TEORIA DE CONTROL DIFUSO

En términos matemáticos, un conjunto difuso F en U queda caracterizado por una función

de inclusión que toma valores en el rango de [0,1], es decir, ; donde representa el
grado en el que pertenece al conjunto difuso F. De esta forma el valor de una función de
pertenecía puede tomar los distintos valores

Para la definición de estas funciones de pertenencia se utilizan convencionalmente ciertas

familias de formas estándar, las mas frecuentes son la función de tipo trapezoidal,
singleton, triangular, S, exponencial y tipo π.

Las funciones que utilizaremos para este control difuso son de tipo trapezoidal y tipo
triangular, de los cuales solo nos enfocaremos a ver estas 2 funciones.

La función de tipo trapezoidal se define por cuatro puntos a, b, c, d. Esta función es

cero para valores menores de a y mayores de d, valen uno entre b y c, y toma valores en
[0,1] entre a y b, y entre c y d. Se utilizan habitualmente en sistemas difusos sencillos,
pues permite definir un conjunto difuso con pocos datos, y calcular su valor de
pertenencia con pocos cálculos.

µ
1.0

Función de pertenencia de tipo

trapezoidal
u
0
a b c d
Esta función esta definida por:
La función de tipo triangular es una función adecuada para modelar propiedades con un
valor de pertenencia distinto de cero para un rango de valores estrechos en torno a un
punto b.

µ
1.0

Función de pertenencia de tipo

triangular u
0

a b c

Y esta función esta definida por:

Variable Lingüística
Se denomina variable lingüística a aquella que puede tomar por valor términos del
lenguaje normal, como: mucho, poco, positivo, negativo, etc., estas son las palabras que
desempeñan el papel de etiquetas en un conjunto difuso. En términos más comunes, una
variable lingüística se puede definir por (A, T(A)), donde A es el nombre de la variable y
T(A) es el conjunto de términos que nombran los valores x que puede tomar A.

Para entender un poco mejor este concepto se cita el siguiente ejemplo que permitirá
comprender el sentido de este término. Por ejemplo: Temperatura se puede considerar
una variable lingüística, de modo que A=temperatura. T(Temperatura) es el conjunto de
todos los términos que pueden hacer referencia a la temperatura, como muy fría, fría,
normal, caliente y muy caliente, de esta forma podemos expresar distintos rangos de
valores dentro de una variable.

Operaciones difusas
De la misma forma que los conjuntos clásicos, en los cuales se pueden generar distintos
tipos de operaciones, estas operaciones también se pueden generar en los conjuntos
difusos. Para ello se pueden definir tres operaciones básicas a estos conjuntos: el
complemento, la unión y la intersección. Estas operaciones básicas pueden expresarse
de la siguiente manera en términos de las funciones de pertenencia de los conjuntos
difusos.
Los Sistemas difusos son una alternativa a nociones tradicionales de lógica y
de pertenencia a conjuntos, que tiene sus orígenes en la filosofía Griega antigua, y
aplicaciones en inteligencia artificial. A pesar de sus orígenes, es un campo relativamente
nuevo, y como tal de mucha potencialidad para el desarrollo de la misma. Aquí se
presentarán algunas bases no formales ni matemáticas sobre los sistemas difusos,
conjuntamente con algunas de las aplicaciones más notables de uso,
con ejemplos sacados de la investigación actual en el campo de inteligencia artificial.
Finalmente, se demostrará que el uso de sistemas difusos hace una aporte viable al
campo de inteligencia artificial, y quizás más generalmente a las matemáticas aplicadas
como una totalidad.
Esta nueva lógica sostiene pues, que hay pocos hechos en el mundo en que pueda
encontrarse algo blanco o algo negro, un si o un no, una dicotomía valorativa. Sólo hay
raros momentos así en un mundo gris que es el real. El principio borroso afirma que todo
es cuestión de grado, trata el principio borroso aplicado a las cosas humanas, de cómo la
borrosidad impregna nuestro mundo y la visión que de él tenemos
cuando abandonamos aquel artificial mundo de las matemáticas. En el mundo
real, reina la borrosidad.

Desarrollo Definiciones:
Los nuevos modelos de procesamiento y control actuales como la lógica borrosa, junto
con algunos otros de relativa novedad, se engloban en la denominada soft computing o
tecnologías emergentes, que tienen en común el constituir paradigmas de procesamiento
muy diferentes a la convencional hard computing, basada en computadores en serie y en
la separación de hardware y software.
La Lógica Borrosa se puede catalogar entonces como propia del campo de soft, y se
puede definir como una estructura matemática ampliada de la lógica convencional, que
permite describir el lenguaje cotidiano con ductilidad.

Vaguedad del mundo real:

El problema es la vaguedad del mundo real. El idioma natural abunda con conceptos
inexactos e indistintos, tal como "Juana es alta," o "Esta muy caluroso hoy", tales
declaraciones son difíciles de traducir en el idioma preciso sin perder algún valor
semántico: por ejemplo, la declaración "La altura de Juana es de 152 cm.", no afirma
explícitamente que ella es alta, y la declaración "La altura de Juana es 1.2 desviaciones
estándares sobre la altura para mujeres de su edad en su cultura", esta cargada de
dificultades. ¿Significaría que una mujer con 1.1999 desviaciones estándares sobre la
altura para mujeres de su edad es alta? ¿ A que cultura pertenece, y como son los
miembros en la misma?

Fig1: Ejemplo de conjuntos borrosos para la variable estatura.

Mientras que podría argumentarse que tal vaguedad es un obstáculo a la claridad de

significar, únicamente los tradicionalismos más fieles sostendrían que no hay pérdida de
riqueza de significado cuando las declaraciones tal como "Juana es alta" son significados
perdidos en un lenguaje. Este es un caso simple de qué sucede cuando uno trata de
traducir el lenguaje humano en la lógica clásica.
Tal pérdida no es notada en el desarrollo de un programa de nómina, quizás, pero cuando
uno quiere preguntas de lenguaje natural, o "representación de conocimiento" en sistemas
expertos, los significados perdidos por vaguedad son frecuentemente los mas buscados y
útiles.
La Lógica Borrosa o Difusa (fuzzy logic) se pronuncia respecto a la complejidad de la
siguiente manera: A medida que aumenta la complejidad de un sistema, nuestra
capacidad de hacer enunciados precisos y significantes sobre su comportamiento decrece
hasta un umbral más allá del cual la precisión y la significatividad (o pertinencia) se
vuelven casi características mutuamente excluyentes. Se pueden diferenciar dos etapas
en la evolución del conocimiento, un esfuerzo orientado a conocer aspectos del mundo y
un posterior esfuerzo por conocer aspectos del propio conocimiento. Se puede suponer
que ésta segunda etapa, en la que nos encontramos hoy en día, surge a consecuencia de
los fallos de la primera, para delimitar el alcance y validez del conocimiento adquirido
previamente. Nuestra preocupación no se centra en la mera adquisición de conocimiento,
sino que, además, se intenta determinar en qué medida conocemos algo, qué grado de
certeza podemos asignar a nuestro conocimiento. Hemos desviado nuestros problemas
desde cómo manipular el mundo a cómo manipular el conocimiento y su falta o
parcialidad.
Se ha calificado a la nuestra como la sociedad de la información, y se destinan gran
cantidad de recursos a la adquisición, manejo, procesado, selección, almacenamiento,
distribución, protección, recopilación, análisis y clasificación de la información, para lo cual
el ordenador resulta una herramienta de gran ayuda, pero no alcanza, el mundo es
infinito, oscuro, opaco, caótico, y por tanto sus variables también. El orden es lo atípico.
La gran cantidad de información de que disponemos, unida al grado de incertidumbre que
lleva asociada, constituye la base de muchos de los problemas actuales: la complejidad
de su tratamiento.
Desde comienzos de los 80 se han realizado diferentes avances orientados a la
construcción de una teoría general de la información. Dentro de ésta se incluyen, además
de la teoría clásica de conjuntos y de la teoría de la probabilidad, otras como la teoría de
conjuntos borrosos, la teoría de la posibilidad y la teoría de la evidencia.
Con las nuevas teorías se ha conseguido romper la relación única que existía entre
incertidumbre y teoría de la probabilidad, y se ha pasado a considerar la incertidumbre en
los términos mucho más genéricos de la teoría de conjuntos borrosos y de medidas
borrosas. Además, ha quedado demostrado que la incertidumbre puede manifestarse en
diferentes formas o, dicho de otro modo, que existen diferentes tipos de incertidumbre y
que en la teoría de la probabilidad sólo se manifestaba una de ellas.
Los tres tipos de incertidumbre identificados con estas cinco teorías incluidas en la teoría
general de la información son los siguientes: -Borrosidad: resultante de la existencia de
conjuntos borrosos, con límites vagamente definidos.
-Imprecisión o falta de especificidad: relacionada con el tamaño de conjuntos de
alternativas.
-Discordia: producida por conflictos entre varios conjuntos de alternativas.
La imprecisión y la discordia pueden considerarse como diferentes modos de
ambigüedad, asociando esta última con cualquier situación en la que no quede clara la
alternativa correcta de un conjunto de ellas. Por otro lado, la borrosidad es diferente de la
ambigüedad, y se produce cuando existen conceptos cuyos límites no están
perfectamente determinados.
Fig2: Diferencias de vaguedad del mundo real

Origen e historia de los sistemas borrosos Esta lógica fue inicialmente desarrollada por
Peirce, en el siglo pasado, y luego de forma independiente por Lukasiewicz. Es como la
lógica de las funciones veritativas, con la particularidad de admitir tres o más de esos
llamados valores veritativos, en vez de limitarse a verdadero y falso. En la década del ´20
Bertrand Russell se refería a la lógica polivalente con la palabra “vaga”; decía: “Todo es
vago en un grado del que no te das cuenta hasta que no intentas precisarlo”, por lo que
Russell se convirtió en el “abuelo” de la lógica borrosa. Asimismo, por el año ´37, el
filósofo cuántico Max Black publicó un artículo “Vagueness: An exercise in Logical
Analysis” que, pese a su enorme importancia en el estudio de la vaguedad del mundo
real, no logró llamar la atención. Finalmente, en 1965, el ingeniero Lofti Zadeh, iraní
educado en Azerbaiján, publica su artículo “Fuzzy Sets” o “Conjuntos Borrosos”, cuando
era profesor jefe en la Universidad de California, en Berkeley. Luego el artículo se
tranforma en un libro en el año 1987, cuando publica “Fuzzy Sets and Applications”.
La precisión de las matemáticas adeuda su éxito en gran parte a los esfuerzos de
Aristóteles y los filósofos que lo precedieron. En sus esfuerzos para idear una teoría
concisa de la lógica, y luego de la matemática, se postularon los llamados "Derechos de
Pensamiento". Uno de estos, el "Derecho de los medios excluidos”, dice que cada
propuesta debe o ser Cierta o Falsa.
Aun cuando Parmínedes propuso la primera versión de esta ley (alrededor 400 A.C.)
había objeciones inmediatas y fuertes: por ejemplo, Heráclitus propuso que las cosas
podrían ser simultáneamente Ciertas y no Ciertas. Era Platón quien colocó el fundamento
para lo que llegaría a ser lógica difusa, indica que había una tercera región (más allá de
Cierta y Falsa). Otros filósofos más modernos continuaron notablemente sus
pensamientos, Hegel y su dialéctica hegeliana de los tres momentos y otros filósofos
contemporáneos, ligados al materialismo y alejados de la categorización idealista. Pero
fué Lukasiewicz quien primero propuso una alternativa sistemática a la lógica bi–
valuada de Aristóteles. A finales del siglo XIX el matemático alemán George Cantor,
inició el estudio y la aplicación de la Teoría de Conjuntos, punto de partida de la
matemática moderna: “A una colección de objetos, se le llama conjunto, y los objetos
individuales de dicha colección se dice que son elementos del conjunto o que pertenecen
al conjunto”.
Fig3: Diferencias entre Lógica Clasica y
Difusa

En los comienzos de los años 1900,

Lukasiewicz describió una lógica tri-valuada, conjuntamente con las matemáticas para
acompañarlo.
El tercer valor que él propuso puede mejorarse y se traduce como el término
"posible," y él asignó un valor numérico entre Cierto y Falso. Eventualmente, él propuso
una notación entera y el sistema axiomático desde el cual propuso derivar las
matemáticas modernas.
Luego, él exploró lógicas cuatro-valuadas, lógicas cinco-valuadas y entonces declaró
que en principio nada había para prevenir la derivación de una lógica infinita-valuada o
multi-valuada.
Knuth también propuso una lógica trivaluada parecida a Lukasiewiczs. Su conocimiento,
aparentemente inspirado por Lukasiewiczs, utilizó la gama entera [-1, 0, +1] más bien
que [0, 1, 2]. Sin embargo, esta alternativa fracasó en su búsqueda de aceptación, y pasó
a una oscuridad relativa. En 1965, Lofti Zadeh, profesor de Ingeniería Eléctrica y Ciencias
de la Computación, de la Universidad de Berkeley, basándose en el trabajo de
Lukasiewicz, introduce la Lógica Difusa basada en una Teoría de Conjuntos
Difusos, donde un elemento no necesariamente pertenece o no pertenece a un conjunto,
sino que hay un continuo de "grados de pertenencia ". Esta teoría propuso hacer una
función de membresía o pertenencia operando sobre la gama de números reales [0.0,
1.0]. Las operaciones nuevas para el cálculo de la lógica se propusieron, en un principio
como generalización de la lógica clásica.
delimitar el alcance y validez del conocimiento adquirido previamente. Nuestra
preocupación no se centra en la mera adquisición de conocimiento, sino que,
además, se intenta determinar en qué medida conocemos algo, qué grado de
certeza podemos asignar a nuestro conocimiento. Hemos desviado nuestros
problemas desde cómo manipular el mundo a cómo manipular el conocimiento y su
falta o parcialidad.
Se ha calificado a la nuestra como la sociedad de la información, y se destinan gran
cantidad de recursos a la adquisición, manejo, procesado, selección,
almacenamiento, distribución, protección, recopilación, análisis y clasificación de la
información, para lo cual el ordenador resulta una herramienta de gran ayuda, pero
no alcanza, el mundo es infinito, oscuro, opaco, caótico, y por tanto sus variables
también. El orden es lo atípico. La gran cantidad de información de que
disponemos, unida al grado de incertidumbre que lleva asociada, constituye la base
de muchos de los problemas actuales: la complejidad de su tratamiento.
Desde comienzos de los 80 se han realizado diferentes avances orientados a la
construcción de una teoría general de la información. Dentro de ésta se incluyen,
además de la teoría clásica de conjuntos y de la teoría de la probabilidad, otras
como la teoría de conjuntos borrosos, la teoría de la posibilidad y la teoría de la
evidencia.
Con las nuevas teorías se ha conseguido romper la relación única que existía entre
incertidumbre y teoría de la probabilidad, y se ha pasado a considerar la
incertidumbre en los términos mucho más genéricos de la teoría de conjuntos
borrosos y de medidas borrosas. Además, ha quedado demostrado que la
incertidumbre puede manifestarse en diferentes formas o, dicho de otro modo, que
existen diferentes tipos de incertidumbre y que en la teoría de la probabilidad sólo
se manifestaba una de ellas.
Los tres tipos de incertidumbre identificados con estas cinco teorías incluidas en la teoría
general de la información son los siguientes: -Borrosidad: resultante de la existencia de
conjuntos borrosos, con límites vagamente definidos.
-Imprecisión o falta de especificidad: relacionada con el tamaño de conjuntos de
alternativas.
-Discordia: producida por conflictos entre varios conjuntos de alternativas.
La imprecisión y la discordia pueden considerarse como diferentes modos de
ambigüedad, asociando esta última con cualquier situación en la que no quede clara la
alternativa correcta de un conjunto de ellas. Por otro lado, la borrosidad es diferente de la
ambigüedad, y se produce cuando existen conceptos cuyos límites no están
perfectamente determinados.
Origen e historia de los sistemas borrosos Esta lógica fue inicialmente desarrollada por
Peirce, en el siglo pasado, y luego de forma independiente por Lukasiewicz. Es como la
lógica de las funciones veritativas, con la particularidad de admitir tres o más de esos
llamados valores veritativos, en vez de limitarse a verdadero y falso. En la década del ´20
Bertrand Russell se refería a la lógica polivalente con la palabra “vaga”; decía: “Todo es
vago en un grado del que no te das cuenta hasta que no intentas precisarlo”, por lo que
Russell se convirtió en el “abuelo” de la lógica borrosa. Asimismo, por el año ´37, el
filósofo cuántico Max Black publicó un artículo “Vagueness: An exercise in Logical
Analysis” que, pese a su enorme importancia en el estudio de la vaguedad del mundo
real, no logró llamar la atención. Finalmente, en 1965, el ingeniero Lofti Zadeh, iraní
educado en Azerbaiján, publica su artículo “Fuzzy Sets” o “Conjuntos Borrosos”, cuando
era profesor jefe en la Universidad de California, en Berkeley. Luego el artículo se
tranforma en un libro en el año 1987, cuando publica “Fuzzy Sets and Applications”.
La precisión de las matemáticas adeuda su éxito en gran parte a los esfuerzos de
Aristóteles y los filósofos que lo precedieron. En sus esfuerzos para idear una
teoría concisa de la lógica, y luego de la matemática, se postularon los llamados
"Derechos de Pensamiento". Uno de estos, el "Derecho de los medios excluidos”,
dice que cada propuesta debe o ser Cierta o Falsa.
Aun cuando Parmínedes propuso la primera versión de esta ley (alrededor 400
A.C.) había objeciones inmediatas y fuertes: por ejemplo, Heráclitus propuso que
las cosas podrían ser simultáneamente Ciertas y no Ciertas. Era Platón quien
colocó el fundamento para lo que llegaría a ser lógica difusa, indica que había una
tercera región (más allá de Cierta y Falsa). Otros filósofos más modernos
continuaron notablemente sus pensamientos, Hegel y su dialéctica hegeliana de los
tres momentos y otros filósofos contemporáneos, ligados al materialismo y alejados
de la categorización idealista. Pero fué Lukasiewicz quien primero propuso una
alternativa sistemática a la lógica bi– valuada de Aristóteles. A finales del siglo
XIX el matemático alemán George Cantor, inició el estudio y la aplicación de la
Teoría de Conjuntos, punto de partida de la matemática moderna: “A una colección
de objetos, se le llama conjunto, y los objetos individuales de dicha colección se
dice que son elementos del conjunto o que pertenecen al conjunto”.

En los comienzos de los años 1900,

Lukasiewicz describió una lógica tri-valuada, conjuntamente con las matemáticas
para acompañarlo.
El tercer valor que él propuso puede mejorarse y se traduce como el término
"posible," y él asignó un valor numérico entre Cierto y Falso. Eventualmente, él
propuso una notación entera y el sistema axiomático desde el cual propuso derivar
las matemáticas modernas.
Luego, él exploró lógicas cuatro-valuadas, lógicas cinco-valuadas y entonces declaró
que en principio nada había para prevenir la derivación de una lógica infinita-valuada o
multi-valuada.
Knuth también propuso una lógica trivaluada parecida a Lukasiewiczs. Su
conocimiento, aparentemente inspirado por Lukasiewiczs, utilizó la gama entera [-1, 0,
+1] más bien que [0, 1, 2]. Sin embargo, esta alternativa fracasó en su búsqueda de
aceptación, y pasó a una oscuridad relativa. En 1965, Lofti Zadeh, profesor de
Ingeniería Eléctrica y Ciencias de la Computación, de la Universidad de Berkeley,
basándose en el trabajo de Lukasiewicz, introduce la Lógica Difusa basada en una
Teoría de Conjuntos
Difusos, donde un elemento no necesariamente pertenece o no pertenece a un
conjunto, sino que hay un continuo de "grados de pertenencia ". Esta teoría propuso
hacer una función de membresía o pertenencia operando sobre la gama de números
reales [0.0, 1.0]. Las operaciones nuevas para el cálculo de la lógica se propusieron, en
un principio como generalización de la lógica clásica.

No fue hasta 1973 que Zadeh no presentó la teoría básica de los controladores
borrosos. Aunque el trabajo de Zadeh fue recibido muy fríamente, especialmente en
Estados Unidos, a partir de él otros investigadores comenzaron a aplicar la lógica
borrosa a diversos procesos. Así, fue que E. Mamdani, aplicó la lógica borrosa por
primera vez a un sistema de control de vapor, y se inauguró una época de aplicaciones
y desarrollos difusos que se han venido sucediendo en muy numerosas ocasiones.
En Estados Unidos (y Europa) solamente se empezó a dar importancia a la lógica
borrosa cuando desde Japón empezó a llegar información sobre numerosas
aplicaciones prácticas. A partir de entonces, empresas norteamericanas como NASA,
Boeing, Ford, Rockwell o Bell comenzaron a aplicar la lógica borrosa.

Modelado y Simulación de Sistemas Borrosos Estas formulaciones imprecisas y

vagas han sido frecuentemente subestimadas en aras de la exactitud y la precisión,
abordándolas mediante modelos matemáticos que intentan describir la vaguedad e
imprecisión inherente a los sistemas económicos por medio de técnicas de la
estadística. Un sistema es un modelo que caracteriza un tipo apropiado de relación
entre entidades abstractas. El término “relación” es utilizado aquí en general para
representar no sólo el concepto bien definido de relación matemática, sino a una
clase más amplia de ideas tales como restricción, interdependencia, estructura,
cohesión y similares. El modelado de sistemas es, en general, el conjunto de
actividades, métodos y técnicas mediante las cuales se aborda la construcción de
sistemas que sean modelos adecuados de algún aspecto de la realidad. Un modelo
de un sistema debe contener un conjunto de variables descriptivas, cada una con
valores en un cierto espacio o dominio, junto con un conjunto de relaciones, que
establecen entre otras cosas un conjunto de restricciones que deben cumplirse
para cualquier asignación de valores a las variables descriptivas. Pueden definirse
diferentes modelos de un mismo sistema, cambiando las variables descriptivas, los
espacios de valores, y las relaciones involucradas. Cada uno de estos modelos
podía representar una visión distinta del mismo sistema mostrándonos diferentes
aspectos del mismo o distintos niveles de abstracción.
Dada la admiración histórica por lo preciso, riguroso y cuantitativo en
contraposición a lo difuso, inexacto, no riguroso y cualitativo, no ha de sorprender el
éxito que los computadores han tenido en el uso de los métodos cuantitativos de la
mayoría de las ciencias. Indiscutiblemente las computadoras se han mostrado muy
eficientes en relación a los sistemas mecanicistas, esto es, aquellos sistemas
inanimados cuyo comportamiento se rige por las leyes de la física, mecánica,
química y el electromagnetismo.
Desafortunadamente no se puede decir lo mismo para los sistemas que involucran
la actuación humana, los cuales tradicionalmente se resisten al análisis matemático
clásico y a la modelización cuantitativa, dado que tienen dos características que
hacen difícil o simplemente imposible su tratamiento cuantitativo:
a) El razonamiento y la toma de decisiones de las personas se suelen llevar acabo
empleando el lenguaje natural, que juega un papel fundamental como mecanismo de
expresión y definición dentro de las ciencias sociales. Esto aporta una vaguedad o
incertidumbre propia del lenguaje natural que los modelos matemáticos no pueden
expresar en toda su plenitud.
b) La complejidad de los sistemas abordados impiden una formulación matemática
exacta. Esta característica viene expresada en el principio de incompatibilidad expresado
por Zadeh. Este principio dice que una gran precisión en el modelo de un sistema es
incompatible con su capacidad para manejar una complejidad grande. En otras palabras,
la complejidad de un sistema mantiene una relación inversa con la exactitud con la que
podemos determinar dicho sistema. Una forma de abordar problemas con estas
características es la utilización del denominado Razonamiento Aproximado donde los
modelos dejan de ser cuantitativos para transformase en modelos cualitativos. Estos
modelos cualitativos intentan capturar el razonamiento humano mediante el uso de
relaciones causa-efecto expresada en términos lingüísticos o vagos. La teoría de los
conjuntos difusos formulada por Zadeh en su trabajo “Fuzzy Sets” y posteriormente
completada con sus aportes del concepto de variable lingüística, es el intento de introducir
un marco de trabajo bien definido para el tratamiento de estos modelos cuantitativos en
donde los términos difusos, vagos e imprecisos son fundamentales. En las últimas décadas
el uso de estos modelos ha sufrido un gran auge, debido a los increíbles resultados
obtenidos en distintos campos de la ciencia. Se ha de destacar su uso dentro de la
ingeniería y más concretamente en el control industrial. Estos sistemas se han beneficiado
del uso del razonamiento aproximado permitiendo abordar el control de sistemas
complejos, que tradicionalmente eran tratados de forma exacta con complejas ecuaciones
matemáticas..
La idea que subyace en todas estas técnicas consiste en extraer los conocimientos que el
experto posee para identificar una situación concreta del estado del sistema y establecer
la acción adecuada que se ha de realizar. Debido a la complejidad de los sistemas estas
situaciones o estados son expresados en términos lingüísticos o vagos. Por esta razón el
uso de los conjuntos difusos, variables lingüísticas y en general los mecanismos de
representación utilizados por el Razonamiento Aproximado se muestran adecuados para
su modelización.
En general la creación de estos modelos difusos se realiza expresando en forma de
regla lingüística el conocimiento deductivo que emplea el experto. Este puede
hacerse mediante complicadas técnicas matemáticas (Matrices Max-Min,
diagramas de centroide para el calculo de premisas y de ingeniería del
conocimiento), pero más modernamente gracias al uso de las computadoras, así
como también mejoró la potencia de cálculo y el almacenamiento de datos,
originando la proliferación de técnicas inductivas para la obtención de tales
modelos de sistemas a partir de datos conocidos o aprendizaje inductivo.
Fig5: Ejemplo de calculo manual a partir de matrices Max-Min y de diagramas de
centroide para el calculo de premisas.

Este enfoque inductivo ha posibilitado la creación de modelos para los cuales ya no es

necesario disponer de expertos que nos proporcionen el conocimiento sobre los mismos,
sino su conocimiento plasmado en reglas de inferencia.

Estas reglas, se asociarán a cada una de las posibles combinaciones de las entradas,
generando un valor de salida. Es posible describir esta base de reglas con el uso de una
memoria asociativa borrosa o FAM, utilizamos las abreviaturas ya conocidas {NG, NP, Z,
PP, PG}, para denotar {Negativo Grande, Negativo Pequeño, Cero, Positivo Pequeño,
Positivo Grande} y la ilustramos mediante un cuadro un poco mas acotado como es la
FAM.

A modo de ejemplo, las dos siguientes reglas pueden extraerse de la FAM:

RI : Si o es Z y w es Z Entonces F es Z
R2: Si o es PP y w es NP Entonces F es NP
Estas técnicas se emplean en la construcción de modelos, y más concretamente, en la
construcción de modelos difusos o vagos que representen hipótesis devenidas en reglas
de inferencia, las cuales son enfocadas en el sentido del razonamiento aproximado y la
relación causa-efecto con el objetivo de identificar los estados del sistema a partir de un
conjunto de valores conocidos del mismo.

Modelado de Sistemas borrosos:

Un “sistema” puede visualizarse como el conjunto de "relaciones", en el sentido
más amplio de la palabra, entre unas variables de entrada y otras variables de
salida. Estas relaciones provocan el cambio temporal de los valores de las
variables de salida al modificarse los valores de las variables de entrada,
constituyendo un modelo multivariado.
Esquemáticamente un sistema se representa mediante una “caja negra” donde
encontramos variables de entrada que introducen sus valores en la misma y
variables de salida que toman sus valores de ella.
Computarizado de variables difusas entradaintermedias- salida difusas en FuzzyTech.

Características como el tipo de valores de las variables de entrada y salida, el número de

éstas, su dependencia del tiempo, la retroalimentación de las salidas
hacia las entradas, etc., originan una multitud de clasificaciones de los sistemas.
De igual manera, los valores que toman las variables, tanto las de entrada como las de
salida, pueden clasificarse en dos grandes categorías: cuantitativos, cuando los valores
de las variables son numéricos, o cualitativos cuando los valores de las variables no son
numéricos, que originan nuevas categorías de sistemas. En ambos casos se deberá llevar
a estos valores a un calor difuso, es
CONCLUSIÓN

La teoría de los Conjuntos Difusos y sus ulteriores desarrollos, constituyen modelos que
resultan especialmente útiles para tratar con la incertidumbre de manera más "natural" y
más "humana" que la lógica y la teoría de conjuntos clásicas.
La Lógica Difusa surgió debido a la necesidad de solucionar problemas complejos con
información imprecisa para los cuales la lógica tradicional no era suficiente. Es un
lenguaje que permite trasladar sentencias sofisticadas del lenguaje natural a un lenguaje
matemático formal.
Los Conjuntos Difusos, como su nombre lo indica, no tienen límites bien definidos, es
decir, la transición entre la pertenencia y la no pertenencia de una variable a un conjunto
es gradual. Para representar formalmente la incertidumbre de este tipo de enunciados se
definen variantes de la Lógica Clásica en la que los valores de verdad no se limitan
solamente a Verdadero y Falso.
Se caracteriza por Funciones de Pertenencia que dan la flexibilidad a la modelación
utilizando expresiones lingüísticas tales como mucho, poco, leve, severo, escaso,
suficiente, caliente, frío, joven.
Un elemento puede pertenecer a varios Conjuntos Difusos a la vez aunque con distinto
grado y, en este caso, no se puede decir, tratandose dé Conjuntos Difusos, que pertenece
a un único conjunto de manera rotunda.

BIBLIOGRAFÍA

 Buckley, J. J.; Feuring, T. Fuzzy and Neural: Interactions and Applications. Ed.
Springer, New York 1999
 Eckel, B. Piensa en Java. Ed. Pearson Education S.A, Madrid, 2007
 Guadarrama, S. Representación del conocimiento impreciso: Revisión parcial de
las teorías de conjuntos borrosos. Ed. Facultad de Informática Universidad
Politécnica de Madrid, Madrid 2000
 Martín, M.A. Java 2. Ed. Anaya Multimedia, Madrid 2000
 Menchén, A.J. La lógica y los conjuntos borrosos. Aplicaciones en Inteligencia
Artificial, control de procesos e ingeniería. Apuntes de la Facultad de Informática
Universidad Politécnica de Madrid, Madrid
 Nguyen, Hung T.; Walker, Elbert A. A first course in Fuzzy Logic. Ed. CRC Press,
New Mexico 1996
 Sivanandam, S.N.; Sumathi, S.; Deepa S.N. Introduction to Fuzzy Logic using
MATLAB. Ed. Springer, Berlín, New York 2007
 Tanaka, K. An introduction to fuzzy logic for practical Applications. Ed. Springer,
Estados Unidos 1997
 Trillas, E.; Cubillo, S. Primeras Lecciones de Lógica Borrosa. Ed. Facultad de
Informática Universidad Politécnica de Madrid, Madrid 1999
 Trillas, E.; Delgado, M.; Vila, M.A.; Castro, J. L.; Verdegay, J.L; Moraga, C.;
Cuena, J.; Gutierrez, J.; Ruiz, A. Fundamentos e introducción a la ingeniería
"Fuzzy". Ed. Omron Electronics S.A, España 1994