1.

- Introduccin
En el mundo en que vivimos existe mucho conocimiento ambiguo e impreciso por
naturaleza. El razonamiento humano con frecuencia acta con este tipo de informacin. La
lgica difusa fue diseada precisamente para imitar el comportamiento del ser humano. Los
expertos a menudo confan en su sentido comn para resolver problemas.
Veremos este tipo de conocimiento cuando los expertos describen un problema usando
trminos vagos o ambiguos.

La lgica difusa es una lgica alternativa a la lgica clsica que pretende introducir un grado
de vaguedad en las cosas que evala.

La lgica difusa se inici en 1965 por Lotfi A. Zadeh, profesor de la Universidad de
California en Berkeley. Surgi como una herramienta importante para el control de
sistemas y procesos industriales complejos, as como tambin para la electrnica de
entretenimiento y hogar, sistemas de diagnstico y otros sistemas expertos.
La lgica difusa en comparacin con la lgica convencional permite trabajar con
informacin que no es exacta para poder definir evaluaciones convencionales, contrario con
la lgica tradicional que permite trabajar con informacin definida y precisa.

Actualmente la lgica difusa tiene un sin nmero de aplicaciones que afectan
nuestra vida cotidiana de alguna u otra manera, pero en ocasiones no nos percatamos. La
lgica difusa se ha desarrollado en diferentes reas y a continuacin se mencionan algunas:

Control de sistemas: Control de trfico, control de vehculos, control de compuertas en
plantas hidroelctricas, centrales trmicas, control en mquinas lavadoras, control de
metros (mejora de su conduccin, precisin en las paradas y ahorro de energa), etc.

Prediccin de terremotos, optimizacin de horarios .
Reconocimiento de patrones y Visin por ordenador: Seguimiento de objetos con cmara,
reconocimiento de escritura manuscrita, reconocimiento de objetos, compensacin de
vibraciones en la cmara, sistemas de enfoque automtico .

Sistemas de informacin o conocimiento: Bases de datos, sistemas expertos.
Reconocimiento de patrones ambiguos.
Sistemas expertos para diagnsticos y toma de decisiones.

Modelado, solucin y control de problemas no lineales.
La lgica difusa se dise para manejar la incertidumbre y la imprecisin.
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.

2.- DEFINICIN LGICA DIFUSA

Es un tipo de lgica que reconoce ms que simples valores verdaderos y falsos. Con lgica
difusa, las proposiciones pueden ser representadas con grados de veracidad o falsedad.

Ejemplo

La sentencia Hoy es un da soleado

Puede ser 100% verdad si no hay nubes, 80% verdad si hay pocas nubes y 0% si llueve todo
el da.

3.- VARIABLES LINGSTICAS

Es un trmino usado en el lenguaje natural para describir algunos conceptos que
usualmente tienen valores vagos o difusos. Se llama reglas difusas al conjunto de
proposiciones IF THEN que modelan el problema que se quiere resolver.

Ejemplo: En la sentencia Juan es joven podemos decir que implica una variable
lingstica edad que tiene un valor lingstico de joven.

Ejemplos de variables lingsticas con valores tpicos.

Variable lingstica Valores tpicos
Temperatura

Estatura

Velocidad
Caliente, fri

Pequeo, mediano, alto

Baja, trepante, rpido

Definicin-> Una Variable Lingstica es aquella variable cuyos valores son palabras o
sentencias que 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)
Las expresiones anteriores pueden dar lugar a expresiones lingsticas ms complejas como:
x no es PEQUEO.
La velocidad es RPIDA pero no muy RPIDA.
Tambin se puede utilizar los distintos modificadores lingsticos como muy, poco, rpido,
lento, etc.

4.- Conjuntos Difusos

En los conjuntos difusos relajamos la restriccin de que la funcin de pertenencia valga
0 1, y dejamos que tome valores en el intervalo [0,1]. La necesidad de trabajar con
conjuntos difusos surge de un hecho: hay conceptos que no tienen lmites claros. Por
ejemplo:
Una persona que mide 1.80 es alta? Una temperatura de 15 grados es baja?. Vemos
que, a diferencia de lo que ocurre en el caso de las frutas (no hay vaguedad, un
alimento o bien es una fruta o bien no lo es), en otras situaciones nos vemos obligados
a tratar con ella.
Veamos algunas definiciones tiles:
Llamaremos variable lingstica a aquella nocin o concepto que vamos a
calificar de forma difusa. Por ejemplo: la altura, la edad, el error, la variacin
del error... Le aplicamos el adjetivo "lingstica" porque definiremos sus
caractersticas mediante el lenguaje hablado.
Llamaremos universo de discurso al rango de valores que pueden tomar los
elementos que poseen la propiedad expresada por la variable lingstica. En el
caso de la variable lingstica 'altura de una persona normal', sera el conjunto
de valores comprendido entre 1.4 y 2.3 m.
Llamamos valor lingstico a las diferentes clasificaciones que efectuamos sobre
la variable lingstica: en el caso de la altura, podramos dividir el universo de
discurso en los diferentes valores lingsticos: por ejemplo bajo, mediano y alto.
Llamaremos conjunto difuso a un valor lingstico junto a una funcin de
pertenencia. El valor lingstico es el nombre del conjunto, y la funcin de
pertenencia se define como aquella aplicacin que asocia a cada elemento del
universo de discurso el grado con que pertenece al conjunto difuso. Decimos
que un conjunto es ntido si su funcin de pertenencia toma valores en {0,1}, y
difuso si toma valores en [0,1].
Dado un conjunto difuso A, se define como alfa-corte de A, al conjunto de
elementos que pertenecen al conjunto difuso A con grado mayor o igual que
alfa, es decir:
A = x X { (x ) }
Se define como alfa corte estricto al conjunto de elementos con grado de
pertenencia estrictamente mayor que alfa, es decir:
A = x X { ( x ) > }
Se define como soporte de un conjunto difuso A, al conjunto ntido de elementos
que tienen grado de pertenencia estrictamente mayor que 0, o sea, al alfa-corte
estricto de nivel 0.
Soporte(A) = { x X / A (x) > 0 }
Se define como ncleo de un conjunto difuso A, al conjunto ntido de elementos
que tienen grado de pertenencia 1. (alfa-corte de nivel 1)
Ncleo(A) = { x X / A (x) = 1 }
Se define la altura de un conjunto difuso A como el valor ms grande de su
funcin de pertenencia.
Se dice que un conjunto difuso est normalizado si y solo si su ncleo contiene
algn elemento (o alternativamente, si su altura es 1), es decir:
x X A (x) = 1
El elemento x de U para el cual F(x) = 0.5 se llama el punto de cruce.
Un conjunto difuso cuyo soporte es un nico punto x de U y tal que la funcin
de pertenencia de x es 1 (es decir, el soporte coincide con el ncleo y tienen un
nico punto) se llama un conjunto difuso unitario (singleton).

Ejemplo 1
Consideremos la variable lingstica Altura de los seres humanos, que toma
valores en el universo de discurso U = [1.4, 2.50]. Vamos a hacer una clasificacin
difusa de los seres humanos en tres conjuntos difusos (o valores lingsticos): bajos,
medianos y altos.

















En esta ilustracin hemos dibujado 3 conjuntos difusos sobre la variable lingstica
altura, cuyos valores lingsticos asociados son bajo, mediano y alto respectivamente. Las
funciones de pertenencia son de tipo L para bajo, Lambda o Tringulo para el mediano y
Gamma para el alto. Ms adelante aclararemos porqu usamos estos nombres, que
nicamente determinan qu forma tendrn las funciones de pertenencia. De este modo
si Luis mide 1.80 metros, la lgica difusa nos dice que es un 0.2 mediano y un 0.8 alto.
De este modo expresamos que mientras un elemento puede estar dentro de un
determinado conjunto, puede no cumplir las especificaciones de dicho conjunto al cien
por cien (por ejemplo, en el caso de Luis, a la vista del resultado podramos afirmar
que es poco mediano y ms bien alto.
4.1 Funciones de pertenencia

Aunque en principio cualquier funcin sera vlida para definir conjuntos difusos, en
la prctica hay ciertas funciones tpicas que siempre se suelen usar, tanto por la
facilidad de computacin que su uso conlleva como por su estructura lgica para
definir su valor lingstico asociado.

4.2 Etiquetas lingsticas

Tradicionalmente se han utilizado modificadores de los conjuntos difusos a los que
llamamos etiquetas lingsticas, equivalentes a lo que en lenguaje natural seran los
adverbios. La interpretacin en el modelo difuso de estos enunciados consiste en la
composicin de la funcin de pertenencia con una operacin aritmtica simple. Por
ejemplo, es habitual considerar como interpretacin del adverbio muy el cuadrado de
la funcin de pertenencia original, Es decir, Juan es muy alto se interpretara como:



4.3 Funciones
Lafuncincaractersticaproporcionaunamedidadelgradodesimilaridaddeun
elementodeUconelconjuntodifuso.Laformadelafuncincaractersticautilizada,
dependedelcriterioaplicadoenlaresolucindecadaproblemayvariarenfuncinde
lacultura,geografa,pocaopuntodevistadelusuario.Lanicacondicinquedebe
cumplirunafuncincaractersticaesquetomevaloresentre0y1,concontinuidad.Las
funcionescaractersticasmscomnmenteutilizadasporsusimplicidadmatemticaysu
manejabilidadson:triangular,trapezoidal,gaussiana,sigmoidal,gamma,pi,campana
etc.
Conceptualmenteexistendosaproximacionesparadeterminarlafuncin
caractersticaasociadaaunconjunto:laprimeraaproximacinestbasadaenel
conocimientohumanodelosexpertos,ylasegundaaproximacinesutilizaruna
coleccindedatosparadisearlafuncin.

Algunas de las funciones caractersticas ms habituales: (a) triangular, (b) trapezoidal, (c)
gaussiana y (d) sigmoidal.


5.- Lmites u Operaciones Unarias sobre conjuntos difusos

En conversaciones normales, los humanos pueden adicionar trminos vagos a una
sentencia por el uso de adverbios como "muy", insignificantemente" o "algunos"
consideremos por ejemplo la sentencia "la persona es muy alta."

Un lmite modifica matemticamente un conjunto difuso para acomodarse a la adicin de
adverbios, por ejemplo la figura 13.3 muestra los tres conjuntos difusos originales y los
conjuntos difusos ajustados a la insercin del trmino "muy".
Para ilustrar el impacto de las modificaciones del conjunto difuso por la operacin de un
lmite, consideremos a una persona de estatura 6, de acuerdo a la figura 13.3 podemos
considerar a esta estatura con una certeza de 0.7. Sin embargo como tambin muestra la
figura podemos considerar el mismo como muy alta con una certeza de 0.4,
resultado razonable


5.1 Concentracin (muy)

La operacin de concentracin tiene un efecto de reducir aun ms el valor asociado de
esos elementos que tienen estos valores pequeos, esta operacin esta dada por:
concent(x) = ( i(x))

5.2 Dilatacin (algunos)

La operacin de dilatacin, dilata los elementos del conjunto difuso por la incrementacin
de sus valores asociados de aquellos elementos con un valor pequeo ms que aquellos
con valor alto, esta operacin est dada por: DILAT(x) = (i(x))

5.3 Intensificacin (realmente)

La operacin de intensificacin tiene el efecto de intensificacin del significado de la frase
por el incremento de valores que estn por debajo de 0.5 y decrementando los valores
que estn sobre 0.5, esta operacin est dada por:
INTEN(x) = 2(i(x))
para 0<= i(x)<=0.5
= 1- 2(i(x)) para 0.5<= i(x) <= 1

5.4 Potencia (muy)

la operacin potencia es una extensin de la operacin de concentracin.
potencia (X) = (i(x))


6.- Operaciones Bsicas Entre Conjuntos Difusos.

Las operaciones bsicas entre conjuntos difusos son las siguientes:

6.1 INTERSECCIN.


A_B (X) = min(A(x), B(x)) para todo x X
= A(x) B(x)
= A(x) B(x)

6.2 UNIN.



A_B (x) = max (A(x) B (x)) para todo x X
= A (x) v B(x)
= A (x) B(x)

6.3 COMPLEMENTO.

-ElconjuntocomplementarioAdeunconjuntodifusoAesaquelcuyafuncin
caractersticavienedefinidapor:


A
(x) = 1
A
(x)

- Launindedosconjuntosdifusos AyBesunconjuntodifusoAUBenUcuya
funcindepertenenciaes:

AB
(x) = mx|
A
(x),
B
(x)|

- LainterseccindedosconjuntosdifusosAyBesunconjuntodifusoABenU
confuncincaracterstica:

AB
(x) = mn|
A
(x),
B
(x)|


Estastresoperaciones definidasparaconjuntosdifusoscumplen,al igualqueen la
teora clsica de conjuntos, asociatividad, conmutatividad y distributividad as como
lasleyesdeMorgan.



7.- Derivacin De Conjuntos Difusos

Usando lmites y operaciones de conjuntos difusos podemos derivar otros conjuntos
difusos a partir de unos existentes, por ejemplo si tenemos el conjunto difuso A de la
estatura de personas, podemos derivar el conjunto B de personas no muy altas por las
siguientes operaciones

Para extender esta idea, asumir que nosotros tenemos los conjuntos difusos: A de
personas altas y B de personas pequeas. Nosotros podramos derivar un conjunto C fijo
de personas de estatura mediana en la operacin siguiente:



En general nosotros podemos usar operadores difusos y limites para derivar conjuntos
difusos que representan las varias descripciones lingsticas y combinaciones de
declaracin encontrados en nuestro idioma natural.

8.- INFERENCIA DIFUSA

La lgica difusa trata a los conjuntos difusos como proposiciones difusas, una proposicin
difusa es una sentencia que afirma un valor para alguna variable lingstica. En general
podemos representar proposiciones difusas como:

Proposicin: X is A

donde A es un conjunto difuso en el universo X.

Una regla difusa muestra dos proposiciones difusas de la forma:

IF X is A THEN Y is B

esta regla establece una relacin o asociacin entre las dos proposiciones.

Los sistemas expertos difusos almacenan las reglas como asociaciones difusas. Esto quiere
decir que la regla IF A THEN B, donde A y B son conjuntos difusos, un sistema experto
difuso almacena la asociacin (A, B) en una matriz M que mapea el conjunto difuso A al
conjunto difuso B. Kosko llamo a esta asociacin difusa como memoria asociativa difusa
(FAM). Un FAM mapea un conjunto difuso a otro.

Como otras tcnicas de razonamiento inexacto usados en el diseo de SE, la inferencia
difusa intenta establecer la creencia en la conclusin de una regla con evidencia disponible
en la premisa de la regla. Sin embargo, como la proposicin contenida en una regla difusa es
un conjunto difuso, la lgica difusa debe mapear la informacin del conjunto de premisas a
informacin del conjunto de conclusiones. Para que esto se realice la inferencia difusa
establece inducir conjuntos difusos de informacin sobre el conjunto difuso.

Las dos tcnicas de inferencia difusa ms usados popularmente en la prctica son la
inferencia max-min y inferencia max-product. Antes de observar estas dos tcnicas
primero debemos entender la multiplicacin difusa vector matriz, que es la que nos ayuda
a hacer una derivacin del conjunto difuso inducido.

9.- MULTIPLICACIN DIFUSA VECTOR MATRIZ

En la multiplicacin clsica de vector - matriz, podemos derivar el vector "y" dado
un vector "x" y una matriz A por :

X[l x n] * A[n x p] = y[l x p]

y = (i=1,n)xi Ai,j

En la multiplicacin difusa vector matriz, se usa la tcnica conocida como composicin
max-min , definida por el operador de composicin "". Este operador realiza una operacin
max-min en un vector y una matriz dadas. La operacin es similar a la multiplicacin clsica
de vector - matriz, sin embargo, reemplazamos la multiplicacin emparejada con
emparejamiento mnimo y suma de columnas con la columna mxima.
Consideremos esta operacin como la aplicacin de una regla difusa FAM : IF A
THEN B, donde A es un conjunto difuso definido en X y B es un conjunto difuso definido
en Y. Se representan los vectores A, B como:

A = (a1, a2, .. , an); ai= A (xi)
B = (b1, b2, .. ,bp); bi= B(yi)

podemos definir una matriz (n , p) difusa M como

AM=B

y computar los componentes bi por:

bi= max{min(a i, mi j )}

Para ilustrar, asumimos:

Vector: A=(.2 .4 .6 1)

Matriz difusa M :
.1 .6 .8
M = .6 .8 .6
.8 .6 .5
.0 .5 .5

Podemos computar B como:

b1 = max {min(.2, .1), min(.4, .6), min(.6, .8), min(1, 0)}
= max {.1, .4, .6, 0}
= 0.6

b2 = max {.2, .4, .6, .5}
= 0.6

b3 = max {.2, .4, .5, .5}
= 0.5

10.- IDEAS BSICAS PARA LA INFERENCIA DIFUSA.

Zadch vio al conjunto difuso como una funcin de distribucin de posibilidades. esta
funcin mapea elementos de un universo dentro un numero entre [0, 1] que refleje el grado
de creencia del elemento a travs del conjunto difuso.

A= distribucin de posibilidades
A = A (x)
A = HA
Tambin observo la necesidad de inferir informacin en un conjunto difuso B a partir
de informacin ganada de un conjunto A. el enfoque tomado para ello fue similar a la teora
clsica de probabilidad, donde las operaciones de composicin fue usando la operacin
clsica de multiplicacin vector - matriz.

10.1 INFERENCIA MAX-MIN

En la inferencia max-min el operador de implicacin usado es min, quiere decir:

mi, j = verdad(a1 b1) = min(a1, b1)

Dado dos conjuntos difusos A y B, podemos usar esta ecuacin para obtener la matriz M.

Luego podemos usar esta matriz para obtener el vector inducido B' del subconjunto A
designado como A'.

Asumamos que tenemos un universo definido por X que representa la temperatura, y un
conjunto difuso A definido en X que representa la temperatura normal, tambin asumamos
que tenemos el universo definido por Y que representa la velocidad, y un conjunto difuso B
definido en Y que representa la velocidad media. Finalmente asumamos que tenemos la
siguiente regla difusa:

IF temperatura es normal THEN velocidad es media IF A THEN B

Sea:

A= (0/100, .5/125, 1/150, .5/175, 0/200)
B = (0/10, .6/20, 1/30, .6/40, 0/50)

Podemos comenzar a construir la matriz M. M= mi, j = min (ai, bi)

(0, 0) (0, .6) (0, 1) (0, .6) (0, 0)
(.5, 0) (.5, .6) (.5, 1) (.5, .6) (.5, 0)
M = (1, 0) (1, .6) (1, 1) (1, .6) (1, 0)
(.5, 0) (.5, .6) (.5, 1) (.5, .6) (.5, 0)
(0, 0) (0, .6) (0, 1) (0, .6) (0, 0)



0 0 0 0 0
0 0.5 0.5 0.5 0
M = 0 0.6 1 0.6 0
0 0.5 0.5 0.5 0
0 0 0 0 0

Luego asumimos que el subconjunto A' esta dado por:

A'= (0/100, .5/125, 0/150, 0/175, 0/200)
Entonces aplicando la composicin max-min tendremos:

bj = max { min (ai, m i, j)}

b1 = max[min(0, 0), min(.5, 0), min(0, 0), min(0, 0), min(0, 0)]

b2 = max[min(0, 0), min(.5, .3), min(0, .6), min(0, .5), min(0, 0)]

b3 = max[min(0, 0), min(.5, .6), min(0, .1), min(0, .5), min(0, 0)]

b4 = max[min(0, 0), min(.5, .3), min(0, .6), min(0, .5), min(0, 0)]

b5 = max[min(0, 0), min(.5, 0), min(0, 0), min(0, 0), min(0, 0)]

B'= (0/10, .5/20, .5/30, .5/40, 0/50)

En efecto este conjunto inducido es una versin ms recortado de B. el efecto general de la
inferencia max-min est ilustrada en la siguiente figura por figuras triangulares de conjuntos
difusos.



10.2 INFERENCIA MAX-PRODUCT

la inferencia max-product usa el producto estndar del operador de implicacin cuando
formamos los componentes de M.

m i j= a i b j

siguiendo el calculo de esta matriz , la composicin max-min es usado para inducir la matriz
B' de algn subconjunto A'.

veamos este ejemplo con los mismos datos del ejemplo anterior:

A= ( 0, .5, 1, .5, 0) B=( 0, .6, 1, .6, 0)

0 0 0 0 0
0 0.3 0.5 0.3 0
entonces M= 0 0.6 1 0.6 0
0 0.3 0.5 0.3 0
0 0 0 0 0

asumimos nuevamente A'= (0, .5, 0, 0, 0) entonces realizamos la composicin max-min y
tendremos:
B'= (0, .3, .5, .3, 0)

10.3 REGLAS MULTI PREMISAS

Anteriormente vimos reglas difusas con una sola premisa con la forma IF A THEN B,
sin embargo en la prctica necesitamos trabajar con reglas multi premisas de la forma IF A
AND B THEN C. la pregunta es cmo formar la matriz difusa asociada M para esta regla.
Kosko sugiri una simple respuesta para esta pregunta. Asumiendo el conjunto difuso (CD) A
que est definido en X , el CD B en "Y" y C en Z. el enfoque consisten en definir primero una
matriz separada M para cada premisa, entonces con alguna entrada en las premisas, A' y B' ,
los conjuntos inducidos en C pueden ser computados independientemente travs de :

A'MAC = CA B' MBC = CB
el siguiente paso es recomponer el CD CA y CB . el enfoque tomado depende de cmo las
premisas son formadas conjuntivamente (and) o disyuntivamente (or). para premisas
formadas con and el operador de interseccin de lgica difusa es empleado para inducir los
CD.
C'= [ A'MAC] . [B'MBC]
= CA . CB
igualmente el operador de unin es empleado para premisas agrupadas por or
C'= [ A'MAC] v [B'MBC]
= CA v CB

11.- DEFUZZICATION

Despus de la inferencia, tendremos una conclusin difusa, una variable lingstica cuyos
valore han sido asignados por grados de pertenencia, sin embargo usualmente necesitamos
un escalar que corresponda a estos grados de pertenencia, a este proceso se le llama
defusificacion. En la defusificacion se utilizan mtodos matemticos simples como el mtodo
del Centroide, mtodo promedio mximo, mtodo del promedio ponderado y mtodo de
membresa del medio del mximo.
11.1.- Mtodo del promedio mximo: es el ms simple. En la figura siguiente el
mximo grado de membresa abarca desde el valor de x = 43 hasta x = 55. El promedio es 49,
este es el valor de salida de la defusificacion por el mtodo del promedio mximo, y est
dado por la ecuacin:




Promedio mximo
11.2.- Mtodo promedio ponderado: En la siguiente figura tenemos dos
mximos de x=0 a x=15 con un grado de membresa de y el segundo de x=43 a
x=55 con un grado de membresa de .Tomamos el promedio de los mximos ,
cada uno con su grado de membresa y se suman los productos, y se divide esta suma son la
suma de las membresa, para este caso el valor de la salida de defusificacion seria 35.6 y si
tenemos n mximos locales la ecuacin general es:

Donde:
N= nmero de mximos
xmax= valor de x mximo
()= es el valor de pertenencia del mximo
11.3.- Mtodo de centroide: es el ms utilizado por los ingenieros de control. Este
mtodo tambin conocido como Centro de rea (COA) calcula el centro de gravedad del
polgono que se gener en la inferencia


12.- REGLAS DIFUSAS MLTIPLES.

Nuestra siguiente consideracin es la situacin donde tenemos n reglas difusas o
asociaciones (A1, B1), ...(An, Bn). Esta situacin lleva a n matrices M1, M2, .. Mn, para
encerrar las asociaciones o relaciones entre Ai y Bi.

Nuestro inters en este conjunto de reglas difusas es el grado de creencia resultante
en B dado una simple medida A'. Procedemos con la aplicacin de A' en paralelo al banco de
reglas, produciendo un conjunto difuso inducido B' para cada regla, entonces sumamos
todos los B' resultantes para formar un conjunto difuso inducido B' . Usando la siguiente
operacin estndar de unin.

B' = B'1 B'2 .. B'n
= max(B'1(x),B'2(x),..B'n(x)) para todo x e X

La siguiente figura ilustra esta operacin tomando como entrada un producto de A y
produciendo un estimado de B.