Tópicos en Sistemas Expertos e

Inteligencia Artificial
clase 9

Arturo Vilca
avilca@uni.edu.pe
posgrado uni-fiee 2017-2
 Lógica difusa (borrosa)
• Lógica clásica y difusa
• Conceptos y operaciones
• Aplicaciones
 Razonamiento
• Uno de los grandes temas en IA
• El modelo ideal es el razonamiento exacto
• Pero, en el mundo real se suele razonar con
información:
– incierta
– imprecisa
– incompleta
– vaga
 Razonamiento aproximado
• Existen fuentes de incertidumbre por:
– Deficiencias en la información
– Características del mundo real
– Deficiencias del modelo

• El tratamiento de la incertidumbre es, junto

con la representación del conocimiento y el
aprendizaje, uno de los problemas
fundamentales de la IA
 Lógica clásica
La lógica clásica aristotélica se ha mostrado
eficaz en ciencias duras como la matemática o la
física pero resulta insuficiente cuando los
predicados contienen:
imprecisión,
incertidumbre o
vaguedad,
que es como funciona el razonamiento humano
 Lógica difusa
• En la lógica difusa, las cosas no son verdaderas o
falsas al 100%. Una cosa puede ser verdadera al 15%
(técnicamente, su ‘grado de verdad’ es del 0.15)

• Las variables (o categorías) no son números, sino

nombres sin fronteras precisas
– (hace calor, frío o ‘se está normal’),
y los operadores que los modifican son:
– ‘bastante’, ‘mucho’ o ‘poco’
 Soft Computing
• Rama de la IA centrada en el diseño de sistemas
inteligentes capaces de manejar adecuadamente
la información:
– incierta,
– imprecisa,
– y/o incompleta
• Esta cualidad permite abordar problemas reales
obteniendo soluciones más robustas, manejables
y de menor costo que las obtenidas mediante
técnicas convencionales.
• Principales técnicas:
– lógica difusa
– redes neuronales
– la computación evolutiva
– razonamiento
probabilístico
 Soft vs Hard Computing
• Tolerante a la imprecisión,
incertidumbre, verdad parcial
y aproximación
• Usa lógica difusa, redes
neuronales y razonamiento
probabilístico
• Características de
aproximación y disponibilidad
• Puede evolucionar sus propios
programas
• Acepta procesos estocásticos
• Puede tratar con datos con
ambigüedad y ruido
• Puede producir respuesta
aproximadas
• Requiere un modelo analítico
de estado preciso
• Usa lógica binaria, sistemas
crisp, análisis numérico y
software crisp
• Características de precisión y
categoricidad
• Requiere que sean escritos sus
programas
• Es determinístico
• Requiere datos exactos
• Produce respuestas exactas
 Técnicas en Soft Computing
• Desde que Lotfi Zadeh acuñó el término Soft-Computing
en 1991, esta área ha experimentado un rápido
desarrollo tanto en sus aspectos teóricos como en sus
aplicaciones empresariales

• Las técnicas de Soft-Computing abordan problemas de

gran diversidad tanto en tipología (modelado,
optimización, planificación, control, predicción, minería
de datos, etc.) como en el sector de aplicación
(producción industrial, logística, energía, banca,
agroalimentación, entre otros)
 Lógica difusa
• “Con frecuencia las clases de objetos del mundo físico
real no poseen criterios de pertenencia definidos con
precisión” (Zadeh, 1965).

• El lenguaje natural esta plagado de conceptos

ambigüos y mal definidos. Por ejemplo:

– El horno está caliente

– Alejandro es alto pero Ana no es bajita
– IBM es una compañía grande y agresiva
 Lofty Zadeh
• Muchos conceptos son mejor definidos
mediante palabras que por la matemática
pura
• Las variables pueden tener varios niveles de
verdad o falsedad representados por rangos
de valores entre el 0 (falso) y el 1
(verdadero)
• Profesor del Departamento de Ingeniería
Eléctrica de la Universidad de California en
Berkeley, a mediados de los 60’s, publicó el
artículo " Fuzzy Sets “
• Los humanos tienen una
notable capacidad de razonar
y tomar decisiones en un
ambiente de incertidumbre,
imprecisión, falta de
información y parcialmente
de conocimiento, verdad y
membresía de clase

• El principal objetivo de la
lógica difusa es la
formalización/mecanización
de esta capacidad
 Definiciones
• Incertidumbre
– Falta de información
• Probabilidad
– La posibilidad de que cierto evento pueda ocurrir
• Imprecisión
– Ambigüedad, falta de claridad
 Características de la lógica difusa
• Está basada en el lenguaje natural
• Acepta datos inexactos
• Permite modelar funciones no lineales
• Es fácil de entender
• Es flexible
• Puede utilizar el conocimiento de expertos
 Conjunto clásico
• Una persona es alta si mide más de 1.80m
• Conjunto clásico
A = { x / x > 1.80m}
• ¿Y una persona de 1.79m? ¿No es alta?

• Lógica bivaluada: sólo dos valores (V) o (F)

• Lógica multivaluada: infinitos valores
 Conjunto difuso

La transición de la pertenencia o no-pertenencia de un

elemento es gradual y esta transición está caracterizada por
funciones de membresía
 Terminología
• Variable
Lingüística
• Universo de
Discurso
• Conjunto Difuso
• Valor Lingüístico
• Función de
pertenencia
 Conjuntos difusos
• Temperatura:
Sean los elementos del Universo:
{0°,10°,20°,30°,40°,…,90°,100°}

• Conjuntos difusos:
– Fría = {1/0°, 0.7/10°, 0.5/20°, 0.2/30°}
– Tibia = {0.1/20°, 0.6/30°, 1/40°, 0.6/50°, 0.2/60°}
– Caliente = {0.4/50°, 0.8/60°, 1/70°, 1/80°, 1/90°, 1/100°}
 Representación de la Temperatura
Fría = {1/0°, 0.7/10°, 0.5/20°, 0.2/30°}
Tibia = {0.1/20°, 0.6/30°, 1/40°, 0.6/50°, 0.2/60°}
Caliente = {0.4/50°, 0.8/60°, 1/70°, 1/80°, 1/90°, 1/100°}
Representación de la edad
 Concepto de pertenencia
• En lógica clásica la pertenencia a un conjunto es
un valor de verdad en un universo binario
– Dado un universo U y un P(U) como el conjunto de partes
o subconjuntos de U
– Tenemos que fP: U  {0,1}

• En lógica borrosa la pertenencia a un conjunto

viene dada por una función de pertenencia ()
sobre un universo continuo [0,1]
– Dado un universo U y un P(U) como el conjunto de partes
o subconjuntos de U
– Tenemos que P: U  [0,1]
 T-normas
• La conjunción borrosa entre dos subconjuntos borrosos A y B
se expresa como una función T:[0,1]x[0,1]  [0,1], que
expresa el grado de pertenencia de x a A^B
• Una conjunción borrosa es una t-norma si satisface las
siguientes propiedades:
– Asociativa: T(x,T(y,z)) = T(T(x,y), z)
– Conmutativa: T(x,y) = T(y,x)
– Monotonía: T(x,y) ≤ T(x’,y’) si x ≤x’, y ≤y’
– Elemento neutro: T(x,1) = 0
• Además conviene que T sea continua
• En lógica difusa: T(x,y) = min(x,y)
 T-conormas
• Las t-conormas corresponden a las disyunciones de la
lógica clásica
• Las deducimos usando las leyes de De Morgan:
p v q = ¬(¬p ^¬q)
• Si T es una t-norma, diremos que T* es su t-conorma
dual cuando cumple que T*(x,y) = 1- T(1-x,1-y)
• Las t-conormas cumplen las propiedades:
– Asociativa: T*(x,T*(y,z)) = T*(T*(x,y), z)
– Conmutativa: T*(x,y) = T*(y,x)
– Monotonía: T*(x,y) ≤ T*(x’,y’) si x ≤x’, y ≤y’
– Elemento absorvente (cota): T*(x,1) = 1
– Elemento neutro: T*(x,0) = 0
• En lógica difusa la t-conorma es T*(x,y) = max(x,y)
 Función de pertenencia
• Para un conjunto difuso A, la función µA representa a la
función de pertenencia para la cual µA(x) indica el
grado en que x, del conjunto universal X, pertenece al
conjunto A

• Es expresada como un número entre 0 y 1

µA(x) : X  [0,1]

• Los conjuntos difusos pueden ser discretos o contínuos

• Notación: para la variable x, de un conjunto discreto con grado de
pertenencia µ, se usa la notación µ/x . Se dice entonces que, x
pertenece al conjunto en grado µ

• Los conjuntos discretos son definidos como:

A = µ1/x1 + µ2/x2 + …..+ µn/xn
o en forma compacta:

x1 ,x2 , ….. xn : variables pertenecientes al conjunto A

µ1, µ2,…..µn : grados de pertenencia de x1 , x2 ….. xn

Ejplo: x = potencia en un coche (HP)

Potencia(x) = {0.1/80, 0.3/100, 0.5/120, 0.7/140, 0.9/160, 1/180}

• Un conjunto contínuo A puede ser definido
como:

µ
Ejplo:
Conjuntos
difusos: discreto
y contínuo, para
representar el
conjunto de
números
“cercanos a 1”
números
 Particiones difusas
• La división del universo del discurso en subconjuntos
etiquetados. Pueden solaparse
Ejplo: Temperatura
Se definen 5 etiquetas lingüísticas: muy baja (MB), baja(B),
normal(N), alta(A), muy alta(MA)
• La lógica difusa es una extensión de la lógica tradicional (Booleana)
que utiliza conceptos de pertenencia de conjuntos más parecidos a
la manera de pensar humana

• El concepto de un subconjunto difuso fue introducido por L.A.

Zadeh en 1965 como una generalización de un subconjunto exacto
(crisp subset) tradicional

• Los subconjuntos exactos usan Lógica Booleana con valores exactos

como por ejemplo la lógica binaria que usa valores de 1 ó 0 para sus
operaciones
 Conjunto clásico
Un conjunto exacto (crisp set) :

μs(x)
función
1
característica

N x

μS : X -> {0,1} μS(x) = 1 si x es miembro de S

μS(x) = 0 si x no es miembro de S
 Conjunto difuso
Función de pertenencia de x al set difuso F: μF(x)
μF(x) corresponde al grado de pertenecia de x a F (nivel de frío medido en la
variable x)

frío
μF(x) mas o menos frío
1
no tan frío

definitivamente
no frío
0 -40 -20 0 10 20 30
x (Co)
 Funciones de pertenencia
• Trapezoidal • Triangular
 0 xa
x  a  0 xa
 axb
x  a
 b  a  axb
 (x)   1 bx c  (x)   b  a
d  x c  x
 cxd bxc
c  b
bc  0 xc
 0 xd

1 1

a b c d a b c
 Función de pertenencia
• Tipo S • Tipo π
0 xa
  x  a 2
2   axb  S ( x ) xb
  ca    (x)  
S (x)  
1  2  x  a 
2
1  S ( x) xb
 bxc
  ca 
1 xc

b-d b b+d
a b c
 Operaciones difusas
• Complemento
µ¬A(x) = 1 - µA(x)
• Unión
µAUB(x) = max(µA(x),µB(x))
• Intersección
µA∩B(x) = min(µA(x),µB(x))
 Operaciones con conjuntos
• Conjuntos A y B • Complemento

• Unión • Intersección
• ¿Cuál es el valor de pertenencia
de x=4.5 en la unión e
intersección de A y B?

• ¿Cuál es el valor de pertenencia

de x=6 en complemento de A?