• Nessuna parola chiave trovata

Secondo le tecniche tradizionali di analisi la comprensione di un fenomeno coincide con la capacità di descriverlo in termini quantitativi, in genere tramite equazioni differenziali e integrali. I modelli matematici utilizzati per questo fine hanno la caratteristica comune di operare semplificazioni e astrazioni per giungere ad una rappresentazione formale dei dati a disposizione e del problema oggetto di studio. Nel caso di fenomeni troppo complessi (nei quali le dipendenze tra variabili sono non lineari e non vi è un modello di riferimento per definirle in termini quantitativi) o mal definiti (poiché le informazioni a disposizione sono imprecise) le metodologie classiche sono inadatte o perché incapaci di produrre modelli di analisi o perché tali modelli risultano incoerenti rispetto alla realtà. Queste problematiche sono tipiche dei fenomeni economici, finanziari e dei sistemi di valutazione del rischio.

Più da vicino si considera un problema concernente il mondo reale, più fuzzy diventa la sua soluzione”[1]. Più aumenta la precisione, più emerge la natura fuzzy delle cose.

Secondo la logica fuzzy, nei casi di questo tipo è necessario abbandonare la formulazione tramite misure precise preferendo tecniche di analisi che imitino il processo cognitivo umano. L’uomo, infatti, dimostra un’innata abilità nel ragionare e prendere decisioni efficienti in condizioni di incertezza e imprecisione, e nell’analizzare masse di dati e fenomeni complessi. Tutti questi processi di ragionamento si fondano su percezioni (della distanza, della direzione, della rischiosità ecc.) che sono le unità elementari della conoscenza.
La teoria del calcolo linguistico si propone, quindi, di fornire un corpo di regole per l’inferenza che, unendo la matematica fuzzy al linguaggio naturale, consentano di trattare dati quantitativi in forma di parole per mantenere la valenza intuitiva del ragionamento umano.
Il lavoro svolto ha portato alla generazione di due modelli di analisi del rischio, uno si appoggia sul FIS (Fuzzy Inference System ) di Matlab, l’altro modello invece si basa Fuzzy Weighted Average Algorithm for Fuzzy Multiple Attributes Decision di Lee and Park (1997).








[1] Zadeh, L.A., “The concept of a linguistic variable and its application to approximate reasoning“, Information Science, 8 e 9, 1975