FUZZY LOGIC CON PYTHON

Harold Cotacallapa M.
Dr. Juan Jesús Soria Quijaite
Lofti A. Zadeh
Padre de la lógica difusa
1965
Research paper “Fuzzy sets”
 ¿Cuán seca está la ropa?

¿Cuán honesto es Juan?

¿Cuán cerca está A de B?

EJEMPLO
TEÓRICO
 THE TIPPING PROBLEM

Creemos un sistema de control difuso que modele

cómo puede elegir dar propina en un restaurante. Al
dar propina, considera el servicio y la calidad de los
alimentos, con una calificación entre 0 y 10. Lo usa para
dejar una propina de entre 0 y 25%.
 THE TIPPING PROBLEM
● Antecedents (Inputs)
○ Calidad de servicio
■ Universe (ie, crisp value range): ¿Cuán bueno fue el servicio
del mozo, en una escala de 0 a 10?
■ Fuzzy set (ie, fuzzy value range): malo, aceptable, excelente

○ Calidad de comida
■ Universe: ¿Cuán sabroso estaba la comida, en una escala de 0
a 10?
■ Fuzzy set: pésimo, regular, delicioso
 THE TIPPING PROBLEM
● Consequents (Outputs)
○ Propina
■ Universe: ¿Cuánto debemos dar de propina, en una escala de
0% a 25%?
■ Fuzzy set: bajo, medio, alto
● Reglas
○ Si el servicio fue bueno OR la calidad de la comida fue buena, THEN
la propina será alta.
○ Si el servicio fue aceptable, THEN la propina será medio.
○ Si el servicio fue pobre AND la calidad de comida fue pobre, THEN
la propina será baja.
FUNCIONES DE MEMBRESÍA - INPUT
FUNCIONES DE MEMBRESÍA - OUTPUT
 FUZZIFICACIÓN
C = 3.5 & S = 9.4

P(0.30) - R(0.7) - D(0.0) M(0.0) - A(0.12) - E(0.88)

 INFERENCIA
C = 3.5 & S = 9.4

1. Si el servicio fue excelente OR la comida fue deliciosa, THEN la

propina será alta.

Servicio: E(0.88)
Comida: D(0.0)

Propina: A(0.88)
 INFERENCIA
C = 3.5 & S = 9.4

2. Si el servicio fue aceptable, THEN la propina será medio.

Servicio: A(0.12)

Propina: M(0.12)
 INFERENCIA
C = 3.5 & S = 9.4

3. Si el servicio fue malo AND la comida fue pésima, THEN la propina será baja.

Servicio: M(0.0)
Comida: P(0.30)

Propina: A(0.0)
 DEFUZZIFICACIÓN
C = 3.5 & S = 9.4

COA (center of area)

COG (center of gravity)

Crisp value :

18.094444939812753
EJEMPLO
PRÁCTICO