UNIVERSIDAD NACIONAL DE SANTIAGO

DEL ESTERO

FACULTAD DE CIENCIAS EXACTAS Y

TECNOLOGÍAS

TRABAJO PRACTICO III

LÓGICA II
CARRERA: LICENCIATURA EN SISTEMAS DE INFORMACIÓN

Dr. Maximiliano C. D. Budán

Prof. Ximena N. Villarreal
Lic. Sonia Arias
Lic. María de los Ángeles Valdez

AÑO 2023
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

UNIVERSIDAD NACIONAL DE SANTIAGO DEL ESTERO

FACULTAD DE CIENCIAS EXACTAS Y TECNOLOGÍAS

CARRERAS: LICENCIATURA EN SISTEMAS DE INFORMACIÓN – PROFESORADO

EN MATEMÁTICA
ASIGNATURAS: LÓGICA II

PROGRAMACIÓN ANALÍTICA DEL CAPÍTULO Nº 3

Introducción a la Teoría de Conjuntos Difusos y a la Lógica Difusa

Definición de conjuntos difusos. Conjuntos difusos y producto cartesiano. Subconjuntos difusos.
La función de membresía. Operaciones entre subconjuntos difusos: Unión, Intersección,
Complementación. Propiedades. Distancia entre subconjuntos difusos. Distancias entre conjuntos
difusos. Aplicaciones en la informática.

COMPETENCIAS
Desarrollar un lenguaje matemático lógico formal. Plantear y desarrollar los ejercicios propuestos
con un espíritu creativo y crítico. Reconocer vínculos significativos entre conocimientos previos y
conceptos nuevos. Demostrar la correcta interpretación de enunciados coloquiales y su adecuada
transformación al lenguaje lógico matemático en cuestión. Participar en forma activa en clase,
exponiendo resultados y formulando argumentaciones. Trabajar en grupo, realizando aportes
pertinentes y valorando otras opiniones. Mostrar actitudes de solidaridad y compañerismo con sus
pares.

BIBLIOGRAFÍA:
Introducción a la Teoría de los Subconjuntos Borrosos – Tomo I – A. Kaufmann – Editorial
Continental (Capítulos 1 y 3).

Lógica Difusa Una introducción práctica Técnicas de Softcomputing - Carlos González

Morcillo. (Capítulos 1 y 2).

Los Conjuntos Borrosos: Una Introduccion - Luisa L. Lazzari - Emilio A. M. Machado -

Rodolfo H. Pérez.

Introducción a la Lógica Difusa - Fernando Sancho Caparrini – 2 de Octubre 2019

2
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

GUÍA DE TRABAJO PRÁCTICO Nº 3

INTRODUCCIÓN A LA LÓGICA DIFUSA

La Lógica Difusa proporciona un mecanismo de inferencia que permite simular los procedimientos
de razonamiento humano en sistemas basados en el conocimiento. La teoría de la lógica difusa
proporciona un marco matemático que permite modelar la incertidumbre de los procesos
cognitivos humanos de forma que pueda ser tratable por un computador. En esta unidad se
describirán los fundamentos y características de este mecanismo de representación de la
incertidumbre.

El ser humano posee grandes habilidades para comunicar su experiencia empleando reglas
lingüísticas vagas. Por ejemplo, un famoso cocinero de televisión podría dar instrucciones para
tostar pan como:

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.

El uso de esos términos lingüísticos en cursiva podría ser seguido sin problema por un humano,
que es capaz de interpretar estas instrucciones rápidamente. La lógica convencional no es
adecuada para procesar este tipo de reglas. Por ejemplo, si pasáramos un día con Tiger Woods para
aprender a jugar al golf, al final de la jornada podríamos tener un montón de reglas del tipo:

Si la bola está lejos del hoyo y el green está ligeramente inclinado hacia la derecha,
entonces golpear la bola firmemente empleando un ángulo ligeramente inclinado hacia la
izquierda de la bandera.

Si la bola está muy cerca del hoyo y el green entre la bola y el hoyo está plano, entonces
golpear la bola directamente hacia el hoyo.

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 “lejos”, “muy cerca” no tienen fronteras bien definidas, y cuando se quieren trasladar a

3
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

código pueden resultar descripciones artificiales. Por ejemplo, el término Distancia se podría
codificar con este conjunto de intervalos:

Cerca: La bola está entre 0 y 2 metros del hoyo.

Medio: La bola está entre 2 y 5 metros del hoyo.
Lejos: La bola está más allá de 5 metros del hoyo.

Con esta representación, ¿qué ocurre con una bola que está en 4.99 metros del hoyo? Empleando
estos intervalos, el ordenador lo representaría firmemente en el intervalo “Medio”. Y si
incrementamos unos pocos centímetros, lo catalogaría como “Lejos”. Esto se puede mejorar
creando intervalos más pequeños, pero el problema base seguiría siendo el mismo por el uso de
intervalos discretos. Comparado con el modo de razonar de un humano, estos términos lingüísticos
se deben corresponder con fronteras vagas, donde 4.99 metros debería estar más asociado al
término “lejos” que “media distancia”.

¿QUE ES LA LÓGICA DIFUSA?

Básicamente la Lógica Difusa es una lógica multivaluada que permite representar

matemáticamente la incertidumbre y la vaguedad, proporcionando herramientas formales para su
tratamiento. Como indica Zadeh, “Cuando aumenta la complejidad, los enunciados precisos
pierden su significado y los enunciados útiles pierden precisión.”, que puede resumirse como que
“los árboles no te dejan ver el bosque”.

La forma en que la gente piensa es, inherentemente, difusa. La forma en que percibimos el mundo
está cambiando continuamente y no siempre se puede definir en términos de sentencias verdaderas
o falsas. Consideremos como ejemplo el conjunto de vasos del mundo, que pueden estar vacíos o
llenos de agua. Ahora tomemos un vaso vacío y comencemos a echar agua poco a poco, ¿en qué
momento decidimos que el vaso pasa de estar vacío a estar lleno? Evidentemente, hay dos
situaciones extremas que reconocemos sin ninguna duda, la primera cuando el vaso está
completamente vacío, sin una sola gota de agua en su interior, y la segunda cuando está
completamente lleno, cuando no cabe ni una sola gota más en él, pero una gota antes de estar
completamente lleno, ¿diríamos que es falso que el vaso está lleno?, observa que para afirmar su
condición, en la frase anterior no sólo se ha usado el término lleno, sino que se ha añadido un
modificador diciendo completamente lleno. Si a un vaso lleno de agua le quito una gota de agua...
¿dejo de considerarlo lleno y automáticamente pertenece para mí a otra clasificación?

4
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

Las definiciones de vaso completamente vacío y vaso completamente lleno son demasiado
estrictas como para que resulten interesantes en un razonamiento en el que se consideran
operaciones de llenado y vaciado de vasos, y entre los términos de lleno y vacío hay un área que
no está claramente definida de pertenencia a ninguno de esos extremos. En el lenguaje natural que
usamos en el mundo real hemos cubierto esta imprecisión por medio de una jerarquía de términos
intermedios junto con modificadores que permiten cubrir un espectro más grande de áreas usando
un número limitado de ellos, y podemos hablar de lleno, medio lleno, completamente lleno, casi
lleno, etc. Matemáticamente, los conceptos de sí/no, verdadero/falso están representados por
medio del concepto clásico de conjunto, pero necesitamos extenderlo para poder representar este
tipo de información más difusa.

Un conjunto difuso permite a sus elementos tener un grado de pertenencia. Si el valor 1 se asigna a
los elementos que están completamente en el conjunto, y 0 a los que están completamente fuera,
entonces los objetos que están parcialmente en el conjunto tendrán un valor de pertenencia
estrictamente entre 0 y 1. Por tanto, si un vaso completamente lleno tiene un grado de pertenencia
a los vasos llenos de valor 1, y un vaso completamente vacío un grado de pertenencia a los vasos
llenos de valor 0, entonces al añadir una gota a este último, su grado de pertenencia a los vasos
llenos sería ligeramente superior a 0.

DIFERENCIAS ENTRE LA LÓGICA DIFUSA Y LA PROBABILIDADES

Los conceptos empleados en Lógica Difusa y Probabilidad están relacionados en cierto modo, pero
son totalmente diferentes. De forma resumida, la probabilidad representa información sobre
frecuencia de ocurrencias relativas de un evento bien definido sobre el total de eventos posible.
Por su parte, 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. Veamos
un ejemplo, un superviviente de un accidente de avión se encuentra en medio del desierto. Hace
dos días que está caminando sin agua en busca de algún poblado cercano donde puedan socorrerle.
De repente encuentra dos botellas de líquido, la botella A difusa está etiquetada como que contiene
líquido potable con un grado de pertenencia 0.8, mientras que la botella B probabilista está
etiquetada como que contiene con probabilidad 0.8 un líquido potable. ¿Cuál debería elegir el
superviviente?

La botella A indica que el líquido que contiene es bastante similar a otros que son potables.
Naturalmente este valor numérico depende de la función de pertenencia asociada al concepto de

5
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

“líquido potable”. Supongamos que la función de pertenencia 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 veneno, o algún líquido perjudicial para el organismo). 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 mueras bebiendo el líquido
de esa botella porque contenga amoniaco en lugar de agua. ¿Qué debería elegir el superviviente si
las botellas estuvieran etiquetadas con valores de 0.5 difuso y 0.5 de probabilidad? En este caso
debería rechazar A porque un grado de pertenencia de 0.5 indicaría que el contenido de la botella
no es muy parecido a los líquidos potables en ese dominio de conocimiento. La botella B tendría
0.5 de probabilidad de ser potable (también es incertidumbre total), pero tendría un 50 % de
probabilidad de que el líquido fuera potable, por lo que debería jugársela y elegir la botella B.

DEFINICIÓN DE CONJUNTO DIFUSO

Los conjuntos difusos fueron propuestos inicialmente por Lofti A. Zadeh en su artículo de 1965
titulado "Fuzzy Sets". Este artículo establece los fundamentos de la lógica difusa que se deduce de
la definición de conjunto difuso y sus propiedades. Esta definición es:

Sea E un conjunto clásico de referencia. M un conjunto de membresía totalmente

~
ordenado. Un conjunto difuso, A , en E viene caracterizado por la función de
membresia ❑~A : E  M, que asocia a cada punto x  E un elemento de M. Es decir,
se define el conjunto difuso como

~
A={ ( x /❑~A ( x ) ) , donde ❑~A ( x ) es el grado o nivel de membresíade x en ~
A}

Esta definición de conjunto difuso extiende de alguna forma la definición clásica de conjunto, que
sería el caso particular en el que ❑~A ( x ){0,1}. Pero para trabajar con ellos también tendremos que
extender las operaciones clásicas entre conjuntos (unión, intersección, etc.), lo que nos llevará a
extender las operaciones lógicas binarias habituales (conjunción, disyunción, etc.).

~
NOTA: Si M = {0, 1} entonces ❑~A es la función característica o función binaria booleana y A se
convierte en A.

ACTIVIDAD N° 1: Sean los conjuntos E = {1, 2, 3, 4, 5}, A = {1, 3, 5}, y B = {2, 4}.

6
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

a) Represente los conjuntos A y B como conjuntos difusos utilizando el concepto de

función característica y los elementos del conjunto E.
b) Escriba el conjunto E y el conjunto vacío como conjuntos difusos.

ACTIVIDAD N° 2: Sean el conjunto de referencia E = { x 1, x 2, x 3, x 4 }, su conjunto de

~
membresía M = [0,1] y el subconjunto difuso: A = {( x 1 / 0,1) , ( x 2 / 0) , ( x 3 / 0,3) , ( x 4 /
~
0,6)}. Proponga dos interpretaciones para el conjunto A .

ACTIVIDAD N° 3: Construya dos ejemplos de conjuntos difusos para cada uno de los
siguientes conjuntos: E1 = {1, 2, 5, 7} , E2 = {a, b, c} , y E3 = {, , , , , }

INCLUSIÓN E IGUALDAD DE CONJUNTOS DIFUSOS

Como sucede en la teoría de conjuntos, dentro de lo teoría de conjuntos difusos también podemos
definir las nociones de igualdad e inclusión entre conjuntos difusos. Claramente, para definir los
mismos tendremos que tener en cuenta el valor de membresía de los elementos de cada conjunto
involucrado. No obstante, existe una generalización particular que tiene especial importancia.
Cuando se restringe el rango de pertenencia al conjunto {0, 1}, estas operaciones estándar sobre
conjuntos difusos se comportan de igual modo que las operaciones sobre conjuntos clásicos. Así,
~ ~
sean A y B dos conjuntos difusos de un mismo universal E.

~ ~
Igualdad: A y B son iguales si y sólo si los valores de sus funciones de pertenencia
son idénticos (toman los mismos valores para todo x perteneciente a E).
~ ~
A = B   x  E : ❑~A (x )=❑~B ( x)

~ ~ ~ ~
Inclusión: A está incluido en B o A es un subconjunto de B si y sólo si todos los
~
valores de la función de pertenencia de A son respectivamente menores o iguales
~
que los correspondientes de B .
~  ~   x  E : ❑~ (x )≤❑~ (x)
A B A B

~
ACTIVIDAD N° 4: Considere el conjunto difuso A = {(1/1), (2/0), (5/0,5), (7/0,2)} y determine
dos subconjuntos difusos que estén incluidos en él.

OPERACIONES SOBRE CONJUNTOS DIFUSOS

7
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

La lógica tradicional bivaluada usa los operadores booleanos ∧ (AND), ∨ (OR), y ¬ (NOT) para
llevar a cabo las operaciones de conjuntos de intersección, unión y complementario. Estos
operadores funcionan bien con conjuntos nítidos, clásicos, y se pueden definir sencillamente a
partir de las funciones de verdad asociadas a cada operador (normalmente, estas funciones se
representan por medio de lo que se conoce como Tablas de Verdad).

Estas tablas de verdad funcionan bien para la lógica bivaluada, pero debido a que los conjuntos
difusos no tienen por qué tomar una cantidad finita de valores, no es fácil extender las tablas para
su uso en este caso. Estos operadores necesitan ser redefinidos como funciones para todos los
posibles valores difusos de los grados de pertenencia, es decir, para todo el intervalo [0,1], y no
solo para los valores extremos. La lógica difusa es realmente un superconjuto de la lógica clásica
ya que incluye los valores extremos junto a todos los valores intermedios, por lo que conseguir una
forma generalizada de estos operadores que extiendan a los operadores clásicos puede ser de
mucha utilidad. Una posible generalización vendría dada por:

~ ~
A ∪ B = {( x i / μ~A ∪ ~B x i) / x i  E  μ~A ∪ ~B ximax ( μ~A  x i μ~B x i }
~ ~
A ∩ B = {( x i / μ~A ∩ ~B x i) / x i  E  μ~A ∩ ~B x imin ( μ~A  x i μ~B x i }
~
A = {( x i / μ~A  x i) / x i  E  μ~A  x i μ~A ( x i)}

Existen muchas otras definiciones alternativas para estos operadores, pero todas ellas suelen
compartir propiedades similares (que extienden el funcionamiento y significado clásico):

 La definición matemática más general del operador AND se llama norma triangular (o t-
norma) y es, por definición, un operador binario, definido de [0 ,1] 2↦[0,1], conmutativo,
asociativo, que lleva el par (1,1) al valor 1, y es creciente en cada variable.
 Para el operador OR las propiedades son las mismas, salvo que lleva el par (0,0) al valor 0,
y se llama t-conorma.
 El operador NOT puede ser redefinido siempre y cuando sea continuo y estrictamente
decreciente.

ACTIVIDAD N° 5: En base a una previa investigación, definan dos ejemplos de funciones que
permitan realizar las operaciones AND, OR y NOT en el dominio de los conjuntos difusos.

8
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

~ ~
ACTIVIDAD N° 6: Con los conjuntos difusos: A = {(1/1), (2/0,3), (3/0,7), (5/0,2)}, B = {(1/0,6),
~
(2/0,5), (3/0,1), (5/0,3)} y C = {(1/0,7), (2/0), (3/0,4), (5/0,7)} resuelva las siguientes operaciones:

~ ~ ~ ~ ~ ~ ~ ~ ~∪~ ~ ~ ~ ~
A B , A C , A C , B C , A A, A ∪ , A ∩ A , A ∩

ACTIVIDAD N° 7: Use los conjuntos del Ejercicio 6) para verificar que la unión e intersección de
subconjuntos difusos son asociativas, conmutativas, y que la unión (Intersección) es distributiva
con respecto a la intersección (unión).

APLICACIONES DE LA LÓGICA DIFUSA Y TEORÍAS DE DISTANCIA ENTRE

CONJUNTOS DIFUSOS.

En la lógica difusa, los conjuntos difusos representan la incertidumbre y la vaguedad en la

información. Calcular la distancia entre conjuntos difusos permite cuantificar la similitud o
diferencia entre ellos. Algunas de las distancias comunes utilizadas en conjuntos difusos son la
distancia euclidiana, la distancia de Hamming, la distancia de Jaccard y otras.

 Distancia Euclidiana: Calcula la distancia geométrica entre dos conjuntos difusos

representados como vectores de valores de membresía. Cuanto menor sea la distancia,
mayor será la similitud.

Distancia Euclidiana o
Distancia Cuadrática

Sea  E = n, A E y B E

√
n
e ( A , B )= ∑ (μ A ( x i )−μ B ( x i ))2
i=1

0≤e ( A , B )≤√ n
Distancia Euclidiana Relativa

e( A ,B)
∈( A , B )=
√n , 0≤∈( A , B )≤1

9
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

 Distancia de Hamming: Se aplica a conjuntos difusos binarios, calcula el número de

elementos en los que los conjuntos difusos difieren.

Distancia de Hamming Generalizada

o Distancia Lineal

Sea  E = n, A E y B E
n
d( A, B)=∑ | μ A ( x i )−μ B ( x i )|
i=1

0≤d ( A , B )≤n
Distancia de Hamming Generalizada
Relativa

d( A,B)
δ ( A , B )=
n , 0≤δ ( A , B )≤1

 Distancia de Jaccard: Se utiliza para conjuntos difusos binarios y mide la similitud

dividiendo el tamaño de la intersección entre dos conjuntos por el tamaño de su unión.

Distancia de Jaccard Absoluta

Sea
~ ~ ¿
J (~ ~
A , B ) = ¿ A ∩ B∨ ¿ ~ ~ ¿
A ∪ B∨¿ ¿

Distancia de Jaccard Generalizada

Relativa
~ ~ ¿
J (~ ~
A , B ) = ¿ A ∩ B∨|~ ~ ~ ~ ¿
A|+ ¿ B∨−¿ A ∪ B∨¿ ¿

Calcular la distancia entre conjuntos difusos es una tarea importante en la lógica difusa. Esto se
utiliza en una variedad de aplicaciones:

 Clasificación de Documentos: Imagina que trabajas en un proyecto de clasificación de

documentos basado en contenido difuso. Puedes utilizar la distancia entre conjuntos

10
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

difusos para determinar qué documentos son más similares en términos de contenido, lo
que facilita la organización y búsqueda de documentos.
 Sistemas de Recomendación: En un sistema de recomendación, puedes utilizar la distancia
entre conjuntos difusos para medir la similitud entre los perfiles de los usuarios y los
productos. Lo que permite ofrecer recomendaciones más precisas basadas en preferencias
similares.
 Control Difuso: En el control difuso, puedes calcular la distancia entre conjuntos difusos
que representan el estado actual y el estado deseado de un sistema. Esto te permite tomar
decisiones de control para llevar el sistema al estado deseado.

Ejemplo General: Clasificación de Documentos

Supongamos que trabajas en una biblioteca digital y tienes una gran cantidad de documentos que
deseas clasificar en categorías difusas. Cada documento tiene un conjunto de palabras clave
asociadas que representan su contenido. Quieres usar la distancia de Jaccard entre estos conjuntos
de palabras clave y las categorías difusas para asignar los documentos a categorías relevantes.

Pasos a seguir:

Paso 1: Representación de Documentos y Categorías. Crea un conjunto difuso para cada

categoría. Por ejemplo, "Tecnología", "Ciencia", "Historia", "Arte", etc. Cada conjunto
difuso contendrá las palabras clave asociadas a esa categoría, con sus respectivos grados de
membresía.

Tecnología = {(Machine Learning, 1); (Dispositivo, 1); (Camara, 1)}

Documento 1= {(Machine Learning, 1)}

Paso 2: Calcular la Distancia de Jaccard. Para cada documento, calcula la distancia de

Jaccard con respecto a cada conjunto difuso de categoría. La distancia de Jaccard se calcula
de la siguiente manera:

~ ~ ¿
J (~ ~
A , B ) = ¿ A ∩ B∨ ¿ ~ ¿
A ∪~
B∨¿ ¿

11
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

~ ~
Donde A es el conjunto de palabras clave del documento y B es el conjunto de palabras
clave de una categoría difusa.

La distancia de Jaccard varía entre 0 (sin similitud) y 1 (similitud completa). Cuanto más
cercano a 1, mayor es la similitud entre el documento y la categoría.

Paso 3: Asignar Documentos a Categorías. Asigna el documento a la categoría cuya

distancia de Jaccard sea mayor. Esta será la categoría más relevante para el documento.

Ejemplo Particular: Clasificación de Documentos

Supongamos que tenemos un documento con las siguientes palabras clave: "inteligencia artificial",
"aprendizaje automático" y "robots". Queremos asignar este documento a una categoría difusa,
como "Tecnología", "Ciencia" o "Historia". A continuación, calculamos la distancia de Jaccard
para cada categoría:

Jaccard("Tecnología", Documento) = 0.75

Jaccard("Ciencia", Documento) = 0.60
Jaccard("Historia", Documento) = 0.10

La mayor distancia de Jaccard es 0.75 con la categoría "Tecnología", por lo que asignamos el
documento a la categoría "Tecnología".

Este es solo un ejemplo simplificado de cómo se puede utilizar la distancia de Jaccard en la

clasificación de documentos difusos. En aplicaciones reales, se pueden utilizar conjuntos de
palabras clave más extensos y técnicas avanzadas de procesamiento de lenguaje natural para
mejorar la precisión de la clasificación.

ACTIVIDAD N° 8: Resuelve las siguientes problemáticas

Problemática 1: Sistema de Recomendación de Películas

Supongamos que trabajas en el desarrollo de un sistema de recomendación de películas para un

servicio de streaming. Tienes conjuntos difusos que representan los géneros de películas, como
"Acción", "Comedia", "Drama", etc. Además, tienes conjuntos difusos que representan las
preferencias del usuario en términos de género. Diseña un sistema de recomendación que utilice la

12
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

distancia euclidiana entre los conjuntos difusos de género de las películas y las preferencias del
usuario para ofrecer recomendaciones personalizadas.

Los pasos necesarios para crear un sistema de recomendación de películas utilizando la distancia
euclidiana en el contexto de la lógica difusa:

Paso 1: Representación de Géneros de Películas como Conjuntos Difusos. Primero, debemos

representar los géneros de películas como conjuntos difusos. Cada género se representará como un
conjunto difuso en el que los elementos son los géneros posibles de películas (por ejemplo,
"Acción", "Comedia", "Drama", "Ciencia Ficción", etc.). Cada género tendrá un valor de
membresía que indica el grado de pertenencia de la película a ese género. Los valores de
membresía varían de 0 a 1, donde 0 significa que la película no pertenece al género y 1 significa
que pertenece completamente. Por ejemplo:

Conjunto difuso para "Acción": {0.8, 0.2, 0.1, ..., 0}

Conjunto difuso para "Comedia": {0.2, 0.7, 0.3, ..., 0}
Conjunto difuso para "Drama": {0.1, 0.3, 0.9, ..., 0}

Paso 2: Obtención de las Preferencias del Usuario. Para recomendar películas de manera
personalizada, necesitamos conocer las preferencias del usuario. Esto podría hacerse a través de
una encuesta o mediante el análisis del historial de visualización del usuario. Las preferencias del
usuario se representarán como un conjunto difuso en el que se asignan valores de membresía a
cada género de película según las preferencias del usuario. Por ejemplo, si al usuario le gusta
mucho el género "Comedia", el valor de membresía para "Comedia" en su conjunto difuso de
preferencias sería alto (cerca de 1).

Paso 3: Cálculo de la Distancia Euclidiana. Una vez que tengamos los conjuntos difusos de
géneros de películas y las preferencias del usuario, podemos calcular la distancia euclidiana entre
ellos. La distancia euclidiana mide la diferencia entre dos conjuntos difusos en un espacio
euclidiano. Se calcula como la raíz cuadrada de la suma de las diferencias cuadradas entre los
valores de membresía de los elementos correspondientes en los dos conjuntos.

La fórmula para calcular la distancia euclidiana entre dos conjuntos difusos A y B es:

13
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

√
n
e ( A , B )= ∑ (μ A ( x i )−μ B ( x i ))2
i=1

Paso 4: Recomendación de Películas. Una vez calculadas las distancias euclidianas entre el
conjunto difuso de preferencias del usuario y los conjuntos difusos de géneros de películas,
podemos utilizar estas distancias para recomendar películas. Cuanto menor sea la distancia, más
similares son los gustos del usuario a un género de película en particular. Se pueden recomendar
películas que tengan géneros que estén más cerca de las preferencias del usuario en términos de
distancia euclidiana.

Este sistema de recomendación basado en lógica difusa permite ofrecer recomendaciones de

películas personalizadas en función de las preferencias difusas del usuario y la similitud con los
géneros de películas.

Problemática 2: Clasificación de Clientes en una Tienda

Supongamos que trabajas en una tienda minorista y deseas clasificar a los clientes en diferentes
categorías para ofrecerles ofertas personalizadas. Tienes conjuntos difusos que representan el
historial de compra de los clientes, como "Clientes Frecuentes", "Clientes Ocasionales" y "Clientes
Nuevos". Diseña un sistema de clasificación que utilice la distancia de Jaccard entre el historial de
compra de un cliente y los perfiles de categoría para asignar al cliente a la categoría más adecuada.

Pasos a seguir:

Supongamos que deseas clasificar a los clientes de una tienda minorista en tres categorías difusas:
"Clientes Frecuentes", "Clientes Ocasionales" y "Clientes Nuevos" en función de su historial de
compra. Vamos a diseñar un sistema de clasificación que utilice la distancia de Jaccard para
asignar a cada cliente a la categoría más adecuada.

Paso 1: Representación de Datos. Primero, debemos representar el historial de compra de cada

cliente como un conjunto difuso binario. Para simplificar, asumiremos que los clientes compran
productos de tres categorías: "Electrónica", "Ropa" y "Alimentos". Cada cliente tendrá un conjunto
difuso binario que indica qué categorías de productos han comprado, donde 1 significa que

14
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

compraron productos de esa categoría y 0 significa que no lo hicieron. A continuación,

representamos el historial de compra de tres clientes ficticios:

Cliente A: [1, 0, 1] (compró productos de Electrónica y Alimentos)

Cliente B: [0, 1, 0] (compró productos de Ropa)
Cliente C: [1, 1, 0] (compró productos de Electrónica y Ropa)

Paso 2: Perfiles de Categoría. Define conjuntos difusos para cada una de las categorías, es decir,
"Clientes Frecuentes," "Clientes Ocasionales" y "Clientes Nuevos". Los perfiles de categoría son
representaciones difusas de los patrones de compra típicos para cada categoría. Por ejemplo:

Cliente Frecuente: [1, 1, 1] (compra productos de todas las categorías)

Cliente Ocasionales: [1, 0, 0] (compra principalmente productos de Electrónica)
Cliente Nuevo: [0, 0, 1] (compra principalmente productos de Alimentos)

Paso 3: Calcular la Distancia de Jaccard. Calcula la distancia de Jaccard entre el historial de

compra de cada cliente y los perfiles de categoría. La distancia de Jaccard se calcula como la
intersección de los conjuntos dividida por su unión:

Distancia entre Cliente A y "Cliente Frecuente":

J([1, 0, 1], [1, 1, 1]) = 2/3 = 0.7
Distancia entre Cliente A y "Cliente Ocasionales":
J([1, 0, 1], [1, 0, 0]) = 1/2 = 0.5
Distancia entre Cliente A y "Cliente Nuevo":
J([1, 0, 1], [0, 0, 1]) = 1/2 = 0.5

Repite estos cálculos para los clientes B y C con respecto a las tres categorías.

Paso 4: Asignar a los Clientes a Categorías. Para cada cliente, asigna la categoría a la que tenga la
menor distancia de Jaccard. Por ejemplo:

Cliente A: Se asignaría a "Clientes Frecuentes" porque tiene la menor distancia (0.7) con ese perfil
de categoría.
Cliente B: Se asignaría a "Clientes Ocasionales" porque tiene la menor distancia (0.5) con ese
perfil de categoría.

15
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

Cliente C: Se asignaría a "Clientes Frecuentes" porque tiene la menor distancia (0.5) con ese perfil
de categoría.

Los clientes se han clasificado en una de las tres categorías difusas ("Clientes Frecuentes",
"Clientes Ocasionales" o "Clientes Nuevos") en función de su historial de compra y la distancia de
Jaccard con los perfiles de categoría.

Este ejercicio demuestra cómo utilizar la distancia de Jaccard en la clasificación de clientes en una
tienda minorista basada en sus patrones de compra. La elección de los perfiles de categoría y la
representación de los datos son flexibles y pueden adaptarse según las necesidades y los datos
disponibles.

Problemática 3: Clasificación de Respuestas de Encuesta

Supongamos que estás trabajando en un proyecto de análisis de encuestas para una empresa de
investigación de mercado. Tienes un conjunto de respuestas a una serie de preguntas cerradas, y
deseas clasificar a los encuestados en grupos según sus respuestas a estas preguntas. Cada
respuesta es una lista de opciones (por ejemplo, "Sí" o "No", "Muy satisfecho" o "Poco
satisfecho"), y deseas utilizar la distancia de Hamming para determinar la similitud entre las
respuestas de los encuestados.

Pasos a seguir:

Paso 1: Representación de Respuestas.Representa las respuestas de los encuestados como

conjuntos difusos binarios. Cada pregunta se convierte en un conjunto difuso binario, donde los
elementos del conjunto son las opciones posibles, y un valor de membresía de 1 indica que el
encuestado seleccionó esa opción, mientras que un valor de membresía de 0 indica que no
seleccionó esa opción.

Paso 2: Cálculo de la Distancia de Hamming. Calcula la distancia de Hamming entre las

respuestas de cada par de encuestados. La distancia de Hamming se calcula contando la cantidad
de elementos en los conjuntos que difieren entre las respuestas de los encuestados.

16
U.N.S.E. – F.C.E.y T. – LÓGICA II - 2023

Paso 3: Clasificación de Encuestados. Utiliza las distancias de Hamming para agrupar a los
encuestados en categorías. Por ejemplo, puedes clasificar a los encuestados en grupos que indican
similitud en sus respuestas.

Ejemplo:

Supongamos que tienes tres encuestados y dos preguntas cerradas. Sus respuestas se pueden
representar de la siguiente manera:

Encuestado A:
Pregunta 1: "Sí" (conjunto difuso binario: [1, 0])
Pregunta 2: "Muy satisfecho" (conjunto difuso binario: [1, 0])

Encuestado B:
Pregunta 1: "No" (conjunto difuso binario: [0, 1])
Pregunta 2: "Poco satisfecho" (conjunto difuso binario: [0, 1])

Encuestado C:
Pregunta 1: "Sí" (conjunto difuso binario: [1, 0])
Pregunta 2: "Muy satisfecho" (conjunto difuso binario: [1, 0])

Calculamos las distancias de Hamming entre los encuestados:

Distancia de Hamming entre A y B: 2 (ambas respuestas son diferentes)
Distancia de Hamming entre A y C: 0 (ambos encuestados tienen respuestas idénticas)
Distancia de Hamming entre B y C: 2 (ambos encuestados tienen respuestas diferentes)

En este ejemplo, los encuestados A y C están más cerca en términos de similitud en sus respuestas,
mientras que B está más alejado de ambos.

Este ejercicio muestra cómo puedes utilizar la distancia de Hamming para clasificar a los
encuestados en grupos con base en sus respuestas a preguntas cerradas.

17