Está en la página 1de 32

Mg.

Abraham Gamarra Moreno

SERIE INTELIGENCIA ARTIFICIAL

LOGICA DIFUSA

MG. GAMARRA MORENO, ABRAHAM


LIMA - PER
-

Noviembre de 2006 -

Mg. Abraham Gamarra Moreno

ii

CONTENIDO

LOGICA DIFUSA .......................................................................................................... 1


1.

TEORIA DE LA CERTEZA ................................................................................ 1


1.1.
FACTOR DE CERTEZA............................................................................... 2
1.2.
FACTORES DE CERTEZA EN SISTEMAS BASADOS EN REGLAS.......... 2
2. LOGICA DIFUSA................................................................................................ 5
2.1.
HISTORIA DE LA LOGICA DIFUSA .......................................................... 5
2.2.
Que es la Logica Difusa? ........................................................................... 7
2.3. VARIABLES LINGSTICAS ....................................................................... 9
2.4.
TEORA DE CONJUNTOS DIFUSOS ....................................................... 10
2.5.
APROXIMACION DE LAS FUNCIONES DE PERTENENCIA EN LOS
CONJUNTOS DIFUSOS ........................................................................................ 15
2.6. OPERACIONES ENTRE CONJUNTOS DIFUSOS ................................... 18
3. DESARROLLO DE UN SISTEMA DIFUSO BASADO EN REGLAS ............ 20
3.1.
DEFINICIN DEL PROBLEMA ............................................................... 20
3.2.
DEFINICIN DE LAS VARIABLES LINGSTICAS ............................... 20
3.3.
DEFINICIN DE LOS CONJUNTOS DIFUSOS ...................................... 21
3.4.
DEFINICIN DE LA REGLAS DIFUSAS ................................................. 23
3.5.
CONSTRUIR EL SISTEMA ........................................................................ 25
3.6.
PROBAR EL SISTEMA............................................................................... 25
3.7.
DEFUZZIFICACION DE LA VARIABLE DE SALIDA ............................. 28

Mg. Abraham Gamarra Moreno

LOGICA DIFUSA
1. TEORIA DE LA CERTEZA
Una alternativa a la teora de la probabilidad para el
razonamiento inexacto en los sistemas expertos es la teora de la certeza.
Los expertos a menudo toman juicios cuando resuelven un
problema. La informacin que se tiene puede ser incompleta y el conocimiento utilizado para interpretar la informacin puede crear desconfianza en el resultado final.
Una pregunta para un problema medico puede ser la siguiente : Tiene una fuerte jaqueca?. La respuesta es incierta, porque es subjetiva y requiere que el usuario
elabore un juicio al contestar la pregunta; por supuesto
el usuario se siente mejor al contestar con verdadero o
falso. Por otro lado, el usuario podra contestar asignando un nmero subjetivo a su respuesta entre 0 y 1, tal
como 0.7, que significa 70% de certeza en su respuesta.
El nmero no tiene base estadstica ni probabilstica,
ms bien es el nivel de creencia de la respuesta dada.

Mg. Abraham Gamarra Moreno

1.1. FACTOR DE CERTEZA


Medida de la creencia que tiene un experto humano
en la ocurrencia de un hecho.
Nmero que refleja el nivel de creencia de una hiptesis.
La ilustracin 1 muestra como se interpreta la teora de la certeza.

Verdadero

Falso

Factor de
certeza
Ilustracin 1 Factor de Certeza

1.2. FACTORES DE CERTEZA EN SISTEMAS BASADOS EN


REGLAS
Los sistemas basados en reglas utilizan la siguiente representacin:
SI (CONDICION ) ENTONCES (CONCLUSION)

Aadiremos ahora el factor de certeza (FC) a los


elementos de la regla de la siguiente forma:
Rx : SI
FCx

p
FCp

q
FCq

ENTONCES r
FCr

Mg. Abraham Gamarra Moreno

Para obtener la certeza de la conclusin en una regla de condicin simple, se tiene que dado:
Rx : SI
FCx

ENTONCES r

FCp

FCr

El Factor de certeza de la conclusin es:


FCr = FCp * FCx
La certeza de una conclusin en reglas de condicin
mltiple, se obtiene considerando si existe conjuncin o disyuncin.
Para reglas donde exista conjuncin, se tiene que
dado:
Rx : SI
FCx

FCp

FCq

r ..Y.. z
FCr

ENTONCES c

FCz

FCc

El Factor de certeza de la conclusin es:


FCc = min (FCp, FCq, FCr, ... , FCz)* FCx
La funcin min retorna el mnimo valor del conjunto
de nmeros.
Para reglas donde exista disyuncin, se tiene que
dado:
Rx : SI
FCx

p
FCp

q
FCq

r ..O.. z
FCr

ENTONCES c

FCz

FCc

El Factor de certeza de la conclusin es:


FCc = max (FCp, FCq, FCr, ... , FCz)* FCx

Mg. Abraham Gamarra Moreno

La funcin max retorna el mximo valor del conjunto


de nmeros.
Ejemplo:

Encontrar

el

factor

de

certeza

de

(FCx=?). Si se tienen las siguientes reglas:


R1 : SI
0.9
R2 : SI

0.8
c

0.85
O

1.0
R3 : SI

d
0.90

0.8

f
0.8

ENTONCES c
FCc
ENTONCES e
FCe
ENTONCES x
FCx

Solucin:
Hallando FCc
FCc = min(0.8, 0.85)*0.9 = 0.8*0.9 = 0.72
Hallando FCe
FCe = max(FCc, 0.9)*1.0 = max(0.72, 0.9)*1.0
FCe = 0.9 * 1.0 = 0.9
Hallando FCx
FCx = min(FCe, 0.8)*0.8 = min(0.9, 0.8)*0.8
FCx = 0.8 * 0.8 = 0.64 (Respuesta)

Si las conclusiones son similares dado dos o ms


reglas como se muestra a continuacin:

Mg. Abraham Gamarra Moreno

Dados
R1 : SI
FCR1

a
FCa

R2 : SI
FCR2

c
FCc

ENTONCES x

FCb
O

FCx_R1
ENTONCES x

FCd

FCx_R2

El factor de certeza se calcula utilizando la siguiente expresin:


FCx_R1_R2 = FCx_R1 + FCx_R2 FCx_R1 * FCx_R2
El clculo de FCx_R1 y FCx_R2 utiliza los procedimientos ya mencionados anteriormente.

2. LOGICA DIFUSA
2.1. HISTORIA DE LA LOGICA DIFUSA
Los conjuntos difusos fueron introducidos por primera vez en 1965; la creciente disciplina de la lgica difusa provee por s misma un medio para acoplar estas tareas. En cierto nivel, la lgica difusa puede ser vista como un lenguaje que permite
trasladar sentencias sofisticadas en lenguaje natural a un lenguaje matemtico formal. Mientras la
motivacin original fue ayudar a manejar aspectos
imprecisos del mundo real, la prctica temprana de
la lgica difusa permiti el desarrollo de aplicaciones prcticas. Aparecieron numerosas publicaciones

que

presentaban

aplicaciones

los

potenciales.

fundamentos
Esta

frase

bsicos

con

marc

una

fuerte necesidad de distinguir la lgica difusa de

Mg. Abraham Gamarra Moreno

la teora de probabilidad. Tal como la entendemos


ahora, la teora de conjuntos difusos y la teora
de probabilidad tienen diferentes tipos de incertidumbre.
En 1994, la teora de la lgica difusa se encontraba en la cumbre, pero esta idea no es nueva, para
muchos, estuvo bajo el nombre de lgica difusa durante 25 aos, pero sus orgenes se remontan hasta
2,500 aos. An Aristteles consideraba que existan ciertos grados de veracidad y falsedad. Platn
haba considerado ya grados de pertenencia.
En el siglo XVIII el filsofo y obispo anglicano
Irlands, George Berkeley y David Hume describieron
que el ncleo de un concepto atrae conceptos similares. Hume en particular, crea en la lgica del
sentido comn, el razonamiento basado en el conocimiento que la gente adquiere en forma ordinaria mediante vivencias en el mundo. En Alemania, Immanuel
Kant, consideraba que solo los matemticos podan
proveer definiciones claras, y muchos principios
contradictorios no tenan solucin. Por ejemplo la
materia poda ser dividida infinitamente y al mismo
tiempo no poda ser dividida infinitamente. Particularmente

la

escuela

americana

de

la

filosofa

llamada pragmatismo fundada a principios de siglo


por Charles Sanders Peirce, cuyas ideas se fundamentaron en estos conceptos, fue el primero en considerar ''vaguedades'', ms que falso o verdadero,
como forma de acercamiento al mundo y a la forma en
que la gente funciona.

Mg. Abraham Gamarra Moreno

La idea de que la lgica produce contradicciones


fue popularizada por el filsofo y matemtico britnico Bertrand Russell, a principios del siglo XX.
Estudio las vaguedades del lenguaje, concluyendo
con precisin que la vaguedad es un grado. El filosofo

austraco

Ludwing

Wittgenstein

estudi

las

formas en las que una palabra puede ser empleada


para muchas cosas que tienen algo en comn. La primera lgica de vaguedades fue desarrollada en 1920
por el filsofo Jan Lukasiewicz, visualiz los conjuntos con un posible grado de pertenencia con valores de 0 y 1, despus los extendi a un nmero
infinito de valores entre 0 y 1. En los aos sesentas, Lofti Zadeh invent la lgica difusa, que combina los conceptos de la lgica y de los conjuntos
de Lukasiewicz mediante la definicin de grados de
pertenencia.

2.2. QUE ES LA LOGICA DIFUSA?


Es una rama de la lgica que usa grados de membresa (pertenencia) a los conjuntos en lugar de pertenecer a ellos como verdadero o falso
El trmino difuso procede de la palabra inglesa
fuzz que sirve para denominar la pelusa que recubre el cuerpo de lo polluelos al poco de salir del
huevo. Este trmino ingls significa confuso, borroso, indefinido o desenfocado. Este trmino se
traduce por flou en frances y aimai en japones.
Aunque

la

teora

de

conjuntos

difusos

presente

cierta complejidad, el concepto bsico es fcilmente comprensible.

Mg. Abraham Gamarra Moreno

Tomemos como ejemplo el concepto de mediana edad.


Al escuchar el termino mediana edad, nuestra mente asocia automticamente la imagen de ciertas personas o tipos de personas. Pero este es un concepto
con lmites imprecisos que no puede ser tratado por
el

programa

de

un

ordenador,

que

ordinariamente

exige que las cosan sean definidas. Es aqu donde


entra la Lgica Difusa. Supongamos que hemos llegado a la conclusin de que la edad mediana son los
45 aos. Sin embargo no podemos descartar a las
personas de 35 o 55 anos como edad mediana. Por el
contrario, los menores de 30 aos y los mayores de
60 tampoco se pueden considerar radicalmente como
no de mediana edad. De tal forma creamos tres crculos. El primero, el de los jvenes va de los 0
hasta los treinta y cinco anos, el segundo el de la
mediana edad va de los treinta hasta los cincuenta y cinco anos, y por ultimo el de la tercera edad
que va de los cincuenta en adelante. Podemos observar que desde el punto de vista de los conjuntos
difusos el periodo de edad de los treinta a los
treinta y cinco puede considerarse tanto dentro de
el circulo joven como el de mediana edad. Otro
tanto ocurre entre los cincuenta y los cincuenta y
cinco aos que pueden concebirse dentro de la mediana edad y de la tercera edad.
Estas transiciones de valoracin facilitan la expresin matemtica de las expresiones difusas o indefinidas, y con ello dan la posibilidad de hacer
programas para ordenadores que interpreten las expresiones humanas que normalmente son imprecisas
para la matemtica tradicional.

Mg. Abraham Gamarra Moreno

2.3. VARIABLES LINGSTICAS


Los Conjuntos Difusos son capaces de captar por s
mismos la vaguedad lingstica de palabras y frases
comnmente aceptadas, como "gato pardo" o "ligero
cambio". La habilidad humana de comunicarse mediante definiciones vagas o inciertas es un atributo
importante de la inteligencia.
Una Variable Lingstica es aquella variable cuyos
valores son palabras o sentencias son vagas o imprecisas. Para estas variables lingsticas se utilizar un nombre y un valor lingstico sobre un
Universo de Discurso.
Los Conjuntos Difusos pueden utilizarse para representar expresiones tales como:
x es PEQUEO. (X es una variable lingstica)
La velocidad es RPIDA. (velocidad es una variable
lingstica)
El ganso es CLARO. (ganso es una variable lingstica)
Las expresiones anteriores pueden dar lugar a expresiones lingsticas ms complejas como:
x no es PEQUEO.
La velocidad es RPIDA pero no muy RPIDA.
El ganso es CLARO y muy ALEGRE.
Tambin se puede utilizar los distintos modificadores
etc.

lingsticos

como

muy,

poco,

rpido,

lento,

Mg. Abraham Gamarra Moreno

10

2.4. TEORA DE CONJUNTOS DIFUSOS


Una buena estrategia para presentar la teora de
Conjuntos Difusos, consiste en recordar algunos aspectos

de

la

teora

de

conjuntos

convencionales

(que llamaremos conjuntos concretos), y a partir de


all hacer una extensin a los conjuntos difusos:
Un conjunto concreto se define como una coleccin
de elementos que existen dentro de un Universo.
As, si el universo consta de los nmeros enteros
no negativos menores que 10:
U={0,1,2,3,4,5,6,7,8,9}

entonces podemos definir algunos conjuntos como,


por ejemplo:
A={0,2,4,6,8}
B={1,3,5,7,9}

C={1,4,7}, etc.
Con estas definiciones hemos establecido que cada uno
de los elementos del Universo pertenecen o no a un determinado conjunto. Por lo tanto, cada conjunto puede
definirse completamente por una funcin de pertenen-

cia, que opera sobre los elementos del Universo, y que


le asigna un valor de 1 si el elemento pertenece al
conjunto, y de 0 si no pertenece.
Tomando como ejemplo el conjunto C enumerado arriba, su
funcin de pertenencia uC(x) sera de la siguiente forma:

uC(0)=0,

uC(1)=1,

uC(2)=0,

uC(3)=0,

uC(5)=0, uC(6)=0, uC(7)=1, uC(8)=0, uC(9)=0

uC(4)=1,

Mg. Abraham Gamarra Moreno

11

Ahora bien, un Conjunto Difuso se define de forma similar,

con

una

diferencia

conceptual

importante:

un

elemento puede pertenecer parcialmente a un conjunto.


De esta forma, un conjunto difuso D definido sobre el
mismo universo U puede ser el siguiente:

D={20%/1,50%/4,100%/7}1
La definicin anterior significa que el elemento 1 pertenece en un 20% al conjunto D (y por tanto pertenece
en un 80% al complemento de D), en tanto que el elemento 4 pertenece en un 50%, y el elemento 7 en un 100% .
En forma alternativa, diramos que la funcin de pertenencia uD(x) del conjunto D es la siguiente:

uD(0)=0.0,

uD(1)=0.2,

uD(2)=0.0,

uD(3)=0.0,

uD(4)=0.5,

uD(5)=0.0,

uD(6)=0.0,

uD(7)=1.0,

uD(8)=0.0, uD(9)=0.0
Las primeras diferencias que se hacen evidentes entre
los Conjuntos Concretos y los Conjuntos Difusos son las
siguientes:
La

funcin

de

pertenencia

asociada

los

conjuntos

concretos slo puede tener dos valores: 1 0, mientras


que en los conjuntos difusos puede tener cualquier valor entre 0 y 1.
Un elemento puede pertenecer (parcialmente) a un con-

junto difuso y simultneamente pertenecer (parcialmente) al complemento de dicho conjunto.

Se ha empleado una notacin frecuente, en donde el signo "/" no significa "dividido por".

Mg. Abraham Gamarra Moreno

12

Lo anterior no es posible en los conjuntos concretos,


ya

que

constituira

una

violacin

al

principio del

tercer excluido.
Las fronteras de un conjunto concreto son exactas, en

tanto que las de un conjunto difuso son, precisamente,


difusas, ya que existen elementos en las fronteras mismas, y estos elementos estn a la vez dentro y fuera
del conjunto.

Qu sentido puede tener el pertenecer parcialmente


a un conjunto? En muchos casos puede tener ms sentido que pertenecer totalmente a un conjunto; veamos algunos ejemplos:
Ejemplo 1: Supngase que se desea definir el con-

junto de los estudiantes de la carrera de Ingeniera de Sistemas de la Universidad que estn cursando el quinto semestre de la carrera. Cmo clasificar a un estudiante que cursa dos materias de cuarto semestre, tres de quinto y una de sexto? y a
otro que toma una materia de quinto semestre, y
cinco de sexto? Evidentemente ambos son en parte
miembros del conjunto Estudiantes de quinto semestre, pero slo lo son parcialmente.
Ejemplo 2: Supngase que se desea clasificar a los

miembros de un equipo de ftbol segn su estatura


en tres conjuntos, Bajos, Medianos y Altos. Podra
plantearse que se es Bajo si se tiene una estatura
inferior a, por ejemplo, 160 cm, que se es Mediano
si la estatura es superior o igual a 160 cm e inferior a 180 cm, y se es alto si la estatura es superior o igual a 180 cm, con lo que se lograra una
clasificacin en conjuntos concretos.

Mg. Abraham Gamarra Moreno

13

Sin embargo, qu tan grande es la diferencia que


existe entre dos jugadores del equipo, uno con estatura de 179.9 cm y otro de 180.0 cm? Ese milmetro de diferencia quizs no represente en la prctica algo significativo, y sin embargo los dos jugadores han quedado rotulados con etiquetas distintas: uno es Mediano y el otro es Alto. Si se optase
por efectuar la misma clasificacin con conjuntos
difusos estos cambios abruptos se evitaran, debido
a que las fronteras entre los conjuntos permitiran
cambios graduales en la clasificacin.

Ilustracin 2 Funciones de pertenencia del ejemplo 2

La ilustracin 2 muestra cmo podra hacerse tal


clasificacin:

El

universo

de

discurso

sera

el

conjunto continuo de todas las posibles estaturas


(el intervalo [130cm,210]cm por ejemplo). Las funciones de pertenencia de cada uno de los tres conjuntos Bajo, Mediano y Alto se han graficado. La
forma de estas funciones de pertenencia no debe ser
necesariamente la de la ilustracin 2, pues depende
de lo que se entienda por "Bajo", "Mediano" y "Alto". Las ilustraciones

3 y 4

muestran otras al-

ternativas para definir dichas funciones.

Mg. Abraham Gamarra Moreno

14

Ilustracin 3 Representacin alternativa del ejemplo 2

Ilustracin 4 Representacin alternativa del ejemplo 2

Ejemplo 3: Tmese un individuo x cuya edad sea de

20 aos. Como se puede observar en la ilustracin


5, pertenece al Conjunto Difuso "Joven" y al Conjunto Difuso "Maduro". Se puede observar que posee
un grado de pertenencia A(x) de 0.6 para el Conjunto Difuso "Joven" y un grado de 0.4 para el Conjunto Difuso "Maduro"; tambin posee un grado de 0
para "Viejo". De este ejemplo se puede deducir que
un elemento puede pertenecer a varios Conjuntos Difusos a la vez aunque con distinto grado. As,
nuestro individuo x tiene un grado de pertenencia
mayor al conjunto "Joven " que al conjunto "Maduro"(0.6 > 0.4), pero no se puede decir, tratndose

Mg. Abraham Gamarra Moreno

15

de Conjuntos Difusos, que x es joven o que x es maduro de manera rotunda.

Ilustracin 5 Ejemplo de Conjuntos Difusos en el universo


de la edad.

2.5. APROXIMACION DE LAS FUNCIONES DE PERTENENCIA EN LOS CONJUNTOS DIFUSOS


Para realizar la aproximacin de las funciones de
pertenencia de los conjuntos difusos, comenzaremos
definiendo que conjuntos difusos formaran el universo de discurso.
Supongamos la variable lingstica edad y sus conjuntos difusos joven y adulto, los cuales fueron
utilizados en una encuesta a 10 personas para saber
cual es el rango en aos para definir estas edades.
Las preguntas utilizadas fueron:
Cul es el rango en aos para un joven?
Cul es el rango en aos para un adulto?
Las respuestas se muestran en la tablas 1 y 2.

Mg. Abraham Gamarra Moreno

16

Tabla 1 Rango en aos para definir a un joven

El valor de FREC. Difuso se calcula de acuerdo a la


siguiente formula:
FREC _ DIFUSA =

FREC
MAXIMO _ FREC

Con el resultado de las tablas 1 y 2, realizamos


una grafica con la EDAD y FREC DIFUSO que representan a las funciones de pertenencia. Las funciones
de pertenencia se muestran en las ilustraciones 6 y
7 para edad joven y edad adulta.

Mg. Abraham Gamarra Moreno

17

Tabla 2 Rango en aos para definir a un adulto

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

33

30

27

24

21

18

15

Ilustracin 6 Funcin de pertenencia de edad joven

Mg. Abraham Gamarra Moreno

18

1,2

0,8

0,6

0,4

0,2

0
26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

Ilustracin 7 Funcin de pertenencia de edad adulta

Una vez obtenidas las funciones podramos aproximarlos a una de las funciones estndar que se muestran en las ilustraciones 2, 3 y 4.

2.6.

OPERACIONES ENTRE CONJUNTOS DIFUSOS


Los Conjuntos Difusos se pueden operar entre s del
mismo modo que los conjuntos clsicos. Puesto que
los primeros son una generalizacin de los segundos, es posible definir las operaciones de interseccin, unin y complemento haciendo uso de las
mismas funciones de pertenencia:
Interseccin:
Unin:

(u)=min(

(u)=max(

Complemento:

(u),

(u)=1-

(u),
(u))

(u),

(u))
u

(u))

Mg. Abraham Gamarra Moreno

19

Las ilustraciones de la interseccin, unin y complemento de la ilustracin 2, se muestran en la


ilustracin 6,7 y 8 respectivamente.

Ilustracin 2. Funciones de pertenencia del ejemplo 2

Ilustracin 8 Interseccin de la ilustracin 2.

Mg. Abraham Gamarra Moreno

20

Ilustracin 9 Unin de la ilustracin 2.

Ilustracin 10 Interseccin de la ilustracin 2.

3. DESARROLLO DE UN SISTEMA DIFUSO BASADO EN


REGLAS
3.1. DEFINICIN DEL PROBLEMA
Se desea disear un sistema difuso para estimar las
ventas mensuales de computadoras teniendo como datos de entrada el precio de la computadora

y el

nivel de ingresos del cliente.

3.2. DEFINICIN DE LAS VARIABLES LINGSTICAS


Las variables del tem 3.1. son:

Precio de la computadora y Nivel de ingreso:


Variables independientes.

Ventas: Variables dependientes.

Precio
Nivel de
Ingreso

Sistema
Difuso

Ventas

Mg. Abraham Gamarra Moreno

21

El universo de discurso de cada variable ser:


Precio de la computadora: $500 - $2500
Nivel de ingresos del cliente: $100 - $1000
Ventas mensuales de computadoras: $10 000 - $50 000

3.3. DEFINICIN DE LOS CONJUNTOS DIFUSOS


Para cada una de las variables, definimos los conjuntos difusos, de acuerdo a los adjetivos tpicos
utilizados en relacin con estas variables.
A continuacin se muestra la definicin de los conjuntos difusos para cada variable:
VARIABLE

Precio

ADJETIVOS

RANGO

Barato

500

Accesible

1000 2000

Caro

1500 - 2500

Bajo

100 500

Nivel de Ingreso
Medio
($)

- 1500

300 - 800

Alto

600 1000

Baja

10 30 (x 103)

Normal

10 50 (x 103)

Alta

30 50 (x 103)

Ventas
($)

Mg. Abraham Gamarra Moreno

22

La representacin de las funciones de pertenencia


se muestran en las ilustraciones 9, 10 y 11.
Accesible
Barato

500

Caro

1000

1500

2000

2500

Ilustracin 11 Funciones de pertenencia para la variable Precio de la Computadora


Bajo

100

200

Medio

300

500

600

Alto

800 900 1000

Ilustracin 12 Funciones de pertenencia para la variable Nivel de Ingreso del Cliente.


Baja

10

Normal

20

30

Alta

40

50

Ilustracin 13 Funciones de pertenencia para la variable Ventas mensuales

Mg. Abraham Gamarra Moreno

23

3.4. DEFINICIN DE LA REGLAS DIFUSAS


Para definir las reglas utilizamos la siguiente tabla de decisiones:
VARIABLES DE ENTRADA

VARIABLE DE SALIDA
Precio
Nivel de ingreso
Ventas
(barato, accesi(bajo, medio y
(baja, normal y
ble y caro)
alto)
alta)
Barato
Bajo
Baja
Barato
Medio
Normal
Barato
Alto
Alta
Accesible
Bajo
Baja
Accesible
Medio
Baja
Accesible
Alto
Normal
Caro
Bajo
Baja
Caro
Medio
Baja
Caro
Alto
Normal

Las reglas sern:


---------------------------------------RULE NUMBER: 1
IF:
PRECIO DE COMPUTADORA BARATO
and NIVEL DE INGRESO CLIENTE BAJO
THEN:
VENTAS MENSUALES BAJA
---------------------------------------RULE NUMBER: 2
IF:
PRECIO DE COMPUTADORA BARATO
and NIVEL DE INGRESO CLIENTE MEDIO
THEN:
VENTAS MENSUALES NORMAL
---------------------------------------RULE NUMBER: 3
IF:
PRECIO DE COMPUTADORA BARATO
and NIVEL DE INGRESO CLIENTE ALTO
THEN:
VENTAS MENSUALES ALTA
---------------------------------------RULE NUMBER: 4
IF:

Mg. Abraham Gamarra Moreno

and
THEN:

PRECIO DE COMPUTADORA ACCESIBLE


NIVEL DE INGRESO CLIENTE BAJO

VENTAS MENSUALES BAJA


---------------------------------------RULE NUMBER: 5
IF:
PRECIO DE COMPUTADORA ACCESIBLE
and NIVEL DE INGRESO CLIENTE MEDIO
THEN:
VENTAS MENSUALES BAJA
---------------------------------------RULE NUMBER: 6
IF:
PRECIO DE COMPUTADORA ACCESIBLE
and NIVEL DE INGRESO CLIENTE ALTO
THEN:
VENTAS MENSUALES NORMAL
---------------------------------------RULE NUMBER: 7
IF:
PRECIO DE COMPUTADORA CARO
and NIVEL DE INGRESO CLIENTE BAJO
THEN:
VENTAS MENSUALES BAJA
---------------------------------------RULE NUMBER: 8
IF:
PRECIO DE COMPUTADORA CARO
and NIVEL DE INGRESO CLIENTE MEDIO
THEN:
VENTAS MENSUALES BAJA
---------------------------------------RULE NUMBER: 9
IF:
PRECIO DE COMPUTADORA CARO
and NIVEL DE INGRESO CLIENTE ALTO
THEN:
VENTAS MENSUALES NORMAL
----------------------------------------

24

Mg. Abraham Gamarra Moreno

25

3.5. CONSTRUIR EL SISTEMA


Esta tarea involucra la codificacin de los conjuntos difusos, reglas y procedimientos para desarrollar funciones de lgica difusa tal como la inferencia difusa. Se puede construir el sistema utilizando un lenguaje de programacin o construir el
sistema utilizando un Shell.

3.6. PROBAR EL SISTEMA


Esta tarea sirve para ver si el sistema alcanza las
especificaciones dados en la definicin del problema.
Para el ejemplo que se esta desarrollando se probar con los siguientes datos de entrada:
Precio de la computadora = 1400
Nivel de Ingreso del Cliente = 450
Evaluando el grado pertenencia a los conjuntos difusos se tiene:

Accesible

Barato

500

1000

Caro

1500

1400

2000

2500

Mg. Abraham Gamarra Moreno

26

Ilustracin 14 Grado de pertenencia para la variable Precio de la Computadora

El grado de pertenencia a los conjuntos difusos del


precio de compra es:
barato(precio) = 0.2
accesible(precio) = 0.8
Obteniendo el grado de pertenencia de la variable
Nivel de ingreso del cliente de acuerdo a la ilustracin 13 se tiene:

Bajo

100

200

Medio

300

500

600

Alto

800 900 1000

450

Ilustracin 15 Grado de pertenencia para la variable Nivel de Ingreso del Cliente.

El grado de pertenencia a los conjuntos difusos del


Nivel de ingreso del cliente es:
bajo(Nivel de ingreso) = 0.167
medio(Nivel de ingreso) = 0.5
Las reglas que se dispararn son las reglas 1, 2, 4
y 5 con las siguientes caractersticas:
---------------------------------------RULE NUMBER: 1
IF:

Mg. Abraham Gamarra Moreno

and
THEN:

27

PRECIO DE COMPUTADORA BARATO (0.2)


NIVEL DE INGRESO CLIENTE BAJO (0.167)

VENTAS MENSUALES BAJA (FCvmb=0.167)


---------------------------------------RULE NUMBER: 2
IF:
PRECIO DE COMPUTADORA BARATO (0.2)
and NIVEL DE INGRESO CLIENTE MEDIO (0.5)
THEN:
VENTAS MENSUALES NORMAL (FCvmn=0.2)
---------------------------------------RULE NUMBER: 4
IF:
PRECIO DE COMPUTADORA ACCESIBLE (0.8)
and NIVEL DE INGRESO CLIENTE BAJO (0.167)
THEN:
VENTAS MENSUALES BAJA (FCvmb=0.167)
---------------------------------------RULE NUMBER: 5
IF:
PRECIO DE COMPUTADORA ACCESIBLE (0.8)
and NIVEL DE INGRESO CLIENTE MEDIO (0.5)
THEN:
VENTAS MENSUALES BAJA (FCvmb=0.5)
----------------------------------------

El factor de certeza de las VENTAS MENSUALES NORMAL


es FCvmn=0.2

(RESPUESTA)

El factor de certeza de las VENTAS MENSUALES BAJA


se calcula teniendo en cuenta las reglas 1,4 y 5.
RULE NUMBER: 1
(FCR1=FCvmb=0.167)
---------------------------------------RULE NUMBER: 4
(FCR4=FCvmb=0.167)
---------------------------------------RULE NUMBER: 5
(FCR5=FCvmb=0.5)
----------------------------------------

Mg. Abraham Gamarra Moreno

Para calcular el Factor de certeza final

28

FCvmb se

tiene:
FCR1R4 = FCR1 + FCR4 FCR1*FCR4
FCR1R4 = 0.167 + 0.167 - 0.167 * 0.167 = 0.3061
FCR1R4R5 = FCR1R4 + FCR5 FCR1R4 * FCR5
FCvmb

= FCR1R4R5 = 0.3061 + 0.5 - 0.3061 * 0.5

FCvmb

= FCR1R4R5 = 0.6530 (RESPUESTA)

El sistema difuso arroja las siguientes conclusiones:


Las Ventas Mensuales es BAJA (Factor de Certeza =
0.653) y es NORMAL (Factor de Certeza = 0.2)

3.7. DEFUZZIFICACION DE LA VARIABLE DE SALIDA


Para defuzzificar la variable de salida, se tiene
en cuenta el grado de pertenencia de las conclusiones, de aquellas reglas que se dispararon.
---------------------------------------RULE NUMBER: 1
IF:
PRECIO DE COMPUTADORA BARATO (0.2)
and NIVEL DE INGRESO CLIENTE BAJO (0.167)
THEN:
VENTAS MENSUALES BAJA ((y1)=FCvmb=0.167)
---------------------------------------RULE NUMBER: 2
IF:
PRECIO DE COMPUTADORA BARATO (0.2)
and NIVEL DE INGRESO CLIENTE MEDIO (0.5)
THEN:
VENTAS MENSUALES NORMAL ((y2)=FCvmn=0.2)
---------------------------------------RULE NUMBER: 4

Mg. Abraham Gamarra Moreno

29

IF:
and
THEN:

PRECIO DE COMPUTADORA ACCESIBLE (0.8)


NIVEL DE INGRESO CLIENTE BAJO (0.167)
VENTAS MENSUALES BAJA ((y3)=FCvmb=0.167)

---------------------------------------RULE NUMBER: 5
IF:
PRECIO DE COMPUTADORA ACCESIBLE (0.8)
and NIVEL DE INGRESO CLIENTE MEDIO (0.5)
THEN:
VENTAS MENSUALES BAJA ((y4)=FCvmb=0.5)
----------------------------------------

Una vez ubicado el grado de pertenencia de las conclusiones, se debe encontrar el centroide para los
conjuntos difusos BAJA Y NORMAL. Este procedimiento
se muestra en la ilustracin 14.
Para defuzzificar las ventas mensuales se utilizan
la siguiente expresin:
N

VARIABLE =

Y
K =1

(YK )

(Y )
K =1

Donde:
YK = Centroide del conjunto difuso involucrado en
la conclusin, cuando se dispara una regla.

Mg. Abraham Gamarra Moreno

30

(YK)= Grado de pertenencia al conjunto difuso de


la conclusin.
Para el ejemplo que estamos desarrollando y1, y2,
y3 y y4 son los centroides de los conjuntos difusos
que estn en las conclusiones de las reglas 1, 2, 4
y 5 respectivamente.

Baja

Normal

10

20

30

Y1=Y3=Y4=Centroide BAJA=16.7

Alta

40

50

Y2=Centroide NORMAL = 30

Ilustracin 16 Grado de pertenencia para la variable Ventas mensuales

La venta mensual es:


Venta
Mensual

= y1*(y1)+ y2*(y2)+ y3*(y3)+ y4*(y4)


(y1)+ (y2)+ (y3)+ (y4)

Venta
Mensual

= 16.7*0.167+30*0.2+ 16.7*0.167+ 16.7*0.5


0.167 + 0.2 + 0.167 + 0.5

Venta
Mensual

= 19.272534 x 103

Venta
Mensual

= 19272.5 = $ 19273

(Respuesta)