Departamento de Lenguajes y Ciencias de la Computacin

Universidad de Mlaga
E.T.S.I. Informtica J. Galindo Gmez
Conj untos y Si stemas Di fusos
(Lgica Difusa y Aplicaciones)
3. Caracteri zaci n de Conj untos Di fusos:
Entropa, Energa, Especificidad,
Marcos de Conocimiento, Codificacin/Decodificacin
y Relaciones Difusas
2
Medi das de Di fumi naci n: ENTROP A
ENTROPA (Entropy) H: Concepto introducido por Shannon y Weaver (1949).
donde p
i
[0,1]son las probabilidades de que ocurran los sucesos de
X={x
1
, x
2
, . . . , x
n
}, por lo que p
1
+ p
2
+ . . . + p
n
= 1.
Mide la incertidumbre que hay en un experimento de naturaleza
probabilstica.
Situaciones Lmite:
1. Si todos los eventos son igual de probables (p=1/n), la Entropa
alcanza su mximo valor: H(p
1
, p
2
, . . . , p
n
) H(1/n, . . . , 1/n).
Ejemplo: n=2 (p
1
=p y p
2
=1p): H(p
1
, p
2
)= p log p (1p) log (1p)
Si p=1/2, entonces la Entropa alcanza su mximo valor, ya que
los 2 eventos son equiprobables: H(p
1
, p
2
)= 1/2 (1) 1/2 (1) = 1
2. Si un evento es el nico posible (su probabilidad es 1), entonces
la Entropa alcanza su menor valor, 0: H(0, . . . , 1, . . ., 0) = 0.
Entropa Ponderada: Se aade un peso w
i
> 0 a cada sumando:
H p p p p
i
n i i
n
( )
1
1
, , log K

H p p w p p
i
n i i i
n
( )
1
1
, , log K

3
Definamos una funcin h (Ebanks, 1983): h: [0,1] [0,1], que se
aplicar a los valores de un conj. difuso y que cumple 6 propiedades:
1. Puntiaguda: h(A(x
i
)) = 0 A(x
i
){0,1}
(valores extremos: completa exclusin o completa pertenencia).
2. Valor Mximo de h(A(x
i
)) A(x
i
)=1/2, de forma que h(1/2) = 1.
3. Montona: Creciente en el intervalo [0,1/2] y decreciente en [1/2,1].
4. Valoracin: h(mx{A(x
i
),A(x
j
)})+h(mn{A(x
i
),A(x
j
)})=h(A(x
i
))+h(A(x
j
)).
5. Resolucin: h(A(x
i
)) h(A*(x
i
)), siendo A* una versin afilada de A:
A(x
i
) 1/2 A*(x
i
) A(x
i
)
A(x
i
) < 1/2 A*(x
i
) < A(x
i
)
6. Simetria: h(A(x
i
)) = h(A(1 x
i
)).
Ejemplos:
1. Funcin Lineal:
2u, si u[0,1/2)
h(u) =
2(1u), si u[1/2,1]
2. Funcin Cuadrtica: h(u) = 4u (1 u).
3. Funcin de Shannon:
h(u) = u log u (1 u) log(1 u).
0 0.5 1
1
0.5
0
Cuadrtica
Lineal
De Shannon
Medi das de Di fumi naci n: ENTROP A
4
ENTROPA H de un Conjunto Difuso A:
Hcumple las 6 propiedades anteriores.
En un universo la es una integral.
Si h es la funcin lineal:
Si A es un conjunto difuso triangular,
tenemos que: H(A) = rea(A).
La entropa es el doble de la distancia
de Hamming entre A y su 0.5-corte, A
0.5
.
El 0.5-corte, A
0.5
, se entiende como el conjunto difuso en el que slo
tienen valores mayores a cero los puntos x tal que A(x) > 0.5,
siguiendo: A
0.5
(x) = mx { 0, A(x) (1A(x)) }
H(A) = 4/2 + 2/2 =
= 2 + 1 = 3
Dist_Hamming(A, A
0.5
) =
= (21) + 0 + (10.5) = 1.5
H A h A x
i
i
n
( ) ( ( ))

1
0 X
1
h(A) A h(A)
H A A x A x
i i
i
n
( ) ( ) ( )
.

2
0 5
1
0 X
1
1 3 5 7 9 10 11
A
h(A)
0 X
1
1 3 5 7 9 10 11
A
A
0.5
Medi das de Di fumi naci n: ENTROP A
5
ENERGA E de un Conjunto Difuso A: (De Luca, S. Termini, 1974).
donde e: [0,1] [0,1], es una funcin creciente
con e(0)=0 y e(1)=1.
La Energa mide la masa total del conjunto.
Si e es la identidad, e(u)=u, la ENERGAes la
Cardinalidad (rea) del conjunto difuso A:
Otras definiciones para e pueden ser:
e(u)=u
p
(con p>0), y e(u)=sin(u /2).
Si e(u)=u
2
(p=2), la Energa es:
Cardinalidad del conj. difuso
concentracin de A (Con_A).
El cuadrado de la distancia Eucldea entre
A y el conjunto vaco ():
Medi das de Di fumi naci n: ENERG A
E A e A x
i
i
n
( )

( ( ))
1
E A A A x
i
i
n
( ) Card( )

( )
1
E A d A A A x
i
i
n
( ) Card(Con_ )

2 2
1
( , ) ( )
0 X
1
A
Con_A
0 0.5 1
1
0.5
0
e(u)=u
p
p=2
p=3
Identidad : p=1
6
ESPECIFICIDAD de un Conjunto Difuso A (Specificity): (Yager, 1983) .
Mide la dificultad para escoger un nico punto de A como repre-
sentante de todo el conjunto: A mayor especificidad menor dificultad.
Especificidad de A: Sp(A) 0
Sp(A)=1 Existe un nico elemento en Soporte(A) y tiene grado 1.
Sp(A)=0 A(x) = 0, x [0,1].
A B Sp(A) Sp(B).
Para un universo finito, tenemos que:
Los
i
son los valores de sus -cortes.
Siempre
0
= 0.
Card(A
i
) es el nmero de elementos para los que A(x)
i
.
Ejemplo: A = {0.2/a, 0.4/b, 1/c, 0.8/d, 0.3/e}
Sp(A) = (0.20)/5 + (0.30.2)/4 + (0.40.3)/3 + (0.80.4)/2 + (10.8)/1 = 0.498
Para un universo infinito, la sumatoria se
convierte en integral, teniendo en cuenta
que el mayor es la altura del conjunto A:
Di fumi naci n y ESPECI FI CI DAD
Sp A
A
i
i i
n
i
( )
Card

1
1
( )
Sp A
A
d
hgt A
( )
Card

1
0
( )
( )

7
En una aplicacin con conjuntos difusos se suelen usar diversos
conjuntos difusos normalizados, los cuales forman el MARCO de
CONOCIMIENTO (Frame of Cognition, Frame of Knowledge):
Etiqueta o Marca Lingstica (linguistic label or linguistic landmark):
Son los distintos conjuntos difusos, con su nombre o trmino asociado.
MARCO de CONOCIMIENTO A: Definicin formal de Pedrycz (1990, 1992):
A = {A
1
, A
1
, . . . , A
n
} Es una coleccin de conjuntos difusos
definidos en el mismo universo X, que cumple 2 condiciones:
1. Cubrimiento (Coverage): x X, i=1,. . ., n, / A
i
(x) > 0.
Cualquier elemento de X pertenece al menos a una etiqueta (que lo
representa, en algn sentido).
Cubrimiento de nivel [0,1]: x X, i=1,. . ., n, / A
i
(x) > .
2. Solidez Semntica (Semantic Soundness): (de Oliveira, 1993).
Los A
i
estn normalizados y representan una parte de X,
identificada por su trmino lingstico.
Los A
i
son suficientemente disjuntos: Cada trmino tiene un
significado claramente distinto de los dems.
El nmero de conjuntos de A es pequeo: Algunos estudios
psicolgicos sugieren un mximo de 7t2.
MARCOS de CONOCI MI ENTO
8
Conceptos de los Marcos de Conocimiento:
1. Especificidad: Un marco de conocimiento A es
ms especfico que otro A si todos los elementos
de A son ms especficos que los de A.
En la Figura, la granularidad de A (lneas gruesas)
es mayor que la de A (lneas finas):
A es ms especfico o ms fino que A.
2. Foco de Atencin o mbito de Percepcin:
Es un -corte sobre un conjunto A
i
de A.
3. Ocultamiento de Informacin:
A veces, los elementos z de una regin de X son
equivalentes por tener igual valor de A
i
(z).
El sistema de procesamiento oculta informacin
del valor exacto de todos esos elementos de X.
En un trapecio como el de la Figura,
si tomamos su 1-corte, tenemos que se hacen
indistinguibles todos los valores en el intervalo
[a,b] sobre un conjunto A
i
de A.
MARCOS de CONOCI MI ENTO
0 X
1
Focos de Atencin
0 X
1
a b
Ocultamiento, con =1
A
i
0 X
1 A
A
9
Sea un cdigo A, con 3 elementos triangulares (t3): A
1
, A
2
y A
3
.
Entropa y Energa del cdigo:
Para calcular la Entropa y la Energa, usaremos la funcin h lineal y la
funcine identidad respectivamente. Con esto conseguimos que:
Entropa: > Del cdigo A: H(A) = H(A
1
) + H(A
2
) +H(A
3
) = 3 + 3 + 3 = 9;
> De la Unin : H(UA
i
) =
0
6
h(UA
i
) +
6
10
h(UA
i
) +
10
13
h(UA
i
)
= 3 + 2(0.75+0.5) + 1.5 = 7;
> Interseccin : H(IA
i
) = H() = 0;
Energa: > Del cdigo A: E(A) = E(A
1
) + E(A
2
) +E(A
3
) = 3 + 3 + 3 = 9;
> De la Unin : E(UA
i
) = 9 0.75 0.33 = 7.92;
> Interseccin : E(IA
i
) = E() = 0;
Ej empl o: Entropa y Energa en A
1
A
1
A
2
A
3
0
X
0 3 6 7 8 9 10 13
0.5
0.33
1
A
1
U A
2
U A
3
0
X
0 3 6 7 8 9 10 13
0.5
0.33
1
h(A
1
U A
2
U A
3
)
0
X
0 3 6
7.5
8
8.5
10 13
0.66
0.5
0.33
H A E A A x dx A
i i i
x
i
( ) ( ) Area de

( )
H H A E E A
i
i
n
i
i
n
(A) (A)


( ); ( );
1 1
10
Si llamamos A
+
al resultado de aumentar la especificidad de los
elementos de A (x
i
t 2) y A

al resultado de reducirla (x
i
t 4):
Entropa: A
+
A

> Del cdigo A: H(A) 2 + 2 + 2 = 6; 4 + 4 + 4 = 12;

> De la Unin : H(UA
i
) 6 0.25 = 5.75; 2 + (3 0.75)/2 + 2 + 2 = 7.125;
> Interseccin : H(IA
i
) H() = 0; (2 0.125)/2 = 0.125;
Energa:
> Del cdigo A: E(A) 2 + 2 + 2 = 6; 4 + 4 + 4 = 12;
> De la Unin : E(UA
i
) 6 0.25/2 = 5.875; 12 5 0.625/2 1 = 9.44;
> Interseccin : E(IA
i
) E() = 0; 0.125/2 = 0.0625;
Ej empl o: Entropa y Energa en A
A

:
1
A
1
A
2
A
3
0
X
1 0 2 3 6 7 10 14
0.625
0.5
0.125
h(A
1
U A
2
U A
3
)
1
0
X
1 0 1 3
4.5
6 8 10 14
0.75
0.5
A
1
U A
2
U A
3
1
0
X
1 0 2 3 6 7 10 14
0.625
0.5
0.125
A
1
I A
2
IA
3
11
En ocasiones, el sistema difuso de procesamiento necesita:
1. Codificar un dato E segn un cdigo A: Esta tarea suele
llamarse DIFUMINAR(fuzzification).
2. Procesarlo de alguna forma (enviarlo por un canal de procesamiento).
3. Decodificar el dato obtenido segn el cdigo A: Esta tarea suele
llamarse CONCRETAR(defuzzification) y obtenemos .
Esquemas de CODIFICACIN DIFUSA: Existen diversos
sistemas de difuminacin. El ms importante es el siguiente:
DIFUMINACINusando Medidas de Posibilidad/Necesidad:
POSIBILIDADPoss(A
i
, E): Expresa el grado con el que el dato E est
superpuesto (intersecciona) con algn componente A
i
del cdigo A.
Se usa la medida definida como: = Poss(A
i
, E).
NECESIDADNec(A
i
, E): Expresa el grado con el que el dato E est
incluido en algnA
i
A. Medida : = 1 Nec(A
i
, E) = Poss(A
i
, E).
RESULTADO: Un vector de posibilidades y necesidades con respecto a
todos los A
i
A (Dubois, Prade, 1988):
{Poss(A
1
, E), ... , Poss(A
n
, E), Nec(A
1
, E), ... , Nec(A
n
, E)}
Codificar/ Decodi fi car I nformaci n
12
Usamos las siguientes medidas, donde A A, y donde E es el dato
de entrada que codificamos: = Poss(A, E);
= 1 Nec(A, E) = Poss(A, E);
Tres casos posibles:
1. + = 1 No hay incertidumbre.
2. + > 1 Conflicto: Es posible que E sea A y A.
3. + < 1 Ignorancia: E puede ser o no A (falta informacin).
Cuanto mayor sea la distancia de ( + ) con 1, mayor incertidumbre
(conflicto o ignorancia).
Cuanto mayor es el valor ( + ), menor es la especificidad de E.
Representacin Grfica de + :
El valor E es calculable o est (seguro) fuera de A
El valor E est dentro del soporte de A
Codificar/ Decodi fi car I nformaci n
0 1
0

1
+ = 1
+ > 1
13
Requisito IDEAL de la Decodificacin: Que el resultado de la
decodificacin sea igual al valor original codificado.
Si F es la funcin de codificacin y F
1
la de decodificacin, el
objetivo es que: F
1
(F(E)) = E.
Ese requisito es muy difcil de conseguir.
Existen multitud de sistemas de decodificacin:
El sistema a elegir depende del cdigo A empleado.
En general se emplean slo las medidas de posibilidad, pues
simplifica los clculos y los hacen ms intuitivos.
DECODIFICACIN para Datos crisp o Puntuales (Pointwise Data):
Slo conocemos los valores de posibilidad (o necesidad) de cierto dato
y queremos reconstruir dicho dato de forma que sea coherente con ellos.
Dos familias bsicas de sistemas para Decodificacin:
Que usan los valores modales de los conjuntos difusos del
cdigo: Valores con la altura de cada conjunto difuso (los ncleos).
Que usan el rea de pertenencia de los elementos del cdigo.
Mecani smos de Decodi fi caci n
14
CENTRO de GRAVEDAD puntual:
donde a
i
es un valor modal del conjunto A
i
A
y x es el valor que queremos aproximar.
Este mtodo obtiene, en general, un valor aproximado de x.
Por ejemplo, si las etiquetas de A intersectan
en valores menores a 1/2, se produce un
efecto escalera al decodificar: Ver Figura a la derecha,
donde la recta diagonal es lareconstruccin ideal: F
1
(F(x)) = x.
Sin embargo, se consigue un valor exactocuando
el cdigo est formado por conjuntos difusos
triangulares que se cortan en 1/2 de altura cada
dos conjuntos consecutivos.
Ejemplo:
F
1
(x) = 4*0.75 + 8*0.25
= 3 + 2 = 5.
Decodificacin con valores modales
F F

1
1
1
( ( )) $
( )
( )
x x
A x a
A x
i i
i
n
i
i
n
1
0 X
x=5
0.75
0.25
#4 #8 #12
1
0
a b c d e f g
X
X
g
f
e
d
c
b
a
F
1
(F(x))
15
EXPANSIN POLINOMIAL:
a
i
es un valor modal del conjunto A
i
del cdigo A.
Los valores modales no son slo ponderados por los valores de
posibilidad A
i
(x), sino por un polinomio con sus potencias.
EXPANSIN LINGSTICA:
Los valores modales son ponderados con los valores de posibilidad
A
i
(x), y con sus modificadores lingsticos:
Concentracin, Mucho: A
i
2
(x).
Dilatacin, Ms o menos: A
i
1/2
(x).
Estos dos ltimos sistemas no estn libres de error, incluso con
etiquetas triangulares de cualquier tipo.
Decodificacin con valores modales
$
[ ( ) ( ) ( )]
[ ( ) ( ) ( )]
/
/
x
p A x p A x p A x a
p A x p A x p A x
i i i i i i i
i
n
i i i i i i
i
n

+ +
+ +

1 2
2
3
1 2
1
1 2
2
3
1 2
1
$
[ ( ) ( ) ]
[ ( ) ( ) ]
x
p p A x p A x a
p p A x p A x
i i i i i i
i
n
i i i i i
i
n

+ + +
+ + +

0 1 2
2
1
0 1 2
2
1
L
L
16
Se forma un nuevo conjunto difuso A usando las funciones de
pertenencia del cdigo A y los valores de posibilidad de la
codificacin:
donde
i
(lambda) es el conjunto difuso que toma
el valor A
i
(x) en todo el universo del cdigo A.
A partir de ese nuevo conjunto, pueden aplicarse distintos mtodos,
entre los que se encuentran los siguientes principalmente:
1. Media de Mximos (MoM): Se calcula la media de los valores que
maximizan el conjunto A.
2. Centro de Gravedad (CoG):
Se calcula el centro de gravedad de A:
3. Centro de rea (CoA): Se calcula el valor que iguala el rea de A
que queda a la izquierda y a la derecha:
Decodificacin con Funciones de A
1
0
X
x
A x dx A x dx
x
x
( ) ( )
$
$

$
( )
( )
x
A x x dx
A x dx
x
x

B A A B
i i i i
i
n

I
U

1
17
Hay multitud de otros mtodos basados en los anteriores:
Primer Mximo: Se calcula el menor valor de los que maximizanA.
ltimo Mximo: Se calcula el mayor valor de los que maximizanA.
CoG de valores importantes: Se calcula el CoG pero evitando
aquellas partes de A que tengan una altura menor a cierto nivel .
CoAde valores importantes: Se calcula el CoA pero ignorando
aquellas partes de A que tengan una altura menor a cierto nivel .
CoG potenciado por un factor :
= 1 : CoG normal.
0: Tiende a MoM.
Otros mtodos utilizan directamente los conjuntos B
i
y sus
caractersticas (y no la unin de los B
i
):
G
i
: MoMde B
i
(Punto de Mximo Criterio):
S
i
: rea o Superficie del conjunto B
i
.
W
i
: Centro de Gravedad del conjunto B
i
:
H
i
: Altura del conjunto B
i
.
NOTA: El Punto de Mximo Criterio es un valor modal y el Centro de Gravedad no.
Decodificacin con Funciones de A
$
( )
( )
x
A x x dx
A x dx
x
x

W
B x x dx
B x dx
i
i
x
i
x

( )
( )
G
M M B x
r
i
i
i
r
i
x X
i

1
: ( ) max
18
Mtodos basados en el Centro de Gravedad (CoG):
CoG ponderado por el rea:
CoG ponderado por la altura:
Mtodos basados en el Punto de Mximo Criterio (PMC):
PMCponderado por el rea:
PMCponderado por la altura:
Media de PMC: , donde mes el nmero de B
i
con G
i
>0
Media del mnimo y mximo PMC:
Mtodos basados en el Conjunto Ms Importante:
CoG del B
i
de mayor rea:
CoG del B
i
de mayor altura:
PMCdel B
i
de mayor rea:
PMCdel B
i
de mayor altura:
Decodificacin con Funciones de A
n es el nmero de
conjuntos A
i
A.
$
/
x S G S
i i
i
n
i
i
n



1 1
$
/
x H W H
i i
i
n
i
i
n



1 1
$
/
x S W S
i i
i
n
i
i
n



1 1
$ : { }
,...,
x G A H
j j i n i


max
1
$ : { }
,...,
x G A S
j j i n i


max
1
$ : { }
,...,
x W A H
j j i n i


max
1
$ : { }
,...,
x W A S
j j i n i


max
1
$
/
x G m
i
i
n

1
$
/
x H G H
i i
i
n
i
i
n



1 1
G G G G x
G G
i i i i min max
min max
min max
+
{ }; { }; $
2
19
Si el conjunto B
i
es un Trapecio con altura H
i
:
Si B
i
es un Trapecio Extendido, con m + 1 puntos: {x
0
, x
1
, . . . , x
m
},
donde en los extremos el grado es cero: B
i
(x
0
) = B
i
(x
m
) = 0.
CoG W
i
de un Trapeci o Extendi do
W
AreaX
Area
B x x dx
B x dx
i
i
i
i
x
i
x

( )
( )
H
i
0
X
x
0
x
1
x
2
x
3
B
i
AreaX B x x dx B x
x x x x x x
i i
x
x
i j
j j j j j j
j
m
m

+

1
]
1
1

+ +

( ) ( ) ;
0
1
2
1
2
1 1
1
1
6
Area B x dx B x
x x
i i
x
i j
j j
j
m

1
]
1

+

( ) ( ) ;
1 1
1
1
2
AreaX B x x dx H
x x x x x x x x x x
H
x x x x x x x x
i i
x
i
i


+

+

_
,

+ +

_
,

( )
;
2
6 2
2
6
6
1
2
1 0 0
2
2
2
1
2
3
2
3 2 2
2
3
2
2
2
1
2
0
2
3 2 1 0
Area B x dx H
x x
x x
x x
H
x x x x
i i
x
i i


+ +

_
,

+

_
,

( ) ;
1 0
2 1
3 2 3 2 1 0
2 2 2
20
Sea un cdigo A, con dos conjuntos A
1
y A
2
:
Codificamos 2.5: A
1
(2.5)=0.5, A
2
(2.5)=0.25;
Ptos. Mx. Criterio: PMC(A
1
)=1.5, PMC(A
2
)=4;
Decodificamos, usando distintas tcnicas:
CoG puntual, usando los PMCcomo valores modales:
(0.51.5 + 0.254)/0.75 = 2.3;
Usando la funcin A = B
1
U B
2
:
MoM: Los mximos estn en [0.5, 2.5]. Su media es: 1.5;
Primer Mximo: 0.5; ltimo Mximo: 2.5;
CoG: AreaX(A)/Area(A) = 6.279/3.125 = 2.01;
CoG de valores importantes con =0.25: 1.5;
Usando B
1
y B
2
: G
1
=W
1
=1.5; G
2
=4; W
2
=4.44; H
1
=0.5; H
2
=0.25; S
1
=1.25; S
2
=1.09;
CoG ponderado por el rea: (1.251.5+1.094.44)/(1.25+1.09) = 2.87;
CoG ponderado por la altura: (0.51.5+0.254.44)/(0.5+0.25) = 2.48;
PMCponderado por el rea: (1.251.5+1.094)/(1.25+1.09) = 2.66;
PMCponderado por la altura: (0.51.5+0.254)/(0.5+0.25) = 2.33;
Media de PMC(o del mnimo y mximo PMC): (1.5+4)/2 = 2.75;
CoG (oPMC) del B
i
de mayor rea (o de mayor altura): 1.5;
Ej empl os de Decodificaciones
2.5 2.75
X
0 1 2 3 4
6.25
7
A
1
A
2
1
0.5
0.25
0
A
21
Relacin clsica (crisp) entre dos universos de discurso X e Y:
Es un subconjunto del producto cartesiano: R: X Y {0,1}.
R(x,y)=1 (x,y)R: Los dos elementos estn relacionados (related).
R(x,y)=0 (x,y)R: Los elementos no estn relacionados (unrelated).
Ejemplos: Igual(x,y)={(x,y) | x=y}; Menor(x,y)={(x,y) | x<y};
Relaciones n-arias: Relacionan elementos de n universos.
Relacin difusa entre dos universos de discurso X e Y:
Subconjunto difuso del producto cartesiano: R: X Y [0,1].
Ejemplo: x es similar a y (con>0):
Dos elementos pueden
pertenecer a la relacin parcialmente.
En universos discretos se
representan por matrices de
valores en el intervalo [0,1], R=
por grafos dirigidos o por
imgenes sombreadas. Ejemplo:
RELACI ONES DI FUSAS
R x y
x y x y
x y
( , )
exp( | | / ) | |
| |

>

'

2
5
0 5
si
si
x y z
a
b
c
0 0 5 1
1 0 8 0
0 5 0 5 0 2
.
.
. . .

1
]
1
1
1
x y z
a
b
c
22
Operaciones sobre Relaciones Difusas:
Unin: (R U W)(x,y) = R(x,y) s W(x,y) (usando una s-norma).
Interseccin: (R I W)(x,y) = R(x,y) t W(x,y) (usando una t-norma).
Complemento: (R)(x,y) = 1 R(x,y).
Trasposicin: R
T
(x,y) = R(y,x) (si X e Y tienen el mismo universo).
Se cumple que:
(R
T
)
T
= R
(R)
T
= (R
T
)
Composicin de dos Relaciones Difusas G y W: Una relacin G
definida en X Z, y otra relacin Wdefinida en Z Y, pueden
componerse para conseguir una relacin R definida en X Y:
Composicin sup-t:
Composicin inf-s:
Propiedades sobre Relaciones Difusas: xX, yY
Igualdad : R= W R(x,y) = W(x,y).
Inclusin: R W R(x,y) W(x,y).
RELACI ONES DI FUSAS
)}; , ( ) , ( { ) , ( y z W z x G y x R
Z z
s inf

)}; , ( ) , ( { ) , ( y z W z x G y x R
Z z
t sup

23
Bi bl i ografa
A, De Luca, S. Termini, Entropy of L-Fuzzy Sets. Inf. and Control, 24, pp. 55-73, 1974.
J.V. De Oliveira, On Optimal Fuzzy Systems with I/O interfaces. Proc. 2nd
International Conference on Fuzzy Systems, San Francisco, 1993.
D. Dubois, H. Prade, Possibility Theory: An Approach to Computerized Processing of
Uncertainty. Plenum Press, New York, 1988.
B.R. Ebanks, On Measures of Fuzziness and their Representations. J. Math. Analysis
and Applications, 94, pp. 24-37, 1983.
W. Pedrycz, Numerical and Applicational Aspects of Fuzzy Relational Equations.
Fuzzy Sets and Systems, 11, pp. 1-18, 1983.
W. Pedrycz, Fuzzy Sets Framework for Development of Perceptio Perspective. Fuzzy
Sets and Systems, 37, pp. 123-137, 1990.
W. Pedrycz, Selected Issues of Frame of Knowledge Representation Realized by Means
of Linguistic Labels. Int. Journal of Intelligent Systems, 7, pp.155-170, 1992.
C.E. Shannon, W.W. Weaver, The Mathematical Theory of Communication. Urbana,
University of Illinois Press, 1949.
R. Yager, Entropy and Specificity in a Mathematical Theory of Evidence. Int. Journal
General Systems, 9, pp. 249-260, 1983.
L.A. Zadeh, Fuzzy Sets and Information Granularity. In Advances in Fuzzy Set Theory
and Applications, eds. M. Gupta, R. Ragade, R.R. Yager, pp. 3-18. Amsterdam, 1979.