Los modelos de computación suave basados en enfoques difusos o probabilísticos proporcionan a los tomadores de decisiones del sistema las capacidades necesarias para lidiar con información imprecisa e incompleta. Los sistemas híbridos basados en diferentes enfoques de computación suave con cualidades y principios complementarios también se han vuelto populares. Por un lado, la lógica difusa toma decisiones en función del grado de pertenencia pero no proporciona información sobre la frecuencia de un evento; por otro lado, la probabilidad nos informa sobre la frecuencia del evento pero no proporciona información sobre el grado de pertenencia a un conjunto. En este trabajo, proponemos una nueva medida que implementa tanto nociones difusas como probabilísticas (es decir, el grado de pertenencia y la frecuencia) aprovechando la capacidad del operador de convolución para combinar funciones en intervalos continuos. Esta medida evalúa tanto el grado de pertenencia como la frecuencia de objetos/eventos en el diseño de sistemas de apoyo a la decisión. Mostramos, utilizando ejemplos concretos, las desventajas de la lógica difusa y los enfoques basados en probabilidad tomados por separado, y luego mostramos cómo una medida de convolución probabilística difusa permite corregir estas desventajas. Basándonos en esta medida, presentamos un nuevo método de agrupamiento llamado Fuzzy-Probabilistic-Convolution-C-Means (FP-Conv-CM). Fuzzy C-Means (FCM), Probabilistic K-Means (PKM) y FP-Conv-CM se probaron en múltiples conjuntos de datos y se compararon en función de dos medidas de rendimiento basadas en la métrica de Silhouette y el Índice de Dunn. Se demostró que FP-Conv-CM mejora en ambas métricas. Además, FCM, PKM y FP-Conv-CM se utilizaron para múltiples tareas de compresión de imágenes y se compararon en función de tres medidas de rendimiento: Error Cuadrático Medio (MSE), Relación Señal a Ruido Pico (PSNR) e Índice de Similitud Estructural (SSIM). El método propuesto FP-Conv-CM muestra mejoras en las tres medidas.