Introducci on a la l ogica difusa

Guillermo Morales-Luna Centro de Investigaci on y Estudios Avanzados del IPN (CINVESTAV-IPN) gmorales@cs.cinvestav.mx 17 de febrero de 2002
Resumen Hacemos una presentaci on elemental de la l ogica difusa. Introducimos la noci on de conjuntos difusos para luego presentar diversos c alculos proposicionales de tipo difuso. Las l ogicas difusas se han desarrollado r apidamente debido a sus potencialidades de aplicaci on, entre otras muchas areas, en el dise no de controladores electr onicos. En este texto presentamos los conceptos b asicos e invitaremos al lector a introducirse con mayor profundidad en estos temas a trav es de lecturas suplementarias.

Introducci on

La l ogica difusa ha cobrado una fama grande por la variedad de sus aplicaciones, las cuales van desde el control de complejos procesos industriales, hasta el dise no de dispositivos articiales de deducci on autom atica, pasando por la construcci on de artefactos electr onicos de uso dom estico y de entretenimiento, as como tambi en de sistemas de diagn ostico. De hecho, desde hace ya, al menos, d ecada y media, la expedici on de patentes industriales de mecanismos basados en la l ogica difusa tiene un crecimiento sumamente r apido en todas las naciones industrializadas del orbe. Se ha considerado de manera general que el concepto de l ogica difusa apareci o en 1965, en la Universidad de California en Berkeley, introducido por Lot A. Zadeh [7]. Las l ogicas difusas, pues de hecho hay que hablar de ellas en plural, son esencialmente l ogicas multivaluadas que extienden a las l ogicas cl asicas. Estas u ltimas imponen a sus enunciados u nicamente valores falso o verdadero. Bien que estas han modelado satisfactoriamente a una gran parte del razonamiento natural, es cierto que el razonamiento humano utiliza valores de verdad que no necesariamente son tan deterministas. Por ejemplo, al calicar que el cielo es azul uno est a tentado a graduar qu e tan azul, en efecto, es el cielo, e igualmente, si un veh culo se mueve r apido, tambi en se est a obligado a considerar qu e tan r apido es el veh culo, aunque esto u ltimo no implique necesariamente cuanticar la velocidad del veh culo con toda precisi on. Las l ogicas difusas procuran crear aproximaciones matem aticas en la resoluci on de ciertos tipos de problemas. Pretenden producir resultados exactos a partir de datos imprecisos, por 1

lo cual son particularmente u tiles en aplicaciones electr onicas o computacionales. El adjetivo difuso aplicado a ellas se debe a que los valores de verdad no-deterministas utilizados en ellas tienen, por lo general, una connotaci on de incertidumbre. Un vaso medio lleno, independientemente de que tambi en est e medio vac o, no est a lleno completamente ni est a vac o completamente. Qu e tan lleno puede estar es un elemento de incertidumbre, es decir, de difusidad, entendida esta u ltima como una propiedad de indeterminismo. Ahora bien, los valores de verdad asumidos por enunciados aunque no son deterministas, no necesariamente son desconocidos. Por otra parte, desde un punto de vista optimista, lo difuso puede entenderse como la posibilidad de asignar m as valores de verdad a los enunciados que los cl asicos falso o verdadero. As pues, reiteramos, las l ogicas difusas son tipos especiales de l ogicas multivaluadas. Las l ogicas difusas han tenido aplicaciones de suma relevancia en el procesamiento electr onico de datos. En determinadas areas de conocimiento, a sus enunciados se les asocia valores de verdad que son grados de veracidad o falsedad, mucho m as amplios que los meros verdadero y falso. En un sistema deductivo se distingue enunciados de entrada y enunciados de salida. El objetivo de todo sistema manejador de una l ogica difusa es describir los grados de los enunciados de salida en t erminos de los de entrada. M as a un, algunos sistemas son capaces de renar los grados de veracidad de los enunciados de salida conforme se renan los de los de entrada. Por estas propiedades es que ciertos sistemas de l ogica difusa aparentan una labor de aprendizaje, y son excelentes mecanismos de control de procesos. Desde el punto de vista tecnol ogico, las l ogicas difusas se encuadran en el area de la llamada Inteligencia Articial y han dado origen a sistemas expertos de tipo difuso y a sistemas de control autom atico. En esta presentaci on haremos enfasis en el car acter multivaluado de las l ogicas difusas. Introduciremos primero la noci on de conjunto difuso, y las operaciones usuales en ese tipo de conjuntos. Inmediatamente despu es, presentaremos ciertos tipos de c alculos proposicionales de tipo difuso y de cuanticaci on difusa.

Conjuntos difusos

De manera intuitiva se tiene el concepto de conjunto como una colecci on bien denida de elementos, en la que es posible determinar para un objeto cualquiera, en un universo dado, si acaso este pertenece o no al conjunto. La decisi on, naturalmente, es s pertenece o bien no pertenece. Por ejemplo, consideremos como universo a la poblaci on econ omicamente activa1 en M exico, es decir, al conjunto formado por las personas residentes en ese pa s con una edad entre 18 a nos (cumplidos) y 66 a nos (por cumplir). Consideremos un mes cualquiera, digamos, diciembre de 2000 (y no porque entonces hubiera habido un cambio, sino porque era ese el u ltimo mes del siglo XX). El conjunto de personas empleadas en M exico en ese mes, podr amos pensar, est a bien determinado: una persona en nuestro universo que entonces hubiera vendido su fuerza de trabajo, bajo un contrato de empleo, a una empresa legalmente constitu da, sin duda alguna era una persona empleada, y alguien que no tuvo salario alguno
No aspiro a usar deniciones t ecnicas precisas de tipo econ omico, as que los colegas especialistas en esas disciplinas habr an de disculparme las licencias que aqu me tome.
1

en ese mes y no estuvo vinculado a ning un patr on bajo una relaci on contractual, pues no era empleado. El lector observar a la sobresimplicaci on del criterio de pertenencia enunciado. En efecto, ni falta el funcionario de la Secretar a del Trabajo que dir a: Todo ciudadano que haya trabajado al menos una hora en ese mes y por eso haya recibido un pago, es un empleado, y tampoco faltar a quien diga: Qu e empleo? No hall e trabajo en todo el 2000 y s olo en su u ltimo mes, mi primo me emple o a destajo para envolver regalos en su tienda: Yo no soy ning un empleado. La noci on intuitiva de conjunto puede, as , ser muy estrecha. En un conjunto difuso a cada elemento del universo se le asocia un grado de pertenencia, que es un n umero entre 0 y 1, a ese conjunto. Un conjunto difuso es pues una correspondencia (o funci on) que a cada elemento del universo le asocia su grado de pertenencia. Enunciada as esta denici on parece ser c clica, mas no lo es: un conjunto difuso es una funci on cuyo dominio es el universo y cuyo contradominio es el intervalo [0, 1]. En tanto el grado de pertenencia sea m as cercano a 1 tanto m as estar a el elemento en el conjunto y en tanto el grado de pertenencia sea m as cercano a 0 tanto menos estar a el elemento en el conjunto. Por ejemplo, los siguientes son conjuntos difusos, dados como funciones g , que pueden abarcar el concepto de empleado: De estad stica optimista Uno es empleado si trabaja al menos una hora, bajo pago, en un mes. Para cada persona x sea t(x) el n umero de horas trabajadas bajo pago el mes en cuesti on. Hagamos gE (x) = 1 si t(x) 1 y gE (x) = 0 si t(x) = 0. De porcentaje en tiempo Uno es empleado en proporci on al tiempo trabajado. Supongamos que el total de horas posibles a ser laboradas en un mes sea 40 4 = 160. Hagamos gP T (x) igual al valor m nimo que resulte de comparar 1 con la raz on t(x)/160. De porcentaje en ingreso Uno es empleado en proporci on con que pueda adquirir los bienes de consumo necesarios para su familia. Denotemos por p(x) a la paga que recibe el ciudadano x por hora de su trabajo. Supongamos que la canasta b asica la eval ua la Secretar a de Comercio en M pesos al mes, por persona, y que cada trabajador tiene en promedio 2 dependientes econ omicos, adem as de el mismo. El salario del trabajador ha de mantener a 3 personas. Hagamos gP I (x) igual al valor m nimo que resulte de comparar 1 con la raz on t(x)p(x)/(3M ). Ponderaci on de tiempo e ingreso Uno es empleado cuando trabaje mucho aunque no coma o no tenga apuros econ omicos aunque no trabaje. Sean a y b dos coecientes entre 0 y 1 tales que a + b = 1. Hagamos gP on (x) = a gP T (x) + b gP I (x). El grado de pertenencia gD a un conjunto difuso D puede ser interpretado de diversas maneras, en contextos diferentes. Las siguientes son s olo algunas posibles interpretaciones: Proporci on en la que se posee un atributo Si consideramos que D es un atributo, entonces para cada objeto x, 100 gD (x) es el porcentaje con el que x posee D. Probabilidad Si consideramos que D es un evento probabilista (una variable aleatoria, seg un se dice en la Teor a de la Probabilidad, con valores en el conjunto de partes del universo), entonces para cada objeto x, gD (x) es la probabilidad de que x ocurra en el evento D, es decir, gD (x) = Prob(x D). 3

Medida de creencia Si consideramos que D es un atributo, entonces para cada objeto x, gD (x) es un grado con el que se cree que x posee el atributo D. Por ejemplo, gP T , denida anteriormente, es ciertamente una proporci on del tiempo laborado. gP on = a gP T + b gP I es una medida de creencia (y la selecci on de pesos a y b sesga el enfasis que se le quiera dar al tiempo laborado o al ingreso obtenido). Para ilustrar la connotaci on probabilista, consideremos el conjunto difuso D = { empleados felices }. Entonces, para cada x, gD (x) ser a una probabilidad de que x sea feliz. Un conjunto, en el sentido intuitivo, posee una funci on caracter stica: En cada elemento, la caracter stica vale 1 (s ) si el elemento est a en el conjunto y vale 0 (no) en caso contrario. En consecuencia, todo conjunto intuitivo es en s un conjunto difuso. Rec procamente, dado un conjunto difuso D con funci on de pertenencia gD , se puede jar un umbral z entre 0 y 1, inclusive, para formar el conjunto, en el sentido intuitivo, de elementos con grado de pertenencia al menos z : x est a en Dz si y s olo si gD (x) z . Diremos que Dz es el corte a altura z de D. El corte a altura 0 es entonces todo el universo, en tanto que el corte a altura 1 consta de los elementos con valor de pertenencia 1 al conjunto. Es bien sabido que los conjuntos intuitivos pueden combinarse mediante las operaciones, llamadas booleanas, de complemento, uni on e intersecci on: El complemento de un conjunto est a formado por los elementos del universo que no est an en el, la uni on de dos conjuntos la forman los elementos que est an en uno o en otro conjunto y la intersecci on la conforman los elementos en ambos conjuntos. Si nos referimos a funciones caracter sticas, se tiene que la caracter stica del complemento posee el valor opuesto al de la caracter stica del conjunto, la caracter stica de la uni on de dos conjuntos vale uno si al menos una de las caracter sticas de los conjuntos vale uno, y la caracter stica de la intersecci on vale uno si las caracter sticas de ambos conjuntos valen uno. Esto puede servir de motivaci on para denir operadores de composici on de conjuntos difusos. De hecho, para cada una de las interpretaciones descritas arriba se puede introducir una colecci on particular de operadores. Veamos en cada caso operaciones de complemento, uni on e intersecci on: Proporci on en la que se posee un atributo En este caso, los grados de pertenencia se interpretan como proporciones, por lo cual se denen las operaciones como sigue: Complemento El complemento de un conjunto difuso D asigna a cada objeto x el grado complementario: gD (x) = 1 gD (x). Intersecci on La intersecci on de dos conjuntos difusos D, E asocia el m nimo de los grados de pertenencia, es decir, para cada objeto x: gDE (x) = Min(gD (x), gE (x)). Uni on De manera similar, la uni on de dos conjuntos difusos D, E asocia el m aximo de los grados de pertenencia, es decir, para cada objeto x: gDE (x) = Max(gD (x), gE (x)). Probabilidad Vistos los grados de pertenencia como probabilidades, se tiene: Complemento La probabilidad del complemento de un conjunto difuso D es la probabilidad complementaria: gD (x) = 1 gD (x).

 Intersecci on Esta es la probabilidad de la ocurrencia simult anea de dos eventos. La intersecci on est a muy ligada al concepto de probabilidad condicional. Si denotamos por Prob(A|B ) a la probabilidad de que ocurra A dado que ha ocurrido B , entonces por un c elebre resultado de la Teor a de la Probabilidad, llamado el Teorema de Bayes, ha de valer la identidad Prob(A|B )Prob(B ) = Prob(B |A)Prob(A). El valor com un en esta igualdad es, precisamente, la probabilidad de la intersecci on Prob(A B ). As pues, teniendo una funci on d que a dos eventos cualesquiera A, B les asocia una densidad de probabilidad condicional d(A|B ) tal que a cada objeto x le asocia un valor d(A|B )(x) de manera que d(A|B )(x) gB (x) = d(B |A)(x) gA (x) (1)

entonces para dos conjuntos difusos cualesquiera D, E se puede denir el grado de pertenencia a la intersecci on como gDE (x) = d(D|E )(x) gE (x). Una densidad de probabilidad condicional que satisfaga la ec. (1) podr a denirse haciendo, por ejemplo, que para cualesquiera dos eventos distintos e independientes A y B : d(A|B )(x) = gA (x). Evidentemente, la noci on de independencia depender a del universo en cuesti on. Por ejemplo, si consideramos a la poblaci on econ omicamente activa, el conjunto A de profesores que ense nan en instituciones de educaci on superior y el conjunto B de empleados con salarios altos pueden ser considerados independientes pues ciertamente se dan los casos de profesores universitarios con bajos salarios, de profesores universitarios con altos salarios, de empleados con altos salarios que no son profesores y de empleados con bajos salarios que no son profesores. As pues, para cualquier ciudadano x, d(A|B )(x) = gA (x) y d(B |A)(x) = gB (x), es decir, se cumple la relaci on (1). Vemos pues que para denir la operaci on de intersecci on, basta tener un operador de probabilidad condicional. De manera rec proca, si se tiene denida de alguna manera al operador de intersecci on, entonces siguiendo el teorema de Bayes se puede denir un operador de probabilidad condicional. Por tanto, las nociones de intersecci on (probabilista) de conjuntos difusos y la de probabilidad condicional son reducibles una a la otra. Uni on La probabilidad de que ocurra uno u otro evento es la probabilidad de uno, m as la probabilidad del otro, menos la probabilidad de que ocurran ambos eventos: gDE (x) = gD (x) + gE (x) gDE (x). Medida de creencia Las siguientes funciones pueden parecer denidas de manera arbitraria, pero ciertamente tienen una motivaci on intuitiva: Complemento Como en los casos anteriores, se hace: gD (x) = 1 gD (x). Intersecci on Dados dos conjuntos difusos A, B con sendos grados de pertenencia gA y gB , si para un punto dado x, la suma gA (x) + gB (x) es menor que 1 entonces descartamos que ese punto sea com un a ambos conjuntos, es decir, no debe estar en la intersecci on. En otro caso, se toma como grado de pertenencia, a la 5

1 0.75 0.5 0.25 0 0 0.2 0.4 0.6 0.8 10 0.2 1 0.8 0.6 0.4

1 0.75 0.5 0.25 0 0 0.2 0.4 0.6 0.8 10 0.2 1 0.8 0.6 0.4

(a)

(b)

Figura 1: Grados de pertenencia, seg un el enfoque de medida de creencia, de (a) intersecci on, gAB (x), y (b) uni on, gAB (x), en t erminos de los grados de creencia gA (x) y gB (x). intersecci on, a la raz on de la diferencia [gA (x) + gB (x)] 1 entre el m aximo de gA (x) y gB (x). En s mbolos gAB (x) = 0
gA (x)+gB (x)1 max(gA (x),gB (x))

si gA (x) + gB (x) < 1 si gA (x) + gB (x) 1

Uni on Dados dos conjuntos difusos A, B con sendos grados de pertenencia gA y gB , si para un punto dado x, la suma gA (x) + gB (x) es mayor que 1 entonces convenimos en que ese punto est a en la uni on. En otro caso, se toma como grado de pertenencia, a la uni on, al m aximo de las razones gA (x)/(1 gB (x)) y gB (x)/(1 gA (x)). En s mbolos gAB (x) = 1 max
gA (x) , gB (x) (1gB (x)) (1gA (x))

si gA (x) + gB (x) 1 si gA (x) + gB (x) < 1

En la gura 1 mostramos las gr acas correspondientes a estos operadores de intersecc on y de uni on. A partir de operaciones de complemento, uni on e intersecci on, se obtienen conjuntos difusos m as complejos como resultado de aplicar sucesivamente estos operadores partiendo de una colecci on de conjuntos difusos, digamos, primitivos. Para hablar con un poco de m as precisi on: Si A1 , . . . , An son conjuntos difusos primitivos, para operadores de complemento, de intersecci on y de uni on jos, la clase de conjuntos denibles, partiendo de los conjuntos primitivos, son los que se obtienen mediante las reglas siguientes: 1. Todo conjunto primitivo es denible. 2. El complemento de todo denible es, a su vez, denible. 3. La intersecci on y la uni on de dos conjuntos denibles, son, a su vez, denibles, tambi en.

As , por ejemplo, si A1 , A2 , A3 son tres conjuntos difusos primitivos, los siguientes son meros ejemplos de conjuntos difusos denibles a partir de ellos: A2 A1 A2 A3 (A1 A2 A3 ) (A1 A2 A3 ) (A1 A2 A3 ) Denotemos a un conjunto denible como F (A1 , . . . , An ), s olo para enfatizar el hecho de que se obtiene de los conjuntos Ai . Cada tal conjunto tiene asociada una funci on gF (A1 ,...,An ) que a cada objeto x del universo le asocia un grado de pertenencia gF (A1 ,...,An ) (x) al conjunto denible, la cual, naturalmente, se escribe como una composici on de los grados de pertenencia de los conjuntos primitivos. Existen dos problemas fundamentales en cualquier teor a de conjuntos difusos: Problema 2.1 (de deducci on) Para un conjunto denible F (A1 , . . . , An ) y un objeto dado x, si se sabe que cada grado de pertenencia gAi (x) cae en un intervalo [ai , bi ], entonces se ha de estimar en qu e intervalo I ha de caer el grado de pertenencia gF (A1 ,...,An ) (x). Utilizando una jerga t ecnica actual, podemos decir que este es un problema de tipo hacia adelante: conociendo los valores iniciales gAi (x), mediante las funciones de los conectivos de complemento, uni on e intersecci on, se calcula consecutivamente los grados de pertenencia de los conjuntos involucrados hasta obtener el valor gF (A1 ,...,An ) (x). En etapas de aplicaci on, un resolvedor de este problema se ve como un agente que realiza pron osticos: Si los valores iniciales son de tales caracter sticas, los nales han de ser de tales cuales. Problema 2.2 (de inferencia) Para un conjunto denible F (A1 , . . . , An ) y un objeto dado x, si se sabe que el grado de pertenencia gF (A1 ,...,An ) (x) cae en un intervalo I , y que para algunos conjuntos primitivos Ak , Ak+1 , . . . , An sus correspondientes grados de pertenencia gAi (x) caen en intervalos [ai , bi ], i = k, . . . , n, entonces se ha de estimar para los otros ndices i = 1, . . . , k 1 en qu e intervalos [ai , bi ] debieron caer los correspondientes grados de pertenencia gAi (x). Tambi en en jerga t ecnica, podemos decir que este es un problema de tipo hacia atr as: conociendo los valores nales gF (A1 ,...,An ) (x) y algunos iniciales gAi (x), teniendo en cuenta las funciones de los conectivos de complemento, uni on e intersecci on, se busca determinar los valores que debieron asumir los dem as grados de pertenencia iniciales para obtener el valor nal. En etapas de aplicaci on, un resolvedor de este problema se ve como un agente que realiza diagn osticos: Si los valores observados (nales) son de tales caracter sticas en unas ciertas condiciones (iniciales), entonces las dem as variables iniciales han de haber cumplido con tales hip otesis. Vemos pues que los conjuntos difusos involucran de manera esencial procedimientos de c alculo num erico o simb olico. Al contrario de una primera idea sugerida por su nombre, veremos que la l ogica difusa es un area de c alculo preciso. Ambos problemas, de deducci on y de inferencia, pueden ser resueltos, efectiva y ecientemente, analizando los tipos de las funciones matem aticas involucradas en los grados de pertenencia y en los conectivos l ogicos. 7

C alculo proposicional difuso

Recordamos que Gottfried Wilhelm Leibniz2 plante o en el s. XVII la necesidad de un calculus ratiocinator que ser a un sistema con un propio formalismo que permitiera la manipulaci on simb olica de enunciados, en concordancia con las leyes de la l ogica, para descubrir nuevas verdades o bien para vericar como verdaderas a tesis postuladas como tales. Por lo menos desde entonces se reconoci o la relevancia del manejo (procesamiento) simb olico de enunciados l ogicos. Naturalmente, George Boole3 y Gottlob Frege4 contribuyeron de manera notabil isima en el origen mismo del razonamiento autom atico. Mas, desde la perspectiva de las l ogicas difusas, en los antecedentes de ellas es necesario mencionar a Jan Lukasiewicz5 . En su sistema trivaluado, si a los valores de verdad Falso, Desconocido y Verdadero se les representa, respectivamente, por los valores num ericos 0, 1/2 y 1, entonces las nociones de complemento n(x) = 1 x, conjunci on c(x, y ) = min(x, y ) y disyunci on d(x, y ) = max(x, y ), corresponden a la interpretaci on intuitiva de esos conectivos l ogicos (invitamos al lector a que escriba las tablas de verdad de los conectivos y a que se cerciore de esta aseveraci on). Este sistema trivaluado entra na, ciertamente, una noci on de difusidad. En un c alculo proposicional difuso se tiene inicialmente una colecci on de proposiciones primitivas, o at omicas, una serie de conectivos l ogicos y reglas denidas de buena formaci on de proposiciones compuestas a partir de las at omicas. Cada proposici on puede asumir un valor de verdad que puede ser Falso, o Verdadero o alguno otro entre esos dos valores extremos de verdad. Cada conectivo l ogico tiene asociada una funci on que determina el valor de verdad de la proposici on resultante de el en t erminos de los valores de verdad de las proposiciones que componen a esa proposici on resultante. Resultan entonces sendos problemas de deducci on (dado que los valores de las proposiciones at omicas quedan caracterizados, se ha de caracterizar los de proposiciones compuestas partiendo de ellas) y de inferencia (dado que los valores de las proposiciones compuestas han sido observados, se ha de formular hip otesis, y adem as probarlas, respecto a los valores de las proposiciones at omicas involucradas que debieron dar origen a los valores observados). En lo que sigue, detallaremos esta construcci on de un c alculo proposicional difuso. Comencemos con conjuntos de valores de verdad a los cuales llamaremos de valuaciones. Un conjunto de valuaci on V puede ser nito o bien puede ser un cont nuo. Como ejemplos de valuaciones nitas consideremos primero un enfoque de creencias, que
(1646-1716) Fil osofo, matem atico y asesor pol tico alem an, inventor del c alculo diferencial e integral (simult aneamente con Isaac Newton, aunque de manera independiente), con grandes aportaciones a la l ogica y a la metaf sica. 3 (1815-1864) Matem atico ingl es, inventor de la, as llamada en honor suyo, algebra booleana. En 1847 public o su Mathematical Analysis of Logic y en 1854 la c elebre An Investigation into the Laws of Thought, on Which Are Founded the Mathematical Theories of Logic and Probabilities, bases de su algebra. 4 (1848-1925) L ogico y matem atico alem an, fundador de la l ogica matem atica. Su trabajo se desarroll o entre la matem atica y la losof a, de hecho se dice que el dec a que todo buen matem atico es medio l osofo y todo buen l osofo es medio matem atico. Sus convicciones pol ticas eran muy particulares, vistas estas desde la perspectiva actual. 5 (1878-1956) L ogico y l osofo polaco, ense n o en la Universidad de Leopolis (Lw ow) (1906-1915), en la Universidad de Varsovia (1915-1939) y fue profesor en la Academia de Ciencias de Irlanda, en Dubl n, (19451956). Se ocup o de problemas de determinismo en l ogica y en losof a, y en los fundamentos de la teor a de la probabilidad. Fue iniciador de la l ogica multivaluada: en 1920 present o un sistema trivaluado, en 1922 uno con una innidad de valores de verdad y en 1953 su sistema tetravaluado para una l ogica modal.
2

a cada proposici on at omica le asocia una etiqueta ling u stica tal como: Falso Casi falso Tal vez falso Desconocido Tal vez cierto Casi cierto Verdadero

o bien, con un enfoque de posesi on de atributos del tipo p es A, las etiquetas ling u sticas pueden ser Denitivamente no M as bien no Al parecer no No se sabe Al parecer s M as bien s Denitivamente s De este segundo tipo son las mediciones de variables de control cuando estas var an de manera discreta, es decir, cuando los aparatos de medici on detectan tan solo cambios de una determinada magnitud. El vendedor de telas en la mercer a de la esquina mide longitudes con un metro marcado hasta cent metros. Sus etiquetas ling u sticas ser an .00 .01 .02 .5 .98 .99 1. Si V es un conjunto de valuaci on nito, entonces al enumerar a sus elementos, digamos V = {v0 , . . . , vn1 }, se puede suponer que esa enumeraci on concuerda con el orden interno de V , es decir, si i < j entonces la etiqueta ling u stica vi es menor, en el orden de V , que vj . En tal caso, V puede identicarse con un subconjunto de n umeros entre 0 y 1, incluyendo estos, de manera que el primer elemento v0 corresponda a 0 y el u ltimo, vn1 , corresponda a 1 (esto se logra si a cada vi se le asocia el n umero i/(n 1) lo cual dar a una distribuci on uniforme de las etiquetas en el intervalo [0, 1] pero ciertamente esta no es la u nica manera de insertar a V en [0, 1], la manera en la que se inserte depender a de la aplicaci on, evidentemente). Como ejemplos de valuaciones cont nuas tenemos los que resultan cuando se estima probabilidades de ocurrencia. Si a una proposici on p se le asocia la probabilidad de que ocurra (en cierto espacio de eventos) entonces su valor de verdad puede ser un n umero real entre 0 y 1 inclusive. O bien, cuando se observa una par ametro p en alg un proceso, el cual var a de manera cont nua y puede asumir valores entre uno m nimo a y otro m aximo b, entonces el propio intervalo [a, b] constituye un espacio de valuaci on cont nuo. Utilizando una sencilla regla de tres, es decir, asoci andole a cada n umero x entre a y b, el n umero y = (x a)/(b a) se puede identicar al conjunto de valuaci on V = [a, b] con el intervalo [0, 1]. As pues, sin ninguna p erdida de generalidad, podremos suponer siempre que el conjunto de valuaci on V es un subconjunto del intervalo [0, 1] y contiene a los extremos 0 y 1. Supondremos tambi en que es sim etrico respecto al punto medio 1/2, es decir, supondremos que si para un n umero x se tiene que x est a en V entonces 1 x est a tambi en en V . Para construir un c alculo proposicional difuso, elijamos un conjunto P0 de proposiciones at omicas. Una asignaci on es una correspondencia que a cada atomo p en P0 le asocia bien un valor v (p) en V o bien lo deja sin ning un valor asociado. Supongamos ahora que se tiene tres conectivos l ogicos: complemento , conjunci on y disyunci on , cada una con una respectiva operaci on de evaluaci on, digamos f , f , f . Entonces la colecci on de proposiciones booleanas compuestas PB se dene como sigue: Todo atomo p es un elemento de PB ; el complemento de una proposici on en PB est a tambi en en PB ; y la conjunci on y la disyunci on de dos proposiciones en PB est an tambi en en PB . 9

f (x) = 1 x f (x) = 1 x f (x, y ) = min(x, y ) f (x, y ) = max(x, y ) (a) Proporcionalidad f (x) = 1 x f (x, y ) = x y f (x, y ) = x + y xy (c) Probabil stico f (x, y ) = f (x, y ) = 0
x+y 1 max(x,y )

si x + y < 1 si x + y 1 1 si x + y 1 si x + y < 1

max

x , y (1y ) (1x)

(b) Creencia f ( x) = 1 x f (x, y ) = max(x + y 1, 0) f (x, y ) = min(x + y, 1) (d) Lukasiewicz

Tabla 1: Funciones de evaluaci on para conectivos de complemento, conjunci on y disyunci on. Toda asignaci on v , denida sobre los atomos se extiende naturalmente a una asignaci on v denida en toda la colecci on PB . A saber: Si p es un atomo, entonces v (p) := v (p). Si para una proposici on p en PB se tiene x = v (p) entonces v (p) := f (v (p)). Similarmente, si para dos proposiciones p, q en PB se tiene x = v (p), y = v (q ) entonces v (p q ) := f (v (p), v (q )) y v (p q ) := f (v (p), v (q )). En jerga t ecnica, se dice que la asignaci on v est a propagando incertidumbres partiendo de la asignaci on v . Ya hemos visto ejemplos de funciones de evaluaci on en la secci on anterior. En la tabla 1 presentamos un resumen de ellas en el contexto actual y adem as presentamos una nueva colecci on de funciones de evaluaci on debidas tambi en a Lukasiewicz. Hasta ahora hemos s olo considerado tres tipos de conectivos l ogicos: complemento, conjunci on y disyunci on. Sin embargo, los dem as quedan pr acticamente determinados pues siempre se puede denir a la implicaci on haciendo (p q ) p q y a la equivalencia l ogica haciendo, por ejemplo, (p q ) (p q ) (p q ). Rec procamente, si se tuviese denidas u nicamente funciones de evaluaci on para el complemento y para una implicaci on entonces se podr a denir a los dem as conectivos haciendo: (p q ) (p) q , (p q ) (p (q )), y (p q ) (p q ) (q p). En varias l ogicas difusas se procede seg un esto u ltimo. As pues, cada posible selecci on de funciones de evaluaci on de conectivos da origen a un distinto c alculo proposicional difuso. Lo que tienen en com un todos ellos es que cuando se les restringe a considerar s olo valores de verdad deterministas 0 = Falso y 1 = Verdadero entonces coinciden con el c alculo proposicional cl asico. No se puede armar que ninguno de los presentados aqu es el correcto. Dependiendo de algunas aplicaciones acaso uno de ellos es el m as adecuado, mas dejar a de serlo, cuando se cambie de aplicaciones.

10

C alculo de predicados difuso

De igual manera a como se procede en el c alculo de predicados cl asico, se supone dada una signatura, consistente de una colecci on de constantes, una colecci on de relaciones y una colecci on de funciones. Cada relaci on R y cada funci on F tiene asociada una aridad, es decir, un n umero de argumentos. Los t erminos se forman considerando a las constantes y a las variables como t erminos y a la composici on de s mbolos de funciones con t erminos, como t erminos tambi en. Las f ormulas at omicas se obtienen como composici on de s imbolos de relaciones con t erminos. Las f ormulas se obtienen considerando como tales a las f ormulas at omicas, a la composici on de f ormulas con conectivos l ogicos y a las cuanticaciones universales y existenciales de f ormulas (v ease los detalles de construcci on en el escrito de Jos e Alfredo Amor en este mismo libro). Tambi en, al igual que en el caso cl asico, una interpretaci on consiste de un universo M , de una correspondencia de cada constante c en la signatura con un elemento mc en M y de una correspondencia de s mbolos de funciones con funciones en M : Si f es un s mbolo de funci on de aridad n, entonces mf es una funci on con dominio M n y contradominio M , es decir, mf : M n M . De esta manera, a cada t ermino t que no involucre variables, le corresponder a un elemento mt en M . Para completar la noci on de interpretaci on, a cada s mbolo de relaci on R, digamos que n de aridad n, se le asocia un conjunto difuso mR en el universo M ; y a los conectivos l ogicos se les asocia funciones espec cas de evaluaci on. Pues bien, una asignaci on v asocia a cada variable x un elemento en M (escribiremos v x u para denotar el hecho de que v y u coinciden en todas las variables, excepto, quiz a, en x). A una f ormula at omica cerrada, es decir sin variables, R(t1 , . . . , tn ) la asignaci on le asocia como valor de verdad el grado de pertenencia de la n-ada (mt1 , . . . , mtn ) al conjunto difuso mR . En s mbolos: v (R(t1 , . . . , tn )) = gmR (mt1 , . . . , mtn ). Si es un conectivo l ogico, con funci on de evaluaci on f entonces para dos f ormulas , se dene v ( ) = f (v (), v ( )). Finalmente, para f ormulas cuanticadas se dene: v (x (x)) = min{u()|u x v } v (x (x)) = max{u()|u x v } As pues, ya sea en un c alculo difuso de proposiciones o en uno de predicados, se puede plantear los siguientes dos problemas: Problema 4.1 (de deducci on o de pron ostico) Para una f ormula , si se sabe que las f ormulas at omicas que involucra toman valores de verdad en ciertos intervalos, entonces se ha de estimar en qu e intervalo I ha de caer el valor de verdad de . Problema 4.2 (de inferencia o de diagn ostico) Para una f ormula , si se sabe que el valor de verdad v () cae en un intervalo I , y que para algunos atomos involucrados en sus correspondientes valores de verdad caen en ciertos intervalos, entonces se ha de estimar para los atomos restantes en qu e intervalos debieron caer sus correspondientes valores de verdad.

11

Problema fundamental de la l ogica difusa

Se puede identicar como problema fundamental el de inferencia enunciado anteriormente. En efecto, un programa de l ogica difusa corresponde de una lista de parejas [(i , v (i ))]i consistente, cada una, de una f ormula y de un valor de verdad asociado. En estas condiciones se ha de resolver el problema de inferencia: Determinar los valores de verdad que debieron haber asumido los atomos involucrados para obtener las condiciones establecidas en el programa l ogico. En jerga t ecnica, decimos que se ha de satisfacer la consulta (query satisfaction) planteada por el programa l ogico. Existen diversos procedimientos para localizar una soluci on a este problema, y tanto en el art culo de Mauricio Osorio como en el conjunto de Jos e Alfredo Amor y Raymundo Morado se presentan t ecnicas, considerando l ogicas deterministas. Propiamente las t ecnicas pueden repetirse aqu , mas en este caso, se ha de tener especial cuidado en el manejo de valores de incertidumbre. No abundamos m as en este tema y remitimos al lector a la literatura especializada.

Lecturas recomendadas
[1] Dubois, D., Prade, H. Fuzzy sets in approximate reasoning II (Logical approaches), Fuzzy sets and systems., 40, pp. 203-244, 1991. [2] Dubois, D., Prade, H. Fuzzy sets and systems: Theory and applications, Academic Press, 1980. [3] H ajek, P., God o Ll. Deductive systems of fuzzy logic, unpublished manuscript, 1997. [4] Kantrowitz, M. et al, FAQ: Fuzzy Logic and Fuzzy Expert Systems, disponible en ftp.cs.cmu.edu:/user/ai/pubs/faqs/fuzzy/fuzzy.faq, (desde 1995). [5] Kaufmann, A., Introducci on a la teor a de los subconjuntos borrosos, C a. Editorial Continental, 1982. [6] Zadeh, L. Fuzzy sets, Information & Control., 8, 1965. [7] Zadeh, L. Fuzzy logic, IEEE Computer, 1:83, 1988.

12