1

Informe de algoritmo de lógica difusa para

1

establecer la calidad de servicio en mesa de

ayuda. (29 abril 2019)

Angelica María Dominguez, Javier Orlando Camacho, Jhon Fredy Albarracin

amdominguez@unipanamericana.edu.co
jocamacho@unipanamericana.edu.co
jfalbarracin@unipanamericana.edu.co

Resumen— En este informe se realizó un programa que Agregación de las salidas: Es el proceso de unificación de las
permitirá realizar un proceso de fusificacion y defusificacion para salidas de todas las reglas, es decir, se combinan las funciones
poder llegar a mostrar cómo funciona la lógica difusa y como puede de pertenencia de todos los consecuentes previamente
ser aplicada de tal manera que podamos recibir datos reales y tomar
recortador o escalados, combinando para así obtener un único
decisiones que pueden ser importantes para la complejidad del
sistema que se tenga esto lo lograremos con un algoritmo de lógica conjunto difuso por cada variable de salida.
difusa implementado en Python.
. 3. PLANTEAMIENTO DEL PROBLEMA

Palabras clave— lógica difusa, fusificacion, defusificacion,

sistemas expertos.
1. INTRODUCCION
Se conoce como el termino genérico de lógica difusa a un
conjunto de técnicas basadas principalmente en el concepto de
subconjunto difuso esto para poder utilizar información no
estructurada, manejar conocimiento incierto y con esto poder
realizar sistemas fáciles de interpretar y que brinden los
resultados más cercanos a una realidad.
2. LÓGICA DIFUSA
Es una lógica alternativa a la lógica clásica que pretende
introducir un grado de vaguedad en las cosas que evalúa. La
lógica difusa fue diseñada para imitar el comportamiento del ser
humano. [1]
Fusificacion: Tiene como objetivo convertir valores en calores
difusos, se asignan grados de pertenencia a cada una de las
variables de entrada con relación a los conjuntos difusos
previamente definidos.
Inferencia: Relaciona los conjuntos difusos de entrada y salida
para representar las reglas que definirán el sistema.
Defusificacion: Realiza el proceso de adecuar los valores
difusos generado en la inferencia en valores, que
posteriormente se utilizaran en el proceso de control.
Se utilizan métodos matemáticos simple como el método de
membresía del medio del máximo.
Una empresa de soporte técnico desea obtener datos de calidad
del proceso de servicio al cliente. Esta calidad se obtiene en el
momento de prestar el servicio al cliente y la ejecución que
tiene el requerimiento solicitado. Los directivos de la empresa
indican que los resultados con los que cuentan en este momento
no son los esperados ya que solo evalúan ítems de calificación
bueno, regular y malo, lo que no brinda un promedio de lo que
se quiere realmente visualizar.
Se busca es obtener el dato promedio de calidad cuando
tenemos calificación de dos entradas que es la se servicio y
requerimiento que está compuesto por 9 reglas de validación
que nos permitirá mostrar el promedio de calidad de las
entradas.
4. ANALISIS
El proceso se realizó en base a la inferencia de Mamdani
Que consta de los siguientes pasos:
1. Fuzificación de las variables de entrada.
2. Evaluación de las reglas.
3. Agregación de las salidas de las reglas.
4. Defuzificación.
1. Fuzificación. El primer paso consiste en tomar los valores de
las entradas requerimiento y calidad y determinar el grado de
pertenencia de estas entradas a los conjuntos difusos asociados.
2. Evaluación de Reglas: Tomamos las entradas anteriores y
se aplican a los antecedentes de las reglas difusas. Si una regla
tiene múltiples antecedentes, se utiliza el operador AND u OR
 2

para obtener un único número que represente el resultado de la  Si el servicio es regular y el requerimiento esta en
Evaluación. proceso la calidad es regular.
 Si el servicio es regular y el requerimiento esta
El resultado de la evaluación del antecedente se aplica al resuelto la calidad es excelente.
consecuente, aplicando un recorte o escalado según el valor de  Si el servicio es bueno y el requerimiento es
verdad del antecedente inconforme la calidad es regular.
 Si el servicio es bueno y el requerimiento es en
El escalado proporciona un valor más preciso, preservando la proceso la calidad es excelente.
forma original del conjunto difuso. Se obtiene multiplicando  Si el servicio es bueno y el requerimiento esta resulto
todos los valores por el valor de verdad del antecedente. la calidad es excelente.
3. Agregación de las salidas La agregación es el proceso de
unificación de las salidas de todas las reglas; es decir, se 6. EXPLICACION DE CODIGO
combinan las funciones de pertenencia de todos los
consecuentes previamente recortados o escalados, combinando
para obtener un único conjunto difuso por cada variable de
salida.

4. Defuzificación El resultado final habitualmente es necesario

expresarlo mediante un valor En esta etapa se toma como Imagen1. Importación de librerías.
entrada el conjunto difuso anteriormente obtenido para dar un
valor de salida.
Librería numpy: Se utiliza mayormente para vectores y
matrices, donde constituye funciones matemáticas de alto
5. IMPLEMENTACION nivel. [2]

Antecedentes Librería skfuzzy: Es una colección de algoritmos de lógica

difusa. [3]
Entradas

 Requerimiento:

Se evalúa de 0 a 10.
Conjunto característico: Inconforme, En Proceso, Resuelto

 Servicio:

Se evalúa 0 a 10.
Conjunto característico: Malo, Regular, Bueno.
Imagen2. Definición de Variables
Salida
Seguido definimos nuestras variables de entrada y de salida.
 Calidad Donde tenemos Servicio, Requerimiento y Calidad.

Se evalúa de 5 a 25% de un promedio que se evalúa en el área

de servicio al cliente.
Conjunto característico: En Mejora, Regular, Excelente.

Reglas
Imagen3. Lanzamiento de Graficas.
 Si el servicio es malo y el requerimiento es
Aquí usamos el método view, para lanzar las graficas creadas
inconforme la calidad está en mejora.
anteriormente, quedaron de la siguiente manera:
 Si el servicio es malo y el requerimiento esta en
proceso la calidad está en mejora.
 Si el servicio es malo y el requerimiento es resuelto la
calidad es regular.
 Si el servicio es regular y el requerimiento es
inconforme la calidad está en mejora.
 3

Y podemos visualizar cada regla si deseamos, en este caso

vamos a visualizar la regla 1.

Imagen4. Grafica Requerimiento

Imagen8. Visualización difusa regla 1.

Y se pueden visualizar así con cada regla deseada.

Aquí llamamos cada regla.

Imagen9. Llamado de reglas.

Realizamos el insertado de datos para nuestra tabla de calidad.

Imagen5. Grafica Servicio

Imagen10. Insertado de datos.

Y lanzaremos nuestra grafica de calidad.

Imagen6. Grafica Calidad

Ahora para hacer que estos triangulo sean útiles, se define la

relación difusa entre las variables de entrada y salida.

Imagen7. Creación de Reglas. Imagen 11. Grafica de calidad, Promedio de

6.749999999999999
 4

7. PRUEBAS Requerimiento 7, Servicio 3

Requerimiento 2, Servicio 7

Promedio Calidad: 13.926827383711947 Promedio Calidad: 15.307629597659814

Requerimiento 9, Servicio 9
Requerimiento 9, Servicio 1

Promedio Calidad: 23.333333333333336 Promedio Calidad: 23.250000000000004

Requerimiento 3, Servicio 1 Los sistemas difusos permite un comportamiento complicado

e intuitivo basado en un sistema de reglas disperso.

8. REFERENCIAS

[1 Catarina, «Catarina Mexico,» [En línea]. Available:

] http://catarina.udlap.mx/u_dl_a/tales/documentos/lmt/rami
rez_r_o/capitulo3.pdf.
[2 «Wikipedia,» [En línea]. Available:
] https://es.wikipedia.org/wiki/NumPy.
[3 «Python Hosthed,» [En línea]. Available:
] https://pythonhosted.org/scikit-fuzzy/overview.html.
Promedio Calidad: 6.749999999999999