1

1. ANTECEDENTES
La lgica borrosa (tambin llamada lgica difusa o lgica heurstica) se basa en lo
relativo de lo observado como posicin diferencial. Este tipo de lgica toma dos
valores aleatorios, pero contextualizados y referidos entre s. As, por ejemplo, una
persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado
el valor de persona baja y se ha establecido en 1 metro. Ambos valores estn
contextualizados a personas y referidos a una medida mtrica lineal.
Esta Lgica no es un concepto moderno. Hace 2500 aos ya Aristteles consideraba que
existan ciertos grados de veracidad y falsedad y Platn haba trabajado con grados de
pertenencia. La evolucin ms o menos cronolgica y por nombres propios se cita a
continuacin:
En el siglo XVIII George Berkeley y David Hume describieron que el ncleo de un
concepto atrae conceptos similares. Hume crea en la lgica del sentido comn, en el
razonamiento basado en el conocimiento que la gente adquiere de una forma ordinaria
gracias a sus experiencias diarias.
El filsofo alemn Immanuel Kant pensaba que nicamente los matemticos podan
proveer definiciones claras y que por lo tanto, muchos principios contradictorios no
tenan solucin. Un ejemplo de estos principios era el de que la materia poda ser
dividida infinitamente y al mismo tiempo no poda ser dividida infinitamente.
Charles Sanders Peirce (fundador de la corriente del Pragmatismo ), fue el primero en
considerar vaguedades, ms que falso o verdadero, como forma de acercamiento al
mundo y al razonamiento humano.
A principios del siglo XX, el filsofo y matemtico britnico Bertrand Russell estudi las
vaguedades del lenguaje y lleg a la conclusin que la vaguedad es un grado.
La primera lgica de vaguedades fue desarrollada en 1920 por el filsofo Jan
Lukasiewicz, visualiz los conjuntos con un posible grado de pertenencia con valores
de 0 y 1, despus los extendi a un nmero infinito de valores entre 0 y 1.

2
Lofti A. Zadeh acua el trmino fuzzy sets (conjuntos borrosos), que hace referencia al
trmino borroso aplicado a la lgica y a la teora de conjuntos.
Lofti A. Zadeh fue un brillante ingeniero elctrico iran nacionalizado en Estados
Unidos, profesor en las ms prestigiosas universidades norteamericanas, doctor
honoris causa de varias instituciones acadmicas.
Todos los estudios de Lofti A. Zadeh se basan en mayor o menor medida en la
herencia histrica anteriormente mencionada: La paradoja del conjunto de Bertrand
Russell, el Principio de Incertidumbre de la fsica cuntica de Werner Heisenberg, sin
olvidar la fundamental aportacin del polaco Jan Lukasiewicz, creador de la Lgica
Multivaluada, influyeron para que, entrada ya la segunda mitad del presente
siglo, Zadeh publicase su famoso ensayo "Fuzzy Sets", en "Informations and Control".
Mientras que Russell utiliz el trmino vagueness (vaguedad, vago) para referirse a la
nueva lgica o a para calificar al nuevo concepto de conjuntos Lofti A. Zadeh prefiri el
trmino fuzzy (borroso, difuminado) para denominar a sus conjuntos y a la lgica en la
que se apoya su anlisis. A partir de la publicacin, en 1973, de los estudios
de Zadeh, otros investigadores comenzaron a aplicar la lgica borrosa a diversos
procesos, como por ejemplo, al control de procesos en un sistema de control de vapor.
2. CONCEPTOS Y DEFINICIONES
2.1. Lgica borrosa
Se define como la parte de la inteligencia artificial cuya mxima es que todo se basa en
un grado. Es decir, todo es o no es en un determinado grado. Adems, se dice que las
reglas existentes en esta lgica, son reglas definidas desde el sentido comn.
La lgica borrosa o difusa est basada en los conceptos de conjuntos difusos o borrosos
2.2. Conjunto borroso
Tambin llamado fuzzy set es aquel que no est formado por nmeros sino por etiquetas
lingsticas.



3
2.3. Etiqueta lingstica
Es una palabra o conjunto de palabras. Podemos tambin que son los nombres de los
conjuntos borrosos. Se distinguen dos tipos:
Tipo 1: son los operadores, como por ejemplo: muy, bastante, poco,
Tipo 2: son las etiquetas que se necesitan para describir cmo afectan en los
elementos del conjunto
Para explicar que es un conjunto borroso de forma ms clara, se van a basar en
los conjuntos clsicos. En estos conjuntos se sabe si un elemento de un universo de
discurso pertenece o no a l acudiendo a la lgica booleana. Es decir, estos conjuntos se
pueden definir con un predicado que asigne a cada elemento del conjunto el valor 0 1,
en funcin de su pertenencia al conjunto. Esto no es posible en los conjuntos borrosos, ya
que si normalizamos la pertenencia o no en el 0 y 1, en este caso hemos de tomar
el intervalo cerrado [0,1] y el valor que se asocie a cada elemento no ser absoluto, sino
gradual. Al igual que en los conjuntos clsicos, esto se define mediante un predicado que
por su forma de actuar se denomina predicado vago.
As, el elemento tendr un valor asociado dentro del conjunto que indicar en qu
cantidad" pertenece a dicho conjunto. Esto es lo que se define como grado de
pertenencia. Por ello, un conjunto borroso es la unin de los grados de pertenencia de
todos aquellos elementos que forman parte de su universo de discurso.
2.4. Universo de discurso
El universo de discurso de un conjunto borroso es el intervalo en el que se incluyen los
posibles valores que pueden tomar los elementos del conjunto.
Independientemente de los valores que formen este universo, hemos de indicar que
siempre estar normalizado al intervalo [0,1]. A partir de los trminos anteriores se
establece la siguiente definicin de conjunto borroso,es un conjunto de pares, de forma
que el primer elemento del par es un nmero real contenido en el intervalo [0,1] que indica
el grado de pertenencia de un elemento y el segundo elemento es dicho elemento.

4
Si pensamos en reglas que definen a los conjuntos borrosos, podemos decir que son
aquellas que definen partes o zonas solapadas entre si, que asocian una serie de
entradas a una serie de salidas.
Referente a los conjuntos borrosos, hemos de mencionar el Principio de Extensin, segn
el cual: Si existe una funcin que asocie elementos o puntos de un conjunto clsico X a
elementos o puntos de otro conjunto clsico Y, esta puede generalizarse, de forma que
puedan asociarse subconjuntos borrosos de X a subconjuntos borrosos de Y. ( Un
conjunto borroso es subconjunto de otro conjunto borroso cuando est totalmente incluido
en l)
2.5. Definicin
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.
Por ejemplo, la sentencia "hoy es un da soleado", puede ser 100% verdad si no hay
nubes, 80% verdad si hay pocas nubes, 50% verdad si existe neblina y 0% si llueve todo
el da.
La Lgica Difusa ha sido probada para ser particularmente til en sistemas expertos y
otras aplicaciones de inteligencia artificial. Es tambin utilizada en algunos correctores de
voz para sugerir una lista de probables palabras a reemplazar en una mal dicha. La
Lgica Difusa, que hoy en da se encuentra en constante evolucin, naci en los aos 60
como la lgica del razonamiento aproximado, y en ese sentido poda considerarse una
extensin de la Lgica Multivaluada. La Lgica Difusa actualmente est relacionada y
fundamentada en la teora de los Conjuntos Difusos.Segn esta teora, el grado de
pertenencia de un elemento a un conjunto va a venir determinado por una funcin de
pertenencia, que puede tomar todos los valores reales comprendidos en el intervalo [0,1].
Ejemplo de una funcin de pertenencia a un Conjunto Difuso.
La Lgica Difusa es bsicamente una lgica con mltiples valores, que permite definir
valores en las reas oscuras entre las evaluaciones convencionales de la lgica precisa:
Si / No, Cierto / Falso, Blanco / Negro, etc. Se considera un sper conjunto de la Lgica
Booleana. Con la Lgica Difusa, las proposiciones pueden ser representadas con grados
de certeza o falsedad. La lgica tradicional de las computadoras opera con ecuaciones

5
muy precisas y dos respuestas: Si o no, uno o cero. Ahora, para aplicaciones de
computadores muy mal definido o sistemas vagos se emplea la Lgica Difusa.
Por medio de la Lgica Difusa pueden formularse matemticamente nociones como un
poco calientes o muy fras, para que sean procesadas por computadoras y cuantificar
expresiones humanas vagas, tales como "Muy alto" o "luz brillante". De esa forma, es un
intento de aplicar la forma de pensar humana a la programacin de los computadores.
Permite tambin cuantificar aquellas descripciones imprecisas que se usan en el lenguaje
y las transiciones graduales en electrodomsticos como ir de agua sucia a agua limpia en
una lavadora, lo que permite ajustar los ciclos de lavado a travs de sensores. La
habilidad de la Lgica Difusa para procesar valores parciales de verdad ha sido de gran
ayuda para la ingeniera. En general, se ha aplicado a:
Sistemas expertos.
Verificadores de ortografa, los cuales sugieren una lista de palabras probables
para reemplazar una palabra mal escrita.
Control de sistemas de trenes subterrneos.
Los operadores lgicos que se utilizarn en Lgica Difusa (AND, OR, etc.) se definen
tambin usando tablas de verdad, pero mediante un "principio de extensin" por el cual
gran parte del aparato matemtico clsico existente puede ser adaptado a la manipulacin
de los Conjuntos Difusos y, por tanto, a la de las variables lingsticas.
La operacin ms importante para el desarrollo y creacin de Reglas Lgicas es la
implicacin, simbolizada por " " que representa el "Entonces" de las reglas heursticas:
Si (...) Entonces () (...).
As, en la Lgica Difusa hay muchas maneras de definir la implicacin. Se puede elegir
una "funcin (matemtica) de implicacin" distinta en cada caso para representar a la
implicacin.
La ltima caracterstica de los sistemas lgicos es el procedimiento de razonamiento, que
permite inferir resultados lgicos a partir de una serie de antecedentes. Generalmente, el
razonamiento lgico se basa en silogismos, en los que los antecedentes son por un lado
las proposiciones condicionales (nuestras reglas), y las observaciones presentes por otro
(sern las premisas de cada regla).

6
Los esquemas de razonamiento utilizados son "esquemas de razonamiento aproximado",
que intentan reproducir los esquemas mentales del cerebro humano en el proceso de
razonamiento. Estos esquemas consistirn en una generalizacin de los esquemas
bsicos de inferencia en Lgica Binaria (silogismo clsico).
Tan importante ser la seleccin de un esquema de razonamiento como su
representacin material, ya que el objetivo final es poder desarrollar un procedimiento
analtico concreto para el diseo de controladores difusos y la toma de decisiones en
general. Una vez que dispongamos de representaciones analticas de cada uno de los
elementos lgicos que acabamos de enumerar, estaremos en disposicin de desarrollar
formalmente un controlador "heurstico" que nos permita inferir el control adecuado de un
determinado proceso en funcin de un conjunto de reglas "lingsticas", definidas de
antemano tras la observacin de la salida y normas de funcionamiento de ste.
3. FUNCIONAMIENTO
La lgica difusa es un sistema el cual est diseado para q trabaje con un lenguaje ms
humano, La clave de esta adaptacin al lenguaje, se basa en comprender los
cuantificadores de nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un
poco").
La lgica difusa Se basa en reglas de la lgica tradicional, de la forma si (antecedente)
entonces (consecuente), donde el antecedente y el consecuente son tambin conjuntos
difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de regla de
lgica tradicional para este tipo de lgica (ntese la importancia de las palabras
"muchsimo", "drsticamente", "un poco" y "levemente" para la lgica difusa):
SI hace muchsimo calor ENTONCES disminuyo drsticamente la temperatura.
SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.
3.1. ESQUEMA DE FUNCIONAMIENTO DE UN SISTEMA DIFUSO



7
El sistema difuso funciona en base a un conjunto de entrada, un sistema de control y un
sistema de salida.
Sistema de entrada. El sistema de entrada es el conjunto que se evaluara dentro del
sistema de control donde se evaluara el grado del cuantificador de entrada.
Sistema de control. Este sistema evala el grado de verdad del cuantificador de entrada.
Por ejemplo que medio lleno o medio vaco esta un vaso.
Sistema de salida. Aqu saldr la informacin ya procesada con un valor verdadero del
cuantificador.
En el grafico se puede ver como el sistema de control hace los clculos con base en sus
reglas heursticas, comentadas anteriormente. La salida final actuara sobre el entorno
fsico, y los valores sobre el entorno fsico de las nuevas entradas (modificado por la
salida del sistema de control) seran tomados por sensores del sistema.
Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y
eficaces. Los resultados de dichos mtodos son un rea final, fruto de un conjunto de
reas solapadas entre s (cada rea es resultado de una regla de inferencia). Para
escoger una salida concreta a partir de tanta premisa difusa.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables de
entrada de un sistema sea el difusor. El mecanismo de inferencias se basa en chips
difusos, que estn aumentando exponencialmente su capacidad de procesamiento
basado en reglas difusas, la salida es el valor concreto q por medios matemticos se da
por el des difusor
Un ejemplo de la aplicacin de la lgica difusa en el uso industrial podra ser el
autorregulacin, y climatizador de un carro el cual recibe datos de entrada como
temperatura y humedad y por un proceso de reglas lgicas y de inferencia mediante los
chips difusos este determina este resultado ser analizado en promedio para su
respectiva salida y podr amentar o disminuir la temperatura de acuerdo a las
necesidades del carro.
Un ejemplo sencillo para ver su funcionamiento es en la simulacin de una lavadora
utilizando la velocidad de revoluciones de su motor de lavado.

8
1) Configuramos nuestro controlador con las variables de entrada y salida.

2) Determinamos las cantidades de ropa que es nuestra variable de entrada.

3) Determinamos las cantidades de suciedad para la otra variable de entrada.




9
4) Determinamos los porcentajes de las variables de salida en este caso de
REVOLUCIONES.



5) Determinamos los porcentajes de las variables de salida en este caso de AGUA
que van a ser usados en la lavadora.

As el mecanismo de inferencia debe estar basada en los siguientes cuadros de
combinaciones posibles.
PARA LA VELOCIDAD DE REVOLUCIONES DEL MOTOR

POCA
SUCIEDAD
MEDIANA
SUCIEDAD
MUCHA
SUCIEDAD
POCA ROPA
LENTA LENTA MEDIANA
CANTIDAD
MEDIANA
LENTA MEDIANA MEDIANA
MUCHA ROPA
MEDIANA RAPIDA RAPIDA

10
PARA CANTIDAD DE AGUA
POCA SUCIEDAD
MEDIANA
SUCIEDAD
MUCHA
SUCIEDAD
POCA ROPA
POCO POCO POCO
CANTIDAD
MEDIANA
MEDIANA MEDIANA MUCHO
MUCHA ROPA
MUCHO MUCHO MUCHO
4. MODELAMIENTO DIFUSO
La idea del modelamiento difuso es dividir (particin) los posibles valores de input
(antecedentes)
Los consecuentes pueden ser funciones de pertenencia (Mamdani y Tsukamoto),
valores constantes (Sugeno de orden zero) o funciones lineares (Sugeno)
Los diferentes consecuentes resultan en diferentes sistemas de inferencia pero los
antecedentes son los mismos
PASOS:

Pasos iniciales:
Seleccionar variables relevantes de input y output
Elegir un tipo especifico de sistema de inferencia
Determinar el nmero de trminos lingsticos (basados en variables)
Disear una coleccin de reglas if-then difusas
Despus de estos pasos iniciales tpicamente se desea mejorar el modelo:
Elegir funciones de pertenencia correctamente parametrizadas.
Mejorar las reglas y los parmetros de la funciones de pertenencia
Refinar los parmetros de las funciones de pertenencia usando
mtodos de optimizacin (Ej. Gradiente, GA, GP,...)
5. LGICA DIFUSA COMPENSATORIA
La LDC es un modelo lgico multivalente que permite la modelacin simultnea de los
procesos deductivos y de toma de decisiones. El uso de la LDC en los modelos
matemticos permite utilizar conceptos relativos a la realidad siguiendo patrones de
comportamiento similares al pensamiento humano. Las caractersticas ms importantes

11
de estos modelos son: La flexibilidad, la tolerancia con la imprecisin, la capacidad para
moldear problemas no lineales y su fundamento en el lenguaje de sentido comn. Bajo
este fundamento se estudia especficamente cmo acondicionar el modelo sin condicionar
la realidad.
La LDC utiliza la escala de la LD, la cual puede variar de 0 a 1 para medir el grado de
verdad o falsedad de sus proposiciones, donde las proposiciones pueden expresarse
mediante predicados. Un predicado es una funcin del universo X en el intervalo [0; 1], y
las operaciones de conjuncin, disyuncin, negacin e implicacin, se definen de modo
que restringidas al dominio [0; 1] se obtenga la Lgica Booleana.
Las distintas formas de definir las operaciones y sus propiedades determinan diferentes
lgicas multivalentes que son parte del paradigma de la LD. Las lgicas multivalentes se
definen en general como aqullas que permiten valores intermedios entre la verdad
absoluta y la falsedad total de una expresin. Entonces el 0 y el 1 estn asociados ambos
a la certidumbre y la exactitud de lo que se afirma o se niega y el 0,5 a la vaguedad y la
incertidumbre mximas. En los procesos que requieren toma de decisiones, el intercambio
con los expertos lleva a obtener formulaciones complejas y sutiles que requieren de
predicados compuestos. Los valores de verdad obtenidos sobre estos predicados
compuestos deben poseer sensibilidad a los cambios de los valores de verdad de los
predicados bsicos.
Esta necesidad se satisface con el uso de la LDC, que renuncia al cumplimiento de las
propiedades clsicas de la conjuncin y la disyuncin, contraponiendo a stas la idea de
que el aumento o disminucin del valor de verdad de la conjuncin o la disyuncin
provocadas por el cambio del valor de verdad de una de sus componentes, puede ser
compensado con la correspondiente disminucin o aumento de la otra. Estas
propiedades hacen posible de manera natural el trabajo de traduccin del lenguaje natural
al de la Lgica, incluidos los predicados extensos si stos surgen del proceso de
modelacin.
En la LDC, el operador conjuncin, expresado como c (and) es la media geomtrica



12
5.1. Modelizacin de la vaguedad en la Lgica Difusa Compensatoria.
En la LDC la modelizacin de la vaguedad se logra a travs de variables lingsticas, lo
que permite aprovechar el conocimiento de los expertos, al contrario de lo que ocurre en
otros mtodos ms cercanos a las cajas negras y exclusivamente basados en datos,
como por ejemplo las redes neuronales.
Existen autores como Jess Cejas Montero en su Artculo La Lgica Difusa
Compensatoria publicado en el 2011 por la Revista Ingeniera Industrial del Instituto
Superior Politcnico Jos Antonio Echeverra , que marc un hito en la difusin de la LDC,
que recomiendan el uso de funciones de pertenencia sigmoidales para funciones
crecientes o decrecientes. Los parmetros de estas funciones quedan determinados
fijando dos valores. El primero de ellos es el valor a partir del cual se considera que la
afirmacin contenida en el predicado es ms cierta que falsa, por ejemplo pudiera
establecerse a partir de 0.5. El segundo es el valor para el cual el dato hace casi
inaceptable la afirmacin correspondiente, por ejemplo pudiera establecerse a partir de
0.1.
En la actualidad existe un Sistema de Soporte a Decisiones Basado en rboles con
Operadores de Lgica Difusa cuyo nombre es Fuzzy Tree Studio 1.0, desarrollado en
forma conjunta entre Universidad CAECE y la Universidad Nacional de Mar del Plata
(Argentina), que posee un mdulo que trabaja con la LDC. Ello permite al agente decisor
despreocuparse por el trasfondo matemtico y centrarse en la formulacin verbal del
modelo que le permita tomar una decisin.
En general los modelos basados en LDC combinan la experiencia y el conocimiento con
datos numricos, por lo que puede ser visto como una caja gris. Los modelos basados
en LD pueden verse como cajas blancas, dado que permiten ver su estructura
explcitamente. En contraposicin a los modelos basados en datos exclusivamente, como
las Redes Neuronales, que corresponderan a cajas negras.
Estos modelos pueden ser optimizados cuando se dispone de datos reales numricos. El
mtodo de optimizacin puede provenir de la Inteligencia Computacional. En este
contexto, los Algoritmos Genticos presentan una alternativa interesante. Este enfoque
constituye el fundamento de los sistemas hbridos.

13
La tendencia de las investigaciones sobre gestin empresarial, mediante las tcnicas de
la LDC, est orientada a la creacin de sistemas hbridos que integren esta con las
habilidades de las Redes Neuronales y las posibilidades de los Algoritmos Genticos y la
Lgica de Conjuntos. La creacin e implementacin de estos sistemas mixtos permite
resolver problemas complejos y de difcil solucin; en las que se usan estimaciones
subjetivas sustentadas en la experiencia y en la informacin disponible, como son:
modelos de decisin utilizados con criterios de optimizacin, ubicacin de centros
comerciales, estrategia de entrada a mercados, seleccin de carteras de productos y
servicios, desarrollo de aplicaciones informticas, mtodos para problemas de
descubrimiento de conocimiento, mtodos para evaluar la eficiencia de diferentes tipos de
instituciones, entre otras.
La Lgica Difusa Compensatoria es un modelo lgico multivalente que renuncia a varios
axiomas clsicos para lograr un sistema idempotente y sensible, al permitir la
compensacin de los predicados. En la LD el valor de verdad de la conjuncin es menor
o igual a todas las componentes, mientras que el valor de verdad de la disyuncin es
mayor o igual a todas las componentes. La renuncia de estas restricciones constituye la
idea bsica de la LDC.
6. APLICACIONES DE LA LGICA DIFUSA
6.1. Lgica difusa en general.
La lgica difusa o lgica heurstica se basa en lo relativo de lo observado como posicin
diferencial. Este tipo de lgica toma dos valores aleatorios, pero contextualizados y
referidos entre s. As, por ejemplo, una persona que mida 2 metros es claramente una
persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en
1 metro. Ambos valores estn contextualizados a personas y referidos a una medida
mtrica lineal.
La lgica difusa es aplicable en situaciones y/o campos como:
Donde hallan procesos muy complejos, en los cuales los modelos matemticos simples
no son capaces de dar solucin a determinados problemas. Por ejemplo, un sistema de
riego el cual funciona a partir del clima del medio ambiente. Este sistema no puede
basarse en clima frio o caliente como lo hara un sistema lgico binario, el cual toma dos

14
estados. Ac necesitamos tomar en cuenta diferentes estados para dar modelos
matemticos automatizados que den salidas y/o decisiones factibles.
Para procesos altamente no lineales, ejemplos de estos son:
La meteorologa.
La combustin.
La evolucin biolgica
En el campo de las empresas este tipo de teora se ha extendido en general a todas
las reas de decisin, en las que se manejan estimaciones subjetivas basadas en la
informacin disponible y en su propia experiencia.
Por ejemplo:
- Modelos de decisin utilizados con criterios de optimizacin
- Modelo de produccin
- Inventarios
- Seguros de vida
- Localizacin de plantas industriales
- Seleccin de carteras
- Estrategia de entrada a mercados extranjeros
- Valoracin de intangibles en empresas de Internet
Cuando los sistemas funcionan generalmente bien o los modelos matemticos se pueden
disear fcilmente, no hay necesidad de emplear la lgica difusa, puesto que la solucin
no es tan compleja como para hacer deducciones del tipo que hacen los seres humanos.
6.2. Lgica difusa en la actualidad.
La Lgica difusa no es una tecnologa de futura aplicacin, existen ya en el mercado
muchos productos basados en esta tecnologa, habindose ya cientos de millones de
Euros de estos. Muchas de estas aplicaciones estn siendo desarrolladas y aplicadas en
pases como Japn y Alemania. Entre los productos ms comunes desarrollados con
lgica difusa estn:
- Lavadoras inteligentes que regulan el uso del agua y el detergente en funcin del nivel
de suciedad de la ropa.

15
- El metro Senday en Japn.
- Medidores de presin sangunea.
- Aspiradoras, Ascensores, neveras, microondas y mltiples electrodomsticos.
- Cmaras de video y fotogrficas con auto foco.
- Aire acondicionado inteligente, al cual se le indica si uno tiene calor o mucho
calor y ya ajusta la temperatura en funcin de la actual.
El metro de la ciudad japonesa de Sendai acelera y frena mediante un sistema inteligente
basado en lgica difusa, en funcin del nmero de pasajeros
En la actualidad gran cantidad de patentes de productos se basa en la Lgica difusa,
siendo esta en origen una idea de libre aplicacin que ha resultado de gran utilidad para el
desarrollo de tecnologas comerciales propietarias.
En la actualidad estas aplicaciones no se estn llevando a cabo de forma efectiva en
Estados Unidos, muchas veces motivadas por el impacto del propio nombre la tecnologa
fuzzy, el cual podra generar rechazo en el pblico en general.
Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
6.2.1. Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto,
por ejemplo, existe el lenguaje FSQL.
...y, en general, en la gran mayora de los sistemas de control que no dependen de un
S/No.
Otras aplicaciones:
- Control luminosidad.
- Control de humedad.
- Control de temperatura.
- Sistemas de reconocimiento
- Sistemas basados en Inteligencia Artificial.


16
6.3. Lgica difusa en inteligencia artificial
En inteligencia artificial, la lgica difusa, o lgica borrosa se utiliza para la resolucin de
una variedad de problemas, principalmente los relacionados con control de procesos
industriales complejos y sistemas de decisin en general, la resolucin la compresin de
datos. Los sistemas de lgica difusa estn tambin muy extendidos en la tecnologa
cotidiana, por ejemplo en cmaras digitales, sistemas de aire acondicionado, lavarropas,
etc. Los sistemas basados en lgica difusa imitan la forma en que toman decisiones los
humanos, con la ventaja de ser mucho ms rpidos. Estos sistemas son generalmente
robustos y tolerantes a imprecisiones y ruidos en los datos de entrada. Algunos lenguajes
de programacin lgica que han incorporado la lgica difusa seran por ejemplo las
diversas implementaciones de Fuzzy PROLOG o el lenguaje fril.
Consiste en la aplicacin de la lgica difusa con la intencin de imitar el razonamiento
humano en la programacin de computadoras. Con la lgica convencional, las
computadoras pueden manipular valores estrictamente duales, como verdadero/falso,
s/no o ligado/desligado. En la lgica difusa, se usan modelos matemticos para
representar nociones subjetivas, como caliente/tibio/fro, para valores concretos que
puedan ser manipuladas por los ordenadores.
En este paradigma, tambin tiene un especial valor la variable del tiempo, ya que los
sistemas de control pueden necesitar retroalimentarse en un espacio concreto de tiempo,
pueden necesitarse datos anteriores para hacer una evaluacin media de la situacin en
un perodo anterior.
7. CMO Y CUANDO UTILIZAR LA LGICA DIFUSA
La lgica difusa se usa en sistemas donde las tcnicas difusas son necesarias o
beneficiosas entre ellas podemos mencionar:
Sistemas complejos, donde es muy difcil o imposible crear un modelo
Sistemas controlados por expertos humanos
Sistemas con complejas y continuas entradas y salidas
Sistemas que son naturalmente vagos como las ciencias sociales o
relativas al comportamiento, la conducta y el proceder


17
8. VENTAJAS
Este tipo de sistemas estn dando muy buenos resultados en procesos no lineales
y de difcil modelacin
El modo de funcionamiento es similar al comportamiento humano.
Es una forma rpida y econmica de resolver un problema.
No se necesita conocer el modelo matemtico que rige su funcionamiento.
9. DESVENTAJAS
Ante un problema que tiene solucin mediante un modelo matemtico, obtenemos
peores resultados usando Lgica Difusa.
En las redes neuronales se precisa de un tiempo de aprendizaje para obtener los
mejores resultados en la salida. (Al igual que ocurre con los humanos).
Mltiples definiciones de operadores y reglas de inferencia difusas.
Dificultad de interpretacin de valores difusos (semntica no clara).
No hay una buena justificacin de operadores difusos.
10. CONCLUSIONES
La lgica difusa pretende imitar a un humano en la toma de decisiones todo en
base a una serie de parmetros matemticos ya predefinidas por la lgica
humana.
La lgica difusa admite verdades y falsedades parciales, con esto nos exige una
nueva forma de ver los problemas.
En conclusin la LDC es un nuevo enfoque para los sistemas multivalentes
basado en la Media Geomtrica que, adems de aportar un sistema formal con
propiedades lgicas de notable inters, constituye un puente entre la Lgica y la
Toma de Decisiones. La LDC entra a formar parte del arsenal de mtodos para la
evaluacin multicriterio, adecundose especialmente a aquellas situaciones en
que el agente decisor puede describir verbalmente, frecuentemente en forma
ambigua, la heurstica que utiliza cuando ejecuta acciones de
evaluacin/clasificacin multicriterio. Sin embargo, la consistencia de la plataforma

18
lgica dota a esta propuesta de una capacidad de formalizacin del razonamiento
que rebasa los enfoques descriptivos de los procesos de decisin. Es una
oportunidad para usar el lenguaje como elemento clave de comunicacin en la
construccin de modelos semnticos que faciliten la evaluacin, la toma de
decisiones y el descubrimiento de conocimiento.
La lgica difusa se vuelve en una herramienta muy potente principalmente en el
rea de la tecnologa principalmente su usa hace la vida ms fcil a los usuarios
que lo usan, es por eso que el rea crece cada vez mas y mas y haciendo
contribuciones muy importantes a todas las reas no sola a la tecnologa si no
tambin en reas de medicina, meteorologa, etc. Pronto viviremos en un mundo
donde las computadoras tendrn su pensamiento propio y es lo que trata de
realizar la lgica difusa acompaado de la Inteligencia Artificial.
11. COMENTARIOS

Mediante los conceptos que encontramos anteriormente podemos entender mas
sobre la lgica difusa, como aplicarla y cuando aplicarla
Este tema es de gran importancia ya que actualmente, la lgica borrosa ha tenido
ms provech y xito.
Varias empresas multinacionales han desarrollado sistemas borrosos de inters pblico
que estn en uso actualmente.
Dentro del mbito japons merece una mencin especial la creacin de un organismo
llamado LIFE (Laboratory for International Fuzzy Engineering Research) en marzo de
1989, creado por el Ministerio de Comercio Internacional e Industria en Japn (MITI).
El capital de LIFE es al 50% de compaas privadas japonesas y del propio Ministerio, y
su presidente es miembro del Instituto de Tecnologa de Tokio (TIT). En su sede trabajan
en la actualidad alrededor de 30 investigadores a tiempo completo.
Como vimos estos ejemplos esto nos quieres decir que este tema nos ayudara para la
vida profesional, pases del primer mundo ya lo usa y deberamos usarla y aplicarla.


19
12. BIBLIOGRAFA
http://www.monografias.com/trabajos95/master-direccion/master-
direccion.shtml
http://profesores.elo.utfsm.cl/~tarredondo/info/soft-
comp/Introduccion%20a%20la%20Logica%20Difusa.pdf
https://www.google.com.bo/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&c
ad=rja&ved=0CCkQFjAA&url=http%3A%2F%2Fes.wikipedia.org%2Fwiki%2FL
%25C3%25B3gica_difusa&ei=MJXeUoG0FNXSsATzzIHoBA&usg=AFQjCNFLg
6CL_Ss_F5SMS_YuaT06oN1HFw&bvm=bv.59568121,d.cWc
https://www.google.com.bo/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&c
ad=rja&ved=0CDcQFjAC&url=http%3A%2F%2Frev-inv-ope.univ-
paris1.fr%2Ffiles%2F32311%2F32311-
04.pdf&ei=MJXeUoG0FNXSsATzzIHoBA&usg=AFQjCNF64wVXUwIh_Oy8HCV
rq1pxhWDDKg&bvm=bv.59568121,d.cWc
https://www.google.com.bo/url?sa=t&rct=j&q=&esrc=s&source=web&cd=7&c
ad=rja&ved=0CFMQFjAG&url=http%3A%2F%2Fwww3.fi.mdp.edu.ar%2Felectr
onica%2Ftesisgradoyposgrado%2Ftesis%2FTesis_Meschino_Gustavo.pdf&ei
=MJXeUoG0FNXSsATzzIHoBA&usg=AFQjCNH5jM4HVUGHAm2kVXt_3rxQMZ
Fy_w&bvm=bv.59568121,d.cWc