Logica Difusa Presentacion

Sitemas Difusos
Wilber Ramos Lovn
November 20, 2015
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Caractersticas de los Conjuntos Difusos
Operaciones Elementales con Conjuntos Difusos
Relaciones Difusas
Introduccin
La lgica fuzzy, difusa, borrosa, nebulosa, fue expuesta por
Lofti Zadeh (USA) en 1965 para modelar la manera en que
las personas resuelven sus problemas cotidianos y para tomar
decisiones en situaciones complejas.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Introduccin
Surgi como una nueva forma de representar la imprecisin y
la incertidumbre.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Introduccin
la incertidumbre.
La Lgica Difusa se preocupa de los principios formales de
razonamiento aproximado, procura modelar los modos
imprecisos del razonamiento que tiene un papel esencial en la
habilidad humana de tomar decisiones.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Introduccin
la incertidumbre.
La Lgica Difusa se preocupa de los principios formales de
razonamiento aproximado, procura modelar los modos
imprecisos del razonamiento que tiene un papel esencial en la
habilidad humana de tomar decisiones.
La Lgica Difusa es una herramienta capaz de capturar
informaciones imprecisas, descritas en lenguaje natural y
convertirlas a un formato numrico.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Breve Historia
Platn aceptaba que ciertos eventos pueden no ser
necesariamente verdaderos (V) o falsos (F),
Aristteles, su discpulo, solo aceptaba que un evento es ya
sea V o F. El criterio binario (V, F) aristoteliano prim durante
siglos, como en la lgica de Boole, por ejemplo.
Lukasiewicz (Polonia, 1900) propugn la lgica ternaria,
reafirmada en cierto modo por Knuth (USA).
En 1965, L.Zadeh, como se mencion, introdujo la lgica
fuzzy, y Mandami (1974) la aplic en control automtico.
La lgica y control difuso no prendieron en USA y Europa, al
principio, pero fueron adaptados con gran intensidad y
vastedad en Japn.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Aplicaciones de la Lgica Difusa

Control de sistemas: Control de trfco, control de vehculos
(helicpteros...), control de compuertas en plantas
hidroelctricas, centrales trmicas, control de temperatura y
grado de humedad, control en mquinas lavadoras, control de
metros (mejora de su conduccin, precisin en las paradas y
ahorro de energa), ascensores...
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Prediccin y optimizacin: Prediccin de terremotos,
optimizar horarios...
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Reconocimiento de patrones y Visin computacional:
Seguimiento de objetos con cmara, reconocimiento de
escritura manuscrita, reconocimiento de objetos,
compensacin de vibraciones en la cmara
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Reconocimiento de patrones y Visin computacional:
Seguimiento de objetos con cmara, reconocimiento de
escritura manuscrita, reconocimiento de objetos,
compensacin de vibraciones en la cmara
Sistemas de informacin o conocimiento: Bases de datos,
sistemas expertos...
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
De los conjuntos clsicos a los conjuntos difusos

Sistemas verdadero / falso frente a sistemas graduales
Incertidumbre
Con informacin incompleta
Por falta de certeza
Por ambigedad
Lgica Difusa (Fuzzy logic) (Zadeh, 1965)

Fue diseada para representar y razonar sobre conocimiento
expresado de forma lingstica o verbal
Conocimientos vagos, borrosos
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Los conjuntos clsicos se puede representar sin ambigedad,

la pertenemcia de un objeto a un conjunto es verdadero o falso.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Los conjuntos clsicos se puede representar sin ambigedad,

la pertenemcia de un objeto a un conjunto es verdadero o falso.
Los conjuntos difusos se pueden ver como una extensin de
los conjuntos clsicos, la pertenencia de un objeto a un
conjunto difuso no est bien definida, pues pueden tener un
grado de pertenencia desde completamente miembro hasta
no-miembro
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Conjuntos clsicos
X : Universo de discurso
A: Un conjunto definido en ese universo de discurso
Formas de definir el conjunto A
Enumerando elementos
Especificando una propiedad
Definiendo la funcin caracterstica, A : X {0, 1}
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Conjuntos difusos
X : Universo de discurso
Un conjunto difuso definido en ese universo de discurso
A:
se define a travez de la funcin de
El conjunto difuso A
pertenencia (membresia) A : X [0, 1]
Los valores de pertenencia varan entre 0 (no pertenece en
absoluto) y 1 (pertenencia total).
Es claro que los conjuntos clsicos son un caso particular de
conjunto difuso
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Ejemplo de conjunto difuso finito

X = {Ernesto, Jose Alfredo, Cristian, Juan Carlos, Fredy , Robert}
conjunto difuso de los Altos
A=
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Ejemplo de conjunto difuso finito

X = {Ernesto, Jose Alfredo, Cristian, Juan Carlos, Fredy , Robert}
A=
A (Ernesto) = 0.8
A (Jose Alfredo) = 0.75
A (Cristian) = 0
A (Juan Carlos) = 0.7
A (Fredy ) = 1
A (Robert) = 0.6
0.75
0
0.7
1
0.6
= 0.8 +
A
Ernesto
Jose Alfredo + Cristian + Juan Carlos + Fredy + Robert
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Ejemplo de conjunto difuso infinito

X = [160, 220] en centmetros
A:
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Notacin de Zadeh
=
A
n
P
i=1
A (xi )
xi
conjunto difuso
discreto
A (x)
=
A
X
X
continuo
conjunto difuso
No son sumas, ni cuocientes ni integracin!

= {(x, A (x)) / x X }
A
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Tipos de Funciones de pertenencia

Algunas definiciones tiles
Etiquetas lingsticas
Funcin LAMBDA o triangular
A(x; a, m, b) =
0
xa
ma
bx
bm
si
si
si
si
x a
x (a, m]
x (m, b)
x b
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Funcin PI o trapezoidal
A(x; a, b, c, d ) =
0
xa
ba
1
dx
bc
si
si
si
si
si
x a
x (a, b]
x (b, c]
x (c, d ]
x >d
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Funcin Gausiana
A(x; m, k) = e k(xm) , k > 0 .
Cuando mayor es k , es ms
estrecha la campana de Gauss
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Funcin GAMMA
(
A(x; a, k) =
0
1
2
e k(xa)
si
si
x a
x >a
Wilber Ramos Lovn
,k >0.
Sitemas Difusos
Esta funcin se caracteriz

por un rpido crecimiento
partir de a
Cuanto mayor es el valor
el crecimiento es ms rp
an
Introduccin
Relaciones Difusas

Funcin GAMMA lineal
A(x; a, m) =
0
xa
ma
si
si
si
x a
x (a, m)
x m
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Funcin L
Puede definirse simplemente como 1 menos la funcin GAMMA
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Otras funciones. En FuzzyCLIPS se utilizan las siguientes

funciones:
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Variable Lingstica
Las Variable Lingsticas se pueden utilizar para cuantificar el

significado del lenguaje natural.
A una Variable Lingstica se le asignan valores que son
expresiones, como palabras, frases y oraciones en un lenguaje
natural o artificial.
A una Variable Lingstica se le puede asignar tambin valores
numricos.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Variable Lingstica: Ejemplos
Variable Lingstica
Estatura
Nmero
Etapa de la vida
Color
Luz
Postre
Valor Lingstico (Valores Tpicos)

Enano, bajo, promedio, alto, gigante
Casi, ninguno, varios, pocos, muchos
Bebe, nio, adolescente, adulto
Rojo, azul, verde, amarillo, anaranjado
Clara, tenue, normal, brillante, intensa
Pay, paste, helado, pastel helado
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Trminos relativos a los Conjuntos Difusos

Alfa-Corte: A = {x X / A (x) }
Alfa-Corte Estricto: A = {x X / A (x) > }
= {x X / A (x) > 0}
Soporte: Supp(A)
Ncleo: Kernel (A) = {x X / A (x) = 1}

= max {A (x)}
Altura: Height(A)
xX
Un conjunto difuso est normalizado si y solo si su ncleo

contiene algn elemento. Un conjunto difuso no normalizado
se convierte en uno normalizado, dividiendolo por la altura del
conjunto
El elemento x X para el cual A (x) = 0.5 se llama el
punto de cruce
Un conjunto difuso cuyo soporte es un nico punto x X y tal
A (x) = 1 (es decir, el soporte coincide con el ncleo y tienen
un nico punto) se llama un conjunto difuso unitario
(singleton) Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Modificadores
A los modificadores de los conjuntos difusos los llamamos

etiquetas lingsticas, y son equivalentes a lo que en lenguaje
natural seran los adverbios.
muy (A) (x) = ( A (x) )2
concentracin , muy alto
mas o menos(A) (x) = ( A (x) )1/2

alto
Wilber Ramos Lovn
dilatacin , mas o menos
Sitemas Difusos
Introduccin
Relaciones Difusas

Concentracin
cp(A) (x) = ( A (x) )p , p > 1
mas(A) (x) = ( A (x) )1.25
extremadamnete(A) (x) = ( A (x) )3
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Dilatacin
dp(A) (x) = ( A (x) )p , 0 < p < 1
algo(A) (x) = ( A (x) )1/3
Tambin admite la definicin de nuevos modificadores por el
usuario
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Igualdad y Subconjunto de Conjuntos Difusos

Complemento de un Conjunto Difuso
Interseccin de Conjuntos Difusos
Unin de Conjuntos Difusos

yB
son iguales si y slo si
Dos conjuntos difusos A
A (x) = B (x) , x X
es subconjunto de B
si y slo si A (x) B (x) , x X
A
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

A (x) = c( A (x) ) donde c : [0, 1] [0, 1] es una funcin

que desde el punto de vista intuitivo deber cumplir con :
concordancia con el caso ntido: c(0) = 1 y c(1) = 0
estrictamente
decreciente: , [0, 1] , > c() < c()
involucin: [0, 1] , c(c()) =
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Complemento usual
c() = 1
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Complemento de Sugeno
cw () = (1 w )1/w , w (0, )
Para una funcin triangular y con w=2, tendramos:
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Complemento de Yager
c () =
1
1
, (0, 1)
Para una funcin triangular y con = 12 , tendramos:
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas


AB (x) = i(A (x), B (x)) donde i : [0, 1] [0, 1] [0, 1] es
una funcin que desde el punto de vista intuitivo deber
cumplir con :
concordancia con el caso ntido: i(0, 1) = i(1, 0) = i(0, 0) = 0
y i(1, 1) = 1
conmutatividad: i(, ) = i(, )
asociatividad: i(, i(, )) = i(i(, ), )
identidad: i(, 1) =
monotona: 0 y 0 i(, ) i(0 , 0 )
Las funciones i que verifican estas propiedades se llaman

(dentro de la teora de conjuntos difusos) normas
triangulares (t-normas).
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Interseccin min (usual)

t-norma del mnimo: imin (, ) = min(, ) o
AB (x) = min(A (x), B (x))
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Interseccin producto
t-norma producto: i (, ) = o
AB (x) = A (x) B (x)
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Interseccin producto drstico

t-norma del
producto drstico:
=1
si
iinf (, ) =
si
=1
0 en cualquier otro caso
Aunque no siempre se puede decir que una t-norma es mayor

que otra, se puede demostrar que toda t-norma verifica las
siguientes desigualdades:
, [0, 1] , iinf (, ) i(, ) imin (, )
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas


AB (x) = u(A (x), B (x)) donde u : [0, 1] [0, 1] [0, 1]
es una funcin que desde el punto de vista intuitivo deber
cumplir con :
concordancia con el caso ntido: i(0, 1) = i(1, 0) = i(1, 1) = 1
y i(0, 0) = 0
conmutatividad: u(, ) = u(, )
asociatividad: u(, u(, )) = u(u(, ), )
= A:
identidad A
u(, 0) =
0
monotona: y (
0 u(, ) u(0 , 0 )
c(u(, )) = i(c(), c())
Leyes de De Morgan:
c(i(, )) = u(c(), c())
Las funciones u que verifican estas propiedades se llaman

(dentro de la teora de conjuntos difusos) conormas
triangulares (t-conormas).
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Unin max (usual)
t-conorma del mximo: umax (, ) = max(, ) o

AB (x) = max(A (x), B (x))
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Unin suma
t-conorma de la suma: u+ (, ) = + o
AB (x) = A (x) + B (x) A (x) B (x)
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas

Unin suma drstica

t-norma del suma
drstica:
=0
si
usup (, ) =
si
=0
1 en cualquier otro caso
Aunque no siempre se puede decir que una t-conorma es mayor

que otra, se puede demostrar que toda t-conorma verifica las
siguientes desigualdades:
Wilber
Lovn
Difusos
, [0,
1] , Ramos
umax (,
) Sitemas
u(, )
usup (, )
Introduccin
Relaciones Difusas

Propiedades que en general no se cumplen
1
2
A
=A
, A
A=A
Idempotencia: A
(B
C) = (A
B)
(A
C
) ,
Distributividad: A
A (B C ) = (A B) (A C )
Las propiedades (1) y (2) slo la verifican la t-norma del

mnimo y su t-conorma del mximo
A
c = X
A
A
c =
A
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Relaciones Difusas sobre conjuntos clsicos
Uma relacin difusa sobre los conjuntos clsicos U y V es

cualquier conjunto difuso sobre el universo U V
P R (u,v )
=
Caso discreto: R
, donde R : U V [0, 1]
UV
=
Caso continuo: R
R : U V [0, 1]
(u,v )
UV
Wilber Ramos Lovn
R (u,v )
(u,v )
, donde
Sitemas Difusos
Introduccin
Relaciones Difusas
Relacin Difusa "aproximadamente igual"

Caso discreto:
= aproximadamente igual conjunto
U = V = {1, 2, 3} , R
difuso en U U
= 1 + 0.8 + 0.3 + 0.8 + 1 + 0.8 + 0.3 + 0.8 + 1
R
(1,1)
(1,2)
(1,3)
(2,1)
(2,2)
(2,3)
(3,1)
(3,2)
(3,3)
1 0.8 0.3
= 0.8 1 0.8
R
0.3 0.8 1
x =y
1 si
, R (x, y ) =
0.8 si
|x y | = 1
0.3 si
|x y | = 2
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Relacin Difusa "aproximadamente igual"

Caso continuo:
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Relacin Difusa sobre conjuntos difusos
Dada una t-norma T el producto cartesiano de dos conjuntos

sobre el universo X y B
sobre el universo Y , es el
difusos A
conjunto difuso A T B sobre el universo X Y definido por:

AT B (x, y ) = T(A (x), B (y ))
yB
es
Uma relacin difusa entre los conjuntos difusos A
cualquier conjunto difuso R sobre el universo X Y , tal que

A
T B.
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Operaciones con Relaciones Difusas

Como las relaciones difusas son conjuntos difusos, podemos
operarlas con la unin, interseccin y complemento, y adems
la inclusin entre ellas.
A
T B,
donde X es el universo
Dada la relacin difusa R
de A y Y es el universo de B, se define:
Primeraproyeccin de R:

(1) = (x, max {R (x, y )}) / x X
R
y Y
Segunda proyeccin de R:

(1)
R = (y , max {R (x, y )}) / y Y

xX

(T )
Proyeccin total de R: R
= (y , max {R (x, y )}) / y Y
xX
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Ejemplo
La relacin difusa R1 = perfil del alumno
R1
Lore
Edy
Ale
Grillo
Diego
(2)
R
1
Mat.
0.7
0.8
0.9
0.6
0.5
0.9
S. Opert.
0.6
0.7
0.7
0.6
0.5
0.7
Wilber Ramos Lovn
L.P.
0.9
0.6
0.7
0.8
0.7
0.9
B. Datos
0.5
0.6
0.5
0.5
0.8
0.8
Sitemas Difusos
C. Grfica
0.9
0.6
0.6
0.9
0.7
0.9
(1)
R
1
0.9
0.8
0.9
0.9
0.8
(T )
0.9=R
1
Introduccin
Relaciones Difusas
Ejemplo
Dada la relacin difusa R2 = perfil de la diciplina

2
R
Mat.
S. Opert.
L.P.
B. Datos
C. Grfica
S. Expertos
0.6
0.3
0.5
0.6
0.3
Wilber Ramos Lovn
Videojuegos
0.7
0.2
0.7
0.4
0.9
Sitemas Difusos
S. Control
0.8
0.5
0.7
0.4
0.2
Robtica
0.7
0.8
0.8
0.3
0.7
Introduccin
Relaciones Difusas
Composicin Max-Min y Min-Max

1 una relacin difusa entre los conjuntos difusos A
sobre
Sea R
el universo X y B sobre el universo Y y R2 una relacin difusa

sobre el universo Y y C
sobre el
entre los conjuntos difusos B
1 con R
2 es la
universo Z . La composicin max-min de R
siguiente relacin difusa entre e A y C :

1 R
2 =
R

(x, z), max min {R1 (x, y ), R2 (y , z)} / x X , y Y
y Y
1 R
2 =
R

(x, z), min max {R1 (x, y ), R2 (y , z)} / x X , y Y
y Y
Wilber Ramos Lovn
Sitemas Difusos
Introduccin
Relaciones Difusas
Ejemplo
2 = Perfil del alumno disciplina

La relacin difusa R1 R
2
R1 R
Lore
Edy
Ale
Grillo
Diego
S. Expertos
0.6
0.6
0.6
0.6
0.6
Videojuegos
0.2
0.7
0.7
0.8
0.7
Wilber Ramos Lovn
S. Control
0.8
0.8
0.8
0.7
0.7
Sitemas Difusos
Robtica
0.8
0.7
0.7
0.8
0.7
Razonamiento en Condiciones de Incertidumbre

La medida borrosa de Sugeno
Razonamiento Humano
La incetidumbre puede considerarse como falta de

informacin adecuada para tomar una decisin
En el razonamiento con incertidumbre, se tiene que:
la informacin puede no existir o no estar disponible
la informacin puede ser ambigua (incierta)
la representacin puede se imprecisa o inconsistente
los datos pueden ser meras interpretaciones hechas por las
personas
Cmo modelar computacionalmente esta incertidumbre?
Wilber Ramos Lovn
Sitemas Difusos

Incertidumbre e imprecisin
Proposicin ambigua (incierta) : su valor de verdad o

falsedad no se conoce o no se puede determinar
Proposicin imprecisa: aquella referida a una variable cuyo
valor no puede determinarse con exactitud
Una proposicin ambigua puede ser precisa
Una proposicin imprecisa puede no ser ambigua
Wilber Ramos Lovn
Sitemas Difusos

Ejemplos
Ambiguas (Inexactas o incompletas)

Si es un ave entonces vuela y los pinginos?
Si te duele la cabeza tienes gripe y si te diste un golpe?
Imprecisas;
Si el agua est caliente aada un poco de sal
Wilber Ramos Lovn
Sitemas Difusos

Ejemplos
IF (paciente, fiebre, mucha)

AND (paciente, tose, bastante)
AND (paciente, dolor_muscular, si)
THEN (paciente, padece, gripe)
OR (paciente, padece, bronquitis)
OR (paciente, padece, tuberculosis)
Proposicin incierta
proposicin imprecisa para algunas variables
Wilber Ramos Lovn
Sitemas Difusos

Principio de Incompatibilidad de Zadeh
A medida que aumenta la complejidad de un sistema, nuestra

capacidad para hacer afirmaciones sobre su comportamiento que
sean precisas y, al mismo tiempo, significativas, va disminuyendo,
hasta alcanzar un umbral por debajo del cual precisin y
significacin (o pertinencia) llegan a ser caractersticas casi
mutuamente excluyentes
Wilber Ramos Lovn
Sitemas Difusos

Grado de Creencia y Grado de Verdad
En la incertidumbre, la proposicin es verdadera o es falsa,

slo que no se sabe
grado de creencia
En la imprecisin sabemos que la variable tiene un valor, pero
no lo conocemos
grado de verdad (subjetividad )
Wilber Ramos Lovn
Sitemas Difusos

Principales Modelos de Representacin de la Incertidumbre
Modelos Simblicos:
Lgicas por Defecto
Lgicas basadas en Modelos Mnimos
Modelos Numricos:
Probabilidad clsica y bayesiana
Teora de Shannon basada en la probabilidad, muy popular en
las telecomunicaciones
Teora de Dempster-Shaffer
Lgica Difusa
Wilber Ramos Lovn
Sitemas Difusos

Posibilidad y Probabilidad
Una hiptesis bsica que subyace en el enfoque al
razonamiento aprximado es que la imprecisin que es
intrnseca en lenguaje natural es en su mayora, posibilista y no
probabilstica.
Cul es la diferencia entre posibilidad y probabilidad?
Intuitivamente, la posibilidad se refiere a la percepcin del
grado de vialidad o la facilidad de realizacin, mientras que la
probabilidad se asocia al grado de creencia, la probabilidad,
frecuencia o la proporcin. As, lo que es posible no puede ser
probable, y lo que es improbable no tiene porqu ser imposible.
Wilber Ramos Lovn
Sitemas Difusos

Posibilidad y Probabilidad
Cul eliges?
Wilber Ramos Lovn
Sitemas Difusos

La medida borrosa de Sugeno[2]

En 1977 el profesor Sugeno estableci los axiomas
fundamentales que cualquier medida de incertidumbre e
imprecisin, deban satisfacer.
Medidas borrosas de Sugeno son tambin las medidas de
probabilidad, de posibilidad, de necesidad, de creencia y
plausibilidad
Wilber Ramos Lovn
Sitemas Difusos

La medida borrosa de Sugeno[2]

Una medida g de incertidumbre e imprecisin es la funcin
g : P() [0, 1] donde P() es el conjunto de todos los
subconjuntos de un espacio muestral o universo de discurso
que satisface:
g () = 1 y g () = 0
A1 , A2 P() con A1 A2 g (A1 ) g (A2 )
Estos axiomas imponen normalidad y monotona para la
inclusin sobre las medidas borrosas g
Para garantizar la continuidad de la medida g en un universo
de discurso infinito, es necesario la satisfaccin del siguiente
axioma, que establece que el lmite de sucesiones
montonamente anidadas es intercambiable con la medida g
sucesi o n {An }nN P() / Ai Aj i < j lm g (An ) =
n
g ( lm An )
n
Wilber Ramos Lovn
Sitemas Difusos

La teora de la posibilidad [2]

La teora de la posibilidad es una aplicacin importante de la
teora de conjuntos difusos y permite modelar la imprecisin y
la incertidumbre en un mismo marco terico.
con funcin de pertenencia A
Cuando un conjunto difuso A
se usa para representar lo que se conoce sobre los valores de
una variable lingstica X , como cuando los valores se expresan
, el grado de
mediante un predicado ambiguo X es A
pertenencia a A de cada valor X = x, es el grado de

posibilidad de que el verdadero valor de la variable X sea x.
As, el conjunto difuso puede interpretarse como una
distribucin de posibilidad A : [0.1] entendida como
una funcin que establece preferencias en el conjunto de los
valores de la variable X , a travs del conocimiento que se tiene
de lo admisible, factible, creble, posible, etc., sobre la
ocurrencia de dichos valores.
Wilber Ramos Lovn
Sitemas Difusos


Por ejemplo, si A (x) cuantifica la pertenencia de la demanda
elctrica x al conjunto de demandas altas y A (x) cuantifica
la posibilidad de que la demanda elctrica sea x sabiendo que
la demanda pertenece al conjunto de demandas altas, el
principio de Zadeh postula la siguiente igualdad:
A (x) = A (x)
Dada la coincidencia numrica entre las funciones de
pertenencia y las distribuciones de posibilidad, en adelante se
hablar indistintamente de conjuntos difusos o distribuciones
de posibilidad.
Wilber Ramos Lovn
Sitemas Difusos


Sin embargo, es importante distinguir que la interpretacin de
cada una de estas funciones es sustancialmente diferente,
siendo til expresar la anterior igualdad como:
= (x|A)
(A|x)
Esta igualdad aclara la confusin. La primera supone conocido
el valor de la demanda y obtiene el grado de pertenencia al
conjunto de demandas altas. La segunda supone conocido
que la demanda es alta y obtiene el grado de posibilidad de
cada valor de la variable demanda. As que, la coincidencia es
simplemente numrica y no conceptual.
Todava existen divergencias entre la teora de la probabilidad
y la teora de la posibilidad, el problema de la consistencia
entre estas dos teoras ha sido y sigue siendo una cuestin
controvertida en el modelado de la incertidumbre
Wilber Ramos Lovn
Sitemas Difusos

Posibilidad y Probabilidad[2]
Sin embargo, el sentido comn sugiere que existen ciertos
vnculos indiscutibles entre estas dos teoras.
Por ejemplo, cuando se reduce la posibilidad de un evento a
travs de la incorporacin de evidencia que no avala su
ocurrencia, paralelamente se est reduciendo su probabilidad.
Similarmente, al realzarse la probabilidad de ocurrencia del
evento por la presencia de informacin estadstica que avale su
ocurrencia, se est incrementando su posibilidad.
Adems, la teora de la evidencia de Shafer muestra que la
teora de la probabilidad y la teora de la posibilidad, estn
ntimamente relacionadas pues sus medidas resultan ser casos
particulares de las medidas de creencia y plausibilidad.
Wilber Ramos Lovn
Sitemas Difusos

Carlos Gonzlez Morcillo, Lgica Difusa Una introduccin

prctica, Tcnicas de Softcomputing
Alberto Campos Fernndez, MODELO POSIBILISTA DEL
MERCADO DE ENERGA ELCTRICA A MEDIO PLAZO EN
UN ENTORNO LIBERALIZADO.UNIVERSIDAD PONTIFICIA
COMILLAS DE MADRID, Madrid 2005
Wilber Ramos Lovn
Sitemas Difusos

Logica Difusa Presentacion

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Logica Difusa Presentacion

Diunggah oleh

Hak Cipta:

Format Tersedia

Sitemas Difusos

Wilber Ramos Lovn

November 20, 2015

Wilber Ramos Lovn

Wilber Ramos Lovn

Wilber Ramos Lovn

Wilber Ramos Lovn

Aplicaciones de la Lgica Difusa

Wilber Ramos Lovn

Aplicaciones de la Lgica Difusa

Wilber Ramos Lovn

Aplicaciones de la Lgica Difusa

Wilber Ramos Lovn

Aplicaciones de la Lgica Difusa

De los conjuntos clsicos a los conjuntos difusos

Lgica Difusa (Fuzzy logic) (Zadeh, 1965)

Wilber Ramos Lovn

De los conjuntos clsicos a los conjuntos difusos

Los conjuntos clsicos se puede representar sin ambigedad,

Wilber Ramos Lovn

De los conjuntos clsicos a los conjuntos difusos

Los conjuntos clsicos se puede representar sin ambigedad,

Wilber Ramos Lovn

Wilber Ramos Lovn

Wilber Ramos Lovn

Ejemplo de conjunto difuso finito

Wilber Ramos Lovn

Ejemplo de conjunto difuso finito

Wilber Ramos Lovn

Ejemplo de conjunto difuso infinito

Wilber Ramos Lovn

No son sumas, ni cuocientes ni integracin!

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Funcin LAMBDA o triangular

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

A(x; m, k) = e k(xm) , k > 0 .

Tipos de Funciones de pertenencia

Wilber Ramos Lovn

Esta funcin se caracteriz

Tipos de Funciones de pertenencia

Funcin GAMMA lineal

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Puede definirse simplemente como 1 menos la funcin GAMMA

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Otras funciones. En FuzzyCLIPS se utilizan las siguientes

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Las Variable Lingsticas se pueden utilizar para cuantificar el

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Variable Lingstica: Ejemplos

Valor Lingstico (Valores Tpicos)

Wilber Ramos Lovn

Tipos de Funciones de pertenencia

Trminos relativos a los Conjuntos Difusos

Ncleo: Kernel (A) = {x X / A (x) = 1}

Un conjunto difuso est normalizado si y solo si su ncleo