LOGICA DIFUSA

Segn esta teora, el grado de pertenencia de un

elemento a un conjunto esta determinado por
una funcin de pertenencia, que puede tomar
todos los valores reales comprendidos en el
intervalo [0 , 1].
La representacin de la funcin de pertenencia
de un elemento a un conjunto difuso se
representa en la siguiente figura:

Introduccin 1
 Por ejemplo, la velocidad
puede ser caracterizada por
valores lingusticos como
Valores linguisticos
Bajo, Medio y Alto, que
representan una velocidad
aproximadamente menor que
40 km/h, una velocidad
Bajo Medio Alto
cercana a 55 km/h y una
1
velocidad sobre 70 km/h,
respectivamente. Estos
trminos se asocian a
conjuntos difusos con
0.66 funciones de pertenencia
como las mostradas en la
figura.
0.33

40 45 55 70 Velocidad (km/h)
Variable lingustica
Ejemplo de funciones de pertenencia a conjuntos difusos

Introduccin 2
Llamaremos variable lingstica a aquella
nocin que vamos a calificar de forma
difusa.
Por ejemplo la altura, la edad, el error, la
variacin del error.
Le aplicamos el adjetivo lingstica porque
definiremos sus caractersticas mediante el
lenguaje natural.

Introduccin 3
Llamaremos universo de discurso al rango de
valores que pueden tomar los elementos que
poseen la propiedad expresada por la
variable lingstica.

Por ejemplo, en el caso de la variable

lingstica altura, podra ser el conjunto de
valores comprendidos entre 1.5 y 2.3 m.

Introduccin 4
Llamaremos valor lingstico a las diferentes
clasificaciones que efectuamos sobre la
variable lingstica: en el caso de la altura
podramos dividir el universo de discurso en
los diferentes valores lingsticos: bajo,
mediano y alto.

Cada valor lingstico tendr un conjunto

difuso asociado, de forma que hablaremos de
los conjuntos difusos bajo, alto,.. Asociados
a la variable lingstica altura.

Introduccin 5
 Conjunto difuso
Funcin de pertenencia
Valor
Bajo Mediano Alto lingustico
1

Altura
1.5 1.7 1.9
Universo de Discurso Variable lingustica

Introduccin 6
Se define la funcin de pertenencia como
aquella aplicacin que asocia a cada elemento
de un conjunto difuso el grado con que
pertenece al valor lingstico asociado.

Los conjuntos difusos son caracterizados por

sus funciones de pertenencia.

Diremos que un conjunto es difuso cuando el

concepto al que representa tiene una funcin de
pertenencia difusa asociada a l.
Introduccin 7
En el grfico anterior se han dibujado 3 conjuntos
difusos sobre la variable lingstica altura, cuyos
valores lingsticos asociados son bajo,
mediano y alto respectivamente.

Las funciones de pertenencia son del tipo L,para

bajo; Lambda o Tringulo para mediano; y
Gamma para alto.

Introduccin 8
Ejemplo: Entrenador de Bsquetbol

Desea seleccionar candidatos para su equipo

Condiciones:
Altura
Buen encestador

Solucin clsica:
Altura > 185 cm
De 16 tiros al aro, encestar al menos 13: 13/16

Introduccin 9
Resultados de una Seleccin de Candidatos:
Solucin Clsica

Candidato Estatura (cm) Aciertos (de 16 tiros) Solucin Clsica

A 167 12 0
B 169 6 0
C 175 15 0
D 179 12 0
E 183 16 0
F 186 13 1
G 187 12 0
H 190 10 0
J 200 13 1

Introduccin 10
 Solucin utilizando conjuntos difusos
Sedefinen nmeros difusos para cada variable
Combinacin por lgica difusa

0.8

0.6
Baja Media Alta
0.4

0.2

0 Estatura (cm)
130 150 170 190 210

Introduccin 11
1

0.8

0.6
Malo Regular Bueno
0.4

0.2

0 Encestador
2/16 4/16 6/16 8/16 10/16 12/16 14/16

Introduccin 12
 Ejemplo: Mtodo de Seleccin Difuso
Candidato exitoso: estatura alta y buen encestador

Candidato estatura (cm) Aciertos (de 16 tiros) Lgica Difusa (Criterio min)

D 179 12 0.5

1 1

0.8 0.8

0.6 0.6 Bueno

Alta
0.4 0.4

0.2 0.2

0 0
160 180 200 8/16 10/16 12/16 14/16
179 12

Introduccin 13
Resultados de la Seleccin de
Candidatos:Solucin con lgica difusa

Candidato Estatura (cm) Aciertos (de 16 tiros) Lgica Difusa

A 167 12 0
B 169 6 0
C 175 15 0.33
D 179 12 0.50
E 183 16 0.87
F 186 13 0.75
G 187 12 0.50
H 190 10 0
J 200 13 0.75

Introduccin 14
 Utilizando Lgica Difusa se logra seleccin con
discriminacin entre los candidatos (ranking valorado)

Candidato Estatura (cm) Aciertos (de 16 tiros) Sol Clsica Lgica Difusa

E 183 16 0 0.87
F 186 13 1 0.75
J 200 13 1 0.75
D 179 12 0 0.50
G 187 12 0 0.50
C 175 15 0 0.33
A 167 12 0 0
B 169 6 0 0
H 190 10 0 0 Evita dejar
afuera del
equipo a un gran
encestador que
mide 183

Introduccin 15
Otras consideraciones

Conjuntos difusos y su lgica Difusa (o borrosa)

La palabra fuzzy viene del ingls fuzz (tamo, pelusa, vello) y se traduce por
difuso o borroso

Importancia: en la actualidad es un campo de investigacin muy importante, tanto

por sus implicaciones matemticas o tericas como por sus aplicaciones
prcticas.

Problemas bsicos subyacentes:

Conceptos sin definicin clara: muchos conceptos que manejamos a menudo,
no tienen una definicin clara: Qu es una persona alta? a partir de qu edad
una persona deja de ser joven?
La lgica clsica o bivaluada es demasiado restrictiva: una afirmacin puede no
ser ni VERDAD ni FALSA
Yo leer El Quijote:en qu medida es cierto? Depende de quien lo diga y......
El es bueno para la Fsica: es bueno, muy bueno o un poco mejor que regular?.

Introduccin 16
 Otras herramientas con las que se ha usado: Sistemas basados en reglas, redes
neuronales, algoritmos genticos, Bases de datos,.....

Cundo usar la tecnologa fuzzy o difusa?

En procesos complejos, si no existe un modelo de solucin sencillo
En procesos no lineales
Cuan haya que introducir la experiencia de un operador experto que se base
en conceptos imprecisos obtenidos de su experiencia
Cuando ciertas partes de un 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
imprecisin o incertidumbre (como las bases de datos difusas)

Introduccin 17
 Aplicaciones

Control de Sistemas:control de trfico, control de vehculos, control de

compuertas en plantas hidroelctricas, centrales trmicas, control en mquinas
lavadoras, control de metros (mejora de conduccin, precisin en las paradas y
ahorro de energa), ascensores,....

Prediccin y Optimizacin: prediccin de terremotos, optimizar

horarios,....

Reconocimiento de patrones y Visin por computador: seguimiento

de objetos con cmara, reconocimiento de escritura manuscrita,
reconocimiento de objetos, compensacin de vibraciones en la cmara,..

Sistemas de Informacin: Bases de datos, sistemas de expertos, ...

Introduccin 18
Conjuntos Crisp y Difusos
Conceptos sobre conjuntos difusos:
surgieron como una forma de representar la imprecisin y la incertidumbre
herramientas que usa: matemticas, probabilidad, estadstica, filosofa,
psicologa
Es un puente entre dos tipos de computaciones
C. Numrica: usadas en aplicaciones cientficas por ejemplo
C. Simblica: usada en todos los campos de la Inteligencia Artificial
Conjuntos Clsicos(crisp): surgen de forma natural, por la necesidad del ser
humano de clasificar objetos y conceptos
Conjunto de frutas: manzana Frutas, lechuga Frutas
Funcin de pertenencia A(x), x X:
X es el universo de discurso
Restriccin de la funcin A: X 0, 1
A(x) = 1 si x A , A(x) = 0 si x A
Conjunto Vaco (x) = 0, x X
Conjunto Universo U(x) =1 , x X

Introduccin 19
 Conjuntos Difusos (fuzzy): Relajan la restriccin, A : X [0, 1]
Hay conceptos que no tienen lmites claros
la temperatura 25 es alta ?
Definimos por ejemplo: Alta(30) = 1, Alta(10) = 0, Alta(25) = 0.75 ...

Definicin: Un conjunto difuso A se define como una funcin de

pertenencia que enlaza o empareja los elementos de un dominio o
Universo de discurso X con elementos del intervalo [0, 1]:
A: X [0, 1]
Cuanto ms cerca est A(x) del valor 1, mayor ser la
pertenencia del objeto x al conjunto A
los valores de pertenencia varan entre 0 (no pertenece en absoluto) y 1
(pertenencia total)

Introduccin 20
Representacin: Un conjunto difuso A puede representarse como un
conjunto de pares de valores: cada elemento x X con su grado de
pertenencia a A. Tambin puede ponerse como una suma de pares:

A= { A(x)/x, x X }
A= in=1 A(xi) / xi (los pares en los que A(x)=0, no se incluyen)

Ejemplo: Conjunto de alturas del concepto difuso Alto en personas

A= 0.25/1.75 + 0.5/1.8 + 0.75/1.85 + 1/ 1.9

Si el universo es continuo: A= A(x)/ x

la suma y la integral no deben considerarse como

operaciones algebraicas

Introduccin 21
 Contexto: Es fundamental en la definicin de conjuntos difusos
no es lo mismo el concepto Alto aplicado a personas que a edificios

Funcin de Pertenencia: un conjunto difuso puede representarse

tambin grficamente como una funcin, especialmente cuando el universo
de discurso X (o domino subyacente) es continuo (no discreto)
abscisas (eje X): Universo de discurso X
ordenadas (eje y): grados de pertenencia en el intervalo [0, 1]

Ejemplo: concepto de temperatura Alta

Temperatura Alta
1

0 X (C)
10 20 30 40

Introduccin 22
Clculo de Funciones de Pertenencia

Las funciones de pertenencia pueden calcularse de diferentes formas. El

mtodo a elegir depende de la aplicacin en particular, del modo en que se
manifieste la incertidumbre y en el que sta sea medida durante los
experimentos.

Sin embargo uno de los mtodos mas usados es el mtodo horizontal:

se basa en las respuestas de un grupo de N expertos

la pregunta tiene el formato siguiente:
Puede x ser considerado compatible con el concepto A ?
Slo se acepta un SI o un NO, de forma que

A(x) = (respuestas afirmativas)/N

Introduccin 23
OPERACIONES BASICAS DE LOGICA DIFUSA

En lgica difusa hay muchas maneras de definir estas operaciones.

Cualquier operacin que cumpla las restricciones de una T-norma
puede ser usada para intersectar, igual que cualquier S-norma
puede ser usada para unir conjuntos difusos. Las T-normas
especifican un conjunto de condiciones que deben reunir aquellas
operaciones que deseen ser usadas para intersectar conjuntos,
mientras que las S-normas hacen lo propio para las uniones.
Dados dos conjuntos difusos A y B en el mismo universo X, con
funciones de pertenencia uA y uB respectivamente, se pueden definir
las siguientes operaciones bsicas.

Introduccin 24
Interseccin: La funcin de pertenencia de la interseccin de A y B
se define como:
uAB = min uA (x) , uB (x)

uAB = uA (x) uB (x)

Unin: La funcin de pertenencia de la unin de A y B se define

como:
uAB = max uA (x) , uB (x)

uAB = min 1, uA (x) + uB (x)

Introduccin 25
 INTERSECCIN (AND)
C (x) = min( A (x), B (x) )
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10

1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10

Introduccin 26
 UNION (OR)
C (x) = max( A (x), B (x) )

1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10

1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10

Introduccin 27
Complemento: La funcin de pertenencia del complemento de A
se define como:
uAc = 1 - uA (x)

tambin se le llama negacin y se denota por

uA = 1 - uA (x)
Subconjunto: A ser un subconjunto borroso de B cuando
uA (x) uB (x), x X

Implicacin: Una implicacin borrosa I es en general una funcin de

la forma
I : 0, 1 x 0, 1 0, 1

Para cualquier par de valores a y b de proposiciones borrosas p, q define

el valor cierto de I(a,b) de la proposicin condicional si p entonces q .

Introduccin 28
 COMPLEMENTO (NOT)
(x) = 1 - A (x)
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10

1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
Introduccin 29
Producto Cartesiano:
Dados los conjuntos difusos A1, A2, ......, An con universos X1, X2,... , Xn
respectivamente, se define le producto cartesiano como un
conjunto difuso en X1xX2x....xXn con la siguiente funcin de
pertenencia:

segn Mamdani (1974)

uA1xA2x..xAn ( X1,X2,.....,Xn) = min uA1(X1), uA2(X2), ......, uAn(Xn)

segn Larsen (1980)

uA1xA2x..xAn ( X1,X2,.....,Xn) = uA1(X1)uA2(X2)......... uAn(Xn)

Introduccin 30
Modelos Difusos Lingsticos
Estos modelos se basan en un conjunto de reglas heursticas
donde las variables lingsticas de las entradas y las salidas se
representan por medio de conjuntos difusos.

La siguiente figura muestra las principales componentes de un

modelo difuso lingstico: interfaz de fusificacin, base de
conocimientos, motor de inferencia e interfaz de defusificacin.

Introduccin 31
 Interfaz de defusificacin
Interfaz de Fusificacin

Motor de Inferencia

Introduccin 32
Interfaz de fusificacin:
Este elemento transforma las variables de entrada del modelo ( m )
en variables difusas. Para esta interfaz se deben tener definidos los
rangos de variacin de las variables de entrada y los conjuntos
difusos asociados con sus respectivas funciones de pertenencia.

Base de Conocimientos:
Contiene las reglas lingsticas del control y la informacin referente
a las funciones de pertenencia de los conjuntos difusos.
Estas reglas lingsticas, tienen tpicamente la siguiente forma:

Si u1 es A y u2 es B entonces y es C

Donde A, B y C son los conjuntos difusos de las variables de entrada

u1 y u2 , y de la variable de salida y, respectivamente.

Introduccin 33
Existen varias formas de derivar las reglas, entre las que destacan
las basadas en:

a) La experiencia de expertos y el conocimiento de ingeniera de

control. La base de reglas se determina a partir de entrevistas
con el operador o a travs del conocimiento de la dinmica del
proceso.

b) La modelacin del proceso. Los parmetros de la base de

conocimientos se obtienen a partir de datos de entrada y salida
del proceso.

Introduccin 34
Motor de Inferencia:
Realiza la tarea de calcular las variables de salida a partir de las
variables de entrada, mediante las reglas del controlador y la inferencia
difusa, entregando conjuntos difusos de salida.

Por ejemplo, dada una base de conocimiento con n reglas de la forma:

Si u1 es Ai y u2 es Bi entonces y es Ci

La secuencia de clculos que realiza el motor de inferencia incluye:

Introduccin 35
Determinar el grado de cumplimiento Wi de cada regla a partir
de los grados de pertenencia de las variables de entrada
obtenidos en la etapa de fusificacin , es decir:

Wi = min (uAi, uBi)

Debido a que las premisas de las reglas estn unidos por

operadores AND, definidos como la interseccin de conjuntos
difusos

Introduccin 36
Para cada regla se tiene una consecuencia y es Ci ,
que tiene asociado una funcin de pertenencia uCi . Por
lo tanto se tiene un conjunto de salida Ci , cuya funcin
de pertenencia es:

uCi = min(Wi , uCi )

donde Wi es el grado de cumplimiento de para la regla i.

Introduccin 37
Para evaluar el conjunto total de reglas, se unen los conjuntos
difusos Ci resultantes de cada regla, generndose un
conjunto de salida con la siguiente funcin de pertenencia:

uC = max ( u Ci )

de esta forma, se obtiene una salida difusa del controlador,

con funcin de pertenencia uC

Introduccin 38
Interfaz de defusificacin: Este elemento provee salidas
discretas y determinsticas a partir de los conjuntos difusos C
obtenidos como resultado de la inferencia.

Existen diferentes mtodos de defusificacin, alguno de los cuales

son:

a) Mtodo del Mximo: la salida corresponde al valor para el

cual la funcin de pertenencia uC alcanza su mximo .
b) Media del Mximo: La salida es el promedio entre los
elementos del conjunto C que tienen un grado de pertenencia
mximo
c) Centro de Area: Genera como salida el valor correspondiente al
centro de gravedad de la funcin de pertenencia del conjunto de
salida C

Introduccin 39
Ejemplo Considrese un sistema con las siguientes reglas:

a) Si la temperatura es alta entonces la presin es elevada

b) Si la temperatura es baja entonces la presin es baja
c) Si la presin es baja entonces la entrada de combustible debe ser grande
d) Si la presin es elevada entonces la entrada de combustible debe ser pequea

Con los siguientes conjuntos difusos:

Temperatura (C) baja= (0/0 .2/30 .8/40 1/50 .7/60 .2/70 0/80)
alta=(0/50 .3/60 .8/70 1/80 1/90 .5/100 0/110)

Presin(bar) baja=(0/0 .4/200 .8/400 1/600 1/800 .8/1000 .4/1200 0/1400)

elevada=(0/1000 .2/1200 .4/1400 .8/1600 1/1800 1/1900 .5/2000
0/2200)

Ent-Combustible(litros/hora) pequea=(0/0 .6/1 1/2 1/3 .4/4 0/5)

grande=(0/4 .5/5 1/6 .5/7 0/8)

Introduccin 40
Si la temperatura actual es es de 60C, determinar el valor para
la entrada de combustible empleando la tcnica del centro

Introduccin 41
 Baja Alta

1.0
0.9 Dadas ciertas entradas
0.8 Debemos determinar las
salidas
0.7
0.6
R1: si la temperatura
0.5 es baja entonces la
presin es baja
0.4 R2: si la temperatura
0.3 es alta entonces la
0.2 presin es elevada

0.1

10 20 30 40 50 60 70 80 90 100 110 Temperatura

El grado de cumplimiento de cada regla es:

R1: 1=uBaja(60) = 0.7 (grado de cumplimiento de R1)
R2: 2 =uAlta(60) = 0.3 ( grado de cumplimiento de R2)

Introduccin 42
 Baja Elevada Punto medio conjunto
1.0 difuso presin baja (1400
0.9 +0)/ 2 = 700

0.8 Punto medio conjunto

1 =0.7
0.7 difuso presin elevada
0.6 (2200 + 1000)/2 = 1600

0.5

0.4
2=0.3
0.3
0.2

0.1

2 4 6 8 10 12 14 16 18 20 22 Presin (100)

Defusificando mediante la tcnica del centro de rea (centro de gravedad) se tiene

(0.7x700 + 0.3x1600)/(0.7 + 0.3) = 970 (bar)

Introduccin 43
 1.0 Conjunto difuso de salida
0.9
0.8 Si la temperatura es de 60 C
Entonces la presin es de 970
1 0.7 (bar).
0.6 Usamos la presin de de 970
(bar) como entrada para
0.5 determinar la entrada de
combustible
0.4
2 0.3
0.2

0.1

2 4 6 8 10 12 14 16 18 20 22 Presin (100)

970

Introduccin 44
 Baja Elevada R3: si la presin es baja
1.0 entonces la entrada de
combustible debe ser grande
0.9
0.8 R4: si la presin es elevada
1 =0.7 entonces la entrada de
0.7
combustible debe ser
0.6 pequea
0.5

0.4
2=0.3
0.3
0.2

0.1

2 4 6 8 10 12 14 16 18 20 22 Presin (100)

970 3=baja(970) = 0.87 (grado de cumplimiento de R3)

4=elevada(970) = 0 (grado de cumplimiento de R4)

Introduccin 45
 Pequea Elevada Punto medio conjunto difuso entrada de
1.0 combustible pequea (5 + 0)/2 = 2.5
0.9
3=0.87 Punto medio conjunto difuso entrada de
0.8
combustible grande (4 + 8)/2 = 6
0.7
0.6 Centro de gravedad =(0*2.5 + 0.87*6)/(0
+ 0.87) = 5.22 / 0.87 = 6
0.5

0.4
0.3
0.2

0.1

4=0
1 2 3 4 5 6 7 8 Entrada de combustible

Si la temperatura actual es de 60C entonces la entrada de combustible es de 6 litros/hora

Introduccin 46
Ejemplo La abuela Mara prepara sus deliciosas galletas caseras de forma artesanal
desde hace mas de cuarenta aos. El toque secreto de la receta consiste en
hornearlas cuidadosamente hasta que tomen su caracterstico color dorado.
Durante este delicado proceso la abuela Mara observa peridicamente las galletas
y ajusta la temperatura del horno de forma adecuada:
a) Si las galletas estn un poco crudas, entonces la temperatura del horno debe ser
media
b) Si las galletas estn medio hechas, entonces la temperatura del horno debe ser alta
c) Si las galletas estn doraditas, entonces la temperatura del horno debe ser baja

Tras diversas entrevistas con la abuela se han podido establecer los siguientes
conjuntos difusos sobre un ndice cromtico especial (0=galleta cruda, 10=galleta
chamuscada) y la temperatura del horno.

Introduccin 47
ndice cromtico correspondiente a las galletas

Un poco crudas =(0/0 .5/1 1/3 1/4 .5/6 0/7)

Medio hechas = (0/3 1/5 1/6 0/8)
Doraditas = (0/5 1/7 1/8 0/9)

Temperatura del horno (C)

Baja= (0/150 1/160 1/180 0/190)

Media= (0/170 1/190 1/210 0/230)
Alta= (0/210 1/220 1/240 0/250)

Suponiendo que se interpretan las reglas como implicaciones de Mamdani y se construye

un sistema para control automtico de la temperatura del horno basado en las reglas , y
suponiendo que en cierto momento el ndice cromtico de las galletas es de 6, se pide
determinar la temperatura del horno, si se utiliza la tcnica del centro de rea.

Introduccin 48
Introduccin 49
Introduccin 50
Introduccin 51
Introduccin 52
Introduccin 53