Lógica Difusa
Rodrigo Salas
Universidad de Valparaı́so
Valparaı́so-Chile
rodigo.salas@uv.cl
1. Introducción
El presente artı́culo está basado en el artı́culo de
Michael Berthold en el capı́tulo 9 de Lógica Difusa del
libro Intelligent Data Analysis [?].
En una gran cantidad de técnicas o enfoques para el
análisis de los datos asumen que se tienen datos precisos,
es decir, se asume que se tienen mediciones exactas. Pero
en la mayorı́a de las aplicaciones reales, nunca se tiene
una precisión en las medidas, siempre existirá un gra-
do de incertidumbre. En el contexto de la incertidum-
bre nosotros estamos interesados en el rango en que caen
nuestras mediciones.
En éste artı́culo se presentará un enfoque que se preocu-
pa de conceptos imprecisos basados en la Lógica Difusa.
Esta tipo de lógica nos premite enfrentar la incertidumbre
en una forma natural e intuitiva. Además de hacer posi-
ble la formalización de números imprecisos, también nos
permite realizar aritmética utilizando tales números difu-
sos. La teorı́a clásica de conjuntos puede ser extendida
para manejar membresı́a parcial haciendo posible expre-
sar los vagos conceptos humanos usando conjuntos difu-
sos y además describiendo el sistema de inferencia corre-
spondiente basado en reglas difusas.
2. Conceptos Básicos de Lógica Di-
fusa y Conjuntos Difusos
Consideremos por ejemplo el conjunto de las personas
jóvenes, asumiendo que nuestra percepción de una per-
sona jóven es alguien que tiene una edad no mayor a 20
años, entonce según la teorı́a clásica el conjunto se define y 30 años con un grado de membresı́a que decrece lineal-
de la siguiente manera:
joven = {x ∈ P|edad(x) ≤ 20}
sobre algún dominio P de todas las persosnas y usando
la función edad que retorna la edad en años de alguna
persona x ∈ P. Además podemos definir la función carac-
terı́stica:
½
1 edad(x) ≤ 20
m joven (x) =
0 edad(x) > 20
el cual asigna a los elementos de P el valor de 1 cuando un
elemento pertenece al conjunto de las personas jóvenes,
y 0 sino. Esta función caracterı́stica puede ser vista co-
mo una función de membresı́a para el conjunto joven,
definiendo el conjunto joven en P.
Sin embargo, una persona que tenga un poco más de 20
años reclamará que se considera una persona jóven con
un alto grado de pertenencia, por lo tanto la definición
del conjunto joven usando una frontera tan marcada no
es la manera más apropiada. La idea fundamental que ex-
iste detrás de la teorı́a de conjuntos difusos es una visión
diferente de la noción de membresı́a y consiste en que los
elementos pueden pertenecer a más de un conjunto con
cierto grado de pertenencia. En nuestro ejemplo, podemos
decir que una persona de 21 años pertenece al conjunto de
joven pero con un grado de 0,9. Por lo tanto la función de
membresı́a podrı́a ser:

 1 edad(x) ≤ 20
µ joven (x) = 1 − edad(x)−20 20 < edad(x) ≤ 30
 10
0 edad(x) > 20
Ahora el conjunto joven contiene a personas entre 20
mente (ver figura 1). Un conjunto difuso A es definido a
1

Figura 1: Variables linguisticas de la edad con tres con-
juntos difusos, y el grado de pertenencia para una cierta
edad p.
través de la especificación de la función de membresı́a de
A : µA (x) ∈ [0, 1]. Estas ideas fueron introducidas por Lofti
A. Zadeh en 1965 [?]
2.1. Variables Lingüı́sticas y Conjuntos Di-
fusos
El cubrimiento del dominio de una variable con varios
conjuntos difusos y con la correspondiente interpretación
semántica resulta en una variable lingüı́stica, permitien-
do el cálculo con palabras. En nuestro ejemplo esto podrı́a
significar que se definen dos funciones de membresı́a adi-
cionales para las personas adultas y viejas, lo que permite
cubrir todo el dominio de la variable edad (ver figura 1).
Este tipo de representación es especialmente útil y apropi-
ado para muchas aplicaciones del mundo real donde cier-
tos conceptos son inheréntemente vagos en su naturaleza,
debido a su medición imprecisa o a la subjetividad.
La superposición de las funciones de membresı́a refle-
jan la naturaleza imprecisa de los conceptos. Es impor-
tante tener en cuenta que los conceptos dependen de su re-
spectivo contexto. Por ejemplo, un viejo estudiante puede
ser un joven profesor.
Esta forma de definir conjuntos difusos sobre el do-
minio de la variable amenudo se conoce como granu-
lación. La granulación resulta en un agrupamiento de
objetos en clusters imprecisos también conocidos como
gránulos difusos, con los objetos formando un gránulo
comparten similaridades.
2.2. Números Difusos
En aplicaciones reales la forma de las funciones de
membresı́a están usualmente restringidas a ciertas clases
de funciones que pueden estar especificadas con pocos caciones del mundo real. Mediciones del mundo real son
parámetros. En la figura 2 muestra las formas más usadas de naturaleza imprecisa y un número rı́gido no pueden
de funciones de membresı́a.
Figura 2: Las formas más utilizadas de funciones de mem-
bresı́a trapezoidal, triangular, Gaussiana y singleton
Un experto preferirá definir su noción de conjunto di-
fuso especificando el área donde el grado de pertenencia
deberı́a ser 1 y donde es 0. El cambio de una función de
membresı́a a otra afectará al sistema sólo dentro de los
bordes de granulación.
Los siguientes parámetros pueden ser definidos y son
amenudo utilizados para caracterizar cualquier función de
membresı́a difuso:
soporte : sA := {x : µA (x) > 0}, es el área donde la
función de membresı́a es mayor a 1.
nucleo : cA := {x : µA (x) = 1} es el area donde los
elementos tienen un máximo grado de pertenencia al
conjunto difuso. Observar que el núcleo puede ser
vacı́o cuando la función de memebresı́a es menor a 1
a lo largo del todo el dominio.
α − cut : Aα := {x : µA (x) ≥ α}, es el corte en la fun-
ción de membresı́a de A a la altura α.
altura : hA := máxx {µA (x)}, es el valor máximo de
la función de membresı́a.
La motivación de usar números difusos radica en apli-
2
describir este efecto de la manera más adecuada. Gen- puede encontrar los puntos y, z ∈ ℜ que también tienen el
eralmente las mediciones son modeladas a través de un grado de pertenencia de 1 usando las funciones de mem-
número rı́gido x para el valor más probable con un inter- bresı́a de a y b y, que sumados, satisfacen y + z = x. Como
valo que describe la imprecisión. En el sentido lingüı́stico es esperado en el caso rı́gido, el resultado es un singleton
esto puede ser expresado como alrededor de x. Al usar en el punto a + b. Para el caso difuso se utiliza el principio
conjuntos difusos podemos agragar esta información di- de extensión [?]. Para un operador arbitrario ?, se tiene:
rectamente. Esto resulta en números difusos los que son
un tipo especial de conjuntos difusos que restringe los
posibles tipos de funciones de membresı́a: µa?b (x) = máx {mı́n{µA (y), µB (z)}|y ? z = x}
y,z∈ℜ
La función de memebresı́a debe estra normaliza-
da y singular (es decir, el núcleo es no vacı́o y esto significa que para un valor x ∈ ℜ el grado de
único). Esto resulta en un punto ubicado dentro del pertenencia es obtenido el cual es el máximo de
núcleo modelando el número más probable de nue- mı́n{µA (y), µB (z)} sobre todos los posible pares y, z ∈ ℜ
stro número difuso. El punto recibe el nombre de val- tal que se cumple y ? z = x.
or modal. En otras palabras, la nueva función de membresı́a
asigna el máximo grado de pertenencia que puede ser al-
además µA tiene que ser monótonamente creciente canzado al encontrar la mejor combinación de parámetros
por la izquierda y monótonamente decreciente por la en el dominio de ℜ de las variables involucradas. En efec-
derecha del núcleo. El ancho del soporte indicará el to, tales operadores convierten un conjunto difuso en un
grado de imprecisión. nuevo conjunto difuso que describe la operación. Como
se puede observar en la figura 4 cómo la forma triangu-
Además necesitamos realizar cálculo como sumas, lar se mantiene para la suma y es más complicado para el
restas, multiplicación con los números difusos. Primero caso de la multiplicación.
consideremos el caso clásico de sumar dos números: c =
a + b, operación que se ilustra en la figura 3 usando fun-
ciones de membresı́a para representar ambos números.
Por lo tanto la función de membresı́a correspondiente a
la suma, µc = µa+b , viene dado por:

½
1 si ∃y, z ∈ ℜ : y + z = x ∧ µa (y) = 1 ∧ µb (z) = 1
µa+b (x) =
0 sino

Figura 4: Suma DifusaUn ejemplo para la función de

Figura 3: Un ejemplo para la función de membresı́a de
dos números rı́gidos y el resultado de sumarlos
En efecto, se define una función que asigna el grado de
membresı́a de 1 sólo a aquellos puntos x ∈ ℜ al cual se
membresı́a de dos números difusos y el resultado de
sumarlos y multiplicarlos
Cuando se aplica una función no-lineal a los números
difusos, se pierde la forma triangular, y se puede utilizar
el principio de extensión para obtener su forma (ver figura
2):

3
 La figura 5 se muestran las normas. Sin embargo al us-
µ f (A) (y) = máx{µA (x)|∀x : f (x) = y} ar estas definiciones no todas las tautologı́as de la lógi-
ca clásica se satisfacen en el caso difuso, por ejemplo, si
2.3. Conjuntos Difusos y Lógica Difusa µA (x) = 0,3:

Los operadores clásicas de la lógica booleana co- A ∧ ¬A 6= False, puesto que µA∧¬A = mı́n{µA , 1 −
mo conjunciones, disyunciones y complementos también µA } = mı́n{0,3, 0,7} = 0,3 6= 0.
puede ser extendidos a conjuntos difusos. Considerar por
A ∨ ¬A 6= True, puesto que µA∨¬A = máx{µA , 1 −
ejemplo que deseamos encontrar el conjunto de las per-
µA } = máx{0,3, 0,7} = 0,7 6= 1.
sonas altas y jóvenes, usando la lógica clásica constru-
irı́amos el nuevo conjunto usando la conjunción booleana:

½
1 si malto (x) = 1 y m joven (x) = 1
malto y joven (x) =
0 sino
Sin embargo, en la lógica difusa esa condición tan es-
tricta es no deseada. Asumir por ejemplo que una persona
pertenece al conjunto joven con un grado de 0.5 y al con-
junto alto con grado 0.8, ¿Cuál serı́a el grado de perte-
nencia al conjunto de las personas jóvenes y altas? Para
responder a esta pregunta existe un familia entera de op-
eradores que pueden ser definidas para poder derivar la
función de membresı́a.
Lofti Zadeh [?] introdujo las siguientes funciones:

Conjunción (Mı́nimo): Figura 5: Dos variantes para interpretar la unión e inter-

µA∧B (x) := mı́n{µA (x), µB (x)} sección difusa. (Izq) mı́n / máx de Zadeh y (Der) produc-
to/suma acotada
Disyunción (Máximo):
µA∨B (x) := máx{µA (x), µB (x)} Ahora, necesitamos definir la implicancia. Basado en
la interpretación mı́n / máx la siguiente definición de la
Complemento: implicación difusa es la más utilizada (motivado por A →
µ¬A (x) := 1 − µA (x) B = ¬A ∨ (A ∧ B)):
Por lo tanto, en nuestro ejemplo, la persona
pertenecerı́a al grupo de las personas jóvenes y al- µA→B (x) := máx{1 − µA (x), mı́n{µA (x), µB (x)}}
tas con un grado de 0.5.
Muchas otras funciones son posibles para interpretar Otra implicación puede obtenerse a partir de la norma
operadores de conjuntos difusos y la mayorı́a de ellos de Luckasiewicz como:
están formalizados usando el concepto de T-norma y T-
conorma para el caso de la conjunción y disyunción re- µA→B (x) := mı́n{1, 1 − µA (x) + µB (x)}
spectivamente (ver el capı́tulo de Gottwald en [?] y [?]).
Otras operaciones pueden derivarse a partir de esta últi-
Otras elecciones son:
ma expresión:
Conjunción (Producto): µA∧B (x) := µA (x) · µB (x)
Disyunción (strong-or) derivado a partir de A ∨ B =
Disyunción (suma acotada, Lukasiewicz): ¬A → B:
µA∨B (x) := mı́n{µA (x) + µB (x), 1} µA∨B (x) := mı́n{1, µA (x) + µB (x)}

4
 Conjunción (strong-and) derivado a partir de A ∧ B = 2.5. Reglas Difusas
¬(¬A ∨ ¬B):
Las reglas difusas pueden usarse para caracterizar de-
µA∧B (x) := 1 − mı́n{1, 1 − µA (x) + 1 − µB (x)} =
pendencias imprecisas entre las diferentes variables. Con-
máx{0, µA (x) + µB (x) − 1}
siderar por ejemplo la siguiente variable:

2.4. Modus Ponens Generalizado

SI edad(x) ≤ 25 ENT ONCES riesgo(x) > 60 %
En la lógica clásica, conclusiones pueden obtenerse a
partir de hechos conocidos e implicaciones basados en es- que describe el factor de riesgo para una compañı́a asegu-
tos hechos. En la lógica difusa, esto se extiende a hechos radora de autos. Obviamente al usar variables lingüı́sticas
parcialmente verdaderos resultando en una versión gener- la regla es más legible:
alizada del Modus Ponens clásico:
SI edad(x) ES joven ENT ONCES riesgo(x) ES alto
x ES A0
SI x ES A ENT ONCES y ES B Por lo tanto las reglas difusas son de gran interés cuan-
y ES B0 do una dependencia es ya sea imprecisa o un alto nivel
de precisión es no deseado para poder mantener una al-
En términos de la lógica difusa esto puede ser expresa-
ta interpretabilidad. Un tipo básico de regla que es am-
do de la siguiente manera:
pliamente usado en control y otras aplicaciones tienen la
siguiente forma:
µA0 (x)
A→B
µB0 (y) SI x1 ES A1 Y ... Y xn ES An ENT ONCES y ES B
Según la definición de implicación usada, diferentes inter- Este tipo de reglas se conocen con el nombre de reglas
pretaciones de la inferencia difusa se tienen: de Mandani.
En muchas aplicaciones de modelamiento
Restricción Conjunta: Al usar las normas mı́n / máx,
la implicación puede verse como formando una re-
stricción en la variable conjunta, esto es, (x, y) es A ×
B, donde × es el producto cartesiano µA×B (x, y) =
mı́n{µA (x), µB (y)}. B0 puede obtenerse a través de
B0 = A0 ∧ (A × B), o

µB0 (v) = sup{mı́n{µA0 (u), µA×B (u, v)}}

u

Restricción Condicional: Al usar la defición de

Lukasiewicz una posible dependencia aparece:
Poss(x = u|y = v) = mı́n{1, 1 − µA (u) + µB (v)}. Y
B0 puede obtenerse a partit:

µB0 (v) = sup{mı́n{µA0 (u), 1 − µA (u) + µB (v)}}

u