RNAYLD V07 Lógica Difusa – Notas detalladas (Parte 1)

Motivación para el estudio de la lógica difusa

• El equipo docente retoma el curso tras la sección de redes neuronales, ahora con lógica difusa.
• Experiencia del grupo: presentación de un paper en el Congreso Mundial de Inteligencia Computacional (Japón). La lógica difusa se emplea en investigación y práctica cotidiana.
• Nivel del curso: introductorio, proselitista; al final se mostrarán 2-3 aplicaciones industriales (control difuso, agrupamiento difuso, quizá otra más).
• Diferencia con redes neuronales:
  • RN = «caja negra» (puedo usarlas sin entender la matemática interna).
  • Lógica difusa = «caja blanca» → exige comprensión matemática de los fundamentos.
• Objetivos al construir modelos en ingeniería de sistemas:
  1. Comprender fenómenos.
  2. Predecir o explicar eventos (predicción = futuro, explicación = pasado).
  3. Controlar fenómenos y alcanzar metas.
• Herramientas tradicionales (determinísticas, precisas y abruptas): lógica proposicional, teoría de conjuntos clásica, optimización clásica.
  • Proposiciones: verdadero / falso.
  • Conjuntos: pertenece / no pertenece.
  • Optimización: factible / no factible, óptimo / no óptimo.
• Ejemplo de necesidad de precisión: satélites que se comunican por láser (apuntar con exactitud).
• Ejemplos donde la precisión estricta es innecesaria o costosa:
  • Estacionar un coche («más o menos» a la altura del baúl, girar cuando ves el foquito, etc.).
  • Controlar tráfico con semáforo averiado.
  • Cruzar la calle (depende de distancia y velocidad, no de un umbral exacto).
  • Comprar 0,5 kg de manzanas (siempre es “aprox. medio kilo”).
  • Cortar y repartir torta en un cumpleaños (
    que los trozos “parezcan” iguales).
  • Hornear galletas: opción 1 = $190\;^{\circ}\mathrm{C}$ en el interior; opción 2 = “sacalas cuando la superficie esté marrón claro”.
• Frases célebres:
  • "A medida que la complejidad crece, la precisión y la significancia se vuelven mutuamente excluyentes" (Zadeh, 1962).
  • Ejemplo Star Wars: C-3PO da probabilidad $\tfrac{1}{3720}$; para Han Solo es información inútil en contexto.
  • Dibujo del yunque: mensaje “¡Cuidado!” es más útil que un dato exacto (1500 kg a 45 m/s).
• Tipos de incertidumbre:
  1. Estocástica (probabilidad clásica).
  2. Inespecificidad (cantidad de alternativas futuras).
  3. Borrosidad (dificultad para límites nítidos).
  4. Evidencia conflictiva.
• Ejemplos de lenguaje natural ambiguo: “obstáculo cerca”, “persona alta”, “paciente saludable”.
• Balance deseado entre complejidad, credibilidad e incertidumbre: introducir “imprecisión controlada” reduce complejidad y aumenta credibilidad.

Fundamentos históricos y filosóficos

• Lofti A. Zadeh (1965, paper “Fuzzy Sets”) propone grados de pertenencia $\mu_A(x) \in [0,1]$.
• Desafía la exclusividad de la probabilidad para modelar incertidumbre y la lógica aristotélica bivaluada.
• Citas:
  • Aristóteles: “La mente instruida descansa en el grado de precisión que admite el asunto…”.
  • Refrán: “Si no puedes con tu enemigo, únete a él” (aceptar la incertidumbre).
• Campo “soft computing”/“computational intelligence”: lógica difusa, redes neuronales, razonamiento probabilístico. Objetivo: soluciones aproximadas con bajo coste.

Conceptos básicos de teoría de conjuntos clásicos vs. difusos

Clásicos

• Términos primitivos: elemento, conjunto, pertenencia.
• Axioma de extensión: un conjunto se determina por sus elementos.
• Representaciones:
  1. Extensión: $A = {x<em>1,x</em>2,\dots}$.
  2. Comprensión: $A = {x\in U: P(x)}$.
  3. Función característica: $\mu_A:U\to{0,1}$.
• Conjuntos especiales: universal $U$ (todos los elementos de interés) y vacío $\varnothing$ (o $\emptyset$).

Difusos

• Se describen por $\mu_{\tilde{A}}:U\to[0,1]$.
• Notación: tilde (˜) indica conjunto difuso.
• Ejemplo “municipios altamente contaminados”:
  • Clásico: \mu_{AC}(x)=\begin{cases}1,& x\ge 20\0,& x<20\end{cases}.
  • Difuso: transición lineal \mu_{\tilde{A}C}(x)=\begin{cases}0,&x<15\\dfrac{x-15}{5},&15\le x<20\1,&x\ge20\end{cases}.
• Formas de notación difusa (extensión, suma de Zadeh, integral si $|U|=\infty$).

Propiedades internas

• Soporte: \text{supp}(\tilde{A})={x\in U: \mu_{\tilde{A}}(x)>0}.
• Núcleo: $\text{core}(\tilde{A})={x\in U: \mu_{\tilde{A}}(x)=1}$.
• Altura: $h(\tilde{A})=\sup{\mu_{\tilde{A}}(x)\,|\,x\in U}$; conjunto normal si $h=1$.

Inclusión, igualdad y convexidad

• Inclusión: $\tilde{A}\subseteq \tilde{B}\iff \forall x,\, \mu<em>{\tilde{A}}(x)\le \mu</em>{\tilde{B}}(x)$.
• Igualdad si existe inclusión mutua.
• Convexidad (reales): $\tilde{A}\text{ convexo} \iff \forall\lambda\in[0,1],\, \mu<em>{\tilde{A}}(\lambda x+(1-\lambda)y) \ge \min{\mu</em>{\tilde{A}}(x),\mu_{\tilde{A}}(y)}$.

Cortes α (α-cortes)

• Definición: $\tilde{A}<em>\alpha = {x\in U: \mu</em>{\tilde{A}}(x)\ge \alpha}$.
• α-corte fuerte: \tilde{A}_{\alpha}^+ = {x: \mu>\alpha}.
• Propiedades:
  • Cada α-corte es un conjunto clásico.
  • Anidamiento: si $\alpha<em>1<\alpha</em>2$ entonces $\tilde{A}<em>{\alpha</em>2}\subseteq \tilde{A}<em>{\alpha</em>1}$.
  • Núcleo = $\tilde{A}<em>1$; soporte = $\tilde{A}</em>{0}^+$.
• Teorema de descomposición: $\mu<em>{\tilde{A}}(x)=\sup</em>{\alpha\in[0,1]} \bigl[\alpha\wedge \mu<em>{\tilde{A}</em>\alpha}(x)\bigr]$ (producto o mínimo).

Funciones de pertenencia comunes (cantidades difusas)

• Número difuso triangular $T(a,m,b)$:
  \mu(x)=\begin{cases}\dfrac{x-a}{m-a},&a\le x\le m\\dfrac{b-x}{b-m},&m\le x\le b\0,&\text{c.o.c.}\end{cases}.
• Intervalo difuso trapezoidal $Tr(a,m<em>1,m</em>2,b)$ (meseta plana).
• L y R (semi-trapezoidales): límites difusos a $\pm\infty$.
• Gaussiano: $\mu(x)=e^{-\frac{(x-m)^2}{2\sigma^2}}$.
• Sigmoide, funciones Z, S, Π (transiciones suaves).

Operaciones entre conjuntos difusos (definición estándar)

• Complemento: $\mu<em>{\neg \tilde{A}}(x)=1-\mu</em>{\tilde{A}}(x)$.
• Intersección (T-norma mínima): \mu{\tilde{A}\cap\tilde{B}}(x)=\min\bigl{\mu{\tilde{A}}(x),\mu_{\tilde{B}}(x)\bigr}.
• Unión (S-norma máxima): \mu{\tilde{A}\cup\tilde{B}}(x)=\max\bigl{\mu{\tilde{A}}(x),\mu_{\tilde{B}}(x)\bigr}.
• Diagramas de Venn extendidos muestran la forma resultante.
• Ejemplo «casa confortable» = mínimo entre «espacio disponible» y «esfuerzo de limpieza».

Producto cartesiano difuso

• Si $\tilde{A}\subseteq U,\; \tilde{B}\subseteq V$ entonces
  \mu{\tilde{A}\times\tilde{B}}(x,y)=\min\bigl{\mu{\tilde{A}}(x),\mu_{\tilde{B}}(y)\bigr}.
• Forma la base para relaciones difusas y reglas "SI…ENTONCES".

Potencial, partición y cardinalidad difusas

• Potencial $\mathcal{P}(\tilde{A})$: familia de todos los sub-conjuntos difusos con $\mu<em>B\le\mu</em>{\tilde{A}}$.
• Partición difusa de $\tilde{A}$: colección ${\tilde{A}<em>i}$ tal que $\sum</em>i\mu<em>{\tilde{A}</em>i}(x)=1\;\forall x$.
  • Permite que $\tilde{A}$ y su complemento formen partición (algo que no ocurre con la definición clásica).
• Cardinalidad: $|\tilde{A}|=\sum<em>{x\in U}\mu</em>{\tilde{A}}(x)$ (o integral en continuo).
• Frecuencia relativa: $\text{fr}(\tilde{A})=\dfrac{|\tilde{A}|}{|U|}$.

Conexiones con temas previos y futuros

• Redes neuronales y lógica difusa pueden integrarse (sistemas neuro-difusos) → entrenar funciones de pertenencia.
• Control difuso (Mamdani, caja blanca) será visto como aplicación.
• Agrupamiento difuso (c-means difuso) conecta con clustering discutido por Leti.
• Herramientas de software: biblioteca Scikit-Fuzzy (Python) para implementar todo lo anterior.

Implicaciones éticas y prácticas

• Modelar incertidumbre de forma explícita mejora la credibilidad de las decisiones (reconocemos la imprecisión inherente).
• Aceptar un margen de error puede reducir costes (ej.: hornear galletas, tráfico, e incluso ingeniería de software en estimaciones de esfuerzo).
• Transparencia: los modelos difusos permiten explicar reglas y justificaciones, crucial para confianza y auditoría.

Frases de cierre de la clase

• “Esto es matemáticas, muchachos; hay que amigarse con los símbolos.”
• El curso seguirá: más operaciones, aritmética de números difusos, ejemplos en Python/Scikit-Fuzzy y ejercicios prácticos.