Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 1

Taller de preparación estudio parcial I corte

(Octubre de 2019)
Aguazaco López

 a. ¿es el conjunto difuso 𝐶 = 𝐴 ∩ 𝐵 normal? ¿Por

Resumen – El control inteligente se emplea en el diseño de sistema qué?
de control complejo los cuales no pueden llevarse a cabo por medio de b. ¿El conjunto B es subconjunto de A? ¿Por qué?
las técnicas de control clásicas, uno de los métodos que se pueden 5. Considere un conjunto difuso A multifuncional
llevar a cabo para resolver este tipo de problemas es la lógica difusa definido en 𝑋 𝑥 𝑌 con 𝑋 = {𝑥1 , 𝑥2 } y 𝑌 = {𝑦1 , 𝑦2 }
que trata de implementar estrategias de control expresadas en términos 0.5 0.3 0.8 0.1 1
lingüísticos. En este informe se presentan ciertas técnicas de solución 𝐴 = {(𝑥 , , , , }
1 ,𝑦1 ,𝑧2 ) (𝑥1 ,𝑦2 ,𝑧1 ) (𝑥1 ,𝑦2 ,𝑧2 ) (𝑥2 ,𝑦1 ,𝑧2 ) (𝑥2 ,𝑦2 ,𝑦2 )
empleando la lógica difusa Calcule las proyecciones de A sobre X y Y,
analíticamente y gráficamente.
6. Calcule la extensión cilíndrica del conjunto difuso
Palabras clave – Control Inteligente, Lógica difusa. 0.3 0.5
𝐴 = { , } sobre el dominio del producto cartesiano
𝑥1 𝑥2
I. INTRODUCCIÓN {𝑥1 , 𝑥2 }𝑥{𝑦1 , 𝑦2 }
La lógica difusa o lógica borrosa se trata de control basado en 7. Considere el conjunto difuso A definido en 𝑋 𝑥 𝑌 𝑥 𝑍
reglas que utiliza técnicas para manipular la imprecisión y fue con: 𝑋 = {𝑥1 , 𝑥2 }, 𝑌 = {𝑦1 , 𝑦2 } 𝑦 𝑍 = {𝑧1 , 𝑧2 }
0.2 0.3 0.6 0.8
introducida por Lofti A. Zadeh. 𝐴 = {(𝑥 , , , }
1 ,𝑦1 ) (𝑥1 ,𝑦2 ) (𝑥2 ,𝑦1 ) (𝑥2 ,𝑦2 )
“La teoría de conjuntos borrosos resulta muy útil en aquellas
situaciones en que los datos y sus relaciones no pueden Calcule las proyecciones sobre 𝑋, 𝑍 𝑥 𝑌 𝑦 𝑋 𝑥 𝑍 de A
escribirse en términos matemáticos precisos. Los conjuntos 8. Para los conjuntos difusos
borrosos son una generalización de la lógica clásica y contienen 0.8 0.1 0.3 1 0.5 0.1
objetos que pertenecen de forma imprecisa o gradual al 𝐴={ , , } 𝐵={ , , }
𝑥1 𝑥2 𝑥3 𝑦1 𝑦2 𝑦3
conjunto. El grado de pertenencia viene definido por una Calcular
función de pertenencia, que usualmente toma valores entre 0 y a. La intersección 𝐴 ∩ 𝐵
1.” [1] b. La unión 𝐴 ∪ 𝐵
En este informe se emplea la lógica difusa para resolver 9. Dada la relación difusa 𝑅: 𝑋 𝑥 𝑌 → [0,1]:
ejercicios donde se busca resolver de manera sencilla y 1 0.1 0.8
empleando las reglas de la lógica difusa. 𝑅 = [0.3 1 0.5]
0.5 0.8 1
II. PROCEDIMIENTO
1. Defina los siguientes conceptos Y el conjunto difuso
a. Variable lingüística. 0.3 0.7 1
𝐴={ , , }
b. Términos lingüísticos. 𝑥1 𝑥2 𝑥3
c. Función de pertenencia. Calcule el conjunto 𝐵 = 𝐴 𝑜 𝑅 donde “o” es el
2. ¿Cuál es la diferencia entre la función de pertenencia operador max-min. Escriba el procedimiento para
de un conjunto ordinario y la de un conjunto difuso? encontrar B.
3. Considere el conjunto difuso C definido por su función 10. Considere las reglas
de pertenencia µ𝐶 (𝑥): 𝑅 → [0,1]: 1. Si x es 𝐴1 entonces y es 𝐵1
1 2. Si x es 𝐴2 entonces y es 𝐵2
𝜇𝐶 (𝑥) = Con conjuntos difusos
1 + (𝑥 − 1)2
Calcule 𝛼 − 𝑐𝑜𝑟𝑡𝑒 de C para 𝛼 = 0.5 1 0.5 0.1
𝐴1 = { , , }
4. Considere dos conjuntos difusos A y B tales que 0 1 2
𝑐𝑜𝑟𝑒(𝐴) ∩ 𝑐𝑜𝑟𝑒(𝐵) = 0 0.1 1 0.5
𝐴2 = { , , }
1 2 3
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 2

0.15 1 0.6 b. Términos lingüísticos: Es un conjunto de 5

𝐵1 = { , , } elementos: N, U, T(N), G, M
0 10 20
0.01 1 0.5 N es el nombre de la variable y U dominio
𝐵1 = { , , } subyacente
10 20 30
Calcule el valor de y T(N) es el conjunto de términos o etiquetas que
0.3 1 0.5 0.1 puede tomar N
Para el conjunto 𝐴′ = { , , , }
0 1 2 3 G es una gramática para generar las etiquetas de
11. Considere una regla If x is A then y is B con conjuntos T(N): “muy alto”, “no muy bajo”,
0.1 0.4 1 0 1 0.2
difusos 𝐴 = { , , } y 𝐵 = { , , }. Calcule la “extremadamente normal”, “bajo y normal”…
𝑥1 𝑥2 𝑥3 𝑦1 𝑦2 𝑦3
relación difusa R que representa el valor de verdad de M es una regla semántica que asocia cada
esta regla difusa. elemento de T(N) con un conjunto difuso en U de
12. Considere un problema de decisión multicriterio entre todos los posibles: M: T(N) R F(U)
(usando lógica difusa tipo I) en el que se quiere definir c. Las funciones de pertenencia suelen ser de uno de
la mejor opción laboral para un ingeniero. Para este los tipos clasificados: (ver Fig. 1)
efecto, se consideran como criterios: salario y - Triangulares
distancia (respecto al sitio de residencia), en donde - Trapezoidales
salario, 𝑠 𝜖 [0,15]𝑀$ y distancia, 𝑑 𝜖 [0,15]𝐾𝑚. Se - Gamma(bell-shaped)
desea utilizar funciones de pertenencia trapezoidales
con las siguientes etiquetas lingüísticas: salario:{ bajo
(B), medio (M), alto (A)} y distancia: {pequeña (P),
mediana (M), grande (G)}. Así mismo, se consideran
como salidas del proceso de toma de decisiones las
opciones {Inaceptable (I), tolerable (T) y excelente
(E)}, definidas en el universo de discurso
“conveniencia”, 𝑐 𝜖 [0,100]%.
Determine según su criterio personal:
a. Los valores de los parámetros y forma de las Fig. 1. Funciones de pertenencia.
funciones de pertenencia (parametrícelas y
grafíquelas). 2. Las funciones de pertenencia de los conjuntos clásicos
b. Escriba la base completa de reglas difusas “if- están definidos de tal forma que dividen al universo en
then” para la toma de decisión. dos grupos: los que con toda certeza pertenecen al
c. Determine la relación difusa R que represente el conjunto (miembros) y los que no pertenecen (no
modelo. miembros), mientras que las funciones de pertenencia
d. Usando la inferencia de Mamdani de un resultado de los conjuntos difusos están definidos de tal manera
puntual de conveniencia ante entradas puntuales que los valores entre [0,1] también se tienen en cuenta
de salario y distancia con 3 ejemplos que usted como el grado de pertenencia.
proponga. 3.
1
13. Considere las siguientes reglas para un sistema Takagi 𝜇𝐶 (𝑥) = → (𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜)
Sugeno: 1 + (𝑥 − 1)2
1. if x is 𝐴1 and y is 𝐵1 then 𝑧 = 𝑥 2 + 4𝑦 𝛼 = 0.5
2. if x is 𝐴2 and y is 𝐵1 then 𝑧 = 𝑥 3 − 2𝑦
3. if x is 𝐴1 and y is 𝐵2 then 𝑧 = 4𝑥 + 𝑦 2 𝐴𝛼 = {𝑥 ∈ 𝑋; 𝜇𝐴 (𝑥) ≥ 𝛼}
4. if x is 𝐴2 and y is 𝐵2 then 𝑧 = 2𝑥 + 𝑦 3 𝜇𝐶 (𝑥) ≥ 𝛼
Proporcione la fórmula para calcular la salida z y 1
≥𝛼
calcular el valor de z para x=3, y=6 y los conjuntos 1 + (𝑥 − 1)2
difusos antecedentes. 1 ≥ 𝛼[1 + (𝑥 − 1)2 ]
0.1 0.6 1 0.9 0.4 0 1 ≥ 0.5[1 + (𝑥 − 1)2 ]
𝐴1 = { , , } , 𝐴2 = { , , }
1 2 3 1 2 3 1
1 1 0.3 0.1 0.9 1 ≥ 1 + (𝑥 − 1)2
𝐵1 = { , , }, 𝐵2 = { , , } 0.5
4 5 6 4 5 6
2 ≥ 1 + (𝑥 − 1)2
2 ≥ 1 + 𝑥 2 − 2𝑥 + 1
2 ≥ 𝑥 2 − 2𝑥 + 2
III. MATEMÁTICA 2 − 2 ≥ 𝑥 2 − 2𝑥
0 ≥ 𝑥(𝑥 − 2)
1.
𝑥(𝑥 − 2) ≤ 0
a. Variable lingüística: Noción o concepto que
𝑥(𝑥 − 2) = 0
vamos a clasificar de forma difusa. Ejemplo:
𝑥=0
Altura, Edad, Temperatura…
(𝑥 − 2) = 0
Ejemplos: Temperatura, Limpieza, Sabiduría.
𝑥=2
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 3

(𝑥 − 2) = 0 a. 𝐶 =𝐴∩𝐵
0≤𝑥≤2 𝜇𝐶 (𝑥, 𝑦) = min(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑦))
1 𝜇𝐶 (𝑥, 𝑦)
2
1 + (𝑥 − 1)2 0.8 0.5 0.1 0.1 0.1 0.1 0.3 0.3 0.1
𝐴𝛼 = ∫ ={ , , , , , , , , }
0 [0,2] 𝑥1 , 𝑦1 𝑥1 , 𝑦2 𝑥1 , 𝑦3 𝑥2 , 𝑦1 𝑥2 , 𝑦2 𝑥2 , 𝑦3 𝑥3 , 𝑦1 𝑥3 , 𝑦2 𝑥3 , 𝑦3

4. 𝑐𝑜𝑟𝑒(𝐴) ∩ 𝑐𝑜𝑟𝑒(𝐵) = 0
a. 𝐶 = 𝐴 ∩ 𝐵 no es normal (mirar fig. 1) o no esta b. 𝐷 =𝐴∪𝐵
normalizado porque la altura de C es menor a uno, 𝜇𝐷 (𝑥, 𝑦) = max(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑦))
y para que un conjunto este normalizado su altura 𝜇𝐷 (𝑥, 𝑦)
debe ser 1. 1 0.8 0.8 1 0.5 0.1 1 0.5 0.3
={ , , , , , , , , }
𝑥1 , 𝑦1 𝑥1 , 𝑦2 𝑥1 , 𝑦3 𝑥2 , 𝑦1 𝑥2 , 𝑦2 𝑥2 , 𝑦3 𝑥3 , 𝑦1 𝑥3 , 𝑦2 𝑥3 , 𝑦3

9.
1 0.1 0.8
𝑅 = [0.3 1 0.5]
0.5 0.8 1
0.3 0.7 1
𝐴={ , , }
𝑥1 𝑥2 𝑥3
Fig. 1. Intersección entre el conjunto A y B.
b. Puede ser o no subconjunto de B. 𝐵 =𝐴𝑜𝑅
Si porque B puede ser subconjunto de A si sus 𝜇𝐵 (𝑦) = max(min(𝜇𝐴 (𝑥), 𝜇𝑅 (𝑥, 𝑦))
valores conforman en conjunto de A y su
intersección es un conjunto vacío.
5.
0.2 0.3 0.6 0.8
𝐴 = {(𝑥 ) , (𝑥 ) , (𝑥 ) , (𝑥 )} 0.3 0.7 1
1 0.1 0.8
1 ,𝑦1 1 ,𝑦2 2 ,𝑦1 2 ,𝑦2 𝜇𝐵 (𝑦) = { , , }𝑜 [0.3 1 0.5]
𝑥1 𝑥2 𝑥3
0.5 0.8 1
sup 𝜇𝐴 (𝑥, 𝑦)
𝑃𝑟𝑜𝑦𝑥 (𝐴) = { |𝑥 ∈ 𝑋}
𝑥
sup 𝜇𝐴 (𝑥, 𝑦) 0.3 0.1 0.3
𝑃𝑟𝑜𝑦𝑦 (𝐴) = { |𝑦 ∈ 𝑌}
𝑦 min(𝜇𝐴 (𝑥), 𝜇𝑅 (𝑥, 𝑦) = [0.3 0.7 0.7]
0.5 0.8 1
0.3 0.8
𝑃𝑟𝑜𝑦𝑥 (𝐴) = { , }
𝑥1 𝑥2 𝜇𝐵 (𝑦) = max(min(𝜇𝐴 (𝑥), 𝜇𝑅 (𝑥, 𝑦)) = [0.5, 0.8, 1]
0.6 0.8 𝜇𝐵 (𝑦) = [0.5, 0.8, 1]
𝑃𝑟𝑜𝑦𝑦 (𝐴) = { , }
𝑦1 𝑦2 0.5 0.8 1
𝐵={ , , }
𝑦1 𝑦2 𝑦3
6. Extensión cilíndrica de A sobre el dominio del
producto cartesiano {𝑥1 , 𝑥2 }𝑥{𝑦1 , 𝑦2 } 10.
0.3 0.5
𝐴={ , } Si x es 𝐴1 entonces y es 𝐵1
𝑥1 𝑥2
Si x es 𝐴2 entonces y es 𝐵2
𝜇 (𝑥) 1 0.5 0.1
𝑒𝑥𝑡𝑦 (𝐴) = { 𝐴 |(𝑥, 𝑦) ∈ 𝑋 𝑥 𝑌} 𝐴1 = { , , }
(𝑥, 𝑦) 0 1 2
0.3 0.3 0.5 0.5
𝑒𝑥𝑡𝑦 (𝐴) = { , , , } 0.1 1 0.5
(𝑥1 , 𝑦1 ) (𝑥1 , 𝑦2 ) (𝑥2 , 𝑦1 ) (𝑥2 , 𝑦2 ) 𝐴2 = { , , }
1 2 3
0.5 0.3 0.8 0.1 1
7. 𝐴 = {(𝑥 , , , , } 0.15 1 0.6
1 ,𝑦1 ,𝑧2 ) (𝑥1 ,𝑦2 ,𝑧1 ) (𝑥1 ,𝑦2 ,𝑧2 ) (𝑥2 ,𝑦1 ,𝑧2 ) (𝑥2 ,𝑦2 ,𝑦2 )
sup 𝜇𝐴 (𝑥, 𝑦) 𝐵1 = { , , }
𝑃𝑟𝑜𝑦𝑥 (𝐴) = { |𝑥 ∈ 𝑋} 0 10 20
𝑥
0.01 1 0.5
0.8 1 𝐵2 = { , , }
𝑃𝑟𝑜𝑦𝑥 (𝐴) = { , } 10 20 30
𝑥1 𝑥2
0 0.5 0.3 1 0.3 1 0.5 0.1
𝑃𝑟𝑜𝑦𝑌 𝑥 𝑍 (𝐴) = { , , , } 𝐴′ = { , , , }
𝑦1 , 𝑧1 𝑦1 , 𝑧2 𝑦2 , 𝑧1 𝑦2 , 𝑧2 0 1 2 3
0.3 0.8 0 1 Calcule Y para A’
𝑃𝑟𝑜𝑦𝑋 𝑥 𝑍 (𝐴) = { , , , }
𝑥1 , 𝑧1 𝑥1 , 𝑧2 𝑥2 , 𝑧1 𝑥2 , 𝑧2
0.8 0.1 0.3 1 0.5 0.1 𝑅1 = 𝐴1 𝑥 𝐵1
8. 𝐴={ , , } 𝐵={ , , }
𝑥1 𝑥2 𝑥3 𝑦1 𝑦2 𝑦3 𝑅2 = 𝐴2 𝑥 𝐵2
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 4

𝜇𝑅1 (𝑥, 𝑦) = min (𝜇𝐴1 (𝑥), 𝜇𝐵1 (𝑦)) Las funciones de pertenencia que representan el sistema
son de tipo trapezoidal.
𝜇𝑅2 (𝑥, 𝑦) = min (𝜇𝐴2 (𝑥), 𝜇𝐵2 (𝑦))
Salario (Millones de pesos, mirar fig. 2)
𝑅1 (𝑥, 𝑦)
0.15 1 0.6 0.15 0.5 0.5 0.1 0.1 0.1
={ , , , , , , , , }
0,0 0,10 0,20 1,0 1,10 1,20 2,0 2,10 2,20
𝑅2 (𝑥, 𝑦)
0.01 0.1 0.1 0.01 1 0.5 0.01 0.5 0.5
={ , , , , , , , , }
1,10 1,20 1,30 2,10 2,20 2,30 3,10 3,20 3,30

𝑅 = 𝑅1 ∪ 𝑅2
0.15 1 0.6 0 0.15 0.5 0.5 0.1 Fig. 2. Funciones de pertenencia trapezoidales de salario,
, , , , , , , ,
0,0 0,10 0,20 0,30 1,0 1,10 1,20 1,30 en millones de pesos.
𝑅= 0.1 0.1 1 0.5 0 0.01 0.5 0.5 1 1 1 0.8 0.6 0.35
, , , , , , , 𝐵={ , , , , , }
2,0 2,10 2,20 2,30 3,0 3,10 3,20 3,30 0 1 2 3 4 5
{ } 0.5 1 1 1 1 0.39
𝑀={ , , , , , }
𝐵′ = 𝐴′ 𝑜 𝑅 5 6 7 8 9 10
0.4 0.9 1 1 1 1
𝜇𝐵′ = 𝜇𝐴′ 𝑜 𝑅 𝐴={ , , , , , }
0.15 1 0.6 0 10 11 12 13 14 15
𝜇𝐵 ′ = [0.3, 1, 0.5, 0.1]𝑜 [0.15 0.5 0.5 0.1]
0.1 0.1 1 0.5 Distancia (En km, mirar fig. 3)
0 0.01 0.5 0.5

0.15 0.3 0.3 0

min(𝜇𝐴′ (𝑥), 𝜇𝑅 (𝑥, 𝑦) = [0.15 0.5 0.5 0.1]
0.1 0.1 0.5 0.5
0 0.01 0.1 0.1
𝜇𝐵′ (𝑦) = max(min(𝜇𝐴′ (𝑥), 𝜇𝑅 (𝑥, 𝑦))

𝜇𝐵′ (𝑦) = [0.15, 0.5, 0.5, 0.5]

0.15 0.5 0.5 0.5
𝐵′ = { , , , } Fig. 3. Funciones de pertenencia trapezoidales de distancia,
0 10 20 30 en kilómetros.
∑ 𝜇𝐴𝑖 (𝑥)(𝑎𝑖 𝑥 + 𝑏𝑖 ) 1 1 1 01 0.8 0.5
𝑦′ = 𝑃={ , , , , , }
∑ 𝜇𝐴𝑖 (𝑥) 0 1 2 3 4 5
0.15(0) + 0.5(10) + 0.5(20) + 0.5(30) 0.5 0.8 1 1 1 0.7
𝑦′ = 𝑀={ , , , , , }
0.15 + 0.5 + 0.5 + 0.5 5 6 7 8 9 10
′
0 + 5 + 10 + 15 30 0.4 0.8 1 1 1 1
𝑦 = = 𝐺={ , , , , , }
1.65 1.65 10 11 12 13 14 15
𝑦 ′ = 18.1818
Conveniencia (%, mirar fig. 4)
11. If x is A then y is B
0.1 0.4 1 0 1 0.2
𝐴={ , , } 𝐵={ , , }
𝑥1 𝑥2 𝑥3 𝑦1 𝑦2 𝑦3

𝑅 =𝐴𝑥𝐵
𝑅
0 0.1 0.1 0 0.4 0.2 0 1 0.2
={ , , , , , , , , }
𝑥1 , 𝑦1 𝑥1 , 𝑦2 𝑥1 , 𝑦3 𝑥2 , 𝑦1 𝑥2 , 𝑦2 𝑥2 , 𝑦3 𝑥3 , 𝑦1 𝑥3 , 𝑦2 𝑥3 , 𝑦3
Fig. 4. Funciones de pertenencia trapezoidales de
12. conveniencia.
𝑠𝑎𝑙𝑎𝑟𝑖𝑜 = {𝐵, 𝑀, 𝐴} 1 1 1 0.7 0
𝐼={ , , , , }
𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 = {𝑃, 𝑀, 𝐺} 0 10 20 30 40
𝑐𝑜𝑛𝑣𝑒𝑛𝑖𝑒𝑛𝑐𝑖𝑎 = {𝐼, 𝑇, 𝐸} 0.4 0.9 1 1 0.8 0
𝑇={ , , , , , }
30 40 50 60 70 80
Para los conjuntos de entrada 0.2 0.95 1 1
𝐸={ , , , }
Criterios de entrada Salario y distancia 70 80 90 100
Criterios de salida  Conveniencia
Reglas If-Then
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 5

𝑅1 . Si salario es Bajo y la distancia es pequeña, entonces la 0.5 0.6 0.6 0.6 0.6 0.6
conveniencia es tolerable. 0.5 0.8 1 1 1 0.7
𝑅2 . Si salario es Bajo y la distancia es mediana, entonces la 0.5 0.8 1 1 1 0.7
𝜇𝑅5 =
conveniencia es inaceptable. 0.5 0.8 1 1 1 0.7
𝑅3 . Si salario es Bajo y la distancia es grande, entonces la 0.5 0.7 0.7 0.7 0.7 0.7
[0.39 0.39 0.39 0.39 0.39 0.39]
conveniencia es inaceptable.
𝑅4 . Si salario es Medio y la distancia es pequeña, entonces la 0.4 0.6 1 1 1 1
conveniencia es excelente.
0.4 0.8 1 1 1 1
𝑅5 . Si salario es Medio y la distancia es mediana, entonces la 0.4 0.8 1 1 1 1
conveniencia es tolerable. 𝜇𝑅6 =
0.4 0.8 1 1 1 1
𝑅6 . Si salario es Medio y la distancia es grande, entonces la 0.4 0.7 0.7 0.7 0.7 0.7
conveniencia es inaceptable. [0.39 0.39 0.39 0.39 0.39 0.39]
𝑅7 . Si salario es Alto y la distancia es pequeña, entonces la
conveniencia es excelente. 0.4 0.4 0.4 0.4 0.4 0.35
𝑅8 . Si salario es Alto y la distancia es mediana, entonces la 0.9 0.9 0.9 0.9 0.8 0.5
conveniencia es tolerable. 1 1 1 1 0.8 0.5
𝜇𝑅7 =
𝑅9 . Si salario es Alto y la distancia es grande, entonces la 1 1 1 1 0.8 0.5
conveniencia es tolerable. 1 1 1 1 0.8 0.5
[ 1 1 1 1 0.8 0.5 ]
𝑅1 = 𝐵 𝑥 𝑃 0.4 0.4 0.4 0.4 0.4 0.4
𝑅2 = 𝐵 𝑥 𝑀 0.5 0.8 0.9 0.9 0.9 0.7
𝑅3 = 𝐵 𝑥 𝐺 0.5 0.8 1 1 1 0.7
𝑅4 = 𝑀 𝑥 𝑃 𝜇𝑅8 =
0.5 0.8 1 1 1 0.7
𝑅5 = 𝑀 𝑥 𝑀 0.5 0.8 1 1 1 0.7
𝑅6 = 𝑀 𝑥 𝐺 [0.5 0.8 1 1 1 0.7 ]
𝑅7 = 𝐴 𝑥 𝑃
𝑅8 = 𝐴 𝑥 𝑀 0.4 0.4 0.4 0.4 0.4 0.4
𝑅9 = 𝐴 𝑥 𝐺 0.4 0.8 0.9 0.9 0.9 0.9
0.4 0.8 1 1 1 1
𝜇𝑅9 =
0.4 0.8 1 1 1 1
𝜇𝑅1 (𝑥, 𝑦) = min (𝜇𝐵 (𝑥), 𝜇𝐵𝑃 (𝑦)) 0.4 0.8 1 1 1 1
1 1 1 1 0.8 0.5 [0.4 0.8 1 1 1 1 ]
1 1 1 1 0.8 0.5
1 1 1 1 0.8 0.5 𝑅 = 𝑅1 ∪ 𝑅2 ∪ 𝑅3 ∪ 𝑅4 ∪ 𝑅5 ∪ 𝑅6 ∪ 𝑅7 ∪ 𝑅8 ∪ 𝑅9
𝜇𝑅1 =
0.8 0.8 0.8 0.8 0.8 0.5 Mirar la fig. 5.
0.6 0.6 0.6 0.6 0.6 0.5
[0.35 0.35 0.35 0.35 0.35 0.35]
0.5 0.8 1 1 1 0.7
0.5 0.8 1 1 1 0.7
0.5 0.8 1 1 1 0.7
𝜇𝑅2 =
0.5 0.8 0.8 0.8 0.8 0.7
0.5 0.6 0.6 0.6 0.6 0.6
[0.35 0.35 0.35 0.35 0.35 0.35]
0.4 0.8 1 1 1 1
0.4 0.8 1 1 1 1
0.4 0.8 1 1 1 1
𝜇𝑅3 =
0.4 0.8 0.8 0.8 0.8 0.8
0.4 0.6 0.6 0.6 0.6 0.6
[0.35 0.35 0.35 0.35 0.35 0.35]
Fig. 5. Relación difusa R que representa el modelo.
0.6 0.6 0.6 0.6 0.6 0.5
1 1 1 1 0.8 0.5 Inferencia de Mamdani.
1 1 1 1 0.8 0.5 Si el salario es de 7 millones de pesos y la distancia es de 3 km,
𝜇𝑅4 =
1 1 1 1 0.8 0.5 entonces la conveniencia es tolerable.
0.7 0.7 0.7 0.7 0.7 0.5 Si el salario es de 11 millones de pesos y la distancia es de 8
[0.39 0.39 0.39 0.39 0.39 0.39] km, entonces la conveniencia es Tolerable.
Si el salario es de 1 millón de pesos y la distancia de 15 km, la
conveniencia es inaceptable.

13. if x is 𝐴1 and y is 𝐵1 then 𝑧 = 𝑥 2 + 4𝑦

if x is 𝐴2 and y is 𝐵1 then 𝑧 = 𝑥 3 − 2𝑦
 Reemplazar esta línea con su número de documento de identificación (hacer doble clic aquí para editar) < 6

if x is 𝐴1 and y is 𝐵2 then 𝑧 = 4𝑥 + 𝑦 2 REFERENCIAS

if x is 𝐴2 and y is 𝐵2 then 𝑧 = 2𝑥 + 𝑦 3 [1] Albertos P., Sala A. 2004. El control borroso: una metodología
integradora. RIAI, 1, 2, 22-31.
0.1 0.6 1 0.9 0.4 0
𝐴1 = { , , }, 𝐴2 = { , , }
1 2 3 1 2 3
1 1 0.3 0.1 0.9 1
𝐵1 = { , , }, 𝐵2 = { , , }
4 5 6 4 5 6
z para x=3, y=6

𝛽1 = max (𝜇𝐴1 (𝑥) ∩ 𝜇𝐵1 (𝑦))

𝛽1 = max (𝜇𝐴1 (3) ∩ 𝜇𝐵1 (6))
𝛽1 = max(1 ∩ 0.3)
𝛽1 = max(0.3)
𝛽1 = 0.3

𝛽2 = max(𝜇𝐴2 (𝑥) ∩ 𝜇𝐵1 (𝑦))

𝛽2 = max(𝜇𝐴2 (3) ∩ 𝜇𝐵1 (6))
𝛽2 = max(0 ∩ 0.3)
𝛽2 = max(0)
𝛽2 = 0

𝛽3 = max(𝜇𝐴1 (𝑥) ∩ 𝜇𝐵2 (𝑦))

𝛽3 = max(𝜇𝐴1 (3) ∩ 𝜇𝐵2 (6))
𝛽3 = max(1 ∩ 1)
𝛽3 = max(1)
𝛽3 = 1

𝛽4 = max(𝜇𝐴2 (𝑥) ∩ 𝜇𝐵2 (𝑦))

𝛽4 = max(𝜇𝐴2 (3) ∩ 𝜇𝐵2 (6))
𝛽4 = max(0 ∩ 1)
𝛽4 = max(0)
𝛽4 = 0

∑ 𝜇𝐴 (𝑥)(𝑎𝑖 𝑥+ 𝑏𝑖 )
𝑖
𝑍= ∑ 𝜇𝐴 (𝑥)
𝑖

𝛽1 (𝑥2 +4𝑦)+𝛽2 (𝑥3 −2𝑦)+𝛽3 ( 4𝑥+𝑦2 )+𝛽4 (2𝑥+𝑦3 )

𝑍= 𝛽1 +𝛽2 +𝛽3 +𝛽4
0.3(32 +4(6))+0(33 −2(6))+1( 4(3)+62 )+0(2(3)+63 )
𝑍= 0.3+0+1+0
0.3(9+24)+1( 12+36) 57.9
𝑍= 1.3
= 1.3
= 44.538

IV. CONCLUSIÓN

Se puede notar como aplicando lógica difusa se puede pasar

de tener un problema en el cual las variables de entrada y salida
son de tipo lingüísticas, no tienen valor numérico alguno y a
partir de unas hipótesis y criterio personal como tomar las
funciones de pertenencia tipo trapezoidales y no triangulares o
gamma, se puede resolver un problema multicriterio.
Se notó también que la relación difusa que representa a un
conjunto difuso es la unión de todas las reglas difusas, las cuales
también son dadas a partir de criterio personal y estudios
previos.
.