OBJETIVOS: Analizar el entorno del software fuzzytech de tal manera que permita al usuario analizar problemas vistos desde

e el punto de lgica difusa adems utilizar las herramientas de este programa para alcanzar valores de respuesta deseados

Encontrar en la lgica difusa un medio de solucionar o simular un proceso determinado sin que se altere las condiciones del problema que se presenta , en este caso ser necesario considerar el grado de pertenencia de una condicin con respecto a un universo y que tan ligado este con respecto a otro universo planteado en el problema

ENTORNO DE FUZZYTECH 1.-DEFINICIONES.Este entorno es uno de los ms difundidos y completos para el desarrollo de sistemas basados en lgica borrosa. El entorno de FuzzyTech fue desarrollado por la compaa INFORM Software GMBH, el cual surgi del trabajo de un grupo de investigadores dirigido por el profesor Hans Zimmermann, de la Universidad de Aachen (Alemania). Zimmermann, uno de los pioneros de la lgica borrosa en Europa, es presidente y fundador de la International Fuzzy Systems Association (IFSA), la principal organizacin internacional para la investigacin y aplicacin de los sistemas basados en lgica borrosa. El entorno fuzzyTech est formado por un GUI comn basado en MS-Windows que permite la edicin grfica de las variables lingsticas para cada una de las variables del sistema, con una precisin seleccionable segn el tipo de implementacin final seleccionado (8 a 16 bits). FuzzyTech dispone de varios asistentes para facilitar las tareas ms frecuentes del diseo, como asistente para la estructura, para las variables y para las reglas. Incluye adems una ventana de gestin del proyecto con estructura de rbol, un sistema personalizable de generacin automtica de documentacin del proyecto segn el estndar IEC1131-7, y un gestor de versiones integrado. El entorno admite la simulacin fuera de lnea y en tiempo real. Dentro del primer tipo, permite la depuracin interactiva con visualizacin de flujos de inferencia, y optimizacin interactiva de los parmetros del sistema. Como cualidad importante de este entorno destacaremos que dispone de un gran nmero de versiones con una interfaz de usuario comn, adaptadas a un gran nmero de implementaciones. Adems, este entorno ha sido seleccionado por diversos fabricantes de sistemas industriales como herramienta para el desarrollo de aplicaciones de control basadas en la lgica borrosa sobre sus sistemas.

Fig.1 Entorno de fuzzyTECH

3.-PASOS A CONSIDERAR fussyTECH sigue los siguientes pasos :

CREAR UN SISTEMA DIFUSO LOGICO VACIO INGRESAR EN EL SISTEMA TODO EL CONOCIMIENTO A PRIORI EXISTENTE PARA LA SOLUCION

ABRIR LOS COMPONENTES DEL SISTEMA LOGICO DIFUSO QUE DEVERIAN SER ENTRENADOS ENTORNO DE FUZZYTECH

ESTABLECER LOS PARAMETRO DE MODO NEUROFUZZY

ENTRENAR CON LOS DATOS DE MUESTRA

EVALUAR LA PERFORMANCE DEL SISTEMA

OPTIMIZACION MANUAL

4.- PRINCIPALES HERRAMIENTAS DESARROLLADAS POR FUZZYTECH

A) AGRUPAMIENTO DE DATOS (Clustering Module)

La tecnologa Neuro-difusa provee un mtodo poderoso para convertir datos experimentales en reglas difusas. Sin embargo, en muchos casos, los datos de entrenamiento deben ser agrupados previamente, esto es necesario por dos razones: Eliminar los datos redundantes para alcanzar la convergencia rpidamente. Resolver conflictos en los datos en casos en que el conjunto de ellos sea inconsistente.

El agrupamiento o clustering es una clasificacin de datos en grupos (clusters) de acuerdo a un cierto criterio de similitud; por lo general, esto se logra maximizando la similitud intra-grupal y minimizando la similitud extra-grupal16. La similitud de los datos est especificada por la precisin (accuracy) de cada variable. Con el fin de ilustrar la funcin de un algoritmo de agrupamiento (clustering) de datos, se presenta la siguiente Figura en la que se grafican los valores de datos en el caso de una entrada y una nica salida ya que es mucho ms fcil identificar clusters en espacios de datos de dos dimensiones que en espacios dimensionales ms grandes.

Figura Clusterizacin o agrupamiento de datos Como se muestra en la figura, la mayor parte de los datos se agrupan con otros en tres manchas; estas manchas, son los clusters o grupos. Un dato en particular del cluster puede reemplazar al grupo para disminuir el nmero de datos; este es llamado dato caracterstico o representativo del grupo; as, como resultado se obtiene un conjunto de valores caractersticos,que representan al conjunto de datos inicial. FuzzyTECH utiliza dos mtodos para realizar el agrupamiento de datos, uno es el IsodataCluster, y el otro es el FuzzyCluster, ambos se describen a continuacin. A.1) ISODATACLUSTER

El algoritmo Isodata es una tcnica de agrupamiento de datos muy popular. Est basado en la eleccin aleatoria de k centros de cluster iniciales que son actualizados de tal forma que despus de un nmero de ciclos representan al resto de los datos tan bien como puede ser posible. Isodata es iterativo, y sigue los siguientes pasos: Se inicia con la asignacin aleatoria de k centros de clusters iniciales Asigna cada dato al cluster ms cercano Se calculan los nuevos centros de los clusters que pueden ser un nmero diferente a k. El clculo se hace a partir de todos los datos individuales del cluster El segundo y tercer paso son repetidos hasta que el cambio entre las iteraciones sea pequeo. El cambio puede ser definido de varias formas, ya sea midiendo las distancias que el centro del cluster ha cambiado de una iteracin a otra, o por el porcentaje de datos que han cambiado entre las iteraciones.

La funcin objetivo del algoritmo Isodata que debe ser minimizada es la suma de las distancias cuadradas entre cada dato y su centro de cluster asignado para minimizar la variabilidad dentro del cluster. donde C(x) es el centro del cluster al que el dato x est asignado. El algoritmo Isodata es muy sensible a los valores centrales inciales de los clusters, as, es posible que dos clasificaciones del mismo grupo de datos que se inicien con valores iniciales diferentes terminen siendo clasificaciones diferentes. A.2) FUZZYCLUSTER El algoritmo FuzzyCluster, como todo algoritmo difuso, no considera lmites definidos (crisp) para determinar si un dato pertenece a un cluster o no; asocia cada variable con una funcin de pertenencia que determina que tan similares son dos puntos de datos, dependiendo de los valores de los parmetro delta y psilon de la funcin de pertenencia (ver figura siguiente). A diferencia del Isodata cluster, la similitud de dos puntos de datos para una variable v es asignada como un grado de verdad mv. La distancia dxy entre dos puntos es entonces computada como el mnimo negativo de las similitudes (dxy= -minv {mv}). Los dos puntos que tienen el menor dxy son considerados cercanos.
Figura Funcin de pertenencia para expresar la similaridad entre datos

La interpretacin de psilon y delta en la figura mostrada es la siguiente: Epsilon es la ms grande diferencia en valor de dos puntos de datos que todava se consideran similares. Delta es la diferencia ms pequea en el valor de dos punto de datos que no sonconsiderados de ninguna manera similares.

B) CREACIN DE SISTEMAS LGICOS DIFUSOS (FUZZY TOOLS) Fuzzy TECH permite la edicin grfica de las variables lingsticas para cada una de las variables del sistema. Para esto, se pueden utilizar gran variedad de funciones de pertenencia, como las de tipo S, Z, triangular y PI. Posee tambin un editor grfico de reglas, con un formato similar al de una hoja de clculo; se pueden asociar pesos individuales a las reglas que pueden ajustarse de forma automtica utilizando un entrenamiento basado en Redes Neuronales. Todo sistema difuso desarrollado en fuzzyTECH est compuesto de tres tipos de objetos:
El texto es un objeto opcional utilizado para hacer transparente la estructura del sistema lgico difuso y describir la estructura del sistema. No tienen ninguna influencia computacional.

TEXTO

VARIABLES

Las variables pueden ser de entrada, intermedias o de salida, y estn ligadas cada una a una interface. Las interfaces son mostradas como pequeas cajas que muestran el nombre de la variable y un cono que representa el mtodo computacional de fusificacin o defusificacin elegido. Las variables intermedias no estn ligadas con ninguna interface y tienen influencia slo en el bloque de reglas al que pertenecen.

BLOQUES DE REGLAS En fuzzyTECH, las reglas individuales son contenidas dentro de bloques de reglas (BR), que conforman motores de inferencia difusos. Cada BR contiene las reglas para un conjunto de variables e implementan el proceso de inferencia difusa. En las interfaces de entrada, ligadas a las variables lingsticas de entrada, se permiten las siguientes herramientas para llevar a cabo la fusificacin:

COMPUTE MBF, es el mtodo tradicional de fusificacin, el valor crisp intersecta la funcin de pertenencia y se determina un cierto grado de validez. LOOK UP MBF, se suele usar en microcontroladores, computa las funciones depertenencia completamente y almacena los valores en una tabla en el cdigo generado

En las interfaces de salida, ligadas a las variables lingsticas de salida, se pueden utilizar las siguientes herramientas de defusificacin: CenterofMaximum, computa la salida crisp utilizando un promedio ponderado de los valores mximos de los trminos de la variable segn los resultados de la inferencia. MeanofMaximum, computa la salida slo para el trmino con mayor grado de validez.

Centerofrea, utiliza un promedio ponderado de los valores de las reas de los trminos de las variables.

fuzzy TECH utiliza tres familias de operadores de agregacin de entrada que implementan las T-normas y T-conormas (operadores lgicos difusos) del sistema: MinMax (Se puede seleccionar una de ellas o una combinacin de ambas). MinAvg (Se puede seleccionar una de ellas o una combinacin de ambas). fuzzy TECH slo permite el operador de composicin PROD para realizar la inferencia difusa. fuzzy TECH permite dos mtodos de agregacin de resultado.

Max (Maximum), selecciona la regla con el mayor peso de todas las que tienen alguna relacin con el trmino. Bsum (Bounded Sum), realiza una suma ponderada de los resultados de las reglas.

C) EJEMPLO DE APLICACIN Para ilustrar el funcionamiento de las herramientas de diseo de sistemas difusos con fuzzyTECH se presenta el siguiente ejemplo de inferencia: Supngase que se tiene una base de conocimientos de dos reglas, y que se ha seleccionado la herramienta de agregacin de entradas MAX-MIN con un parmetro de 0 (MIN), que el operador de composicin es PROD y que la herramienta de agregacin de salidas es MAX.

Regla 1: Si A es grande y B es fro entonces C es azul. (peso = 0.8) Regla 2: Si A es pequeo y B es caliente entonces C es azul. (peso = 0.6) Si el grado de verdad del antecedente A es grande es 0.2, A es pequeo es 0.8, B es fro es 0.6 y B es caliente es 0.4; entonces, el grado de validez de las premisas, obtenido mediante la agregacin de las entradas utilizando el operador MIN, en la regla 1 es 0.2 y en la regla 2 es 0.4. Utilizando el operador PROD para determinar la validez del consecuente se obtiene 0.16 (0.2*0.8) para la regla 1 y 0.24 (0.6*0.4), y como resultado de la agregacin de las salidas (operador MAX), se obtiene que la salida difusa tiene un grado de validez 0.24 azul. D) ENTRENAMIENTO DE UN SISTEMA DIFUSO (NEUROFUZZY MDULE) El mdulo Neurofuzzy de fuzzyTECH contiene herramientas para entrenar un sistema Neurodifuso;en general, todas ellas combinan el algoritmo de entrenamiento de Retro-propagacin con la idea de aprendizaje competitivo, con el fin de evitar que todas las neuronas activas que producen error sean modificadas, ya que esto podra incrementar el error del sistema al ingresar nuevas muestras. Para realizar el entrenamiento, las herramientas de aprendizaje deben ser configuradas previamente; el mdulo Neuro-difuso de fuzzyTECH permite el ajuste de los siguientes elementos: parmetros de aprendizaje, herramientas de aprendizaje, modo de seleccin de datos y criterios para detener el entrenamiento. E) IMPLEMENTACIN DE SISTEMAS NEURO-DIFUSOS La implementacin de sistemas difusos y neuro-difusos en fuzzyTECH se puede llevar a cabo de dos maneras: autnoma y servidor-cliente. En el primer caso el sistema neuro-difuso opera independientemente del entorno de desarrollo, para lo cual se pueden utilizar los generadores de cdigo de fuzzyTECH, los cuales permiten generar cdigo fuente C, Cobol, M, as como cdigo fuente para microcontroladores, PLCs y DSPs. De otro lado, la implementacin tipo servidor-cliente permite que el kernel de fuzzyTECH trabaje como servidor de datos para MS Excel, MS VisualBasic u otras aplicaciones de MS Windows, a travs de las interfaces DDE, RCU-API (DLL) y Serial Link. 2.-SIMULACIN Y DESARROLLO (APLICACIN DE FUZZYTECH PARA EL CONTROL DE MAQUINAS ELECTRICAS): La simulacin de los sistemas fsicos es de gran importancia en los campos tericos y/o aplicados. La simulacin facilita a los cientficos e ingenieros el anlisis rpido del comportamiento de los sistemas fsicos, definidos por el

correspondiente esquema de bloques o del modelo matemtico, permitindoles as una disminucin de los tiempos de desarrollo con una consecuente reduccin de los costes. Las herramientas de simulacin y desarrollo tienen un papel muy importante cuando se disean sistemas de control, especialmente en el caso de los reguladores fuzzy, pues stos son especifica-dos segn la experiencia subjetiva proporcionada por expertos y por consiguiente la depuracin es enteramente dependiente de los medios de simulacin FuzzyTech, permite definir el proyecto, las variables lingsticas y las reglas, as como la realizacin de una simulacin interactiva. Tambin facilita la generacin de cdigo ANSI C, Kernighan and Richie C y ensamblador, en este caso para el microcontrolador INTEL de la familia96. Versiones de fuzzyTECH para otros microcon-troladores tambin se encuentran disponibles. 4.-APLICCIONES DE FUZZYTECH PARA DEFINIR LA ESTRUCTURA DE UN REGULADOR La figura presenta la estructura del regulador y permite al diseador el acceso directo a la definicin de las variables lingsticas y de las reglas.

Fig.2 Estructura del controlador de deslizamiento para el motor de induccin Estructura del controlador de deslizamiento para el motor de induccin

5.-APLICCIONES DE FUZZYTECH PARA DEFINIR LAS VARIABLES LINGUISTICAS La interfaz grfica de fuzzyTECH facilita al diseador la creacin de las variables lingsticas ms comunes y las funciones pertenencia para la aplicacin. El controlador de deslizamiento, representado en la figura 4, tiene dos entradas, Error de Velocidad y la Variacin del Error, y una salida, que es Incremento del Deslizamiento. la velocidad, la aceleracin del motor y la resolucin del sistema Durante la definicin de las variables lingsticas, fuzzyTECH permite al usuario definir dos representaciones para las variables: Los valores del mundo real que las variables representan siendo sola-mente usadas para presentar los valores actuales con fuzzyTECH.

SHELL VALUES REPRESENTACION DE VARIABLES CODEVALUES. Valores internos de 16 bits que el microcontrolador usa para calcular los resultados, y el margen est entre 0 y 65535.

Si la escala para los code valuesy para los shell values fuese la misma, sera ms fcil percibir el comportamiento del control por comparacin directa de las entradas/salidas fuzzy real con las variables lingsticas. 6.-OPTIMIZACION DEL COMPORTAMIENTO DEL SISTEMA La herramienta fuzzyTECH proporciona mecanismos fuera de lnea (off-line) para depuracin(debug) , prueba y optimizacin de las reglas y funciones de pertenencia. El modo de depuracin interactiva ofrece una verificacin grfica de todas las etapas del proyecto. El modo batch permite crear un archivo de salida asociado a un archivo de entradas que contiene una muestra de los valores que stas pueden tener. Este modo permite analizar y ensayar la ejecucin del proyecto . Asimismo fuzzyTECH presenta un mecanismo de depuracin en lnea (debug on-line) mediante comunicacin RS-232. Usando estas caractersticas, el diseador puede examinar si todas las reglas establecidas son necesarias, si las reglas importantes no han sido omitidas y si las variaciones de las variables de salida son consistentes con el sistema. El cdigo para el microcontrolador Intel 80C196KCes generado automticamente por fuzzyTECH 6.-APLICACIONES CONTENEDORES) DE FUZZYTECH (MECANISMO GRUA DE

Luego de instalado el programa En primer lugar, iniciar la simulacin de la gra de contenedores, haremos clic en la gra smbolo en el grupo de programas fuzzyTECH.

a) ROCEDIMIENTO

DE EVALUACIN

Fig.3 Smbolo de la herramienta de gra de contenedores fuzzyTECH

Visualice el cuadro en la parte inferior de la ventana de simulacin de la gra hasta que muestra los valores para las variables de ngulo, distancia y potencia. Los valores de ngulo y la distancia son calculadas por la simulacin del proceso, mientras que control de la variable de potencia puede ser manualmente o realizado por el controlador de lgica difusa. Luego se tendr que habilitar el control manual haciendo clic en el botn [Manual]. La distancia es de ms de 20 metros, mientras que el ngulo y la potencia son cero.
b) CONTROL MANUAL

Utilice el botn [-], [0] y el botn [+] para el control de la alimentacin. En primer lugar, haga clic una o dos veces en el botn [+]. Esto configura la potencia del motor sea a 0,75 o 1,5 kilovatios. El movimiento causado por ello hace que el ngulo de oscilacin vare muy ligeramente, pero no es suficiente para poner el gra en movimiento debido a la friccin en el sistema mecnico. Por lo menos 3 kilovatios de potencia del motor es necesario para establecer el movimiento de la cabeza de la gra . Ahora aumentamos la potencia del motor haciendo clic en el botn [+] de nuevo. El botn [0] se restablece el valor de la potencia del motor de puesta a cero y el botn [-] le permite aplica al motor valores negativos en cuanto a la potencia de frenado. Tambin puede utilizar el botn [-], [0] y [+] en el teclado. El botn [Reset] establece o coloca a la gra a su posicin inicial
c) ESTRATEGIA DE CONTROL

Al iniciar el funcionamiento la gra con la potencia del motor muy alto o elevado, se ve que, debido al gran peso del contenedor, el contenedor empieza a generar una conduccin de la gra y no a la a la inversa. Esta retroalimentacin fuerte de carga es tpico para el contenedor de gras, y causa una de las principales dificultades para el control de tales procesos.

d)

CON
Figura 4: Control de la gra de contenedores Los botones de control permite operar la gra Manualmente o establecer un enlace con fuzzyTECH para la operacin automtica.

INICIALIZACION FUZZYTECH

Comenzar

la

primera edicin fuzzyTECH con el fin de utilizar la lgica difusa definiremos el controlador para la simulacin de la gra -contenedor. Hacemos clic en la entrada "fuzzyTECH" en el men Inicio.
e) VENTANA PRINCIPAL DE FUZZYTECH

La ventana principal fuzzyTECH contiene dos sub-ventanas: La "Vista de rbol"y El "Editor de proyectos como se aprecia en la figura

Figura 5.-Ventana de Fuzzy Tech

EJECUTAR LOS DATOS DEL CONTROLADOR DEL SISTEMA CONTENEDOR - GRUA :

Abra el men Archivo haciendo clic sobre la entrada "Archivo" en la barra de men principal .Este men contiene todas las funciones de apertura y la funcin de guardar archivos, as como las funciones relacionadas. Seleccione la opcin "Archivo / Abrir" y abra el archivo "CRANE.FTL", ubicado en el subdirectorio "... \ SAMPLES \ CONTROL \ FACHADA \". Esta opcin se puede desactivar en "Herramientas de preferencias generales / fuzzyTECH haciendo clic en la casilla de" archivos usados recientemente ". Mientras fuzzyTECH abre un proyecto, el campo medio de la barra de estado

muestra que los componentes del controlador de lgica difusa se cargan actualmente. Dependiendo de la velocidad de su PC, esto puede ser demasiado rpido como para seguir. Al final del procedimiento se tenddra cargado el Proyecto fuzzyTECH y en el editor de la ventana mostrar la Vista de rbol y la estructura del controlador de la gra Todas las variables lingsticas del controlador de la gra se enumeran en la ventana Vista de rbol. Haga doble clic en el grupo de variables de entrada, salida o variables intermedias Variables para ver todas las variables del proyecto. "Angulo" y "Distancia" son las variables de salida (medido variables) de la simulacin de la gra y, por tanto, las variables de entrada del controlador de lgica difusa. La potencia es la variable de entrada (variable de referencia) de la simulacin de la gra y, por tanto, la variable de salida del controlador de lgica difusa.

No hay variables intermedias en este proyecto. La vinculacin de los respectivos insumos y salidas de la simulacin de la gra y el controlador lgico produce un bucle de control cerrado.

Figura 6.-Estructura del Controlador

D) UTILIZAR FUZZYTECH COMO ASISTENTE PARA SIMULACIONES

El modo de diseo de fuzzyTECH es donde se desarrolla el controlador de lgica difusa. Puesto que usted ha cargado el controlador ya desarrollados en el archivo CRANE.FTL, se puede iniciar directamente la depuracin y pruebas Durante este perodo, fuzzyTECH construye una representacin interna de la corriente del controlador de lgica difusa. El campo medio de la barra de estado muestra el progreso.

Despus de completar con xito, el campo de la izquierda de la barra de estado muestra "Listo" ,de nuevo el campo de derecho de la barra de estado muestra el modo de depuracin activa: "Depurar: UCR Modo de depuracin ".

Adems, muestra una nueva ventana titulada "Vista de mando a distancia" (Figura 5). Esta ventana muestra siempre los valores actuales de todas las entradas y salidas de variables del controlador de lgica difusa

Figura 7.- La ventana Inspeccin Est activada en cualquier modo de depuracin y muestra los valores actuales de las variables de entrada y salida.

E) EDITOR DE VARIABLE LINGSTICA CON FUZZYTECH

La ventana Vista de rbol enumera todas las variables lingsticas en el sistema. Simplemente haga doble clic en nombre de la variable y en el nombre de plazo para activar un editor para la variable respectiva. Cada variable lingstica por lo tanto puede ser editado con su "propio" editor de variables. Tambin puede utilizar el TreeViews men emergente para abrir una variable editor, eligiendo la opcin "Nueva variable".

Figura 8.- Ventana de Editor de Variables para el Angulo del Sistema Contenier-Grua

F) PRUEBA DEL SISTEMA DE USO EL MODO INTERACTIVO DE DEPURACIN Activar el modo de depuracin interactiva haciendo clic en el botn[Interactivo] en la barra de herramientas o la seleccin de "depuracin / interactivo" en el men principal. Abra una ventana del editor de variables para cada una de las tres variables lingsticas de la gra- controlador. Abra la ventana del editor de hoja de clculo de la regla para el bloque de control. Ocultar la vista de rbol haciendo clic en el botn [Vista de rbol] de la barra de herramientas principal. Si arrastra las flechas rojas pequeas por debajo del rea de trazado de las funciones de pertenencia en los editores de variable para "Angulo" y "Distancia" entonces inmediatamente una lnea vertical delgada muestra la fuzzificacin. El grado de disparo de cada regla se muestra por pequeas barras de color negro en ambos lados de los valores de negacin de servicio en el Editor de hojas de clculo. Haga clic en la barra para ver los valores exactos. El proceso de defuzzificacin se muestra en el editor de variables , para establecer las variables de entrada a la posicin inicial de la gra: se coloca la variable Angulo a 0 y La variable distancia " a 22. En el Editor de hoja de clculo de la regla, se ve de que slo el octavo estado. Esta norma establece que en la posicin inicial de la gra debe comenzar con una potencia media. La defuzzificacin se muestra en la variable Editor de "Potencia"

Figura 9: En el modo interactivo, todos los editores permiten visualizar grficamente la inferencia en el proceso

CONCLUSIONES

El procedimiento descrito anteriormente favorece al entendimiento de la solucin de problemas mediante el uso de la lgica borrosa , tomando en cuenta las condiciones del problema .

Las aplicaciones del software de lgica difusa es de suma importancia para poder alimentar nuestro conocimiento y de esta manera comprobar el comportamiento de un sistema cuando este posee distintos universos de actividad.

En la investigacin pudimos ver las aplicaciones de la lgica borrosa con la herramienta fuzzytech en el funcionamiento de maquinas elctricas y el caso de conteiner- gra, gracias a las libreras de fuzzytech nos permiten desarrollar de manera sencilla el problema planteado sin tener necesidad de efectuar clculos tediosos y complicados

Si se ejecutan correctamente las herramientas de fuzzytech el programa facilitara al usuario un correcto anlisis del problema, adems el software tiene la ventaja de mostrar a manera de toolbox los casilleros prestos y necesarios a ser llenados con los datos que se tienen del problema y entrega resultados de manera grafica y con interpretacin.