásával tárgyalják a bizonytalan paraméterekkel történő
optimalizálást a szolgáltatás- és termelésmenedzsmentben. Guerry a fuzzy halmazok
lehetséges alkalmazásait mutatja be az emberi erőforrás tervezésében [22]. Chernic-
hovsky et al. egészségbiztosítási rendszerek finanszírozási kérdéseit tárgyalják egy
fuzzy logikát alkalmazó megközelítés segítségével [23]. Hobbs et al. az úgyneve-
zett fuzzy kognitív térképek alkalmazásával adnak módszert komplex (sokváltozós)
ökoszisztémák célérték meghatározására [24]. Varki et al. fuzzy alapú osztályozá-
si módszerüket, az úgynevezett Fuzzy Latent Class Model-t (FLCM) mutatják be
a marketing területén [25]. Wang egy fuzzy halmazokra építő projekttevékenység-
ütemező eljárást tárgyal a termékfejlesztés területén [26], míg Piros és Veres fuzzy
alapú projekttervezési módszert mutatnak be [32] munkájukban. Shipley et al. a
2
A szakasz Kövesi János (szerk.): Minőség és megbízhatóság a menedzsmentben című munkánk
4.4. szakaszának átvételére épül [1]
57
fuzzy logikára épített, úgynevezett BIPFET algoritmusukat alkalmazzák valószínű-

ségek becsléseire a projekt menedzsment területén [27]. Ng és szerzőtársai fuzzy
tagsági függvények segítségével adják meg beszállítók kiválasztásának lehetséges kri-
tériumait [28]. Végül szeretnénk kiemelni Ragin [29], Smithson és Verkuilen [30], és
Zopounidis et al. [31] könyveit, melyek a fuzzy elmélet társadalomtudományi, gaz-
dasági, menedzsment és marketing területen lehetséges alkalmazásairól adnak átfogó
képet.
4.6. Példa: felvásárlási lehetőségek fuzzy értékelése

A "V" vállalkozás egy másik vállalkozás felvásárlásával szeretné bővíteni tevékenysé-
gét. Több olyan cég is van, amelyek a felvásárlás szempontjából szóba jöhetnek, ezért
a felvásárolandó vállalkozás kiválasztása előtt "V" a potenciális cégeket értékeli. A
potenciális cégek értékelése az árbevételük és profitjuk alapján történik. A valóság-
ban természetesen ennél jóval több jellemző alapján történne meg egy ilyen értékelés,
mi most csupán a példa könnyebb követhetősége és a módszer szemléltetése céljából
élünk ezzel az egyszerűsítéssel. Az értékelést a 21. ábrán látható fuzzy következtető
rendszerrel valósítjuk meg. A rendszernek két bemenete van, az ÁRBEVÉTEL és a
PROFIT, valamint egy kimenete, az ÉRTÉKELÉS változó.
21. ábra. A fuzzy rendszer felépítése
A rendszer bemeneteit és a kimenetét nyelvi változóknak tekintjük. Az ÁRBEVÉ-

TEL változót a [0, 100] intervallumban, mint USA dollárban mért havi árbevételt
tekintjük, a PROFIT változó az értékelt vállalkozás üzleti eredményét jelenti az
árbevétele százalékában, és ezt a változót a [0, 40] intervallumon mérjük. Az ÁRBE-
VÉTEL nyelvi változó lehetséges értékei a "kicsi", "közepes" és "nagy", a PROFIT
nyelvi változó értékei pedig az "alacsony", "közepes" és "magas" fuzzy halmazok,
melyeket háromszög, trapéz, illetve trianguláris tagsági függvényekkel adtunk meg
58
(22a. és 22b. ábra). A kimeneti ÉRTÉKELÉS nyelvi változót a [0, 1] értékelő

skálán értelmezzük és lehetséges nyelvi értékeit a "rossz", "gyenge", "közepes", "jó"
és "kiváló" fuzzy halmazok reprezentálják, amelyeket harang-, Z- és S-alakú tagsági
függvényekkel határoztunk meg (22c. ábra).
(a) Az ÁRBEVÉTEL fuzzy értékei (b) A PROFIT fuzzy értékei
(c) Az ÉRTÉKELÉS fuzzy értékei
22. ábra. A rendszer bemeneteinek és kimenetének tagsági függvényei
A rendszer szakértői ismeretek felhasználásával az alábbi kilenc szabályba öntve

írja le az ÉRTÉKELÉS kimenetet az ÁRBEVÉTEL és PROFIT bemenetek függvé-
nyében.
HA ÁRBEVÉTEL="kicsi" ÉS PROFIT="alacsony", AKKOR ÉRTÉKELÉS="rossz"
HA ÁRBEVÉTEL="kicsi" ÉS PROFIT="közepes", AKKOR ÉRTÉKELÉS="gyenge"
HA ÁRBEVÉTEL="kicsi" ÉS PROFIT="magas", AKKOR ÉRTÉKELÉS="gyenge"
HA ÁRBEVÉTEL="közepes" ÉS PROFIT="alacsony", AKKOR ÉRTÉKELÉS="közepes"
HA ÁRBEVÉTEL="közepes" ÉS PROFIT="közepes", AKKOR ÉRTÉKELÉS="közepes"
HA ÁRBEVÉTEL="közepes" ÉS PROFIT="magas", AKKOR ÉRTÉKELÉS="jó"
HA ÁRBEVÉTEL="nagy" ÉS PROFIT="alacsony", AKKOR ÉRTÉKELÉS="közepes"
HA ÁRBEVÉTEL="nagy" ÉS PROFIT="közepes", AKKOR ÉRTÉKELÉS="jó"
HA ÁRBEVÉTEL="nagy" ÉS PROFIT="magas", AKKOR ÉRTÉKELÉS="kiváló"
Szingleton fuzzifikálás, súlyponti defuzzifikálás és Mamdani következtetés mellett

a rendszer működését az ÁRBEVÉTEL=60, PROFIT =30 esetre a 23. ábra mutatja.
59
23. ábra. A rendszer működése ÁRBEVÉTEL=60, PROFIT =30 esetén
Ha a rendszer kimenetét minden lehetséges (ÁRBEVÉTEL, PROFIT ) párra meg-

határozzuk, akkor a 24. ábrán látható háromdimenziós felületet kapjuk. Ez a felület
reprezentálja a nyelvi szabályokkal leírt függvénykapcsolatot a bemenetek és a ki-
menet között. Ha tehát egy konkrét vállalkozás esetén adott az (ÁRBEVÉTEL,
PROFIT ) pár, akkor ahhoz rendszer meg tudja határozni a vállalkozás értékét a
[0, 1] értékelő skálán. Így a felépített fuzzy rendszer a szabályokban megfogalmazott
szakértői ismeretek alapján képes értékelni.
24. ábra. A rendszer által megvalósított függvény felülete
60
Hivatkozások
[1] Kövesi J. (szerk.): Minőség és megbízhatóság a menedzsmentben. Typotex Kiadó, Budapest,
2011.
[2] Jónás T. – Kövesi J.: Értékelő függvények a megbízhatóság alapú menedzsmentben. Minőség
és megbízhatóság XLIII(6): 311-320., 2009
[3] Vámosi Z.: Humán erőforrás menedzsment. LSI Oktatóközpont, A Mikroelektronika Alkalma-
zásának Kultúrájáért Alapítvány, Budapest, 237., 2004
[4] Burdick, R. K. – Borror, C. M. – Montgomery, D. C.: Design and Analysis of Gauge R&R
Studies. Philadelphia, SIAM, 2005
[5] Kindler J. – Papp O.: Komplex rendszerek vizsgálata. Műszaki Könyvkiadó, Budapest, 17-27.,
1977
[6] Szendrei Á.: Diszkrét matematika, logika, algebra, kombinatorika. JATE Bolyai Intézet, Sze-
ged, 39., 1996
[7] Negoita, C. V.: Expert Systems and Fuzzy Systems. The Benjamin/Cummings Publishing
Company Inc., California, 47-67., 1985
[8] Zimmermann, H.-J.: Fuzzy set theory – and its applications. Kluwer Academic Publisher,
Massachusetts, 1-15., 2001
[9] Kosko, B.: Fuzzy Thinking: The New Science of Fuzzy Logic. Hyperion, New York, 121-156.,
1993
[10] Zadeh L. A.: Fuzzy Sets. Information and Control, 8:338-353., 1965
[11] Retter Gy.: Fuzzy, neurális genetikus, kaotikus rendszerek. Bevezetés a „lágy számítás” mód-
szereibe. Invest-Marketing Bt., Budapest, 21-22., 2003
[12] Retter Gy.: Fuzzy rendszerek. 1. kötet. Oktatási Segédlet, Budapesti Műszaki és Gazdaságtu-
dományi Egyetem, Villamos Gépek és Hajtások Tanszék, 20-21., 2002
[13] Johanyák Zs. Cs. – Kovács Sz.: A fuzzy tagsági függvény megválasztásáról. A GAMF Közle-
ményei, Kecskemét, XIX. Évfolyam, 73-84., 2004
[14] Verhulst P. F.: Notice sur la loi que la population poursuit dans son accroissement. Corres-
pondance mathématique et physique, 10: 113–121., 1838
[15] Jónás T.: A szigmoid függvény és alkalmazásai. Tudományos Diákköri Dolgozat, Szegedi Tu-
dományegyetem, Számítástudományi Szekció, 2000
[16] Jónás T.: Üzleti folyamatok megbízhatóságának modellezése. PhD értekezés, Budapesti Mű-
szaki és Gazdaságtudományi Egyetem, Gazdálkodás- és Szervezéstudományi Doktori Iskola,
2010
[17] Kóczy T. L., Tikk D.: Fuzzy rendszerek. Typotex Kiadó, Budapest. 2000.
[18] Mamdani, E.H., S. Assilian: An experiment in linguistic synthesis with a fuzzy logic controller.
International Journal of Man-Machine Studies, Vol. 7, No. 1, pp. 1-13, 1975.
[19] P. M. Larsen: Industrial Applications of Fuzzy Logic Control, International Journal of Man-
Machine Studies, Vol. 12, No. 1, 1980, pp. 3-10
61
[20] Guiffrida A. L. – Nagi R.: Fuzzy Set Theory Applications in Production Management Research:
A Literature Survey. Journal of Intelligent Manufacturing, 9(1): 39-56., 1998
[21] Koltai T. – Kalló N. – Tatay V.: Optimumkeresés bizonytalan paraméterekkel a termelés-

és szolgáltatásmenedzsmentben. In: Somosi Mariann (szerk.) Jubileumi Kiadvány a Miskolci
Egyetem Gazdaságtudományi Kar Vezetéstudományi Intézet alapításának 50. évfordulójára.
Miskolc: Miskolci Egyetem Gazdaságtudományi Kar, pp. 104-115. Vol. III, Vezetési Ismeretek
ISBN: 978-963-661-886-5; 978-963-661-889-6
[22] Guerry M. A.: Using Fuzzy Sets in Manpower Planning. Journal of Applied Probability, 36(1):
155-162., 1999
[23] Chernichovsky D. – Bolotin A. – De Leeuw D.: A Fuzzy Logic Approach toward Solving the
Analytic Enigma of Health System Financing. The European Journal of Health Economics,
4(3): 158-175., 2003
[24] Hobbs B. F. – Ludsin S. A. – Knight R. L. – Ryan P. A. – Biberhofer J. – Ciborowski J.

J. H.: Fuzzy Cognitive Mapping as a Tool to Define Management Objectives for Complex
Ecosystems. Ecological Applications, 12(5): 1548-1565., 2002
[25] Varki S. – Cooil B. – Rust R. T.: Modeling Fuzzy Data in Qualitative Marketing Research.
Journal of Marketing Research, 37(4): 480-489., 2000
[26] Wang J. R.: A Fuzzy Set Approach to Activity Scheduling for Product Development, The
Journal of the Operational Research Society, 50(12): 1217-1228., 1999
[27] Shipley M. F. – De Korvin A. – Omer K.: A Fuzzy Logic Approach for Determining Expected
Values: A Project Management Application, The Journal of the Operational Research Society,
47(4): 562-569., 1996
[28] Ng S. T. – Luu D. T. – Chen S. E. – Lam K. C.: Fuzzy membership functions of procurement

selection criteria. Construction Management and Economics, 20(3): 285-296., 2002
[29] Ragin C. C.: Fuzzy-Set Social Science. The University of Chicago Press, Chicago, 370., 2000
[30] Smithson M. – Verkuilen J.: Fuzzy set theory: applications in the social sciences. Sage Publi-
cations Ltd., California, 97., 2006
[31] Zopounidis C. – Pardalos P. M. – Baourakis G.: Fuzzy sets in management, economics, and
marketing. World Scientific Publishing, 269., 2001
[32] Piros A. – Veres G.: Fuzzy based method for project planning of the infrastructure design for
the diagnostic in ITER. FUSION ENGINEERING AND DESIGN 88: pp. 1183-1186. 2013
[33] Jónás T.: Fuzzy elmélet a menedzsmentben. Oktatási segédanyag. Budapesti Műszaki és Gaz-
daságtudományi Egyetem, Gazdaság- és Társadalomtudományi Kar, 2015.
62

Uzleti Folyamatok Merese Es Ertekelese 2020

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Uzleti Folyamatok Merese Es Ertekelese 2020

Uploaded by

Copyright:

Available Formats

Eötvös Loránd Tudományegyetem

Üzleti folyamatok mérése és értékelése

Oktatási segédanyag az "Üzleti folyamatok elemzése" tárgyhoz mesterszakos

Lektorálta: Dr. Piros Attila

1. Üzleti folyamatok, azok mérése és értékelése 5

3.3.2. A Mamdani-féle következtetés . . . . . . . . . . . . . . . . . . 45

4. Fuzzy rendszerek alapjai 51

esetén – amikor a gyártási és szolgáltatási folyamatokon túl, a működéshez szükséges

1.1. A mérés és bizonytalanságai

• A mérés szubjektív elemei

• A mérőrendszer ismételhetőségével és reprodukálhatóságával kapcsolatos prob-

• A mért és a mérő entitás által érzékelt jóság eltérése

1.1.1. A mérés szubjektív elemei

1.1.2. A mérőrendszer ismételhetőségével és reprodukálhatóságával kap-

1.1.3. A mért és a mérő entitás által érzékelt jóság eltérése

arányskálát, de értékelési skálának nem feltétlenül. Az üzleti gyakorlatban az üzle-

1.2. Mérési eredmények értékelése

1. A folyamat egy jellemző attribútumának kijelölése. Ez voltaképpen egy üzle-

2. A kiválasztott jellemzőhöz mutatószám hozzárendelése. Ilyen például az a

3. A meghatározott mutatószám mérése. Ez nem más, mint a mutatószám konk-

4. A mutatószám mért értékeinek értékelése. A cél az, hogy a vállalkozás a mért

Tekintsünk egy mutatószámot, amellyel egy üzleti folyamat valamely jellemző-

lehet. Másrészről, még ha maga a mérés tökéletesen mentes is lenne a bemuta-

1.2.1. A hagyományos értékelés

µXJ : X → {0; 1} (1)

• XJ -t egy ≥ reláció határozza meg

• XJ -t egy > reláció határozza meg

• XJ -t egy < reláció határozza meg

• XJ -t egy ≤ reláció jelöli ki

• XJ -t egy intervallum jelöli ki

A hagyományos (éles) értékelés jellemzőinek tárgyalásához tekintsük a fenti, hu-

1. ábra. Az élesen definiált közepesen jövedelmező üzletek halmaz karakterisztikus

A karakterisztikus függvény a közepesen jövedelmező üzletek halmazához tartozás

2.1. Fuzzy halmazok és tagsági függvényeik

2.1.1. Fuzzy halmazok tagsági függvényei, mint értékelő függvények

2.2. Nevezetes tagsági függvénytípusok

2.2.1. Háromszög tagsági függvény

A 3. ábrán egy trianguláris tagsági függvény grafikonja látható.

3. ábra. Háromszög (trianguláris) tagsági függvény grafikonja az a = 3, b = 6, c = 8

2.2.2. Trapéz tagsági függvény

A 4. ábrán egy trapéz tagsági függvény grafikonja látható.

4. ábra. Trapéz tagsági függvény grafikonja az a = 1, b = 5, c = 7, d = 8 paraméte-

2.2.3. Gauss-tagsági függvény

A c paraméter a Gauss-görbe középpontját, a pozitív σ szórás paraméter a függvény-

5. ábra. Gauss-tagsági függvény grafikonja a c = 5, σ = 1, 5 paraméterekkel

2.2.4. Harang (Bell) tagsági függvény

6. ábra. Harang tagsági függvény grafikonja az a = 2, b = 5, c = 6 paraméterekkel

A függvénygörbe meredeksége a c + a helyen −b/(2a). Érdemes megjegyezni, hogy

2.2.5. S-alakú, másodfokú tagsági függvény

A 7. ábrán egy S-alakú tagsági függvény grafikonja látható. A függvény a és b

7. ábra. S-alakú, másodfokú tagsági függvény grafikonja az a = 1, b = 8 paraméte-

2.2.6. Z-alakú, másodfokú tagsági függvény

A 8. ábrán egy Z-alakú tagsági függvény grafikonja látható. A függvény a és b pa-

8. ábra. Z-alakú, másodfokú tagsági függvény grafikonja az a = 1, b = 8 paraméte-

2.2.7. Szigmoid tagsági függvény

A függvény szigorúan monoton növekedő, ha a pozitív és szigorúan monoton csök-

9. ábra. Szigmoid tagsági függvények grafikonjai az a = 2, c = 4, illetve a = −2,

2.3. Értékelés a logisztikus függvénnyel és közelítésével

Induljunk ki abból, hogy az x mutatószámot az [xS , xE ] mérési skálán mérjük, s

differenciaegyenletnek, ahol a 6= 0 egy állandó arányossági tényező. Ha a pozitív,

10. ábra. Az értékelő függvény meredekségének változása logisztikus értékelés esetén

A (20) egyenletben infinitezimális mennyiségekre áttérve a

vagy más szavakkal a megfelelő halmazhoz tartozás mértékének – a nullából egybe