Cálculo Riesgo / Lógica Difusa

import numpy as np import skfuzzy as fuzzy import matplotlib.pyplot as plt

# Rango de la edad x_edad = np.arange(18, 76, 1) # Rango Uso del Vehículo x_vehiculo = np.arange(0, 101, 1) # Rango del riesgo financero (0% al 100%) x_riesgo = np.arange(0, 101, 1)

figura = plt.figure() fig_edad = figura.add_subplot(1,3,1) fig_edad.set_title("Edad") fig_edad.plot(range(18,76), x_edad) fig_vehiculo = figura.add_subplot(1,3,2) fig_vehiculo.set_title("Uso Vehículo") fig_vehiculo.plot(range(0,101), x_vehiculo) fig_riesgo = figura.add_subplot(1,3,3) fig_riesgo.set_title("Riesgo") fig_riesgo.plot(range(0,101), x_riesgo)

# Edad joven = fuzzy.trapmf(x_edad,[18,18,25,30] ) adulto = fuzzy.trapmf(x_edad,[20,35,35,50] ) mayor = fuzzy.trapmf(x_edad, [40,60,75,75] ) # Vehículo vehiculo_bajo = fuzzy.trapmf(x_vehiculo,[0,0,10,20]) vehiculo_medio = fuzzy.trapmf(x_vehiculo,[10,40,40,60]) vehiculo_alto = fuzzy.trapmf(x_vehiculo,[50,75,100,100]) # Riesgo riesgo_bajo = fuzzy.trapmf(x_riesgo,[0,0,10,20]) riesgo_medio = fuzzy.trapmf(x_riesgo,[10,30,30,45]) riesgo_alto = fuzzy.trapmf(x_riesgo,[40,55,100,100])

figura = plt.figure(figsize=(25,5)) edad = figura.add_subplot(1,3,1) edad.plot(x_edad, joven, color="blue", label="Joven") edad.plot(x_edad,adulto, color="orange", label="Adulto") edad.plot(x_edad,mayor, color="green", label="Mayor") edad.legend() edad.set_xlabel("Edad") vehiculo = figura.add_subplot(1,3,2) vehiculo.plot(x_vehiculo, vehiculo_bajo, color="blue", label="Bajo") vehiculo.plot(x_vehiculo,vehiculo_medio, color="orange", label="Medio") vehiculo.plot(x_vehiculo,vehiculo_alto, color="green", label="Alto") vehiculo.legend() vehiculo.set_xlabel("Uso Vehículo") riesgo = figura.add_subplot(1,3,3) riesgo.plot(x_riesgo, riesgo_bajo, color="blue", label="Bajo") riesgo.plot(x_riesgo,riesgo_medio, color="orange", label="Medio") riesgo.plot(x_riesgo,riesgo_alto, color="green", label="Alto") riesgo.legend() riesgo.set_xlabel("Riesgo")

# Introducimos valores para las variables de entrada edad_persona = 25 uso_vehiculo = 50 # Calculamos el grado de membresía de cierto valor de entrada para la variable 'edad' edad_joven = fuzzy.interp_membership(x_edad, joven, edad_persona) edad_adulto = fuzzy.interp_membership(x_edad, adulto, edad_persona) edad_mayor = fuzzy.interp_membership(x_edad, mayor, edad_persona) print("Persona Joven:", edad_joven) print("Persona Adulta:", edad_adulto) print("Persona Mayor:", edad_mayor) plt.plot(x_edad, joven, label="Joven") plt.plot(x_edad, adulto, label="Adulto") plt.plot(x_edad, mayor, label="Mayor") plt.plot([edad_persona, edad_persona], [0.0, 1.0], linestyle="--") plt.plot(edad_persona, edad_joven, 'x') plt.plot(edad_persona, edad_adulto, 'x') plt.plot(edad_persona, edad_mayor, 'x') plt.legend(loc='best') plt.xlabel('EDAD') plt.ylabel('$\mu (e)$') plt.show() # Calculamos el grado de membresía de cierto valor de entrada para la variable 'uso_vehiculo' bajo = fuzzy.interp_membership(x_vehiculo, vehiculo_bajo, uso_vehiculo) medio = fuzzy.interp_membership(x_vehiculo, vehiculo_medio, uso_vehiculo) alto = fuzzy.interp_membership(x_vehiculo, vehiculo_alto, uso_vehiculo) print("Uso vehículo Bajo:", bajo) print("Uso vehículo Medio:", medio) print("Uso vehículo Alto:", alto) plt.plot(x_vehiculo, vehiculo_bajo, label="Bajo") plt.plot(x_vehiculo, vehiculo_medio, label="Medio") plt.plot(x_vehiculo, vehiculo_alto, label="Alto") plt.plot([uso_vehiculo, uso_vehiculo], [0.0, 1.0], linestyle="--") plt.plot(uso_vehiculo, bajo, 'x') plt.plot(uso_vehiculo, medio, 'x') plt.plot(uso_vehiculo, alto, 'x') plt.legend(loc='best') plt.xlabel('Uso Vehículo') plt.ylabel('$\mu (e)$') plt.show()

# Regla 1: "Para el riesgo alto cuando edad es joven y el uso es medio # Usamos el mínimo para las operaciones de intersección ( y ) antecedente_1 = np.fmin(edad_joven, medio ) regla_1 = np.fmin(antecedente_1, riesgo_alto) # Regla 2: " Para el riesgo medio cuando edad es adulto y el uso es medio" antecedente_2 = np.fmin(edad_adulto, medio) regla_2 = np.fmin(antecedente_2, riesgo_medio)

# Se hace la unión de los conjuntos resultantes de la aplicación de reglas # Usamos el máximo ya que es una unión union = np.fmax(regla_1, regla_2)

figura = plt.figure(figsize=(7,5)) axes = figura.add_subplot() axes.plot(x_riesgo, union) axes.plot([0,0], [0, 1], linestyle="")

# Defusificación centroide = fuzzy.defuzz(x_riesgo,union,'centroid') bisector = fuzzy.defuzz(x_riesgo,union,'bisector') mom = fuzzy.defuzz(x_riesgo,union,'mom') som = fuzzy.defuzz(x_riesgo,union,'som') lom = fuzzy.defuzz(x_riesgo,union,'lom') print("Centroide:" , centroide) print("Bisector:" , bisector) print("MOM:" , mom) print("SOM:" , som) print("LOM:" , lom) figura = plt.figure(figsize=(7,5)) axes = figura.add_subplot() axes.plot(x_riesgo,union) axes.plot([centroide,centroide], [0,1], color="red", label="Centroide") axes.plot([bisector,bisector], [0,1], color="green", label="Bisector") axes.plot([mom,mom], [0,1], color="blue", label="MOM") axes.plot([som,som], [0,1], color="black", label="SOM") axes.plot([lom,lom], [0,1], color="orange", label="LOM") axes.set_title("Riesgo Según Edad y Uso (" + str(edad_persona) + " años " + str(uso_vehiculo) + "%)" ) axes.set_xlabel('Riesgo') axes.legend()