Teoría de conjuntos difusos

1 Introducción
2 Teoría de conjuntos difusos
2.1 Teoría de conjuntos clásica (conjuntos nítidos)
2.2 Conjuntos Difusos
2.2.1 Funciones de pertenencia
2.2.2 Etiquetas lingüísticas
2.3 Operaciones elementales con conjuntos difusos
2.3.1 Complementario
2.3.2 Intersección
2.3.3 Unión
2.4 Razonamiento difuso
2.4.1 Inferencia difusa
2.4.2.Decodificación

Teoría de conjuntos difusos

1 Introducción
2 Teoría de conjuntos difusos
2.1 Teoría de conjuntos clásica (conjuntos nítidos)
2.2 Conjuntos Difusos
2.2.1 Funciones de pertenencia
2.2.2 Etiquetas lingüísticas
2.3 Operaciones elementales con conjuntos difusos
2.3.1 Complementario
2.3.2 Intersección
2.3.3 Unión
2.4 Razonamiento difuso
2.4.1 Inferencia difusa
2.4.2.Decodificación

1
Introducción (I)

Necesidad de lógica/teoría de conjuntos difusa/difusos

En el mundo real existe mucho conocimiento no-perfecto, es
decir, conocimiento vago, impreciso, incierto, ambiguo,
inexacto, o probabilístico por naturaleza.

El razonamiento y pensamiento humano frecuentemente

conlleva información de este tipo:
• inexactitud inherente de los conceptos humanos y
• razonamiento basado en experiencias similares, pero no
idénticas

Problema: Poca capacidad de expresión de la lógica clásica.

Ejemplo 1. Clasificación de personas en altas o bajas
Ejemplo 2. Definición del término joven

Introducción (I)

Necesidad de lógica/teoría de conjuntos difusa/difusos

En el mundo real existe mucho conocimiento no-perfecto, es
decir, conocimiento vago, impreciso, incierto, ambiguo,
inexacto, o probabilístico por naturaleza.

El razonamiento y pensamiento humano frecuentemente

conlleva información de este tipo:
• inexactitud inherente de los conceptos humanos y
• razonamiento basado en experiencias similares, pero no
idénticas

Problema: Poca capacidad de expresión de la lógica clásica.

Ejemplo 1. Clasificación de personas en altas o bajas
Ejemplo 2. Definición del término joven

2
Introducción (II)
Origen y éxito de los difusos
Artículo publicado por Lofti Zadeh en 1.965 (9000 citas)
En la actualidad es un campo de investigación muy activo
– Revistas internacionales (Fuzzy Sets and Systems, IEEE
Transactions on Fuzzy Systems..)
– Congresos (FUZZ-IEEE, IPMU, EUSFLAT, ESTYLF...)
– Miles de aplicaciones reales:
Control de sistemas: Tráfico, vehículos, compuertas en
plantas hidroeléctricas, centrales térmicas, lavadoras,
metros ascensores...
Predicción y optimización: Predicción de terremotos,
optimización de horarios...
Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de
escritura, reconocimiento de objetos, compensación de
vibraciones en cámaras, sistemas de enfoque automático...
Sistemas de información o conocimiento: Bases de datos,
sistemas expertos...
3

Introducción (II)
Origen y éxito de los difusos
Artículo publicado por Lofti Zadeh en 1.965 (9000 citas)
En la actualidad es un campo de investigación muy activo
– Revistas internacionales (Fuzzy Sets and Systems, IEEE
Transactions on Fuzzy Systems..)
– Congresos (FUZZ-IEEE, IPMU, EUSFLAT, ESTYLF...)
– Miles de aplicaciones reales:
Control de sistemas: Tráfico, vehículos, compuertas en
plantas hidroeléctricas, centrales térmicas, lavadoras,
metros ascensores...
Predicción y optimización: Predicción de terremotos,
optimización de horarios...
Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de
escritura, reconocimiento de objetos, compensación de
vibraciones en cámaras, sistemas de enfoque automático...
Sistemas de información o conocimiento: Bases de datos,
sistemas expertos...
3
Introducción (III)

Situaciones en las que es útil la LD/TCD

En procesos complejos, si no existe un modelo de solución

sencillo.

Cuando haya que introducir la experiencia de un operador
“experto” que se base en conceptos imprecisos.

Cuando ciertas partes del sistema a controlar son
desconocidas y no pueden medirse de forma fiable (con
errores posibles).

Cuando el ajuste de una variable puede producir el
desajuste de otras.

En general, cuando se quieran representar y operar con
conceptos que tengan imprecisión o incertidumbre

Introducción (III)

Situaciones en las que es útil la LD/TCD

En procesos complejos, si no existe un modelo de solución

sencillo.

Cuando haya que introducir la experiencia de un operador
“experto” que se base en conceptos imprecisos.

Cuando ciertas partes del sistema a controlar son
desconocidas y no pueden medirse de forma fiable (con
errores posibles).

Cuando el ajuste de una variable puede producir el
desajuste de otras.

En general, cuando se quieran representar y operar con
conceptos que tengan imprecisión o incertidumbre

4
Teoría de conjuntos difusos (I)
Teoría de conjuntos clásica (conjuntos nítidos)

Los conjuntos clásicos surgen de forma natural por la necesidad del

ser humano de clasificar objetos y conceptos.
Ejemplo: Productos de alimentación:
– Frutas: Manzana, Pera, plátano, etc.
– Verduras: Calabacín, Espinaca, ...
– Carnes: ...

Formas de definirlos:
– Listado de elementos  0 si x ∉ A
– Funciones de pertenecia µA(x) = 
1 si x ∈ A
– Dando una característica común que defina sus elementos
• Dando directamente la definición:
Fruto = Producto del desarrollo del ovario de una flor
después de la fecundación.
• Como un subjconjunto de un conjunto ya definido:
Frutas = Fruto comestible

Teoría de conjuntos difusos (I)

Teoría de conjuntos clásica (conjuntos nítidos)

Los conjuntos clásicos surgen de forma natural por la necesidad del

ser humano de clasificar objetos y conceptos.
Ejemplo: Productos de alimentación:
– Frutas: Manzana, Pera, plátano, etc.
– Verduras: Calabacín, Espinaca, ...
– Carnes: ...

Formas de definirlos:
– Listado de elementos  0 si x ∉ A
– Funciones de pertenecia µA(x) = 
1 si x ∈ A
– Dando una característica común que defina sus elementos
• Dando directamente la definición:
Fruto = Producto del desarrollo del ovario de una flor
después de la fecundación.
• Como un subjconjunto de un conjunto ya definido:
Frutas = Fruto comestible

5
Teoría de conjuntos difusos (II)
Teoría de conjuntos difusos

En los conjuntos difusos relajamos la restricción de que la función de

pertenencia valga ó 0 ó 1, y dejamos que tome valores en el intervalo
[0,1].

A diferencia de los conjuntos nítidos, los conjuntos difusos sólo se pueden

definir dando su función de pertenencia.

Las funciones de pertenencia pueden emplearse de dos formas

diferentes:
– Para estimar grados de pertenencia a un conjunto
Si nos dicen que una persona mide 170 cm, ¿en qué grado es alta?
– Para expresar posibilidades en una situación en la que se dispone de
información incompleta
Si nos dicen que una persona es mediana, ¿cuál será su altura?
En este caso la función de pertenencia µ puede interpretarse como
una distribución de posibilidad que nos indica la preferencia sobre
los valores que una variable de valor desconocido puede tomar.

Teoría de conjuntos difusos (II)

Teoría de conjuntos difusos

En los conjuntos difusos relajamos la restricción de que la función de

pertenencia valga ó 0 ó 1, y dejamos que tome valores en el intervalo
[0,1].

A diferencia de los conjuntos nítidos, los conjuntos difusos sólo se pueden

definir dando su función de pertenencia.

Las funciones de pertenencia pueden emplearse de dos formas

diferentes:
– Para estimar grados de pertenencia a un conjunto
Si nos dicen que una persona mide 170 cm, ¿en qué grado es alta?
– Para expresar posibilidades en una situación en la que se dispone de
información incompleta
Si nos dicen que una persona es mediana, ¿cuál será su altura?
En este caso la función de pertenencia µ puede interpretarse como
una distribución de posibilidad que nos indica la preferencia sobre
los valores que una variable de valor desconocido puede tomar.

6
Teoría de conjuntos difusos: notación habitual

Si el universo es discreto: F= ∑µ
U
A ( x) / x

Si el universo es continuo: F=
∫µ
u
A ( x) / x

Ejemplo: Tirada alta del dado

F = { 0/1 + 0/2 + 0.3/3 + 0.6/4 + 0.9/5 + 1/6}
Normalmente, el resto de los valores se interpolan con
rectas (por ejemplo FuzzyClips)

Teoría de conjuntos difusos: notación habitual

Si el universo es discreto: F= ∑µ
U
A ( x) / x

Si el universo es continuo: F=
∫µ
u
A ( x) / x

Ejemplo: Tirada alta del dado

F = { 0/1 + 0/2 + 0.3/3 + 0.6/4 + 0.9/5 + 1/6}
Normalmente, el resto de los valores se interpolan con
rectas (por ejemplo FuzzyClips)

7
Teoría de conjuntos difusos: definiciones útiles (I)
Variable lingüística X: noción o concepto que vamos a
calificar de forma difusa.
altura, la edad, el error..
Universo de discurso U: rango de valores que pueden tomar los
elementos que poseen la propiedad expresada por la variable
lingüística.
X = altura; U = [1.4, 2.3]
Valor lingüístico: diferentes clasificaciones que efectuamos
sobre la variable lingüística
La variable X= Altura se clasificará en bajo, mediano y
alto.
Conjunto difuso: (valor lingüístico, función de pertenencia).
– Conjunto nítido: función de pertenencia en {0,1}
– Conjunto difuso: función de pertenencia en [0,1]
Alfa-corte de un conjunto difuso A:
Aa = {x∈U/ µA(x) ≥α}
Se dice que el alfa corte es estricto si la desigualdad es estricta

Teoría de conjuntos difusos: definiciones útiles (I)

Variable lingüística X: noción o concepto que vamos a
calificar de forma difusa.
altura, la edad, el error..
Universo de discurso U: rango de valores que pueden tomar los
elementos que poseen la propiedad expresada por la variable
lingüística.
X = altura; U = [1.4, 2.3]
Valor lingüístico: diferentes clasificaciones que efectuamos
sobre la variable lingüística
La variable X= Altura se clasificará en bajo, mediano y
alto.
Conjunto difuso: (valor lingüístico, función de pertenencia).
– Conjunto nítido: función de pertenencia en {0,1}
– Conjunto difuso: función de pertenencia en [0,1]
Alfa-corte de un conjunto difuso A:
Aa = {x∈U/ µA(x) ≥α}
Se dice que el alfa corte es estricto si la desigualdad es estricta

8
Teoría de conjuntos difusos: definiciones útiles (II)
Soporte de un conjunto difuso A,:
Soporte(A) = { x ∈U / µA (x) > 0 }
Núcleo de un conjunto difuso A:
Núcleo(A) = { x ∈U / µA (x) = 1 }
Altura de un conjunto difuso A: valor más grande de su función
de pertenencia.
Se dice que un conjunto difuso está normalizado si y solo si:
∃ x ∈U µA(x) = 1
Punto de cruce de un conjunto difuso A: elemento(s) x de U
tales que µA(x) = 0.5
Un conjunto difuso cuyo soporte es un único punto x de U y tal
que la función de pertenencia de x es 1 (es decir, el soporte
coincide con el núcleo y tienen un único punto) se llama un
conjunto difuso unitario (singleton).

Teoría de conjuntos difusos: definiciones útiles (II)

Soporte de un conjunto difuso A,:
Soporte(A) = { x ∈U / µA (x) > 0 }
Núcleo de un conjunto difuso A:
Núcleo(A) = { x ∈U / µA (x) = 1 }
Altura de un conjunto difuso A: valor más grande de su función
de pertenencia.
Se dice que un conjunto difuso está normalizado si y solo si:
∃ x ∈U µA(x) = 1
Punto de cruce de un conjunto difuso A: elemento(s) x de U
tales que µA(x) = 0.5
Un conjunto difuso cuyo soporte es un único punto x de U y tal
que la función de pertenencia de x es 1 (es decir, el soporte
coincide con el núcleo y tienen un único punto) se llama un
conjunto difuso unitario (singleton).

9
Teoría de conjuntos difusos: funciones de pertenencia (I)
Algunas de las funciones de pertenencia más utilizadas son:

• Función GAMMA (Γ):

0 para x ≤ a 1
 x −a
µ(x) =  para a < x < m
m − a
1 para x ≥ m a m

• Función L
1
Puede definirse simplemente como 1
menos la función GAMMA
a m

• Función LAMBDA o triangular

1
0 para x ≤ a
 x −a
 − a para a < x ≤ m
µ ( x) =  mb−x
 para m < x ≤ b a m b
b − m 10
0 para x > b

Teoría de conjuntos difusos: funciones de pertenencia (I)

Algunas de las funciones de pertenencia más utilizadas son:

• Función GAMMA (Γ):

0 para x ≤ a 1
 x −a
µ(x) =  para a < x < m
 m − a
1 para x ≥ m a m

• Función L
1
Puede definirse simplemente como 1
menos la función GAMMA
a m

• Función LAMBDA o triangular

1
0 para x ≤ a
 x −a
 para a < x ≤ m
µ ( x) =  m −a
b−x
 para m < x ≤ b a m b
b − m 10
0 para x > b
Teoría de conjuntos difusos: funciones de pertenencia (II)

• Función PI o trapezoidal

0 para x ≤ a
x − a 1
 para a < x ≤ b
 b − a
µ( x ) =  1 para b < x ≤ c
d − x
 para c < x ≤ d a b c d
b− c
0 para x > d

11

Teoría de conjuntos difusos: funciones de pertenencia (II)

• Función PI o trapezoidal

0 para x ≤ a
x − a 1
 para a < x ≤ b
 b − a
µ( x ) =  1 para b < x ≤ c
d − x
 para c < x ≤ d a b c d
b− c
0 para x > d

11
Teoría de conjuntos difusos: funciones de pertenencia (III)

Otras funciones de pertenencia (definibles en Fuzzy Clips):

• Función S
0 para x ≤ a
  x − a 2 a+c
2   , para a ≤ x ≤
  c−a 2
µ S (x) =  2
1 − 2  x − a  , para a + c ≤ x ≤ c
  c−a 2 a (a+c)/2 c
1 para x ≥ c

• Función Z (opuesta de la S)
µZ(x) = 1- µS(x)

• Función Π

µ S ( x ) para x ≤ b
µ Π (x) = 
µ Z ( x) para x > b
b-d b b+d

12

Teoría de conjuntos difusos: funciones de pertenencia (III)

Otras funciones de pertenencia (definibles en Fuzzy Clips):

• Función S
0 para x ≤ a
  x − a 2 a+c
2   , para a ≤ x ≤
 c−a 2
µ S (x) =   2
1 − 2  x − a  , para a + c ≤ x ≤ c
  c−a 2 a (a+c)/2 c
1 para x ≥ c

• Función Z (opuesta de la S)
µZ(x) = 1- µS(x)

• Función Π

µ S ( x ) para x ≤ b
µ Π (x) = 
µ Z ( x) para x > b
b-d b b+d

12
Teoría de conjuntos difusos: etiquetas lingüísticas o
modificadores

• Equivalentes a los adverbios del lenguaje natural

• Se utilizan para definir conjuntos difusos a partir de otros ya
existentes. Por ejemplo, viejo —> MUY viejo
• Lo que se hace es componer la función de pertenencia con
alguna otra función, de forma que la función resultante
tenga la forma deseada.
• Por ejemplo, función para el adverbio MUY —> f(y) = y2

viejo
Muy viejo

13

Teoría de conjuntos difusos: etiquetas lingüísticas o

modificadores

• Equivalentes a los adverbios del lenguaje natural

• Se utilizan para definir conjuntos difusos a partir de otros ya
existentes. Por ejemplo, viejo —> MUY viejo
• Lo que se hace es componer la función de pertenencia con
alguna otra función, de forma que la función resultante
tenga la forma deseada.
• Por ejemplo, función para el adverbio MUY —> f(y) = y2

viejo
Muy viejo

13
Teoría de conjuntos difusos: modificadores
Algunas operaciones usuales
– Normalización
f(y) = y/Altura

– Concentración 1

f(y)=yp, con p>1

0

– Dilatación
1

f(y)=yp, con 0<p<1

0

– Intensificación contraste 1

2 p −1y p para y ≤ 0.5

f( y ) =  p −1 p
1− 2 (1− y ) en otro caso
0

– Difuminación
 y / 2 para y ≤ 0.5
1

f( y ) = 
1− (1− y ) / 2 en otro caso
0
14

Teoría de conjuntos difusos: modificadores

Algunas operaciones usuales
– Normalización
f(y) = y/Altura

– Concentración 1

f(y)=yp, con p>1

0

– Dilatación
1

f(y)=yp, con 0<p<1

0

– Intensificación contraste 1

2 p −1y p para y ≤ 0.5

f( y ) =  p −1 p
1− 2 (1− y ) en otro caso
0

– Difuminación
 y / 2 para y ≤ 0.5
1

f( y ) = 
1− (1− y ) / 2 en otro caso
0
14
Teoría de conjuntos difusos: etiquetas lingüísticas
Existe todo un catálogo de adverbios/funciones

Por ejemplo, en Fuzzy Clips:

Nombre del modificador Descripción del modificador

not 1-y
very (muy) y2
somewhat (algo) y1/3
more-or-less (más o menos) y1/2
extremely (extremadamente) y3

El usuario también puede definir sus modificadores

15

Teoría de conjuntos difusos: etiquetas lingüísticas

Existe todo un catálogo de adverbios/funciones

Por ejemplo, en Fuzzy Clips:

Nombre del modificador Descripción del modificador

not 1-y
very (muy) y2
somewhat (algo) y1/3
more-or-less (más o menos) y1/2
extremely (extremadamente) y3

El usuario también puede definir sus modificadores

15
Operaciones elementales con conjuntos difusos
Complementario
Dado un conjunto difuso A, su complemento vendrá definido por
µ A (x) = c (µ A(x))
Siendo c: [0,1] → [0,1]. La función c debería cumplir las siguientes
propiedades
– c1. concordancia caso nítido c(1) = 0 y c(0) = 1
– c2. estrictamente decreciente ∀α,β∈ [0,1] α>β ⇒ c(α) < c(β)
– c3. involución ∀α∈ [0,1] c(c(α)) = α
Las funciones más utilizadas son:
1

• c(α) = 1 - α.
0

• Yager cw(α) = ( 1 - αw)1/w w∈ [0, ∞] (w=2)

0

• Sugeno cλ(α) = (1-α)/(1-λα) λ∈ [0, 1] (λ=1/2)

0 16

Operaciones elementales con conjuntos difusos

Complementario
Dado un conjunto difuso A, su complemento vendrá definido por
µ A (x) = c (µ A(x))
Siendo c: [0,1] → [0,1]. La función c debería cumplir las siguientes
propiedades
– c1. concordancia caso nítido c(1) = 0 y c(0) = 1
– c2. estrictamente decreciente ∀α,β∈ [0,1] α>β ⇒ c(α) < c(β)
– c3. involución ∀α∈ [0,1] c(c(α)) = α
Las funciones más utilizadas son:
1

• c(α) = 1 - α.
0

• Yager cw(α) = ( 1 - αw)1/w w∈ [0, ∞] (w=2)

0

• Sugeno cλ(α) = (1-α)/(1-λα) λ∈ [0, 1] (λ=1/2)

0 16
Operaciones elementales con conjuntos difusos
Intersección
Dados dos conjuntos difusos A y B, su intersección vendrá definida por

µ A ∩B (x) = i(µ Α (x),µΒ (x))

Siendo i: [0,1]x[0,1] → [0,1]. La función i debería cumplir las siguientes

propiedades:
i1. concordancia caso nítido i(0,1) = i(0,0) = i (1,0) = 0; i(1,1) = 1
i2. conmutatividad i(α,β) = i(β,α)
i3. asociatividad i(α,i(β,γ)) = i(i(α,β),γ)
i4. identidad i(α,1) = α
i5. monotonía si α≤α’ β ≤ β’, entonces i(α,β) ≤ i(α’, β’)

([0,1],i) tiene estructura de semigrupo abeliano con elemento neutro.

Las funciones i que verifican esta propiedad se llaman normas

triangulares (t-normas).

17

Operaciones elementales con conjuntos difusos

Intersección
Dados dos conjuntos difusos A y B, su intersección vendrá definida por

µ A ∩B (x) = i(µ Α (x),µΒ (x))

Siendo i: [0,1]x[0,1] → [0,1]. La función i debería cumplir las siguientes

propiedades:
i1. concordancia caso nítido i(0,1) = i(0,0) = i (1,0) = 0; i(1,1) = 1
i2. conmutatividad i(α,β) = i(β,α)
i3. asociatividad i(α,i(β,γ)) = i(i(α,β),γ)
i4. identidad i(α,1) = α
i5. monotonía si α≤α’ β ≤ β’, entonces i(α,β) ≤ i(α’, β’)

([0,1],i) tiene estructura de semigrupo abeliano con elemento neutro.

Las funciones i que verifican esta propiedad se llaman normas

triangulares (t-normas).

17
Operaciones con conjuntos difusos
Algunas t-normas usuales:
1

• t-norma del mínimo imin(α,β) = min(α,β)

• t-norma del producto i*(α,β) = αβ

α si β = 1

• t-norma del i inf (α,β ) = β si α = 1
producto drástico 0 en otro caso
0

Toda t-norma verifica las siguientes desigualdades:

∀α,β∈ [0,1] iinf(α,β) ≤ i(α,β) ≤ imin(α,β)

(la menor t-norma es la t-norma del producto drástico y

la mayor t-norma es la norma del mínimo). 18

Operaciones con conjuntos difusos

Algunas t-normas usuales:
1

• t-norma del mínimo imin(α,β) = min(α,β)

• t-norma del producto i*(α,β) = αβ

α si β = 1

• t-norma del i inf (α,β ) = β si α = 1
producto drástico 0 en otro caso
0

Toda t-norma verifica las siguientes desigualdades:

∀α,β∈ [0,1] iinf(α,β) ≤ i(α,β) ≤ imin(α,β)

(la menor t-norma es la t-norma del producto drástico y

la mayor t-norma es la norma del mínimo). 18
 Operaciones elementales con conjuntos difusos
Unión
Dados dos conjuntos difusos A y B, su unión vendrá definida por

µ A ∪B ( x) = u ( µ Α (x ), µ Β ( x))

Siendo u: [0,1]x[0,1] → [0,1]. La función i debería cumplir las siguientes

propiedades:
- u1. concordancia con el caso nítido u(0,1)=u(1,1)=u(1,0) =1; u(0,0) = 0
- u2. conmutatividad u(α,β) = u(β,α)
- u3. asociatividad u(α,u(β,γ)) = u(u(α,β),γ)
- u4. identidad (A ∪ ∅ = A) u(α,0) = α
- u5. monotonía Si α≤α’ β≤β’, entonces u(α,β)≤u(α’, β’)

Además, podemos pedir que se cumpla:

-u6. Leyes de De Morgan u(α,β) = c(i(c(α),c(β))
i(α,β) = c(u(c(α),c(β))
Las funciones i que verifican estas seis propiedad se llaman conormas
triangulares (t-conormas).

19

Operaciones elementales con conjuntos difusos

Unión
Dados dos conjuntos difusos A y B, su unión vendrá definida por

µ A ∪B ( x) = u ( µ Α (x ), µ Β ( x))

Siendo u: [0,1]x[0,1] → [0,1]. La función i debería cumplir las siguientes

propiedades:
- u1. concordancia con el caso nítido u(0,1)=u(1,1)=u(1,0) =1; u(0,0) = 0
- u2. conmutatividad u(α,β) = u(β,α)
- u3. asociatividad u(α,u(β,γ)) = u(u(α,β),γ)
- u4. identidad (A ∪ ∅ = A) u(α,0) = α
- u5. monotonía Si α≤α’ β≤β’, entonces u(α,β)≤u(α’, β’)

Además, podemos pedir que se cumpla:

-u6. Leyes de De Morgan u(α,β) = c(i(c(α),c(β))
i(α,β) = c(u(c(α),c(β))
Las funciones i que verifican estas seis propiedad se llaman conormas
triangulares (t-conormas).

19
Operaciones elementales con conjuntos difusos
Si consideramos como complemento la función c(u) = 1-u, las t conormas
correspondientes a las t-normas anteriores son:
1

• t-conorma del máximo umax(α,β) = max(α,β)

• t-conorma de la suma u*(α,β) = α+β−αβ

α si β = 0
• t-norma de la 
u sup (α,β) = β si α = 0
suma drástica 1 en otro caso 0

Toda t-conorma satisface las siguientes desigualdades:

∀α,β∈[0,1] umax(α,β) ≤ u(α,β) ≤ usup(α,β)

•la menor t-conorma es la t-conorma del máximo

•la mayor t-conorma es la t-conorma de la suma drástica. 20

Operaciones elementales con conjuntos difusos

Si consideramos como complemento la función c(u) = 1-u, las t conormas
correspondientes a las t-normas anteriores son:
1

• t-conorma del máximo umax(α,β) = max(α,β)

• t-conorma de la suma u*(α,β) = α+β−αβ

α si β = 0
• t-norma de la 
u sup (α,β) = β si α = 0
suma drástica 1 en otro caso 0

Toda t-conorma satisface las siguientes desigualdades:

∀α,β∈[0,1] umax(α,β) ≤ u(α,β) ≤ usup(α,β)

•la menor t-conorma es la t-conorma del máximo

•la mayor t-conorma es la t-conorma de la suma drástica. 20
 Operaciones elementales con conjuntos difusos
Sin embargo, estas propiedades que les hemos pedido a las operaciones
de unión e intersección no garantizan que se satisfagan estas otras
propiedades:

I1: Idempotencia (A ∩ A = A) i(α,α) = α

I1: Distributividad (A ∩ (B ∪ C)) = ... i(α,u(β,γ)) = u(i(α,β),i(α,γ))
U1 : Idempotencia (A ∪ A = A) u(α,α) = α
U2 : Distributividad (A ∪ (B ∩ C)) = ... u(α,i(β,γ)) = i(u(α,β),u(α,γ))
propiedades que sólo verifican la t-norma del mínimo junto con la t-
conorma del máximo
Conjuntos vacío y total:
– Conjunto vacío ∀ x ∈ X µ ∅ ( x) = 0
– Conjunto total ∀ x ∈ X µ X ( x) =1

Sin embargo, con esta definición no se satisfacen algunos famosos

principios de la lógica clásica, como por ejemplo:

A ∩ A = ∅ Principio de contradicción
A ∪ A = X Principio del tercio excluso
21

Operaciones elementales con conjuntos difusos

Sin embargo, estas propiedades que les hemos pedido a las operaciones
de unión e intersección no garantizan que se satisfagan estas otras
propiedades:

I1: Idempotencia (A ∩ A = A) i(α,α) = α

I1: Distributividad (A ∩ (B ∪ C)) = ... i(α,u(β,γ)) = u(i(α,β),i(α,γ))
U1 : Idempotencia (A ∪ A = A) u(α,α) = α
U2 : Distributividad (A ∪ (B ∩ C)) = ... u(α,i(β,γ)) = i(u(α,β),u(α,γ))
propiedades que sólo verifican la t-norma del mínimo junto con la t-
conorma del máximo
Conjuntos vacío y total:
– Conjunto vacío ∀ x ∈ X µ ∅ ( x) = 0
– Conjunto total ∀ x ∈ X µ X ( x) =1

Sin embargo, con esta definición no se satisfacen algunos famosos

principios de la lógica clásica, como por ejemplo:

A ∩ A = ∅ Principio de contradicción
A ∪ A = X Principio del tercio excluso
21
Razonamiento difuso: ejemplo

Temperatura = 30º
Volumen = 500 cc Entrada
REGLAS combustible =
• Si la temperatura es alta y el
volumen es pequeño Conjunto?
entonces la presión es elevada
• Si la temperatura es baja o el
Difuminar

Decodificar
volumen es grande
entonces la presión es baja
• Si la presión es baja
entonces la entrada de
combustible debe ser grande
• Si la presión es elevada
Temperatura entonces la entrada de
Entrada
= alta combustible debe ser pequeña combustible
Volumen = Valor?
= pequeño

22

Razonamiento difuso: ejemplo

Temperatura = 30º
Volumen = 500 cc Entrada
REGLAS combustible =
• Si la temperatura es alta y el
volumen es pequeño Conjunto?
entonces la presión es elevada
• Si la temperatura es baja o el
Difuminar

Decodificar

volumen es grande
entonces la presión es baja
• Si la presión es baja
entonces la entrada de
combustible debe ser grande
• Si la presión es elevada
Temperatura entonces la entrada de
Entrada
= alta combustible debe ser pequeña combustible
Volumen = Valor?
= pequeño

22
Razonamiento difuso

Funcionamiento de un sistema de control basado

en lógica difusa

Entrada Reglas Salida

nítida Codificador Decodificador nítida
x ∈Up y=f(x) ∈V
u ∈Up Inferencia v ∈V
Conjuntos Conjuntos
difusos entrada difusos salida

23

Razonamiento difuso

Funcionamiento de un sistema de control basado

en lógica difusa

Entrada Reglas Salida

nítida Codificador Decodificador nítida
x ∈Up y=f(x) ∈V
u ∈Up Inferencia v ∈V
Conjuntos Conjuntos
difusos entrada difusos salida

23
Razonamiento difuso

Habrá por tanto que definir los siguientes conceptos:

– Proposiciones (simples, compuestas)

– Operadores (no, y, o)
– Reglas SI… ENTONCES
– Codificación/Difuminación
– Tratamiento entradas nítidas para una regla
– Tratamiento entradas difusas para una regla
– Decodificación

24

Razonamiento difuso

Habrá por tanto que definir los siguientes conceptos:

– Proposiciones (simples, compuestas)

– Operadores (no, y, o)
– Reglas SI… ENTONCES
– Codificación/Difuminación
– Tratamiento entradas nítidas para una regla
– Tratamiento entradas difusas para una regla
– Decodificación

24
Razonamiento difuso

Proposición difusa simple:

– Proposición que asigna un valor a una variable difusa:
“Pepe es de estatura mediana”.
– Tiene asociado un conjunto difuso y su función de
pertenencia.
Proposición difusa compuesta:
– Agrupación de dos o más proposiciones difusas simples
“la velocidad es normal” Y “el objeto está cerca”
“la velocidad es alta” O “el objeto está muy cerca”
“la velocidad NO es alta”
Necesidad de definir operadores difusos:
– NO (¬p) µ¬A(u) = 1 - µA(u)
– Y (p∩q) vendrá definida por una función de pertenencia tipo
intersección, por ejemplo µ A∩B(u,v) = min( µA(u), µB(v))
– O (p∪q) vendrá definida por una función de pertenencia tipo unión,
por ejemplo µAUB(u,v) = max(µA(u), µB(v))

25

Razonamiento difuso

Proposición difusa simple:

– Proposición que asigna un valor a una variable difusa:
“Pepe es de estatura mediana”.
– Tiene asociado un conjunto difuso y su función de
pertenencia.
Proposición difusa compuesta:
– Agrupación de dos o más proposiciones difusas simples
“la velocidad es normal” Y “el objeto está cerca”
“la velocidad es alta” O “el objeto está muy cerca”
“la velocidad NO es alta”
Necesidad de definir operadores difusos:
– NO (¬p) µ¬A(u) = 1 - µA(u)
– Y (p∩q) vendrá definida por una función de pertenencia tipo
intersección, por ejemplo µ A∩B(u,v) = min( µA(u), µB(v))
– O (p∪q) vendrá definida por una función de pertenencia tipo unión,
por ejemplo µAUB(u,v) = max(µA(u), µB(v))

25
Razonamiento difuso: implicaciones
El siguiente paso es definir lo que es una implicación, es decir, asignar una
función de pertenencia a una agrupación antecedente consecuente del
tipo p→→q
Esto nos permitirá razonar con afirmaciones tales como:
SI “la velocidad es normal”
ENTONCES “la fuerza de frenado debe ser moderada”
Opciones:
– Teórica: Dar a la implicación el mismo significado que en la lógica
clásica.
p→q ≡ ¬p∨q µp→q(u,v) = max(1-µA(u), µB(v))
p→q ≡ ~(p∧(~q)) µp→q(u,v) = 1 – min[µA(u), 1-µB(v)]
(Ambas funciones dan el mismo resultado)
– Práctica: Dar a la implicación el significado de relación causa-
efecto:
Implicación de Mamdani
p→q ≡ p∧q µp→q(u,v) = min( µA(u), µB(v))

26

Razonamiento difuso: implicaciones

El siguiente paso es definir lo que es una implicación, es decir, asignar una
función de pertenencia a una agrupación antecedente consecuente del
tipo p→→q
Esto nos permitirá razonar con afirmaciones tales como:
SI “la velocidad es normal”
ENTONCES “la fuerza de frenado debe ser moderada”
Opciones:
– Teórica: Dar a la implicación el mismo significado que en la lógica
clásica.
p→q ≡ ¬p∨q µp→q(u,v) = max(1-µA(u), µB(v))
p→q ≡ ~(p∧(~q)) µp→q(u,v) = 1 – min[µA(u), 1-µB(v)]
(Ambas funciones dan el mismo resultado)
– Práctica: Dar a la implicación el significado de relación causa-
efecto:
Implicación de Mamdani
p→q ≡ p∧q µp→q(u,v) = min( µA(u), µB(v))

26
Inferencia difusa

Caso 1: Inferencia difusa con antecedentes difusos

Tenemos una regla difusa del tipo:

Si p ENTONCES q
y un valor de entrada difuso p*

La conclusión será un hecho difuso q*, del cual queremos

saber su función de pertenencia

Ejemplo:

SI la velocidad es normal,
ENTONCES la fuerza de frenado es moderada
p* = la velocidad es alta

27

Inferencia difusa

Caso 1: Inferencia difusa con antecedentes difusos

Tenemos una regla difusa del tipo:

Si p ENTONCES q
y un valor de entrada difuso p*

La conclusión será un hecho difuso q*, del cual queremos

saber su función de pertenencia

Ejemplo:

SI la velocidad es normal,
ENTONCES la fuerza de frenado es moderada
p* = la velocidad es alta

27
Inferencia difusa

Caso 1: Inferencia difusa con antecedentes difusos

Varios tipos de inferencia:

1) Inferencia tipo max-min (implicación de Mamdani):

µB*(v) = min(z, µB(v))
donde z = max(min(µA*(u), µA (u)))

normal alta moderada

1
v

70 80 90 100 4000 4500 5000

velocidad f_frenado

28

Inferencia difusa

Caso 1: Inferencia difusa con antecedentes difusos

Varios tipos de inferencia:

1) Inferencia tipo max-min (implicación de Mamdani):

µB*(v) = min(z, µB(v))
donde z = max(min(µA*(u), µA (u)))

normal alta moderada

1
v

70 80 90 100 4000 4500 5000

velocidad f_frenado

28
Inferencia difusa

Caso 1: Inferencia difusa con antecedentes difusos

2) Inferencia tipo max-prod

µB*(v) = prod(z, µB(v))
donde z = max(min(µA*(u), µA (u)))

normal alta moderada

1
v

70 80 90 100 4000 4500 5000

velocidad f_frenado

29

Inferencia difusa

Caso 1: Inferencia difusa con antecedentes difusos

2) Inferencia tipo max-prod

µB*(v) = prod(z, µB(v))
donde z = max(min(µA*(u), µA (u)))

normal alta moderada

1
v

70 80 90 100 4000 4500 5000

velocidad f_frenado

29
Inferencia difusa
Caso 1: Inferencia difusa con antecedentes difusos

3) Inferencias basada en las implicaciones de la lógica:

normal alta moderada

1

µB*(v) = max(1-z, µB(v)) v z

1-z

0
70 80 90 100 4000 4500 5000
velocidad f_frenado
normal alta moderada
µB*(v) = 1-min(z, 1-µB(v)) v 1

70 80 90 100 4000 4500 5000

velocidad f_frenado

30

Inferencia difusa
Caso 1: Inferencia difusa con antecedentes difusos

3) Inferencias basada en las implicaciones de la lógica:

normal alta moderada

1

µB*(v) = max(1-z, µB(v)) v z

1-z

0
70 80 90 100 4000 4500 5000
velocidad f_frenado
normal alta moderada
µB*(v) = 1-min(z, 1-µB(v)) v 1

70 80 90 100 4000 4500 5000

velocidad f_frenado

30
Inferencia difusa

Caso 2: Inferencia difusa con antecedentes nítidos

La única diferencia con el caso difuso es la forma de escoger

el valor z, que en este caso se calcula simplemente como
z=µA(x)
La inferencia se hace entonces con cualquiera de las
alternativas vistas en el apartado anterior.
Ejercicio: calcular la fuerza de frenado si velocidad = 75 km/h
con todas las alternativas anteriores (max-min, max-prod,
implicaciones lógicas).

31

Inferencia difusa

Caso 2: Inferencia difusa con antecedentes nítidos

La única diferencia con el caso difuso es la forma de escoger

el valor z, que en este caso se calcula simplemente como
z=µA(x)
La inferencia se hace entonces con cualquiera de las
alternativas vistas en el apartado anterior.
Ejercicio: calcular la fuerza de frenado si velocidad = 75 km/h
con todas las alternativas anteriores (max-min, max-prod,
implicaciones lógicas).

31
Decodificación

Una vez llevado a cabo el proceso de razonamiento difuso, es necesario

dotar al sistema de la capacidad de tomar decisiones.
¿ Qué fuerza de frenado aplicar si fuerza de frenado = moderada*?
Para ello se utilizan las llamadas técnicas de decodificación:
• El valor máximo (es decir, el más posible).
Si se producen empates puede seleccionarse el primer valor
encontrado o la media (media de máximos, MOM en FuzzyCLIPS)
Ejemplo:

m oderada

Primer valor máximo: 4250

MOM: 4500

4000 4500 5000

f_fren ado

32

Decodificación

Una vez llevado a cabo el proceso de razonamiento difuso, es necesario

dotar al sistema de la capacidad de tomar decisiones.
¿ Qué fuerza de frenado aplicar si fuerza de frenado = moderada*?
Para ello se utilizan las llamadas técnicas de decodificación:
• El valor máximo (es decir, el más posible).
Si se producen empates puede seleccionarse el primer valor
encontrado o la media (media de máximos, MOM en FuzzyCLIPS)
Ejemplo:

m oderada

Primer valor máximo: 4250

MOM: 4500

4000 4500 5000

f_fren ado

32
Decodificación
• El centroide difuso (o centro de gravedad, COG en
FuzzyCLIPS), definido como:
∑ x µ ( x)
x∈ X
A
ycentroide =
Ejemplo: ∑ µ ( x)
x∈ X
A

moderada
4000 * 0 + 4250 * 1 + 4750 * 1 + 5000 * 0
= 4500
1+1

4000 4500 5000

f_frenado

Si varias reglas tienen el mismo consecuente, para acumular

la evidencia se unen los conjuntos resultantes y después se
decodifica el resultado.
33

Decodificación
• El centroide difuso (o centro de gravedad, COG en
FuzzyCLIPS), definido como:
∑ x µ ( x)
x∈ X
A
ycentroide =
Ejemplo: ∑ µ ( x)
x∈ X
A

moderada
4000 * 0 + 4250 * 1 + 4750 * 1 + 5000 * 0
= 4500
1+1

4000 4500 5000

f_frenado

Si varias reglas tienen el mismo consecuente, para acumular

la evidencia se unen los conjuntos resultantes y después se
decodifica el resultado.
33
En resumen

• La lógica difusa se concibió originalmente como un método mejor para

manejar y almacenar información imprecisa
• Ha demostrado ser una excelente alternativa para sistemas de control, ya
que imita a la lógica de control humana
• Se pede incluir en cualquier sistema, desde dispositivos pequeños a sistemas
de control complejos
• Usa un lenguaje impreciso pero muy descriptivo para operar con datos de
entrada de una forma parecida a la usa un operador humano
• Es robusta y no demasiado dependiente de los datos de entrada
• Incluso las primeras versiones funcionan bastante bien, con escasa
necesidad de ajustes

34

En resumen

• La lógica difusa se concibió originalmente como un método mejor para

manejar y almacenar información imprecisa
• Ha demostrado ser una excelente alternativa para sistemas de control, ya
que imita a la lógica de control humana
• Se pede incluir en cualquier sistema, desde dispositivos pequeños a sistemas
de control complejos
• Usa un lenguaje impreciso pero muy descriptivo para operar con datos de
entrada de una forma parecida a la usa un operador humano
• Es robusta y no demasiado dependiente de los datos de entrada
• Incluso las primeras versiones funcionan bastante bien, con escasa
necesidad de ajustes

34