在对自然语言陈述进行建模时，量化陈述起着重要作用。这意味着NL严重依赖于量化结构，该结构通常包括诸如“几乎所有”，“许多”等模糊概念。以下是量化命题的一些示例-

• 每个学生都通过了考试。
• 每一辆跑车都很昂贵。
• 许多学生通过了考试。
• 许多跑车很昂贵。

在以上示例中，量词“每个”和“很多”应用于明晰限制“学生”以及明示范围“(通过考试的人)”和“汽车”以及明示范围“运动”。

模糊事件，模糊均值和模糊方差

借助示例，我们可以理解以上概念。让我们假设我们是一家名为ABC的公司的股东。目前，该公司以每股40卢比的价格出售其股票。有三家公司的业务与ABC相似，但它们以不同的价格发行股票-每股₹100，每股₹85，每股₹60。

现在这个价格接管的概率分布如下-

现在，根据标准概率理论，上述分布给出了预期价格的平均值，如下所示：

$ 100×0.3 + 85×0.5 + 60×0.2 = 84.5美元

并且，从标准概率理论出发，上述分布给出了预期价格的方差，如下所示：

$(100 − 84.5)2×0.3 +(85 − 84.5)2×0.5 +(60 − 84.5)2×0.2 = 124.825 $

假设此集合中100的隶属度为0.7，85的隶属度为1，值60的隶属度为0.5。这些可以反映在以下模糊集中-

$$ \ left \ {\ frac {0.7} {100}，\：\ frac {1} {85}，\：\ frac {0.5} {60}，\ right \} $$

以这种方式获得的模糊集称为模糊事件。

我们想要我们的计算得出的模糊事件的概率-

$ 0.7×0.3 + 1×0.5 + 0.5×0.2 = 0.21 + 0.5 + 0.1 = 0.81美元

现在，我们需要计算模糊均值和模糊方差，计算如下：

Fuzzy_mean $ = \ left(\ frac {1} {0.81} \ right)×(100×0.7×0.3 + 85×1×0.5 + 60×0.5×0.2)$

$ = 85.8 $

Fuzzy_Variance $ = 7496.91 − 7361.91 = 135.27 $