La lógica difusa, es una rama de la inteligencia artificial que se utiliza para modelar y

manejar la incertidumbre y la imprecisión en sistemas de control y toma de decisiones.

Mientras que en la lógica clásica las proposiciones son verdaderas o falsas de manera
binaria, en la lógica difusa las proposiciones pueden ser parcialmente verdaderas o
parcialmente falsas, lo que permite una representación más flexible y realista de muchos
problemas del mundo real.

Las reglas difusas son declaraciones que relacionan entradas difusas (generalmente
representadas como conjuntos difusos) con salidas difusas, utilizando un conjunto de
condiciones difusas y acciones difusas. Estas reglas son esenciales en los sistemas de
control difuso, donde se utilizan para mapear las entradas a las salidas de manera difusa

Un ejemplo sencillo de una regla difusa sería: "Si la temperatura es alta y la humedad es
baja, entonces aumentar la velocidad del ventilador". Aquí, "alta" y "baja" son términos
lingüísticos difusos que representan diferentes grados de temperatura y humedad, y
"aumentar la velocidad del ventilador" es la acción difusa que se toma en función de las
condiciones de entrada difusas.

Las reglas difusas se combinan mediante operadores de inferencia difusa para determinar
la salida del sistema difuso, lo que permite que los sistemas basados en lógica difusa
manejen de manera efectiva la incertidumbre y la imprecisión en una amplia gama de
aplicaciones.

Figura 1. Desarrollo de un sistema domótico con controlador difuso y

controlador manual
 Nota. VÁZQUEZ, J. A. (2018). Researchgate. Recuperado 28 de marzo de 2024,
de https://www.researchgate.net/figure/Esquema-basico-de-un-sistema-de-
control-difuso_fig1_339203965

Las reglas de "AND" (Y), "OR" (O) y "NOT" (NO) son operadores lógicos fundamentales
que se utilizan en muchas áreas de la lógica y las matemáticas. En el contexto de las
reglas de inferencia difusa, estos operadores se aplican a conjuntos difusos para
determinar cómo combinar múltiples condiciones o proposiciones.

1. AND (Y): En el contexto difuso, el operador "AND" se utiliza para combinar

múltiples condiciones difusas. Cuando se aplica el operador "AND" a dos
conjuntos difusos A y B, el resultado es un conjunto difuso que representa la
intersección de A y B. Esto significa que el grado de pertenencia en el conjunto
resultante es el mínimo de los grados de pertenencia en los conjuntos originales.
Matemáticamente, si A y B son conjuntos difusos con funciones de membresía
μ x ( A ) y μ x (B) respectivamente, entonces la función de membresía del conjunto
resultante C es μ x (C) = min ( μ x ( A ), μ x (B)).
2. OR (O): El operador "OR" en el contexto difuso se utiliza para combinar múltiples
condiciones difusas. Cuando se aplica el operador "OR" a dos conjuntos difusos A
y B, el resultado es un conjunto difuso que representa la unión de A y B. Esto
significa que el grado de pertenencia en el conjunto resultante es el máximo de los
grados de pertenencia en los conjuntos originales. Matemáticamente, si A y B son
conjuntos difusos con funciones de membresía μ x ( A ) y μ x (B) respectivamente,
entonces la función de membresía del conjunto resultante C es μ x (C) = max (
μ x ( A ), μ x (B)).
3. NOT (NO): El operador "NOT" se utiliza para negar un conjunto difuso. Esto
significa que invierte el grado de pertenencia en el conjunto difuso original. Si A es
un conjunto difuso con función de membresía μ x ( A ), entonces la función de
membresía del conjunto difuso negado, A, es μ x ( A ) = 1 - μ x ( A ), donde 1
representa el grado completo de pertenencia.

Estos operadores son esenciales en la construcción de reglas de inferencia difusa, ya que

permiten combinar múltiples condiciones difusas para determinar la salida difusa del
sistema de control. Las reglas de "AND", "OR" y "NOT" se utilizan en conjunto con las
reglas de inferencia difusa específicas para definir el comportamiento del sistema difuso
en función de las condiciones de entrada.
Las reglas de Ebrahim Mamdani son un tipo de reglas utilizadas en sistemas de control
difuso, específicamente en el diseño de controladores difusos. Estas reglas fueron
propuestas por Ebrahim H. Mamdani en su artículo seminal "Application of Fuzzy
Algorithms for Control of Simple Dynamic Plant" publicado en 1974.

1. Definir las variables lingüísticas de entrada y salida.

2. Construir la base de reglas que representan la estrategia de control.
3. Fusificar los valores de entrada: hallar los grados de pertenencia y evaluar cada
una de las reglas
4. Evaluación de las reglas: ejecutar la inferencia para determinar la fuerza de las
reglas activadas
5. Razonamiento
6. Defusicar, usando el método de centroide de gravedad para determinar la acción a
ser ejecutada.

El método de Mamdani utiliza un conjunto de reglas difusas “SI-ENTONCES” (IF-THEN).

Toma como entrada los valores de la fusificación y se aplican a los antecedentes de las
reglas difusas. Si una regla tiene múltiples antecedentes, se utiliza el operador AND u OR
para obtener un único número que represente el resultado de la evaluación. Este número
(el valor de verdad) se aplica al consecuente.

1. Si A es A1 y B es B1, entonces C es C1.

2. Si A es A2 y B es B2, entonces C es C2.
3. Si A es A3 y B es B3, entonces C es C3.
4. Si A es A4 y B es B4, entonces C es C4.
5. Si A es A5 y B es B5, entonces C es C5.

Estas son solo reglas de ejemplo, donde A, B, y C son conjuntos difusos representando
variables de entrada y salida, y A1, A2, ..., C1, C2, ... son etiquetas difusas asociadas a
esos conjuntos. En un sistema de control difuso completo, habría un conjunto de reglas
que cubren todas las combinaciones relevantes de valores difusos de entrada y salida.
 Figura 2. Variables lingüísticas.

Nota. M.P Michell Blancas, lógica difusa 2020.

Las funciones de pertenencia difusa son funciones que describen cómo un elemento
pertenece a un conjunto difuso en un rango determinado. Estas funciones son esenciales
en la lógica difusa y se utilizan para representar la incertidumbre y la imprecisión en los
sistemas de inteligencia artificial y control difuso. Aquí hay algunas de las funciones de
pertenencia difusa más comunes:

Función Triangular: Esta función tiene una forma de triángulo y se utiliza comúnmente
debido a su simplicidad. Está definida por tres parámetros: el punto mínimo, el punto
máximo y el punto medio.

Función Trapezoidal: Similar a la función triangular, pero con dos puntos mínimos y dos
puntos máximos, lo que permite un grado de incertidumbre más amplio en la transición
entre la pertenencia y la no pertenencia.

Función Gaussiana: Esta función tiene una forma de campana y se utiliza para modelar
distribuciones simétricas alrededor de un valor central. Es útil cuando se desea
representar la incertidumbre en una medida que sigue una distribución normal.
Función Sigmoidal: Tiene una forma de S y se utiliza para representar transiciones suaves
entre los valores de pertenencia y no pertenencia. Es común en aplicaciones donde se
necesita una transición gradual entre dos estados.

Figura 3. Función Triangular

X−P 1
P 1< X < P 2
P 2−P1
P 2< X < P 3
P3−X
μ( X ) P 3−P 2 X ≤ P1 Ó X ≥ P 3
0 X =P 2
1

Figura 4. Función Trapezoidal

 X−P 1
P 1< X < P 2
P 2−P1
P 2≤ X ≤ P3
1
μ( X ) P 4−X P 3< X < P 4
P 4−P3 X ≤ P1 Ó X ≥ P 4
0

Figura 5. Función Gaussiana

μ( X )= 1 2(
−1 x−m
σ )⌃2
e
σ √2 π
 Figura 6. Función Sigmoidal

Estassonsoloalgunasdelasfuncionesdepertenenciadifusamáscomunes.Dependiendodelcontextoylosrequisitosespecíficosdelaaplicación,tambiénpuedenutilizarseotrasfuncionesmáscomplejasoadaptadasasituacionesparticulares.Laeleccióndelafuncióndepertenenciaadecuadadependedelanaturalezadelproblemaylosdatosdisponibles.

1
μ( X )= −x
1+ e

El centroide es un concepto clave en la teoría de conjuntos difusos y está estrechamente

relacionado con las reglas difusas en sistemas de lógica difusa.

En el contexto de los conjuntos difusos, el centroide representa el punto que se considera

el "centro de masa" del conjunto difuso. Es una medida de la "localización" del conjunto
difuso en el espacio. Matemáticamente, el centroide de un conjunto difuso se calcula
tomando la media ponderada de los valores en el conjunto, donde el peso de cada valor
es determinado por su grado de pertenencia en el conjunto difuso.

La relación entre el centroide y las reglas difusas se da principalmente en sistemas de

control difuso. Después de que las reglas difusas hayan sido aplicadas para calcular las
salidas difusas en función de las entradas difusas y las reglas de inferencia, el centroide
se utiliza frecuentemente para "desdifuminar" estas salidas difusas y obtener un valor
único y preciso para la salida del sistema. Este proceso se conoce como defusificación.

Una técnica común de defusificación es el método del centroide, donde se calcula el

centroide ponderado de las salidas difusas para obtener un valor numérico único que
representa la salida del sistema. Esto se hace multiplicando cada valor de salida por su
grado de pertenencia en el conjunto difuso y luego tomando la media ponderada de estos
valores.

∑ X i μc( Xi)
Variable de Salida : i=1n
∑ μ c(Xi)
i=1

Ejemplo aplicando método de Ebrahim Mamdani.

1. Se desea calcular el clima mas probable, dado un valor de temperatura y la velocidad

del viento.

Temperatura = 30°

Viento = 25 Km/h

Desarrollo.

1. Se debe determinar las variables lingüísticas de entrada y de salida así:

Variables lingüísticas de entrada Variables lingüísticas de salida

Temperatura (X): Clima (Z):
Baja (A1) Frio (C1)
Media (A2) Promedio (C2)
Alta (A3) Cálido (C3)
Viento (Y):
Fuerte (B1)
Ligero (B2)

2. Una vez determinadas las variables lingüísticas, se deben establecer las reglas del
universo de discurso.
Regla 1. SI la temperatura es baja Y el viento es fuerte, entonces el clima es frio.

Regla 2. SI la temperatura es media O el viento es ligero, entonces el clima es promedio.

Regla 3. SI la temperatura es alta O el viento es ligero, entonces el clima es cálido.

3. Se debe elegir la función de pertenencia que mejor represente el conjunto borroso

acuerdo a las variables lingüísticas de entrada y salida.

Obtenemos el valor de μ x acuerdo las ecuaciones establecidas para cada función de

pertenencia usando el dato de entrada a cada conjunto borroso respectivamente,
obteniendo los siguientes valores:

μ x ( A 1)=0 μY (B1)=0.8 Por determinar.

μ x ( A 2)=0.4 μY (B2)=0 Por determinar.
μ x ( A 3)=0.15 No aplica. Por determinar.

4. Aplicamos las reglas determinadas para este universo de discurso

Regla 1. SI la temperatura es baja Y el viento es fuerte, entonces el clima es frio.

μ x ( A 1)=0 μY (B1)=0.8 μZ (C 1)=0

Regla 2. SI la temperatura es media O el viento es ligero, entonces el clima es promedio.

μ x ( A 2)=0.4 μY (B2)=0 μZ ( C 2)=0.4

Regla 3. SI la temperatura es alta O el viento es ligero, entonces el clima es cálido.

μ x ( A 3)=0.15 μY (B2)=0 μZ (C 3)=0.15

Es importante recordar las reglas de operadores de conjuntos AND y OR, donde en AND
escogemos el valor de μ x mínimo y en OR escogemos el valor de μ x máximo.

Acuerdo los datos obtenidos, podemos representarlos con la siguiente grafica.

Observamos que acuerdo las reglas, no obtenemos área sombreada en clima frio(C1) a
diferencia del clima promedio (C2) y el clima cálido (C3), procedemos asignar valores
lingüísticos de salida.

5. Mediante el método de centroide hallamos el punto de equilibrio del área sombreada.

( 0+10+20+30 )∗0.0+ ( 40+50+60 +70 )∗0.4+ ( 80+ 90+100 )∗0.15

Salida=
0+ 0+0+0+ 0.4+0.4 +0.4 +0.4+ 0.15+0.15+0.15
128.5
Salida=
2.05
Salida=62.68
6. Usando el razonamiento en el resultado anteriormente obtenido poder observar que entre las
variables lingüísticas de salida establecidas, el valor se adapta al conjunto borroso establecido C2
el cual es clima promedio.
Bibliografía
Mamdani, E. H. (1974). Application of fuzzy algorithms for control of simple dynamic
plant. Proceedings Of The Institution Of Electrical Engineers, 121(12), 1585.

M.P.Blancas Nuñez (2020). Lógica Difusa, Docente investigador, Universidad Privada del Norte.

J. Galindo Gomez, Apuntes de Lógica Difusa, Departamento de Lenguajes y Ciencias de la

Computación, Universidad de Málaga.

Araceli Grande Meza, Observadores Difusos y Control Adaptable Difuso Basado en Observadores,
Centro de Investigación y de Estudios Avanzados, Instituto Politécnico Nacional