LÓGICA DIFUSA

RAZONAMIENTO APROXIMADO
El razonamiento aproximado simula el razonamiento
humano, utilizando:
1) Incertidumbre, con la teoría de las probabilidades.
2) Imprecisión, ambigüedad o borrosidad, con la lógica
difusa, fundamentada en la teoría de las posibilidades.
La incertidumbre e imprecisión en el modelado de
conocimiento experto existe en muchas disciplinas
(medicina, ingeniería, economía, derecho, educación, etc.).
En Inteligencia Artificial se utiliza en aplicaciones como
visión por computador, procesamiento del lenguaje natural,
aprendizaje automático, juegos, etc .
 RAZONAMIENTO APROXIMADO
El ser humano posee habilidades para comunicar su
experiencia empleando reglas lingüísticas vagas. Por
ejemplo, un cocinero da instrucciones para tostar pan:
1. Cortar dos rebanadas de pan medianas.
2. Poner el horno a temperatura alta.
3. Tostar el pan hasta que quede de color ligeramente
marrón.
Estas reglas son muy descriptivas y pueden ser fácilmente
entendibles por un humano, pero difícilmente representables
en un idioma que pueda ser entendido por un computador.
Palabras como “medianas”, “alta”, “ligeramente” no tienen
fronteras bien definidas, son imprecisas o ambiguas.
La lógica convencional no es adecuada para procesar este
tipo de reglas.
 DEFINICIÓN DE LÓGICA DIFUSA
La Lógica Difusa es una lógica multivaluada que permite
representar matemáticamente la imprecisión o
ambigüedad, proporcionando herramientas formales para
su tratamiento.
Cualquier problema puede resolverse como dado un
conjunto de variables de entrada (espacio de entrada),
obtener un valor adecuado de variables de salida (espacio
de salida). La lógica difusa permite establecer este mapeo
de una forma adecuada, atendiendo a criterios de
significado (y no de precisión).
El término Lógica Difusa utiliza en un amplio sentido,
agrupando la teoría de conjuntos difusos, reglas si-
entonces, aritmética difusa, cuantificadores, etc.
 DIFERENCIA ENTRE LÓGICA DIFUSA Y
PROBABILIDAD

La probabilidad representa información sobre frecuencia

de ocurrencias relativas de un evento bien definido sobre el
total de eventos posible.

El grado de pertenencia difuso representa las similitudes

de un evento con respecto a otro evento, donde las
propiedades de esos eventos no están definidas de forma
precisa.
 DIFERENCIA ENTRE LÓGICA DIFUSA Y
PROBABILIDAD

Por ejemplo, alguien extraviado en el desierto encuentra

dos botellas de líquido:
 La botella A difusa está etiquetada como que contiene
líquido potable con un grado de pertenencia 0.8,
 La botella B probabilista está etiquetada como que
contiene con probabilidad 0.8 un líquido potable.
La botella A indica que el líquido que contiene es bastante
similar a otros que son potables.
Supongamos que se asocia 1 al agua pura, por lo que un
valor de 0.8 indicaría que la botella A contiene agua no
totalmente pura, pero todavía potable (o al menos no es un
líquido perjudicial para el organismo).
 DIFERENCIA ENTRE LÓGICA DIFUSA Y
PROBABILIDAD

La probabilidad asociada a la botella B indica que, tras

realizar un alto número de experimentos, el contenido de la
botella B es potable el 80% de las veces. Pero, ¿qué
ocurre el otro 20% de las veces?. En estas ocasiones, el
líquido no era potable y, por tanto, hay un 20% de
probabilidad de que uno muera bebiendo el líquido de esa
botella porque contenga amoniaco en lugar de agua.

La decisión sería beber la botella A.

 DEFINICIÓN DE LÓGICA DIFUSA
La Lógica Difusa se basa en cuatro conceptos
fundamentales:
1) Conjuntos difusos.- son conjuntos con fronteras
uniformes o suaves.
2) Variables lingüísticas.- Son variables cuyos valores son
descritos cualitativamente y cuantitativamente por un
conjunto difuso.
3) Distribuciones de posibilidad.- restricciones impuestas
en el valor de una variable lingüística al asignarle un
conjunto difuso.
4) Reglas difusas si-entonces.- un esquema de
representación del conocimiento para describir una
fórmula lógica que generaliza una implicación en la
lógica de dos valores.
 ANTECEDENTES HISTÓRICOS
 Aristóteles consideraba que existían ciertos grados de
veracidad y falsedad. Platón había considerado grados
de pertenencia.
 El filósofo y matemático Bertrand Russell, a principios del
siglo XX. estudió las vaguedades del lenguaje,
concluyendo con precisión que la vaguedad es un grado
 La primera lógica de vaguedades fue desarrollada en
1920 por el filósofo Jan Lukasiewicz. Visualizó los
conjuntos con un posible grado de pertenencia con
valores de 0 y 1
 El filósofo cuántico Max Black define en 1937 el primer
conjunto difuso mediante una curva que recogía la
frecuencia con la que se pasaba de un estado a su
opuesto, su idea pasó inadvertida dado que iba en contra
del empirismo lógico que para entonces primaba.
 ANTECEDENTES HISTÓRICOS
 En la década 1960 Lofti Zadeh, basado en las ideas de
Black, planteó la lógica difusa, que combina los conceptos
de la lógica y de los conjuntos de Lukasiewicz mediante la
definición de grados de pertenencia.
 En una primera etapa (entre 1965 y 1974), Zadeh
describió el concepto de conjunto difuso y su función de
pertenencia asociada que toma valores en el intervalo
unitario. No se describió en profundidad los mecanismos
de razonamiento y la lógica de esta representación.
 En la segunda etapa (de 1972 al 2000) se introducen los
conceptos de variable lingüística y de reglas if-then.
 En 1974 se aplicaron estos conceptos a los sistemas de
control. Desde entonces el número de aplicaciones
industriales y su utilización en productos de consumo ha
crecido exponencialmente.
 ANTECEDENTES HISTÓRICOS
 El término de Soft Computing apareció en 1981, que es el
uso de metodologías que proporcionan los fundamentos
para el diseño, desarrollo y uso de sistemas inteligentes.
Las principales metodologías que forman este grupo son
la Lógica Difusa, los Algoritmos Genéticos y el
Aprendizaje Automático. En general estas metodologías y
técnicas se combinan ofreciendo mejores resultados.
 La tercera etapa de desarrollo (desde 1996) se centra en
la computación con palabras, empleando procesamiento
del lenguaje natural para la búsqueda en internet y el
desarrollo de respuesta automática.
 En la actualidad existen multitud de líneas de
investigación que emplean intensivamente la teoría de la
lógica difusa en diversidad de áreas de aplicación.
 APLICACIONES
 La lógica difusa permite obtener decisiones con valores
incompletos o información incierta, por ello se utiliza en
sistemas de ayuda a la decisión
 Desde 1974, la lógica difusa se ha utilizado ampliamente
porque el uso de conocimiento experto permite
automatizar tareas. En muchas áreas de aplicación se
reduce la necesidad de operadores que basan su
conocimiento en la experiencia (y que difícilmente podría
ser expresado con ecuaciones diferenciales). De este
modo, si existe un conocimiento del proceso, es posible
modelarlo mediante lógica difusa
 Los sistemas basados en lógica difusa son fáciles de
diseñar, modificar y mantener. Pese a la pérdida de
precisión, la reducción de tiempo de desarrollo y
mantenimiento es muy relevante para su uso industrial.
 APLICACIONES
Las aplicaciones históricas más importantes son:
 En 1974 Mamdani diseñó el primer sistema de control
difuso experimental para un motor de vapor
 En 1980 una compañía danesa (F.L.Smidth & Co. A/S)
usa teoría difusa para control de un horno de cemento
 En 1980 Fuji Electric Co. Ltda (Japón) implementa un
sistema de inyección química para plantas purificadoras
de agua
 En 1987 empieza a funcionar el Regulador Automático De
las Operaciones De Trenes Del Metro De Sendai (Japón)
diseñado por el equipo Hitachi, ésta hace el viaje más
cómodo al controlar las aceleraciones y frenadas en
función del número de pasajeros
 APLICACIONES
 En la actualidad muchos productos de consumo
(lavadoras, microondas, cámaras de vídeo, televisores) y
sistemas (ascensores, trenes, motores, frenos, control de
tráfico) utilizan internamente métodos de lógica difusa.
 Por ejemplo, las lavadoras tienen un sistema de control
que determina automáticamente el ciclo de lavado según
el tipo, cantidad de suciedad y tamaño de la colada.
 En el automovilismo, Mitsubishi y General Motors
emplean sistemas de transmisión automática y control de
temperatura basados en lógica difusa.
 APLICACIONES GENERALES
 Control de sistemas: Control de tráfico de vehículos,
Control de compuertas en plantas hidroeléctricas y
térmicas, ascensores, etc.
 Predicción y optimización: Predicción de terremotos,
optimización de horarios, etc.
 Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de
letra manuscrita, de objetos, compensación de
vibraciones, etc.
 Sistemas de información y conocimiento: Bases de datos
difusas, sistemas basados en conocimiento difuso, etc.
 ¿CUÁNDO UTILIZAR LÓGICA DIFUSA?

 En procesos complejos, si no existe un modelo de

solución sencillo
 En procesos no lineales
 Cuando haya que introducir la experiencia de un
operador “experto” que se base en conceptos
imprecisos obtenidos de su experiencia
 Cuando ciertas partes del sistema a controlar son
desconocidas y no pueden medirse de forma fiable
 Cuando el ajuste de una variable puede producir el
desajuste de otras
 En general cuando se desea representar y operar con
conceptos que tengan imprecisión
DESVENTAJAS DE LA LÓGICA DIFUSA
 Estabilidad. No hay garantía teórica que un sistema
difuso no tenga un comportamiento caótico y no siga
siendo estable, aunque tal posibilidad parece ser baja
debido a los resultados obtenidos hasta ahora
 Aprendizaje. Son sistemas sin memoria, no poseen la
capacidad de aprender
 La determinación de las funciones de pertenencia y las
reglas no siempre son sencillas
 Existe la mala concepción de que la lógica difusa es
algo “mágico” sin fundamento matemático
 Verificación de los modelos y sistemas difusos expertos
requiere de gran cantidad de pruebas
 CONJUNTOS DIFUSOS
 Conjuntos clásicos: la existencia del conjunto
depende de la determinación precisa de cuales
elementos pertenecen y cuales no a dicho conjunto.
 En los conjuntos difusos la pertenencia de un
elemento a un conjunto no es tan drástica. El elemento
puede tener un grado de pertenencia a dicho conjunto

 Los conjuntos clásicos se pueden representar de 3

formas:
1) Nombrando los elementos del conjunto
Ej: A={a,e,i,o,u}

2) Definiendo una expresión que los miembros cumplan

Ej: A={x| x es una letra vocal}
 CONJUNTOS DIFUSOS
3) Definido por una función característica:
1 x  A
 A ( x)   
0 x  A 
Esta función mapea los elementos del conjunto universo a
los elementos del conjunto {0,1}.
Para cada  A ( x)  1 entonces x es miembro de A
x  A (x)
a 1
b 0
e 1
u 1
w 0
i 1
 CONJUNTOS DIFUSOS
 En los conjuntos difusos la función característica mapea
los elementos al intervalo real [0,1]
 Formalmente:
Sea X conjunto universo clásico tal que x sean sus
elementos, esto es x  X.
Un conjunto difuso A lo definimos mediante
A = { ( x, A (x) ) | x  X }
Donde
A(x): Función de pertenencia
 CONJUNTOS DIFUSOS
 A diferencia de la teoría clásica de conjuntos que se
basa en el principio básico de la lógica de forma que
un individuo pertenece o no pertenece a un
conjunto, la idea básica de un conjunto difuso es
que un elemento forma parte de un conjunto con un
determinado grado de pertenencia.
 De este modo una proposición no es totalmente
(sino parcialmente) cierta o falsa. Este grado se
expresa mediante un entero en el intervalo [0; 1].
 Un ejemplo es la representación de la altura de una
población de individuos:
CONJUNTOS DIFUSOS
CONJUNTOS Nombre Altura Clásico Difuso
DIFUSOS Hugo 2.05 1 1.0
Juan 1.95 1 1.0
Tomás 1.87 1 0.95
Carlos 1.80 1 0.82
Pedro 1.79 0 0.71
Andrés 1.60 0 0.36

 En el conjunto clásico, se dibuja una línea que separa en 1.8m

los individuos que son altos de los que no lo son, asociando un
valor de pertenencia estricto al conjunto de los altos a aquellos
que superan esa altura. Pero, el conjunto difuso permite
expresar que Carlos tiene un grado de pertenencia al conjunto
de los altos en A(Altura) = 0.82.
 Así, un conjunto difuso proporciona una transición suave entre
los límites de un conjunto clásico. El Universo del discurso se
define como todos los posibles valores que puede tomar una
determinada variable (en figura es eje X, de 150 a 210cm).
 DEFINICIÓN DE CONJUNTO DIFUSO
 La teoría de conjuntos difusos es un intento de
desarrollar conceptos para tratar de un modo sistemático
el tipo de imprecisión que aparece cuando los límites de
las clases de objetos no están claramente definidos.
 Un conjunto difuso puede definirse como una clase en la
que hay una progresión gradual desde la pertenencia al
conjunto hasta la no pertenencia; o visto de otra forma,
en la que un objeto puede tener un grado de pertenencia
definido entre la pertenencia total (valor uno) o no
pertenencia (valor cero).
 Así, los conjuntos clásicos (o conjuntos crisp) pueden
verse como un caso particular de conjuntos difusos; un
conjunto difuso que sólo admite dos grados de
pertenencia (uno y cero).
 DEFINICIÓN DE CONJUNTO DIFUSO
 Un conjunto difuso es un conjunto con límites difusos.
 Sea X el Universo del discurso, y sus elementos se
denotan como x. En la teoría clásica de conjuntos un
conjunto C se define sobre X mediante la función
característica de C como fC.
fC(x) =  1 cuando x  C
0 cuando x  C
 Este conjunto mapea el universo X en un conjunto de dos
elementos, donde la función fC(x) es 1 si el elemento x
pertenece al conjunto C y 0 si x no pertenece a C.
 Si generalizamos esta función para que los valores
asignados a los elementos del conjunto caigan en un
rango particular y así indicar el grado de pertenencia de
los elementos a ese conjunto, tendremos una función de
pertenencia de un determinado conjunto difuso.
 FUNCIÓN DE PERTENENCIA
 La función de pertenencia por la que se define un conjunto
difuso A, sería:
A(x)= X → [0; 1]
 Donde A(x) = 1 si x está totalmente en A, A(x) = 0 si x no
está en A y 0< A(x) < 1 si x está parcialmente en A. Este
valor entre 0 y 1 representa el grado de pertenencia
(también llamado valor de pertenencia) de un elemento x
a un conjunto A.
 Entonces, una función de pertenencia es una curva que
define como a cada punto del espacio de entrada
(universo del discurso) le corresponde un valor de
pertenencia entre 0 y 1.
 Función de pertenencia es una medida de la pertenencia
graduada de un elemento en un conjunto difuso.
 FUNCIÓN DE PERTENENCIA
Ejemplo: A: Conjunto de los hombres jóvenes
B: Conjunto de los hombres de edad media
C: Conjuntos de los hombres viejos
Estos conjuntos no posee límites claros y se pueden representar
con conjuntos difusos, con las funciones de pertenencia
trapezoidales:
TIPOS DE FUNCIONES DE PERTENENCIA
En general se puede utilizar cualquier función
continua que mapee los elementos de un conjunto
universo dado (en el eje X) a elementos al intervalo
[0,1] (en el eje Y).
Las funciones de pertenencia más comunes son:
- Triangular
- Trapezoidal
- Gaussiana
- Campana
- Sigmoide
- Basada en splines
- Singleton
FUNCIÓN TRIANGULAR
 FUNCIÓN TRIANGULAR

 0, xa
x a
 , a xb
b  a
triángulo( x; a, b, c)  
cx
 , b xc
c b

 0, cx

  xa c x 
triángulo( x; a, b, c)  max min , ,0 
 ba cb 
FUNCIÓN TRAPEZOIDAL
 FUNCIÓN TRAPEZOIDAL
 Una FM trapezoidal se especifica mediante cuatro
parámetros { a, b, c, d }, de la siguiente forma:
 0, xa
x a
 , a xb
b  a
trapecio ( x; a, b, c, d )   1, b xc
d  x
d  c , cxd
 0, dx

 Utilizando operadores min y max, la expresión anterior se
puede expresar como sigue:

  x a d  x 
trapecio( x; a, b, c, d )  max min ,1, ,0 
 ba d c 
 FUNCIÓN GAUSSIANA

1.0

0.5
Gaussiana(x; 50, 20)

0.0
0 50 100

Una FM gausiana se especifica con dos parámetros { c,  };

c representa el centro de la función y  determina su
anchura. 2

1 xc
  
2   
gauss( x; c, )  e
 FUNCIÓN TIPO CAMPANA
Campana(x; 20, 4, 50)
1.0

Campana( x;a,b,c)  1
0.5 2b
1 x  c
 
 
 
 
 a 

0.0
0 50 100

Una Función del tipo campana generalizada (o Función

tipo campana) se caracteriza mediante tres parámetros {
a, b, c }; donde c y a definen el centro y el ancho de la
FM, respectivamente, mientras que el parámetro b
controla las pendientes en los puntos de cruce.
 FORMAS DE ONDA
Las Funciones de la figura corresponden a las definidas por
los siguientes valores: triángulo(x; 6, 7, 9), trapecio(x; 5, 6,
8, 10), gauss(x; 0.7, 3) y campana(x; 1.5, 5, 3).
 SIGMOIDE

1.0

0.5 Sigmoide(x; 0.2, 50)

0.0
0 50 100

Sigmoide( x;a,c)  1
 a( x  c)
1 e
36
DIFERENCIA ENTRE 2 SIGMOIDES
CURVAS BASADAS EN SPLINES
 SINGLETON
• Un conjunto difuso que contiene un único elemento, x0, es
denominado una singularidad difusa o fuzzy singleton.
• El uso de singletons simplifica considerablemente el
proceso de inferencia y posibilita la implementación
electrónica eficiente de los sistemas de inferencia difusos.

• µs(x) = 0 si x  x0 µs(x) = 1 si x = x0

µs(x)

x0
 MODIFICADORES (HEDGES)
Es posible introducir conjuntos difusos por transformación
lingüística de uno dado. Algunos de los más frecuentes son:
2
muy A  ( x)   ( x)
 
muy A  A 

0.5
más_o_menos A  ( x)   ( x)




más _ o _ menos A  A 

no A  ( x)  1  ( x)
no A  A 
En general, pueden introducirse nuevas clases de
cualificadores o modificadores en la forma:
 ( x)  Ft ( ( x))
t A A
 ¿CÓMO ELEGIR LA FUNCIÓN DE
PERTENENCIA?

 Hay varias formas, el método a elegir depende de la

aplicación en particular
 El método más sencillo es el Horizontal
o Se basa en las respuestas de N expertos
o La pregunta tiene el siguiente formato
¿Puede ser x considerado compatible con el concepto
A?
o Sólo se acepta un “si” o “no” por respuesta, Luego:

µA(x) =(Respuestas afirmativas)/N

 OTROS MÉTODOS PARA LA
FUNCIÓN DE PERTENENCIA

 Vertical
 Método de comparación de parejas (a partir de los
datos)
 Métodos basados en la especificación del problema
 Métodos basados en la optimización de parámetros
 Métodos basados en la Agrupación difusa (fuzzy
clustering)
 Algoritmo “Fuzzy Isodata”
 DISEÑO DE LA FUNCIÓN DE
PERTENENCIA

Directrices:
1) Siempre utilizar funciones de pertenencia
parametrizables. No definir una función de
pertenencia punto por punto.
2) Utilice una FM triangular o trapezoidal, a menos
que haya una buena razón para hacer lo contrario.
3) Si se desea que el sistema aprenda la función de
membresía utilizar técnicas de aprendizaje de
RNA, escoja una función de pertenencia
diferenciable, como la Gaussiana.
OPERACIONES BÁSICAS SOBRE CONJUNTOS
DIFUSOS
 Las operaciones básicas en los conjuntos clásicos
son 3

1. Unión (or)
A B AUB AUB
Ejm: 1 1 1 max(1,1)=1
A={a,e,i,o,u} 1 0 1 max(1,0)=1
B={b,c,d} 0 1 1 max(0,1)=1
AUB={a,e,i,o,u,b,c,d} 0 0 0 max(0,0)=0
OPERACIONES BÁSICAS SOBRE CONJUNTOS
DIFUSOS
2. Intersección (and)
Ejm: A B A B A B
A={1,2,3} 1 1 1 min(1,1)=1
1 0 0 min(1,0)=0
B={2,3,4,5} 0 1 0 min(0,1)=0
A  B ={2,3} 0 0 0 min(0,0)=0

3. Complemento (not)
Ejm X  x | x  N  x  5
A Comp(A)
A={1,2,3} 1 0
Comp(A)={4} 0 1
OPERACIONES BÁSICAS SOBRE CONJUNTOS
DIFUSOS
La extensión natural para las operaciones está dada
por:
1. Unión difusa standard
 A  B ( x)  max  A( x), B( x)
2. Intersección difusa standard
 A  B ( x)  min  A( x), B( x)
3. Complemento difuso standard
Comp  A( x)  1  A( x)
OPERACIONES BÁSICAS SOBRE CONJUNTOS
DIFUSOS
1. Unión difusa standard
AB (x)= max{A(x), B(x)}


A B BajaMedia
1

Temperatura
OPERACIONES BÁSICAS SOBRE CONJUNTOS
DIFUSOS
2. Intersección difusa standard
 A B x    A x    B x   min A x ,  B x 

A B
1 BajaMedia

Temperatura
OPERACIONES BÁSICAS SOBRE CONJUNTOS
DIFUSOS
3. Complemento o negación difusa standard
 A u   1   A u ,u  U

Medio ¬Medio
1

Temperatura
 APLICACIÓN
 Supongamos que una persona desea ir a
tomar una cerveza a un local tradicional, que
la cerveza sea barata y que el local quede
cerca de su casa
 El dispone de 4 lugares conocidos
 Tiene sed
 Aquí podemos distinguir tres conjuntos difusos
1) Cerveza barata
2) Local tradicional
3) Cercanía a su hogar
 APLICACIÓN
 Para él :
o Una cerveza barata es una que cueste
alrededor de $1000 o menos
o Un local tradicional es un local que al menos
tenga 5 años funcionando.
o Que quede cerca de su casa es que no
quede a más de 10 manzanas.

 Según las preferencias del individuo se

pueden construir los siguientes conjuntos
difusos
APLICACIÓN
APLICACIÓN
APLICACIÓN
 APLICACIÓN
Características de los locales

Precio Cerveza ($) Años de servicio (años) Cuadras

Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10

 Debido al planteamiento debemos intersectar los

conjuntos
 APLICACIÓN
 La solución clásica impone que
o Precio cerveza<=$1000
o Años de servicio>=5 años
o Cuadras<=10 cuadras

 Como se deben intersectar los conjuntos, según la solución

clásica el local debe estar a lo mas a 10 manzanas, tener a
lo menos 5 años de servicio y que la cerveza cueste a lo
más $1000
 APLICACIÓN
Solución
Solución
Precio Cerveza ($) Años de servicio Cuadras clásica
Local 1 0 0 1 0
Local 2 1 1 0 0
Local 3 1 0 1 0
Local 4 0 1 1 0

Precio Cerveza ($) Años de servicio Cuadras Solución difusa

Local 1 0,2 0,5 1 0,2
Local 2 1 1 0,6667 0,6667
Local 3 1 0,875 1 0,875
Local 4 0,5 1 1 0,5
 APLICACIÓN

 Mediante la solución clásica el individuo se

hubiera quedado en su hogar, lo cual no es
“consistente” con la hipótesis “Tiene Sed”.

 Mediante la solución difusa deducimos que el

individuo posiblemente hubiera ido al Local 3 a
disfrutar su cerveza
Complementos, t-normas y t-conormas

 Las operaciones básicas no son únicas

 Existe una diversos tipos de complementos
difusos, de uniones difusas (llamadas t-
conormas) y de intersecciones difusas
(llamadas t-normas)
 COMPLEMENTOS DIFUSOS
 Dado un conjunto difuso A definido en X, tal que x 
X, por definición el complemento de A se puede
interpretar como el grado en que x no pertenece a A
 Comp= C : [0,1] —> [0,1]

 A x   C (  A x ),x  U
 Los complementos deben satisfacer los siguientes
axiomas
 AxC1: C(0)=1 y C(1)=0
 AxC2: a, b  0,1 si a  b Entonces C a   C (b)
 AxC3: C es una función continua
 AxC4: C es involutiva C C a)   a Para cada a [0,1]
 TIPOS DE COMPLEMENTOS

Complemento Expresion Rango parámetros

1 a  t  0  t 1
Tipo umbral C (a)   
0 a  t 
1 
Clase Sugeno C  (a)     1,  
1  a

    0,  
1
ClaseYager C ( a )  1  a  

 2 1  a   0
C (a) 
a   2 1  a 
 T- norma o norma triangular
 La intersección de 2 conjuntos A y B es una
operación binaria sobre el intervalo unitario
i : 0,1 0,1  0,1
 A B x    A x    B x   T  A x ,  B x 
Una t-norma satisface los siguientes axiomas
AxI1: Elemento neutro T (a,1)  a
AxI2: Monotonía: b  d  T (a, b)  T (a, d )

AxI3: Conmutatividad T (a, b)  T (b, a)

AxI4: Asociatividad T (a, T b, d )  T (T a, b , d )
 T- normas
AxI5: T es una función continua

AxI6: T (a, a )  a

AxI7: a1  a2  b1  b2  T (a1 , b1 )  T (a2 , b2 )

 Tipos de t-normas
a, b  0,1
T-norma Expresion Rango parámetros

Producto Algebraico T (a,b)  a  b

Diferencia Límite T ( a , b )  max( 0, a  b  1)

a cuando b  1
Intersección  
drástica T ( a , b )  b cuando a  1
0 otro caso 

Yager 

 

 
T (a,b)  1 min1, 1 a  1 b 
1


 0

Schweizer & Sklar 

T(a,b)  max0,a b 1 p
p p
 1
p  0
 T- conormas o S-normas
La unión de 2 conjuntos A y B es una operación
binaria sobre el intervalo unitario
u : 0,1 0,1  0,1

AB (x)= S(A(x), B(x))

Una t-conorma satisface los siguientes axiomas
AxI1: elemento neutro: S (a,0)  a
AxI2: Monotonía: b  d  S (a, b)  S (a, d )

AxI3: Conmutatividad S (a, b)  S (b, a)

AxI4: Asociatividad S (a, S b, d )  S ( S a, b , d )
 T- conormas o S - normas
AxI5: S es una función continua

AxI6: S (a, a )  a

AxI7: a1  a2  b1  b2  S (a1 , b1 )  S (a2 , b2 )

 Tipos de t-conormas
a, b  0,1
Suma Algebraico S (a, b)  a  b  a  b
Suma Límite S(a, b)  min(1, a  b)
a cuando b  0 
 
Unión drástica S ( a , b )  b cuando a  0 
1 
 otro caso 
Yager



S(a, b)  min1, a  b
 

1
 


 0

p0
 
0,1a 1b 1
Schweizer & Sklar S(a,b) 1 max p p

1
p
 MODIFICADORES LINGÜISTICOS
 Se denominan modificadores lingüísticos a aquellas
operaciones que, aplicadas sobre un conjunto difuso,
generan un conjunto difuso diferente, es decir,
transforman la función de pertenencia del conjunto. Estas
transformaciones se utilizan para modelar conceptos
lingüísticos que aparecen en el lenguaje natural como
cláusulas adverbiales. Se definen algunos de ellos:
 mayor o igual que: Este modificador se aplica sobre
conjuntos definidos en universos de discurso numéricos
de una dimensión. La función de pertenencia final se
obtiene mediante la expresión:
μ ≥ A(x) = max y ≤ x(μA(y))
 casi: Este modificador hace que se valore únicamente la
pertenencia de un elemento a la frontera del conjunto.
 MODIFICADORES LINGÜISTICOS
 menor o igual que: Como el anterior, este modificador se
aplica sobre conjuntos definidos en universos de discurso
numéricos de una dimensión. La función de pertenencia
final se obtiene mediante la expresión:
μ ≤ A(x) = max y ≥ x(μA(y))
 distinto de: La complementación de un conjunto difuso
puede entenderse como un modificador lingüístico, que
transforma un conjunto difuso A en otro conjunto difuso A
que representa el conjunto «no A» o «distinto de A».
 aproximadamente: Aumenta el grado de pertenencia de
los elementos del conjunto difuso, de manera que el
conjunto final es más difuso.
 fuertemente: Disminuye el grado de pertenencia, de
manera que el conjunto final es menos difuso.
 MODIFICADORES LINGÜISTICOS
Modificadores lingüísticos: (a) mayor o igual; (b) menor o igual;
(c) distinto; (d) aproximadamente; (e) fuertemente; (f) casi.