ÍNDICE

ÍNDICE ............................................................................................................................................ 1
INDICE DE TABLAS.......................................................................................................................... 2
INDICE DE FIGURAS........................................................................................................................ 3
INTRODUCCIÓN ............................................................................................................................. 4
1 BASES TEORICAS .................................................................................................................... 6
1.1 Lógica Difusa .................................................................................................................. 6
1.1.1 Conjuntos Difusos .................................................................................................. 7
1.1.2 Funciones de Membresía para Conjuntos Difusos ................................................ 8
1.1.3 Operaciones Difusas .............................................................................................. 9
1.1.4 Inferencias Difusas ............................................................................................... 11
1.1.5 Defuzzificación. .................................................................................................... 14
1.2 Aplicaciones de Sistemas Difusos ................................................................................ 15
1.2.1 Controladores Difusos ......................................................................................... 16
1.2.2 Salud .................................................................................................................... 18
1.2.3 Ciberseguridad ..................................................................................................... 21
1.2.4 Otras áreas del conocimiento .............................................................................. 23
2 ARTÍCULO CIENTÍFICO QUE PROPONE UN MODELO DE ÍNDICE PARA LA EVALUACIÓN DE
CALIDAD DE CLASIFICACIÓN DEL AGUA SUPERFICIAL ................................................................. 26
2.1 Realidad Problemática ................................................................................................. 26
2.2 Metodología ................................................................................................................ 27
2.3 Resultados ................................................................................................................... 27
3 PROPUESTA DE PROTOTIPO ................................................................................................ 29
4 REFERENCIAS BIBLIOGRÁFICAS ............................................................................................ 32
 INDICE DE TABLAS
Tabla 1 Valores de verdad para intersección, unión y complemento................................... 9
Tabla 2 Definición de los operadores AND, OR y NOT .......................................................... 9
Tabla 3 Tabla de verdad para los operadores AND, OR y NOT ......................................... 10
Tabla 4 Resultado de aplicación de los métodos de desfuzificación ........................................... 15
Tabla 5. Reglas difusas de control de tráfico ........................................................................ 17
Tabla 6 Variables Input y output .............................................................................................. 22
Tabla 7 Aplicaciones de la lógica difusa a diversas áreas.................................................. 24
INDICE DE FIGURAS

Figura 1. Representación gráfica del conjunto de personas altas ........................................ 6

Figura 2 Conjunto difuso de personas altas ............................................................................ 7
Figura 3 Funciones de membresía para conjuntos difusos. .................................................. 8
Figura 4 Comportamiento de los operadores AND, OR y NOT .......................................... 10
Figura 5 Sistema que tiene dos funciones de membresía de entrada y dos de salida ................ 13
Figura 6 Función de membresía resultado de aplicar el modelo mandani ................................. 14
Figura 7. Esquema de modelamiento empleando lógica difusa. ........................................ 15
Figura 8 Controlador de Lógica Difusa del Tráfico en una Intersección ............................ 17
Figura 9. Número de sujetos en el hipercubo borroso bidimensional I²............................. 20
Figura 10 La estructura completa de ACSS usando el método de Mamdani. .................. 23
 INTRODUCCIÓN

La forma en que las personas pensamos es inherentemente difusa y no siempre se

puede definir en declaraciones verdaderas o falsas. Tomemos por ejemplo el conjunto
de todas las manzanas y todos los núcleos de manzana en el mundo. Ahora toma una
de esas manzanas; pertenece al conjunto de todas las manzanas. Ahora dale un
mordisco a esa manzana; todavía es una manzana. Si es así, todavía pertenece al
conjunto de manzanas. Después de varios mordiscos, finalmente se queda como un
núcleo de manzana y pertenece al conjunto de núcleos de manzana. Por lo tanto nos
hacemos las siguientes interrogantes:
 ¿En qué momento la manzana pasó de ser una manzana a ser un núcleo de
manzana?
 ¿Qué pasaría si pudieras obtener una mordida más de ese núcleo de manzana,
eso lo mueve a un conjunto diferente?

Se parte del hecho de que conceptos como alto, bajo, ruidoso, dulce, caro, amargo,
barato, delgado, etc. son percibidos de manera diferente por cada persona. Por ejemplo,
para una persona de Alaska el concepto de caliente puede ser arriba de 10 °C, mientras
que para un mexicano caliente es arriba de 30 °C o en un proceso de fundición caliente
es arriba de 300°C. Por esta razón los conjuntos caliente, tibio y frío son llamados
conjuntos difusos, debido a que sus límites son borrosos o “no muy bien” definidos
(Guzmán & Castaño, 2009).

La lógica difusa fue introducida por Lofti A Zadeh, ingeniero eléctrico iraní y profesor de
la Universidad de California, en Berkeley, quien en 1965 publica el primer artículo de
lógica difusa llamado “Fuzzy Sets” (Guzmán & Castaño, 2009). Zadeh y otros
continuaron desarrollando lógica difusa en ese momento. La idea de los conjuntos
difusos y la lógica difusa no fueron bien aceptadas dentro de los círculos académicos
debido a que algunas de las matemáticas subyacentes aún no habían sido exploradas.
En Japón, la lógica difusa específicamente fue completamente aceptada e
implementada en productos simplemente porque la lógica difusa funcionó,
independientemente de si los matemáticos estaban de acuerdo o no. El éxito de muchos
productos basados en la lógica difusa en Japón a principios de los 80 condujo a un
renacimiento de la lógica difusa en los EE. UU («Fuzzy Logic», s. f.).

La lógica difusa se viene empleando concurrentemente, esto debido a la gran variedad

de sus aplicaciones, las cuales van desde el control de complejos procesos industriales,
hasta el diseño de dispositivos artificiales de deducción automática, pasando por la
construcción de artefactos de uso doméstico y de entretenimiento, así como también de
sistemas de diagnóstico. Al menos, década y media, la expedición de patentes
industriales de mecanismos basados en la lógica difusa tiene un crecimiento sumamente
rápido en todas las naciones industrializadas del orbe (Morales Luna, 2002).

El trabajo de investigación se encuentra organizado de la siguiente manera: En la

siguiente sección de Bases Teóricas, se introduce a los conceptos de lógica difusa; tales
como los conjuntos difusos, funciones de pertenencia, operaciones en los conjuntos
difusos, métodos de inferencia y proceso de defuzzificación. En el capítulo 3 se analiza
un artículo científico que emplea lógica difusa para estimar la calidad del agua.
Finalmente en el capítulo 4 se propone un prototipo.
1 BASES TEORICAS

En esta unidad se abordarán los siguientes temas: Teoría matemática,

herramientas de Software y Aplicaciones de la lógica difusa.

1.1 Lógica Difusa

Un conjunto, es una colección de cosas que pertenecen a alguna definición.

Cualquier elemento pertenece a ese conjunto o no pertenece a ese conjunto.
Ejemplo 1. El conjunto de hombres altos. Diremos que las personas más altas o iguales
a 6 pies son altas. Este conjunto se puede representar gráficamente de la siguiente
manera, ver Figura 1:

Figura 1. Representación gráfica del conjunto de personas altas

La función que se muestra en la Figura 1, describe la membresía del conjunto

'alto', usted está en él o no está en él. Esta afinación de bordes afilados funciona muy
bien para operaciones binarias y matemáticas, pero no funciona tan bien al describir el
mundo real. La función de membresía no hace distinción entre alguien que mide 6'1 "y
alguien que mide 7'1", ambos son simplemente altos. Claramente hay una diferencia
significativa entre las dos alturas. La otra cara de esta falta de incongruencia es la
diferencia entre un hombre de 5'11 " y 6 '. Esta es solo una diferencia de una pulgada,
sin embargo, esta función de membresía solo dice que uno es alto y el otro no es alto.

El enfoque conjunto difuso para el conjunto de hombres altos proporciona una

representación mucho mejor de la altura de una persona. El conjunto, que se muestra
en la Figura 2, está definido por una función de inclinación continua.

Figura 2 Conjunto difuso de personas altas

La función de membresía define el conjunto difuso para los posibles valores

debajo de él en el eje horizontal. El eje vertical, en una escala de 0 a 1, proporciona el
valor de membresía de la altura en el conjunto difuso. Entonces, para las dos personas
que se muestran arriba, la primera persona tiene una membresía de 0.3 y, por lo tanto,
no es muy alta. La segunda persona tiene una membresía de 0.95 y por eso
definitivamente es alto. Sin embargo, él no pertenece al grupo de hombres altos en la
forma en que los conjuntos bivalentes funcionan; él tiene un alto grado de membresía
en el conjunto difuso de hombres altos.

1.1.1 Conjuntos Difusos

La definición de un conjunto difuso, del artículo de Zadeh es:

Dado X ser un espacio de puntos, con un elemento genérico de X denotado por x. Por
lo tanto, X = {x}. Un conjunto difuso A en X se caracteriza por una función de pertenencia
fA (x) que asocia con cada punto en X un número real en el intervalo [0,1], con los
valores de fA (x) en x que representan el "grado de membresía "de x en A. Por lo tanto,
cuanta más cerca esté el valor de fA (x) para la unidad, mayor será el grado de
membresía de x en A.

1.1.2 Funciones de Membresía para Conjuntos Difusos

Las funciones de membresía para conjuntos difusos se pueden definir de

varias maneras siempre que sigan las reglas de la definición de un conjunto difuso. La
forma de la función de membresía utilizada define el conjunto difuso y, por lo tanto, la
decisión sobre qué tipo utilizar depende del propósito. La elección de función de
membresía es el aspecto subjetivo de la lógica difusa, permite interpelar
apropiadamente los valores deseados. Las funciones de membresía más comunes se
muestran a continuación, en la Figura 3.

Figura 3 Funciones de membresía para conjuntos difusos.

1.1.3 Operaciones Difusas

La lógica bivalente tradicional usa los operadores booleanos Y, O y NO para

realizar las operaciones de intersección, unión y complemento. Estos operadores
funcionan bien para conjuntos bivalentes y se pueden definir esencialmente utilizando
la siguiente tabla de verdad, descrita en la Tabla 1:

X Y X AND Y X OR Y NOT X
0 0 0 0 1
0 1 0 1 1
1 0 0 1 0
1 1 1 1 0

Tabla 1 Valores de verdad para intersección, unión y complemento

La tabla de verdad, Tabla 1, funciona bien para la lógica bivalente, pero la

lógica difusa no tiene un conjunto finito de posibilidades para cada entrada; esto lo
convierte en una tabla de verdad infinitamente grande. Por lo tanto los operadores deben
definirse como funciones para todos los posibles valores difusos, es decir, todos los
números reales de 0 a 1 inclusive. La forma generalizada para estos tres operadores se
observan en la Tabla 2.

OPERACIÓN DEFINICIÓN
X AND Y min(X,Y)
X OR Y max(X,Y)
NOT X 1–X

Tabla 2 Definición de los operadores AND, OR y NOT

 Usando estas definiciones, se pueden aplicar a todas las combinaciones
bivalentes anteriores, así como a algunas combinaciones de números difusos. La tabla
de verdad para esto se puede ver en la Tabla 3.

X Y min(X,Y) max(X,Y) 1–X

0 0 0 0 1
0 1 0 1 1
1 0 0 1 0
1 1 1 1 0
0.2 0.5 0.2 0.5 0.8
0.7 0.2 0.2 0.7 0.3
0.6 0.6 0.6 0.6 0.4

Tabla 3 Tabla de verdad para los operadores AND, OR y NOT

El comportamiento de las nuevas definiciones generalizadas de AND, OR y NOT

se puede visualizar a continuación para todas las entradas posibles de x e y en la Figura
4:

Figura 4 Comportamiento de los operadores AND, OR y NOT

Existen muchas otras definiciones posibles para los diferentes tipos de

operadores, pero todas comparten propiedades similares. Las definiciones matemáticas
del operador AND se llaman normas triangulares o t-normas, este nombre se deriva de
la forma del AND generalizado. Una t-norma es, por definición, un operador binario con
ambos operandos y el resultado en [0,1], es conmutativa, asociativa, tiene 1 como
identidad y está aumentando en cada variable. Las definiciones matemáticas del
operador OR tienen todas las mismas propiedades que las t-normas, excepto que tienen
0 como identidad; se llaman t-conorms. El operador NOT se puede redefinir siempre
que sea una función continua, estrictamente decreciente dentro de [0,1]. Algunos
ejemplos de diferentes t-normas, t-conorms y negaciones se pueden ver a continuación:

1.1.4 Inferencias Difusas

La mayoría de las decisiones que toman las personas son decisiones lógicas,
miran la situación y toman una decisión basada en la situación. La forma generalizada
de tal decisión se llama un modus ponens generalizado, que está en la forma:

Si P, entonces Q.
P.
Por lo tanto, Q.

Esta forma de razonamiento lógico es bastante estricta, Q solo puede serlo si

P. La lógica difusa afloja este rigor diciendo que Q puede ser mayormente si P es
mayoritariamente o:

Si P, entonces Q.
principalmente P.
Por lo tanto, principalmente Q.

Donde P y Q son ahora números borrosos. El razonamiento anterior

requiere un conjunto de reglas para ser definido. Estas reglas son reglas lingüísticas
para relacionar diferentes conjuntos difusos y números. La forma general de estas reglas
es: "si x es A, entonces y es B", donde x e y son números difusos en los conjuntos
difusos A y B respectivamente. Estos conjuntos difusos están definidos por las funciones
de membresía. También puede haber varias funciones de membresía de entrada y
salida para la misma entrada, dependiendo del número de reglas en el sistema. Por
ejemplo, un sistema podría tener funciones de membresía que representen lento, medio
y rápido como entradas. Las reglas lingüísticas se usan para definir la relación entre
la entrada y la salida, pero ¿cómo exactamente se determinan los valores difusos de
salida?

Hay varias formas de determinar la respuesta en función de las entradas,

principalmente los métodos de inferencia y agregación de:

 Mamdani
 Larsen
 Takagi-Sugeno-Kang
 Tsukamoto.

En primer lugar, debemos describir el conjunto general básico de reglas,

apostarán un conjunto de reglas que tienen una entrada en un conjunto difuso y una
salida en un conjunto difuso:

Si x es Ai, entonces y es Bi, i = 1,2, ... n

Veamos un sistema que tiene dos funciones de membresía de entrada (A1,

A2) y dos funciones de membresía de salida (B1, B2). Estas funciones de membresía,
que se muestran a continuación, definen los conjuntos difusos A y B en la regla de
inferencia general anterior.
 Figura 5 Sistema que tiene dos funciones de membresía de entrada y dos de salida

A1 y A2 se muestran a la izquierda, con A1 en azul y A2 en verde. A la derecha

B1 es azul y B2 es verde. Utilizaremos el modelo de inferencia de Mamdani para
combinar los conjuntos y las reglas. El modelo de inferencia de Mamdani es:

R (x, y) = pg110 en Nguyen

El uso de este modelo dará un conjunto difuso agregado, R, que usa los
valores de entrada en A1 y A2 para modificar y combinar B1 y B2. Las funciones de
membresía de entrada, así como las funciones de membresía de salida, se superponen;
esto significa que un valor de entrada puede tener membresía en ambas funciones de
membresía, o en una sola. Si el valor de entrada tiene membresía en una función,
entonces se dice que cualquier regla que use esa función de membresía 'dispara' y
produce un resultado. Estos resultados se agregan usando el modelo de Mamdani o un
modelo diferente.

Vamos a elegir e ingresar el valor que tiene la función de membresía en A1 y

A2, 1.25, esto hará que ambas reglas se activen. El valor 1.25 tiene una membresía de
0.75 en A1 y una membresía de 0.25 en A2. Usando el modelo de Mamdani y estas
entradas, la producción agregada resultante será:
[A1 (1.25) / \ B1 (y)] \ / [A2 (1.25) / \ B2 (y)]
Cuando se han realizado todas estas combinaciones, la función de membresía de salida
agregada (rojo), así como B1 y B2 (discontinua) se muestran a continuación:

Figura 6 Función de membresía resultado de aplicar el modelo mandani

Esta función agregada de membresía difusa es el resultado del proceso de toma de

decisiones basado en reglas.

1.1.5 Defuzzificación.

Defuzzificación es un método que produce un número que mejor representa,

y consistentemente representa el conjunto difuso. Hay muchas maneras de hacer esto,
ya que la mayoría de ellos es algún tipo de método de promediado. El más común es el
método del centroide, este calcula el centro del área del conjunto difuso y usa el valor al
que esto ocurre como la salida defuzzificada. Otros métodos incluyen la bisectriz, la
mayor del máximo, la más pequeña del máximo y la mitad del máximo. Para el conjunto
difuso agregado anterior, los diferentes métodos de defuzzification producen estos
valores finitos que se muestran a continuación. Entonces, si se usa el método más
común, centroide, el resultado finito sería 7.319, ver Tabla 4.

Tabla 4. Resultados de aplicación de los métodos de defuzzificación

 Defuzz Method Result

Centroid 7.319

Bisector 7.230

Largets of Max 9

Smallest of Max 6

Middle of Max 7.5

Tabla 4 Resultado de aplicación de los métodos de desfuzificación

1.2 Aplicaciones de Sistemas Difusos

Los sistemas basados en reglas difusas aplican los métodos de la lógica difusa
para resolver muchos tipos de problemas del "mundo real", especialmente donde un
sistema es difícil de modelar, donde existe un control de un experto u operador
humano, o donde la ambigüedad o vaguedad es común. La metodología de diseño
con base difusa substancialmente simplifica todo el proceso (A. Delgado, 1999).

En general, el proceso de modelado mediante lógica difusa responde a un

esquema que permite manipular reglas de inferencia sobre conjuntos difusos, ver
Figura 7.

Figura 7. Esquema de modelamiento empleando lógica difusa.

En esta sección se describirá brevemente las aplicaciones a:

- Los controladores difusos.
 - Médico.
- Ciberseguridad.
- Otras áreas de aplicación.

1.2.1 Controladores Difusos

La lógica difusa mejora el desempeño del control: En muchas aplicaciones la

lógica difusa puede resultar en un mejor desempeño de control que las técnicas
lineales o de tablas. Las características de los Controladores Difusos, manifiesta que
son bastante Intuitivos, donde la posibilidad de usar expresiones con imprecisión
genera modelos intuitivos, con tolerancia al ruido que por lo general como cada salida
depende de varias reglas que no se verá muy afectada si se produce una perturbación
(ruido). Son sistemas robustos con mucha estabilidad, en caso de caída del sistema
ésta se produce lentamente, dando tiempo a tomar medidas y puedan alcanzar
rápidamente la estabilidad en etapas transitorias. No necesita un modelo matemático
preciso del sistema a controlar, permitiendo controlar sistemas que son imposibles de
controlar con los sistemas de control clásicos.

 Aplicación Controlador del Tráfico en una Intersección

El objetivo es minimizar el tiempo de espera de los coches y la longitud de la
cola de los coches en espera de la luz verde.
Se establecen dos políticas aplicables: Sistemas de tiempo fijo, el cual estudian
diversas planificaciones según diversas etapas del día y éstas son aplicadas
ciegamente en esas etapas, requiriendo actualizaciones de esas políticas
según los posibles cambios, y los sistemas dinámicos, planificación generada
por el sistema de control dependiendo del estado actual del sistema a controlar.
Esta política es actualizada continuamente por el controlador, el cual necesita
sensores para detectar el estado del sistema (el tráfico de vehículos en este
caso).

Los mejores resultados fueron presentados por Pappis y Mamdani (1977),

mostrando que un controlador difuso conseguía tiempos de espera menores
que si se usaba otro tipo de controlador convencional (no difuso). Las variables
de entrada o Input: “A” Ritmo de llegada o arribo de coches en la fase verde del
semáforo y “Q” Longitud de la cola de coches, en la fase roja. La variable de
salida u output: “T” es el tiempo de la fase verde del semáforo con un valor
máximo prefijado.

A (Ritmo de llegada), Q (Longitud de la cola) y T (Tiempo de la fase verde)

Figura 8 Controlador de Lógica Difusa del Tráfico en una Intersección

Fuente: Pappis y Mamdani (1977)

La definición de las reglas difusas de control se presenta en la tabla mostrando

16 reglas, aunque son necesarias menos reglas, pues algunas pueden
sintetizarse en una única regla. En el antecedente aparecen las variables de
entrada Q y A y en el consecuente T.

Muy
Q/A Pocos Pocos Muchos Muchísimos
Larga Muy corto Corto Medio Largo
Media Muy corto Muy corto Corto Medio
Pequeña Muy corto Muy corto Muy corto Corto
Muy
Muy corto Muy corto Muy corto Muy corto
Pequeña

Tabla 5. Reglas difusas de control de tráfico

Fuente: Pappis y Mamdani (1977)

 Ejemplos adicionales de controladores difusos se presentan en otras áreas:
 Controlador de un Grupo de Ascensores: el objetivo es minimizar el tiempo de
espera de los pasajeros, dentro y fuera del ascensor.
 Controlador de un Motor de Inducción: son sistemas difíciles de controlar
porque son dinámicos, no lineales y variantes en el tiempo.
 Planificación en una Red de Comunicaciones: transmitir la información de
forma rápida, minimizando los nodos por los que pasa.
 Diagnóstico de Fallos en Sistemas Dinámicos usando redes neuronales
difusas.
 Planificación del Transporte en Tren de Multitud de Productos: consiste en
optimizar el transporte ferroviario de distintos tipos de mercancías que
requieren ciertos tipos de vagones y más requisitos.
 Software de Simulación de Controladores Difusos.

1.2.2 Salud

Muchos sistemas de soporte de decisión médica se han construido con la

ayuda de la Inteligencia Artificial. Estos sistemas son ahora ampliamente utilizados en
hospitales y clínicas, se ha demostrado ser muy útiles tanto para los pacientes como
para los expertos médicos en hacer decisiones. Un elemento esencial de la profesión
médica es tomar numerosas decisiones, en este proceso, los médicos confían en
ganar conocimientos y experiencia. Sin embargo, parece necesario que tengan la
capacidad de pensar de forma lógica, usar el razonamiento, inferir, expresar con
precisión sus pensamientos y justificar las afirmaciones realizadas. En el campo
médico, la lógica difusa se usa en las siguientes áreas:

 Sistema de soporte de diagnóstico médico

 Control de la presión arterial durante la anestesia
 Control multivariable de la anestesia
 Modelado de hallazgos neuropatológicos en pacientes con Alzheimer
 Diagnósticos de radiología
 Diagnóstico difuso de inferencia de diabetes y cáncer de próstata
En esta área mencionaremos el ejemplo del sistema difuso aplicado a la adicción de las
drogas.

 Aplicación a las adicciones a las drogas

Un caso médico de empleo del sistema difuso, es el consumo de drogas.
Consideremos las siguientes variables difusas: fumar y beber alcohol. Si no
fuma, entonces su grado de ser fumador es evidentemente 0. Si fuma, por
ejemplo, seis cigarrillos por día, le decimos que su grado de fumador es 0.8. Si
el consumo es diez o más, el grado es 1, para una representación geométrica
del concepto difuso de ser un fumador.

Con respecto a la otra variable difusa, si no bebe alcohol, el grado de esta

variable es 0. Si bebe más de 75 cc de alcohol por día, el grado de alcoholismo
es 1. Por 25 cc / d, el grado podría ser 0.4 y para 50 cc / d, 0.8.

Por lo tanto, el conjunto difuso μ = (0, 0) corresponde a un no fumador y

abstemio. Algunos ejemplos adicionales son los siguientes: el conjunto μ = (1,
0) representa un gran fumador, pero un abstemio, y el conjunto μ = (0.8, 1) es
una persona que fuma alrededor de seis cigarrillos por día y es un consumidor
de riesgo de alcohol.

Supongamos que corresponde al conjunto difuso λ = (1, 1), recientemente ha

tenido algunos problemas de salud y su médico le ha aconsejado que reduzca
a la mitad el consumo de cigarrillos y alcohol. La situación ideal para su salud
es, por supuesto, el punto μ = (0, 0), pero es posiblemente difícil de lograr.

Se ha demostrado que el consumo de cigarrillos y el consumo de alcohol

durante la adolescencia están asociados con una mayor posibilidad de
trastornos concurrentes y futuros relacionados con sustancias (Nelson, C. y H.
Wittchen, 1998). Con el fin de informar los patrones de consumo de drogas y
describir los factores asociados con el consumo de sustancias en
adolescentes, se realizó una encuesta transversal en una muestra de población
representativa de 2550 adolescentes de 12 a 17 años de Galicia (una región
autónoma ubicada en el noroeste de España). La encuesta original cubría el
uso de alcohol, tabaco, drogas ilícitas y otras sustancias psicoactivas. Para el
tabaquismo y el consumo de alcohol, a cada sujeto de la muestra de población
se le asignó un grado difuso de adicción (o uso de riesgo) y un experto lo mapeó
en el hipercubo bidimensional I².

Varios sujetos ocupan el mismo punto en el hipercubo bidimensional. Por

ejemplo, la Figura 9 representa el número de sujetos en la encuesta transversal
según los dos grados difusos de adicción. El lector puede ver que hay 1278
sujetos correspondientes al punto (0,0), es decir, no fumador y abstemio.
También 7 adolescentes están en el punto (0.8, 0.2). Hay 121 sujetos en la
línea de probabilidad x1 + x2 = 1. De hecho (Figura 9), 23 + 1 + 1 + 2 + 2 + 7 +
1 + 84 = 121.

Figura 9. Número de sujetos en el hipercubo borroso bidimensional I²

La mayoría de los sujetos estaban dentro del hipercubo pero fuera de la línea
de probabilidad. Esto significa que la gran mayoría de los sujetos (2429/2550 ≈
95.25%) están fuera de la línea de probabilidad. Esto está de acuerdo con la
limitación fundamental de la teoría de la probabilidad con respecto a la ciencia
clínica en general y concuerda con sus resultados (29/30 ≈ 96.66%) (Barro, S.
y R. Marín, 2002).
1.2.3 Ciberseguridad

No hay estadísticas precisas y confiables sobre la cantidad de delitos

informáticos y la pérdida económica para las víctimas, en parte porque muchos de
estos delitos aparentemente no se detectan por las víctimas, muchos de estos
crímenes nunca son denunciados y en parte porque las pérdidas son a menudo
difíciles calcular. Sin embargo, hay un consenso entre usuarios que persiguen la
legalidad, sin embargo, criminales, los terroristas y los espías también dependen en
gran medida de la base cibernética tecnologías para apoyar sus objetivos. Estos
malhechores pueden acceder a tecnologías basadas en ciber para negar servicio,
robar o manipular datos, o usar un dispositivo para lanzar información fraudulenta.
Este estudio propone un indicador cibernético basado en reglas difusas que
advierte a los administradores del sistema de amenazas cibernéticas esperadas. El
sistema funciona cuando se aplica a un escenario de amenaza cibernética. Esto facilita
un poco de advertencia señales generadas por las reglas. El objetivo del modelo es
advertir al sistema administrador de amenazas cibernéticas esperadas. En este
Trabajo desarrollado por Alam, J. y M. Kumar (2014), basan un sistema avanzado de
seguridad cibernética en la regla difusa. El sistema difuso de interferencia de Mamdani
fue seleccionado para desarrollar el avanzado sistema de seguridad cibernética
(ACSS). El primer paso en el modelo propuesto es el establecimiento de variables de
entrada y salida. Esta tarea la realizaron estudiando el dominio del problema. Hay un
número infinito de candidatos potenciales que deberían limitarse a positivos números.
En este documento, las variables clave están definidas. Entrada y los resultados del
modelo propuesto se dan en la Tabla 6 y toda la estructura del sistema de seguridad
cibernética avanzada desarrolla en MATLAB se muestra en la Figura 6.
 Input Variables Abreviación Output Variables Abreviación

Cyber Técnicas CT Software S

Objetivo de los
intrusos ACI Hardware H
cibernéticos
Blanco de intrusos
CIT Usuario U
cibernéticos
Intrusos
CI
cibernéticos

Tabla 6 Variables Input y output

Fuente: Alam, J. y M. Kumar (2014)

La inferencia de las reglas difusas se llevaron a cabo usando 'min' y 'max

operadores para la intersección difusa y la unión. Una serie de 65 reglas difusas fueron
diseñadas para el avance cibernético sistema. El espacio de entrada se dividió en
multidimensional particiones para formular la base de reglas inicial. Comportamiento
fueron asignados a cada una de las particiones. El modelo propuesto muestra su
superioridad en las áreas de flexibilidad de desarrollo y respuesta rápida para
ciberamenazas El modelo puede ser utilizado por los administradores del sistema en
Para determinar la naturaleza de la amenaza cibernética desencadenada por
ciberterroristas. Además, puede ser utilizado por empresas comerciales o las
instituciones gubernamentales para formar un seguro más ambiente de conocimiento.
Podría ser atractivo para los investigadores comparar el rendimiento del sistema de
avance basado en reglas difusas.
 Figura 10 La estructura completa de ACSS usando el método de Mamdani.
Fuente: J. Alam y M. Kumar (2014)

1.2.4 Otras áreas del conocimiento

Existen múltiples áreas donde se emplean la lógica difusa, ver Tabla 7.

Sector de Aplicación
Campo
- Control de altitud de la nave espacial
- Control de altitud del satélite
Aeroespacial - Regulación de flujo y mezcla en vehículos de
descongelación de aeronaves
- Sistemas difusos para control de velocidad en vacío
- Cambiar el método de programación para la
transmisión automática
Automotor - Sistemas de autopistas inteligentes
- Mejora la eficiencia de las transmisiones automáticas
- Sistemas de apoyo a la toma de decisiones
Negocio - Evaluación de personal en una gran empresa

- Reconocimiento de objetivos bajo el agua

- Reconocimiento automático de objetivos de imágenes
infrarrojas térmicas
Defensa - Ayudas de apoyo para decisiones navales
- Control de un interceptor de híper velocidad
- Modelo difuso de la toma de decisiones de la OTAN
 - Control de exposición automática en cámaras de
video
- Humedad en una habitación limpia
Electrónica - Sistemas de aire acondicionado
- Temporización de la lavadora
- Hornos de microondas
- Aspiradoras
- Control de transferencia de cheques bancarios
Financiero - Gestión de fondos
- Predicciones del mercado de valores
- El horno de cemento controla el control del
intercambiador de calor
- Control de proceso de tratamiento de aguas
residuales de lodo activado
- Control de la planta de purificación de agua
Sector industrial - Análisis cuantitativo de patrones para garantía de
calidad industrial
- Control de problemas de satisfacción de restricciones
en el diseño estructural
- Control de plantas de purificación de agua
Industria - Optimización de la producción de queso
manufacturera - Optimización de la producción de leche
- Piloto automático para buques
- Selección de ruta óptima
Marina - Control de vehículos subacuáticos autónomos
- Rumbo de la nave
- Reconocimiento de voz basado en lógica difusa
- Reconocimiento de escritura a mano
- Análisis de características faciales basado en lógica
Sobre patrones difusa
- Análisis de comando
- Búsqueda de imágenes borrosas
- Análisis basado en la lógica difusa del
comportamiento humano
Psicología - Investigación criminal y prevención basada en
razonamiento de lógica difusa
Tabla 7 Aplicaciones de la lógica difusa a diversas áreas.
2 ARTÍCULO CIENTÍFICO QUE PROPONE UN MODELO DE
ÍNDICE PARA LA EVALUACIÓN DE CALIDAD DE
CLASIFICACIÓN DEL AGUA SUPERFICIAL

2.1 Realidad Problemática

Con el desarrollo de la tecnología informática, a menudo se emplean

modelos numéricos para simular los procesos de calidad del agua y del flujo en
ambientes costeros. Sin embargo, el énfasis se ha puesto convencionalmente en
procedimientos algorítmicos para resolver problemas específicos. Estos modelos
numéricos, que son insuficientemente amigables con el usuario, carecen de
transferencia de conocimiento en la interpretación del modelo. Esto resulta en
restricciones para los usos del modelo y grandes brechas entre los desarrolladores de
modelos y los profesionales. Es una tarea difícil para usuarios principiantes de
aplicaciones para seleccionar un modelo numérico apropiado.

Debido al avance de inteligencia artificial (IA) durante la última

década, es posible integrar esta tecnología en los sistemas de modelado numérico con
el fin de cerrar las brechas. En el artículo de (Chau, 2006) se revisa el estado actual de
la integración de la IA en el modelado de la calidad del agua. Algoritmos y métodos
estudiados incluyen sistema basado en el conocimiento, algoritmo genético, red
neuronal artificial y sistema de inferencia difusa. El artículo analizado fue “Fuzzy
evaluation of water quality classification” de Yilmaz Icaga.

En este estudio, se propone un modelo de índice para la evaluación

de la calidad de la clasificación de la calidad del agua superficial utilizando lógica difusa.
En el método, las clases de calidad tradicionales se transforman en forma continua y
luego los valores de concentración de los diferentes los parámetros de calidad se suman
usando reglas difusas; finalmente, la defuzzyficación de estos valores sumados
desarrolla el índice. La aplicación de este modelo de índice propuesto para parámetros
químicos físicos e inorgánicos en el agua del Lago Eber (en Turquía) se estudió para
demostrar la aplicación práctica y la viabilidad de este índice (Icaga, 2007).
2.2 Metodología

El método desarrollado contiene seis etapas.

(Paso 1) Determine the quality classes of the parameters using observed values
(Paso 2) Arrange the parameters for their classes to obtain four groups.
(Paso 3) Use membership functions to standardize the natural measurement scales of
the quality parameter into a measurement of the quality degree (membership grade). In
this step, fouur membership functions are used. Namely;
(Paso 5) Use the fuzzy algorithm. In fuzzy algorithm, the Mamdani approach is used.
Fuzzy inferences of the groups are determined using grades of membership functions of
the parameters.
(Paso 6) Defuzzificate the four fuzzy inferences of the groups to obtain an index number
between and100 intervals using Centroid methods which represents center of gravity of
the membership function (for details about fuzzy logic see (Bandemer and Gottwald,
1996).

2.3 Resultados
3 PROPUESTA DE PROTOTIPO

Sistema Experto para el diagnóstico de diabetes basado en conjuntos

difusos

PLANTEAMIENTO DE LA PREGUNTA:
¿De qué manera se puede utilizar Sistemas Expertos como ayuda a los médicos en la
detección de la diabetes con un previo diagnóstico que pueda prevenirlos?

OBJETIVOS

OBJETIVO GENERAL
Desarrollar un sistema experto para el diagnóstico de diabetes el cual permita dar un
diagnóstico confiable, preventivo de las complicaciones en aquellas personas que
padecen de esta enfermedad.

OBJETIVOS ESPECÍFICOS
 Obtener el conocimiento de un experto humano para la elaboración del
prototipo.

 Formalizar la base de conocimiento obtenido por el experto humano mediante

reglas difusas.

 Desarrollar el sistema experto mediante un modelo difuso (Mamdami).

 Elaborar el mecanismo de inferencia mediante el diseño de conjuntos difusos

con sus respectivas funciones de pertenencia.

 Desarrollar un prototipo del sistema experto para el diagnóstico de diabetes.

METODOLOGÍA
Para el desarrollo de la presente Tesis se utilizara el método científico, que sirve de
guía para la organización del proceso de investigación, tiene los siguientes pasos:

 Observación
Consiste en el estudio de un fenómeno que se produce en sus condiciones
naturales. La observación debe ser exhaustiva y exacta.
 Identificación del problema
A partir de la investigación surge la identificación del problema que se va
estudiar lo que llega a emitir la hipótesis.

 Hipótesis
Es una suposición provisional de la que se intenta extraer una consecuencia,
una vez que se confirma se puede transformar en una ley científica que
establezca una relación entre dos o más variables.

 Experimentación
Consiste en el estudio de un fenómeno en las condiciones particulares de
estudio que interesan eliminando o introduciendo aquellas variables que
pueden influir en el. Se entiende por variable todo aquello que puede causar
cambios en los resultados de un experimento y se distingue entre variable
independiente, dependiente y controlada.

 Resultados
Los resultados de un experimento pueden describirse mediante tablas, gráficos
y ecuaciones de manera que puedan ser analizados con facilidad y permitan
encontrar relaciones entre ellos que confirmen o no la hipótesis emitida. Para el
diseño del sistema experto se utilizara la metodología Buchanan que tiene
como pilar básico la adquisición de conocimiento de distintas fuentes como ser
libros, expertos y otros (Abarza, 2012).
4 REFERENCIAS BIBLIOGRÁFICAS

Alam C. y M. Kumar (2014) ACME: Journal of Management &IT Vol: 10, Issue 1,

September 2014 ISSN: 0974-1763.

Barro, S. y R, Marín (2002), editors. Fuzzy Logic in Medicine. Vol. 83. Berlin Heidelberg:

Springer; 397 pp.

Chau, K. (2006). A review on integration of artificial intelligence into water quality

modelling. Marine Pollution Bulletin, 52(7), 726-733.

https://doi.org/10.1016/j.marpolbul.2006.04.003

Delgado, A. (1999), Lógica Difusa aplicada a las telecomunicaciones de datos, Tesis

para optar el Grado de Maestro en Ciencias Computacionales con especialidad

en teleinformática, Universidad Autónoma de Nuevo León. 124 pp.

Fuzzy Logic. (s. f.). Recuperado 23 de agosto de 2018, de

https://www.calvin.edu/~pribeiro/othrlnks/Fuzzy/home.htm

Guzmán, D., & Castaño, V. M. (2009). La lógica difusa en ingeniería: principios,

aplicaciones y futuro. Revista de Ciencia y Tecnología Vol. 24 Núm. 2 2009.

Icaga, Y. (2007). Fuzzy evaluation of water quality classification. Ecological Indicators,

7(3), 710–718.

Morales Luna, G. (2002). Introducción a la lógica difusa. Centro de Investigación y

Estudios Avanzados. México.

Nelson, C. y H. Wittchen (1998). DSM-IV alcohol disorders in a general population

sample of adolescents and young adults. Addiction.; 93(7):1065–1077.

Pappis, C. y E. Mamdani (1977), “A Fuzzy Logic Controller for a Traffic Intersection”.

IEEE Trans. on Systems, Man and Cybernetics, SMC-7, pp. 707-717.