Logica Difusa

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
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.
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
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

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

FCc = max (FCp, FCq, FCr, ... , FCz)* FCx
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:
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
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.
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.
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.
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,
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,
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".
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.
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.
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
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.
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.
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
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))
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.
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
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
($)
- 1500
300 - 800
Alto
600 1000
Baja
10 30 (x 103)
Normal
10 50 (x 103)
Alta
30 50 (x 103)
Ventas
($)
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
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:
and NIVEL DE INGRESO CLIENTE MEDIO
THEN:
VENTAS MENSUALES NORMAL
---------------------------------------RULE NUMBER: 3
IF:
and NIVEL DE INGRESO CLIENTE ALTO
THEN:
VENTAS MENSUALES ALTA
---------------------------------------RULE NUMBER: 4
IF:
and
THEN:
PRECIO DE COMPUTADORA ACCESIBLE

NIVEL DE INGRESO CLIENTE BAJO

---------------------------------------RULE NUMBER: 5
IF:
THEN:
---------------------------------------RULE NUMBER: 6
IF:
THEN:
---------------------------------------RULE NUMBER: 7
IF:
PRECIO DE COMPUTADORA CARO
and NIVEL DE INGRESO CLIENTE BAJO
THEN:
---------------------------------------RULE NUMBER: 8
IF:
THEN:
---------------------------------------RULE NUMBER: 9
IF:
THEN:
----------------------------------------
24
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
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:
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:
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:
---------------------------------------RULE NUMBER: 5
IF:
THEN:
----------------------------------------
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)
----------------------------------------
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:
and NIVEL DE INGRESO CLIENTE BAJO (0.167)
THEN:
VENTAS MENSUALES BAJA ((y1)=FCvmb=0.167)
---------------------------------------RULE NUMBER: 2
IF:
THEN:
VENTAS MENSUALES NORMAL ((y2)=FCvmn=0.2)
---------------------------------------RULE NUMBER: 4
29
IF:
and
THEN:

NIVEL DE INGRESO CLIENTE BAJO (0.167)
---------------------------------------RULE NUMBER: 5
IF:
THEN:
----------------------------------------
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.
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)

Logica Difusa

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Logica Difusa

Încărcat de

Drepturi de autor:

Formate disponibile

Mg.

Abraham Gamarra Moreno

SERIE INTELIGENCIA ARTIFICIAL

MG. GAMARRA MORENO, ABRAHAM

Mg. Abraham Gamarra Moreno

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

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

Mg. Abraham Gamarra Moreno

Mg. Abraham Gamarra Moreno

1.1. FACTOR DE CERTEZA

1.2. FACTORES DE CERTEZA EN SISTEMAS BASADOS EN

Aadiremos ahora el factor de certeza (FC) a los

Mg. Abraham Gamarra Moreno

El Factor de certeza de la conclusin es:

El Factor de certeza de la conclusin es:

El Factor de certeza de la conclusin es:

Mg. Abraham Gamarra Moreno

La funcin max retorna el mximo valor del conjunto

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

Si las conclusiones son similares dado dos o ms

Mg. Abraham Gamarra Moreno

El factor de certeza se calcula utilizando la siguiente expresin:

fuerte necesidad de distinguir la lgica difusa de

Mg. Abraham Gamarra Moreno

la teora de probabilidad. Tal como la entendemos

llamada pragmatismo fundada a principios de siglo

Mg. Abraham Gamarra Moreno

La idea de que la lgica produce contradicciones

formas en las que una palabra puede ser empleada

2.2. QUE ES LA LOGICA DIFUSA?

cierta complejidad, el concepto bsico es fcilmente comprensible.

Mg. Abraham Gamarra Moreno

Tomemos como ejemplo el concepto de mediana edad.

exige que las cosan sean definidas. Es aqu donde

Mg. Abraham Gamarra Moreno

2.3. VARIABLES LINGSTICAS

Mg. Abraham Gamarra Moreno

2.4. TEORA DE CONJUNTOS DIFUSOS

(que llamaremos conjuntos concretos), y a partir de

entonces podemos definir algunos conjuntos como,

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

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

Mg. Abraham Gamarra Moreno

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

elemento puede pertenecer parcialmente a un conjunto.

concretos slo puede tener dos valores: 1 0, mientras

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

Mg. Abraham Gamarra Moreno

Lo anterior no es posible en los conjuntos concretos,

tanto que las de un conjunto difuso son, precisamente,

Qu sentido puede tener el pertenecer parcialmente

miembros de un equipo de ftbol segn su estatura

Mg. Abraham Gamarra Moreno

Sin embargo, qu tan grande es la diferencia que

Ilustracin 2 Funciones de pertenencia del ejemplo 2

La ilustracin 2 muestra cmo podra hacerse tal

conjunto continuo de todas las posibles estaturas

muestran otras al-

ternativas para definir dichas funciones.

Mg. Abraham Gamarra Moreno

Ilustracin 3 Representacin alternativa del ejemplo 2

Ilustracin 4 Representacin alternativa del ejemplo 2

Ejemplo 3: Tmese un individuo x cuya edad sea de

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

= 16.70.167+300.2+ 16.70.167+ 16.70.5