1 Diseñando Bases de Datos DifusasDoctora: Angélica Urrutia Sepúlveda Universidad Católica del Maule Talca Chile

2 INDICE Introducción Estado del Arte Propuesta del modelo FuzzyEERValidación de modelo FuzzyEER Herramienta FuzzyCASE Conclusiones Líneas futuras

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

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

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

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

7 INDICE Introducción Estado del Arte Propuesta del modelo FuzzyEERValidación de modelo FuzzyEER Herramienta FuzzyCASE Conclusiones Líneas futuras

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

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

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

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

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

13 Estado del Arte: Modelo conceptual difusoModelo de Yasici y Merdan (1996)

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

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

16 INDICE Introducción Estado del Arte Propuesta del modelo FuzzyEERValidación de modelo FuzzyEER Herramienta FuzzyCASE Conclusiones Líneas futuras

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

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

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

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

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

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

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

24 Propuesta del Modelo FuzzyEEREntidad difusa Interrelación difusa

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

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

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

28 Propuesta del Modelo FuzzyEEREspecializaciones de completitud difusa, con notación (min,max)

29 Propuesta del Modelo FuzzyEEREspecializaciones disjunta o solapada difusa Especialización solapada

30 Propuesta del Modelo FuzzyEERCategorías difusas Subclases Compartidas difusas

31 Propuesta del Modelo FuzzyEEREspecializaciones por atributo difuso

32 Propuesta del Modelo FuzzyEERGrados en la agregación de entidades Grados de agregación en los atributos de una entidad

33 Propuesta del Modelo FuzzyEERGrados en la especialización

34 Propuesta del Modelo FuzzyEEROtras propuestas

35 Propuesta del Modelo FuzzyEERComparación de FuzzyEER con otros modelos difusos

36 Propuesta del Modelo FuzzyEERComparación de atributos difusos

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

38 INDICE Introducción Estado del Arte Propuesta del modelo FuzzyEERValidación de modelo FuzzyEER Herramienta FuzzyCASE Conclusiones Líneas futuras

39 Validación del Modelo FuzzyEERAgencia Inmobiliaria (Granada, España) Control de la calidad del papel (Talca, Chile)

40 Validación del Modelo FuzzyEERModelo ER/EER de Agencia Inmobiliaria

41 Validación del Modelo FuzzyEERModelo FuzzyEER de Agencia Inmobiliaria

42 Propuesta del Modelo FuzzyEERT3: Estado T2: Antiguedad

43 Validación del Modelo FuzzyEERModelo ER/EER del Control de Calidad del Papel

44 Validación del Modelo FuzzyEERModelo FuzzyEER del Control de Calidad del Papel

45 Ejemplo: Grados DifusosGrado de un conjunto de valores Empleado {DNI, oficio, experiencia, habilidad} “grado de experiencia”

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

47 Ejemplos: Grados Difusos

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

49 INDICE Introducción Estado del Arte Propuesta del modelo FuzzyEERValidación de modelo FuzzyEER Herramienta FuzzyCASE Conclusiones Líneas futuras

50 Herramienta FuzzyCASEConstruida en Visual Basic para window

51 Herramienta FuzzyCASEUso de la herramienta FuzzyCASE

52 Herramienta FuzzyCASEOpción interrelación en FuzzyCASE

53 Herramienta FuzzyCASEOpción especialización por tipo de atributo difuso en FuzzyCASE

54 Herramienta FuzzyCASELa herramienta FuzzyCASE fue utilizada en un curso de “Modelos de datos difusos” del programa de Magister en La Paz Bolivia, Santiago de Chile, Arequipa Peru...

55 INDICE Introducción Estado del Arte Propuesta del modelo FuzzyEERValidación de modelo FuzzyEER Herramienta FuzzyCASE Conclusiones Líneas futuras

56 Conclusiones I Con respecto a las tecnologías de bases de datosLa teoría de conjuntos difusos permite tratar la incertidumbre en las bases de datos. Ninguno de los modelos estudiados ofrece todas las componentes al un diseño de bases de datos en forma integrada.

57 Conclusiones II Con respecto a modelos conceptuales para bases de datos Existen en la actualidad algunos modelos de datos que tratan grados y algunos tipos de datos imprecisos. Ninguno ofrece todas las componentes al modelo de una forma integrada como lo hace FuzzyEER.

58 Conclusiones III Con respecto a la extensión del modelado de incertidumbre Se puede incorporar diferentes tipos de atributos difusos con referencial ordenado y no ordenado. Se pueden representar distintos tipo de grados con distinto significado en los atributos. Se puede flexibilizar las restricciones usando cuantificadores difusos.

59 Conclusiones: Contrastación de resultadosLibro Galindo J., Urrrutia A. y Piattini M. (2006): “Fuzzy Databases:Modeling, Desing and Implementation”, Idea Group Publishing Hershey, USA. Capítulo de libro Galindo J., Urrrutia A. y Piattini M. (2003): “Fuzzy Extensions to EER Specializations”. Ideas Group Publishing Hershey, USA.

60 Conclusiones: Contrastación de resultadosPublicaciones en revistas Galindo J., Urrutia A., Carrasco R., Piattini M.,  "Relaxing Constraints in Enhanced Entity-Relationship Models Using Fuzzy Quantifiers". IEEE Transactions on Fuzzy Systems. Urrutia A., Galindo J., Jiménez L. (2002): “Extensión del Modelo Conceptual EER para Representar Tipos de Datos Difusos”. I+D Computación, Noviembre de 2002, Volumen 1, número 2, (México). Urrutia A. (2002): “Implementación de Bases de Datos Difusas: un Caso de Control de la Calidad del Papel”. Revista electrónica Gerencia Tecnología Informática AEDO, Noviembre, Volumen 1, número 1. Colombia. Urrutia A., Galindo J. (2001): “Notación para Datos con Imprecisión en un Modelo Conceptual Difuso”. Revista UCMaule, diciembre N° 27, (Chile). pp

61 Proyectos de InvestigaciónÁrea de bases de datos de la Red Iberoamericana de Tecnologías del Software para la década del 2000 RITOS 2 red VII.J en el subprograma VII de la organización Iberoamericana CYTED. Proyecto I+D: “Soft Data Server: Modelo de Servidor de Bases de Datos Objeto-Relacional basado en Soft Computing”, CICYT N° TIC Entidad financiadora: Proyectos I+D del Ministerio de Educación y Ciencia. Investigador principal: Dr. Juan Miguel Medina R., como investigadora invitada Angélica Urrutia. Proyecto interno UCM ( )

62 Líneas abiertas. Modelos de datos difusos Metodología Extensión UMLExtensión de la herramienta Extensión OLAP

63 “Nunca he podido contentarme con la lógica de lo blanco y de lo negro, con la lógica de dos únicos valores contrapuestos. Me parece insuficiente. Si una cosa no es negra, evidentemente puede ser blanca, pero igualmente puede ser de un montón de colores” Boris Vian (escritor y músico francés )

64 Diseñando Bases de Datos DifusasDoctora: Angélica Urrutia Sepúlveda