由模糊集的概念可知，模糊数学的基本思想是隶属度，所以应用模糊数学方法建立数学模型的关键是建立符合实际的隶属函数。
然而，如何确定一个模糊集的隶属函数至今还是尚未完全解决的问题。
确定隶属度的常用方法是模糊分布法。模糊分布法将隶属函数看成一种模糊分布，首先根据问题性质选取适当的模糊分布，然后再依据相关数据确定分布中的参数。
下面简要介绍模糊分布中常用的梯形分布。
偏小型一般适用于描述“小”、“少”、“浅”、“淡”等偏向小的程度的模糊现象；偏大型正好与偏小型相反；而中间型一般适用于描述处于中间状态的模糊现象。
模糊综合评价
评价是人类社会中经常性的、极为重要的认识活动。
对一个事物的评价通常要涉及多个因素或多个指标，评价是在多因素相互作用下的一种综合评判。
综合评价是数学建模竞赛中较为常见的问题如：
长江水质的评价与预测（2005A)艾滋病疗法的评价及疗效的预测（2006B)2010上海世博会影响力的定量评估（2010B)。
综合评价的方法众多，常用的有灰色评价法、层次分析法、模糊综合评价法、数据包络分析法、人工神经网络评价法、理想解法等。有时，还可将两种评价方法集成为组合评价方法。
各种评价方法出发点不同，解决问题的思路不同，适用对象不同，各有优缺点。不同的评价方法会产生不同的评价结论，有时甚至结论相左，即综合评价的结果不是唯一的。
模糊综合评价作为模糊数学的一种具体应用，最早由我国学者汪培庄提出。基本思想是：以模糊数学为基础，应用模糊关系合成原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级状况进行综合评价。
具体步骤为：首先确定被评价对象的因素集和评价集，然后再分别确定各因素的权重及它们的隶属度向量，获得模糊评价矩阵，最后将模糊评价矩阵与因素的权向量进行模糊运算并归一化，从而得到模糊评价综合结果。
模糊综合评价法简单易掌握，对多因素、多层次的复杂问题评价效果较好，很难为其它评价方法所替代。
需要指出的是，用变异系数法求出的某指标的权重与该指标在评价体系中的重要性是两个概念。
变异系数法的作用只是提高指标的分辨能力，利于排序。
其实，使用变异系数法的前提恰恰是所有指标在评价体系中的重要性相当。
也就是说，当指标在评价体系中的重要性相差较大时，使用变异系数法确定权重并不一定合适。
4.模糊合成与综合评价
模糊综合评价矩阵RRR中的不同行反映了被评价事物从不同的指标评价对各等级的隶属程度。用权向量AAA将不同的行进行综合，就可得到被评价事物从总体上对各等级的隶属程度，即模糊综合评价结果。
通常采用所谓“模糊合成”来实现
上述综合，基本思想是：对评价矩阵RRR和权向量AAA进行某种适当的模糊运算，将两者合成为一个模糊向量B=(b1,b2,…,bn)B=(b_1,b_2,…,b_n)B=(b1,b2,…,bn),即B=ARB=ARB=AR,然后对BBB按照一定法则进行综合分析后即可得出最终的模糊综合评价结果。
常用的模糊合成算子有
其实，也可以取 MM
M为普通的矩阵乘法，此时合成即为加权平均。至于到底取何种算子取决于问题的性质和算子的特点。
通常，采用主因素突出型和加权平均型算法的结果大同小异。但在实际中还是要注意这两类算法的特点。
主因素突出型适用于模糊矩阵中数据相差很悬殊的情形，而加权平均型则常用于因素很多的情形，可以避免信息丢失。
