LOS CONJUNTOS BORROSOS: UNA INTRODUCCION

Luisa L. Lazzari - Emilio A. M. Machado - Rodolfo H. Pérez

Este articulo esta destinado fundamentalmente a aquellos que se introducen

en las metodologías borrosas y sus aplicaciones.
En la 1ra parte se intenta presentar las necesidades de las metodologías
borrosas en el contexto actual y se da un resumen de las sucesivas etapas del
desarrollo de la lógica borrosa.
En la 2da parte, que se inicia con la noción de pertenencia, se exponen los
conceptos de conjunto borroso y número borroso.

0 - INTRODUCCION

El mundo actual es incierto e impreciso, los actos de los hombres y

las relaciones entre ellos están afectados de vaguedad, es por esto
que la realidad no puede estudiarse en términos absolutos con
técnicas aplicables a situaciones ciertas ni aun aleatorias; que, en
la búsqueda de la precisión, intentan ajustar el mundo real a
modelos matemáticos rígidos y estáticos, perdiendo con ello
información valiosa.
En efecto, muchas propiedades atribuidas a los objetos de la
ciencia y de la vida cotidiana son imprecisas. Por ejemplo, el
predicado “pequeño” se utiliza en ámbitos de discurso muy
diferentes: el departamento es “pequeño”, el presupuesto es
“pequeño”, la empresa es “pequeña”, etc. Las afirmaciones del tipo
“x es pequeño” brindan información si se conoce el ámbito del
discurso. La propiedad reflejada por el predicado “pequeño” es
imprecisa, es decir, las afirmaciones del tipo “x es pequeño” no son
únicamente verdaderas o falsas, sino que admiten grados diversos
de verdad y falsedad.
Un predicado nítido es el nombre de una propiedad precisa de los
elementos de un conjunto, de manera que cada elemento la verifica
o no. Por ejemplo, en el conjunto de los números enteros positivos
el predicado impar es nítido.
1
Pero los discursos ordinarios están plagados de predicados vagos,
continuamente nos encontramos con propiedades imprecisas y una
“lógica” que pretenda tratar con los razonamientos que usualmente
hacen las personas ha de poder operar con tales predicados. Ello no
es posible con la lógica clásica (evolucionada desde las ideas de
George Boole), ni utilizando la teoría usual de conjuntos basada en
esa lógica.

Podrá decirse que hay casos en que un predicado vago puede

sustituirse por uno nítido, pero ello en general obliga a forzar el
discurso con una sintaxis que puede ser inadecuada a su
semántica. Por ejemplo, el predicado vago “x es una persona alta”
podría sustituirse por “x mide más de 1,80m”, pero entonces ¿qué
decir de una persona de 1,79m de altura y otra de 1,95? El lenguaje
ordinario ha resuelto este problema con flexibilidad, sin usar
clasificaciones en que el salto de una clase a otra es abrupto;
adoptando clases sin bordes nítidos que no son asimilables a
conjuntos clásicos. El lenguaje usa nombres para designar a clases
borrosas, a las que los objetos pertenecen con un cierto grado, de
manera que el paso de una clase a otra es suave; esto que significa
que un mismo objeto pertenece a varias clases con distinto grado
de pertenencia a cada una de ellas.
Los predicados nítidos P o las propiedades precisas p permiten
clasificar los objetos de su ámbito de discurso en dos conjuntos
nítidamente diferenciados: el de los que verifican la propiedad p o
hacen la correspondiente afirmación “x es P” verdadera y el de los
que no verifican la propiedad p o hacen “x es P” falsa. En cambio un
predicado vago o la correspondiente propiedad imprecisa p no
clasifican en dos clases a los objetos del ámbito del discurso.
“Casi toda la lógica del razonamiento humano no es la lógica clásica
de dos valores, o incluso de varios valores, sino una lógica de
verdades borrosas, de conjunciones borrosas, de reglas de
deducción borrosas” (Zadeh, 1977).
El problema de la vaguedad fue poco considerado por los lógicos,
exceptuando algunos intentos, como el de B. Russell en los años
veinte, que lo reconoció como un problema importante. El primero
que lo aborda es Lotfi A. Zadeh en el año 1965, en su artículo
“Fuzzy sets”. Ingeniero eléctrico, doctorado en la Universidad de
Columbia, (Nueva York, 1949), cuando escribió el artículo era
conocido por sus investigaciones en teoría del control dentro de la
2
tradición metodológica de la Cibernética y profesor en la
Universidad de California de Berkeley desde 1959. Zadeh arribó a la
conclusión de que en el estudio de los sistemas complejos llega un
momento en el cual la precisión choca con la significatividad: a
más, precisión menos significatividad. Zadeh ha escrito que "la
teoría de los subconjuntos borrosos es, de hecho, un paso hacia un
acercamiento entre la precisión de la matemática clásica y la sutil
imprecisión del mundo real, un acercamiento nacido de la
incesante búsqueda humana por lograr una mejor comprensión de
los procesos mentales y del conocimiento". Desde entonces se ha
asociado a los términos “lógica borrosa” cualquier sistema
matemático que se base en los conjuntos borrosos.

Zadeh amplió la teoría clásica de conjuntos para poder operar con

clases definidas por predicados vagos y logró esa ampliación
generalizando el concepto de pertenencia a un conjunto A para el
que sólo existían, a ese momento, dos posibilidades: x pertenece a
A o x no pertenece a A, que expresado mediante la función
característica o de elección de Boole se representa por µA(x) = 1 o
µA(x) = 0, respectivamente. Zadeh introdujo la idea de los conjuntos
~
borrosos A , caracterizados por funciones características
generalizadas o funciones de pertenencia µ A~ , cuyos valores no son
sólo los números 0 y 1, sino todos los números entre 0 y 1; la
pertenencia dejó de ser abrupta para ser graduada.
El cálculo de Zadeh facilitó una vía para representar y gestionar el
razonamiento con predicados vagos, un cálculo que contiene como
caso particular el cálculo con predicados nítidos, los cuales definen
conjuntos clásicos. Un conjunto borroso deviene clásico cuando su
función de pertenencia toma únicamente los valores 0 y 1; de esta
manera el cálculo lógico clásico queda englobado en el cálculo
lógico borroso, que resulta más general, y la nitidez o la precisión
aparecen como un caso límite de la vaguedad o imprecisión. Es
decir, con el punto de vista aportado por Zadeh, lo normal es la
imprecisión y lo extraordinario la precisión, a la que no es fácil
llegar sin perder riqueza conceptual.
Al aportar modelos matemáticos flexibles, dependientes del
contexto, es decir, del ámbito en cuestión y del discurso a realizar
sobre el mismo, el modelo de Zadeh ha resultado tecnológicamente
importante. Por ejemplo, las reglas de tipo “Si x es P, entonces y es Q”
3
pueden representarse usando funciones de pertenencia. Una regla
resulta ser un conjunto borroso y una familia de reglas es una
colección de conjuntos borrosos a los que se les puede aplicar los
cálculos permitidos por la teoría. Si un sistema físico tiene un
comportamiento que puede describirse por reglas del tipo “Si ...,
entonces ...” (como un aparato de refrigeración o un péndulo
invertido) su control puede efectuarse, con técnicas adecuadas, por
medio de la teoría de Zadeh. Las técnicas de control borroso
mediante reglas empíricas resultan muy útiles en los casos en los
que la representación de un sistema dinámico lleva a un sistema de
ecuaciones diferenciales no lineales cuya computación es costosa y
sensible a pequeños errores. En sus formas más simples esas
reglas son del tipo “Si x es P, entonces y es Q”, donde x es una
variable en cierto ámbito e y lo es en otro, mientras que P y Q son
predicados vagos sobre esos respectivos ámbitos. Por ejemplo, para
regular los acondicionadores de aire se usan reglas como: “Si la
temperatura es muy baja, entonces la velocidad del ventilador debe
reducirse considerablemente”, donde “muy baja” y
“considerablemente” son predicados graduados.

Este nuevo punto de vista choca con muchos siglos de tradición

cultural y costó años que los científicos aceptaran que era un
primer intento de hacer un estudio científico del campo de la
vaguedad, permitiendo modelizar conceptos del lenguaje ordinario
que no se habían podido considerar anteriormente. Tal vez la mayor
dificultad estaba vinculada con el significado de grado de
cumplimiento de una regla de tipo “Si ..., entonces...”. Hasta fines
de los años veinte las reglas se entendían como de obligado
cumplimiento; como por ejemplo “Si n es un número natural,
entonces 2n+1 es impar” sólo podía ser verdadera o falsa. Con los
estudios estadísticos de las ciencias actuariales y por la
generalización de los seguros, reglas inciertas como “Si x es varón y
tiene cincuenta años, entonces vivirá veinticinco años más”
pasaron a ser de uso común. Esas reglas se refieren a sucesos
inciertos que en determinado momento dejan de serlo, por lo que al
momento de ser enunciadas no son ni verdaderas ni falsas: hay que
agregarles, por ejemplo, “con una probabilidad del 70% ”. Aparecen,
entonces, reglas que pueden ser calificadas de otra forma. En
términos de probabilidades, la regla puede enunciarse: “Si x es
varón y tiene cincuenta años, entonces vivirá veinticinco años más,
con una probabilidad del 70% ”. Los problemas que se pueden
4
modelizar por medio del cálculo de probabilidades son problemas
que se refieren a experimentos de resultado preciso pero incierto;
en cambio, hay otros problemas que involucran el fenómeno de la
imprecisión. La probabilidad se refiere a preguntas que en algún
momento tendrán una respuesta nítida: “sí” o “no”, mientras que la
imprecisión se refiere a afirmaciones significativas e informativas de
las que no se puede decir que sean verdaderas o falsas, sino que
tienen un grado de verdad. Se trata de afirmaciones del lenguaje
cotidiano, indispensables para “dialogar”, ya que su flexibilidad,
sus matices, permiten una interrelación entre los discursos de
las personas.

Un predicado vago o impreciso admite modificadores lingüísticos, lo

que no sucede con un predicado nítido; por ejemplo, en el contexto
de una conversación, tiene sentido hablar de “demanda muy
pequeña”, pero no lo tiene decir que un número es “muy impar”, ya
que un número es impar o no lo es.
El origen de las aplicaciones de la lógica fuzzy son los trabajos
realizados por Ebrahim Mamdani en el Queen Mary College de la
Universidad de Londres, en 1973. Con su estudiante de doctorado
Sedrak Assilian, obtuvo un controlador para un motor a vapor que
es el antecedente de todas las aplicaciones posteriores y que
funcionó gracias a 24 reglas del tipo “Si ... , entonces ... ”, que
contenían la experiencia de los mejores operadores humanos. El
controlador agregaba las reglas y por un procedimiento de
“desborrosificación” daba un número, una orden nítida, que era la
cantidad de calor necesaria. Enviando muchísimas de tales ordenes
por segundo, podía regular perfectamente el funcionamiento del
motor y probó ser mejor que los sistemas convencionales de
control.
En Japón, desde 1988, se produjo un verdadero boom de la lógica
borrosa, no sólo por los trabajos de Michio Sugeno y de otros
científicos e ingenieros japoneses, sino también por la confianza e
interés de las empresas en la emergente tecnología fuzzy. En la
obra del japonés Michio Sugeno se mezclan sofisticados trabajos
matemáticos con aplicaciones reales de gran importancia; sus
aplicaciones han permitido hablar de “ingeniería fuzzy”, además de
lógica y tecnología fuzzy. La primera de sus aplicaciones, el control
de una planta purificadora de agua, fue realizada entre 1980 y 1983
para la compañía Fuji Electric; la segunda: un automóvil en
5
miniatura guiado por instrucciones orales. Entre 1987 y 1989,
Sugeno desarrolló con la compañía Matsushita Panasonic, el primer
producto mundial de consumo con la etiqueta fuzzy logic: la
“unidad suministradora de agua caliente”: se trata de un aparato
que regula la temperatura del agua de una canilla. Finalmente,
entre 1989 y 1995, Sugeno y sus colaboradores desarrollaron un
pequeño helicóptero controlado por radio, a distancia y por
instrucciones muy simples de la voz humana (del tipo “despega”,
“aterriza”, “vuela en línea recta”, etc.) tratadas por inferencia con
reglas representadas mediante la lógica borrosa y redes neuronales
(proyecto T que fue financiado por el Ministerio Japonés de
Transportes).

A partir de los trabajos de Sugeno se evidencia que la confluencia

de técnicas borrosas con las neuronales, las probabilísticas y otras
como los algoritmos genéticos, están generando el nuevo campo de
la Computación flexible (Soft-Computing) que parece prometer una
mayor utilidad para enfrentarse con los razonamientos de sentido
común y lograr que las máquinas razonen como lo hacen las
personas.

Se utiliza metodología borrosa, además, para describir y resolver

problemas de gestión, economía, lingüística, medicina, ciencias
políticas, y biología. Diversas empresas fabrican aparatos, dotados
de un control más preciso como, por ejemplo lavarropas, cámaras
fotográficas, videocámaras, aspiradoras, hornos a microondas y
hasta ascensores basados en la lógica borrosa.

Lo que se busca a través de la metodología borrosa es describir y

formalizar la realidad empleando modelos flexibles que interpreten
las leyes que rigen el comportamiento humano y las relaciones
entre los hombres.

6
1 - REVISION DE LA NOCION DE PERTENENCIA

Al considerar un conjunto A, habitualmente "x es un elemento de

A" o bien "x pertenece a A" se indica "x ∈ A". Si todo elemento de
A pertenece al conjunto E, se dice que A está incluido en E o que A
es un subconjunto de E. Simbólicamente A ⊂ E. E se denomina
conjunto referencial o universal.

Al conjunto formado por todos los subconjuntos de un conjunto

dado E se lo denomina conjunto de partes o conjunto potencia y se
lo indica ℘(E).

La cantidad de elementos de un conjunto se llama cardinal del

conjunto. Si el cardinal de E es n , el cardinal de ℘(E) es 2n .
Simbólicamente: #E = n ⇒ #℘(E) = 2n.

Con el objeto de generalizar la pertenencia se introduce la "función

característica µA" definida de la siguiente manera:

µ A ( x) = 1 x ∈A
µA : E → {0 ,1} / 
µ A ( x) = 0 x ∉A

Es decir que µA(x) = 1 indica que x pertenece al conjunto A y

µA(x) = 0 significa que x no pertenece al conjunto A. µA(x) es el
grado de pertenencia.

La representación mediante diagrama de Venn es:

A
.x E

Ejemplo 1: Sea E = {a , e , i , o , u} y A = {e , o , u}
7
Entonces podemos escribir µA(a) = 0 , µA(e) = 1 , µA(i) = 0 , µA(o) = 1 y
µA(u) = 1

Esto nos permite expresar el conjunto A de una forma diferente, en

la cual figuran todos los elementos del referencial con sus
respectivos grados de pertenencia:

A = {(a/0) , (e/1) , (i/0) , (o/1) , (u/1)}

El conjunto referencial o universal puede representarse con esta
notación, asignando 1 a la función característica de todos sus
elementos.

E = {(a/1) , (e/1) , (i/1) , (o/1) , (u/1)}

Representando mediante diagramas de Venn:

A
.u .o .a
.e
.i

Se define conjunto vacío, y se lo simboliza ∅, como el conjunto

nítido tal que µ∅(x) = 0 ∀ x ∈ E.

Para separar los elementos en cada par ordenado puede utilizarse

una coma ( , ) o bien una barra ( / ).

Podemos expresar las operaciones definidas entre conjuntos

nítidos, utilizando la función característica de la siguiente manera:

µA∪B(x) = máx{µA(x) , µB(x)}

µA∩B(x) = mín {µA(x) , µB(x)}

µ A ( x) = 1 − µ A ( x)

8
2 - LOS CONJUNTOS BORROSOS

Supongamos que de un conjunto de inversiones queremos

distinguir el subconjunto de inversiones altamente redituables, o
que de un conjunto de decisiones tomadas deseamos dar el
subconjunto de las decisiones acertadas, o del conjunto de sus
libros quira formar el subconjunto de los muy interesantes. ¡Qué
difícil! ¿Verdad? Los predicados "altamente redituable", "decisiones
acertadas" o "libros muy interesantes" son vagos, difusos, borrosos,
subjetivos. No hay duda de que su significado dependerá no sólo
del individuo, sino también del momento en que sean considerados.
Además, no será posible particionar con ellos el conjunto
referencial en dos: separar los que los cumplen de los que no los
cumplen Pero esto no quita el hecho de que al utilizar a diario los
llamados predicados vagos se está dando información muy
importante para la toma de decisión. Veamos un ejemplo: si una
señorita le cuenta a su madre cómo es su novio utilizando los
predicados clásicos "vive en Capital Federal", "es estudiante
universitario" y "mayor de edad", no le está dando demasiada
información, en cambio si usa los predicados imprecisos "es joven",
"de buena familia", "es buenísimo", "tiene un importante puesto de
trabajo", la madre se quedará tranquila.

“El fenómeno de la vaguedad invade el razonamiento ordinario

basado en conocimientos comune. Porque el discurso ordinario está
lleno de predicados que no clasifican perfectamente el
correspondiente universo de objetos en cuestión; de predicados con
tales matices de significado que a menudo se entrecruza lo
afirmado con lo negado para abrir nuevos espacios al debate y a la
discusión enriquecedora; de predicados vagos no siempre
precisables que pierden matices e informatividad cuando se intenta
ceñirlos arbitrariamente” (Introducción a la lógica borrosa, Trillas,
Alsina y Terricabras,Editorial Ariel, Barcelona 1995).

En este tipo de predicados la pertenencia a un conjunto es cuestión

de grados entre el “pertenece” y “no pertenece”, entre “verdadero” y
“falso”, son los grises situados entre el blanco y el negro.

Generalizamos entonces la función característica, de modo tal que

pueda tomar cualquier valor real del intervalo [0 , 1].

9
Sea E un conjunto continuo o discreto, se llama subconjunto
borroso de E (en inglés fuzzy set) a todo conjunto de pares
ordenados
~
A = {( x / µ ~
A
( x )) , ∀ x ∈ E }
µ ~
A
: E → [ 0 , 1] es la función característica de pertenencia.
µ A~ ( x ) es el grado o nivel de pertenencia de x a E.

La notación que emplearemos en adelante para distinguir un

conjunto borroso de uno nítido es el símbolo ~ colocado sobre la
letra que indica el conjunto.

Ejemplo 2: Sea un conjunto de inversiones E = {a, b, c, d, e, f}

Tales que a: bonex, b: acciones, c: fondo de inversión, d: plazos
fijos, e: bonos Brady, f: otros activos.

En un determinado período a resultó una muy buena inversión, b

mala, c ni buena ni mala, d muy redituable, e bastante buena y f
bastante mala.

Podemos definir en el conjunto de inversiones E, el siguiente

subconjunto borroso:

~
A = {(a/1), (b/0), (c/.5), (d/.9), (e/.7), (f/.4)}
~
Debe quedar claro que A podrá ser diferente en otro momento, o
bien si las inversiones de E son analizadas por otra persona. Es
decir, no hay unicidad para un subconjunto borroso, no se asuste,
en la realidad tampoco existe unicidad ¿o siempre coincide con su
agente de bolsa?

~
El conjunto A , o cualquier conjunto fuzzy incluido en un
referencial finito, también puede expresarse de la siguiente manera:

x a b c d e f
µ A~ ( x) 1 0 .5 .9 .7 .4

10
Gráficamente podremos representarlo del siguiente modo:
µ

a b c d e f x

~
Se llama soporte de un subconjunto borroso A de E al conjunto
nítido que contiene todos los elementos del referencial cuya
función de pertenencia es no nula.

~ ~
S( A ) = {x/ x ∈ E ∧ µ A~ ( x) > 0} en el ejemplo anterior. S( A ) = {a, c, d, e, f}

Si el conjunto referencial es infinito el subconjunto borroso se

expresa por medio de su función de pertenencia.
Ejemplo 3: Se sabe que el costo de un artículo no será inferior a
$20, ni superior a $80 y que lo más posible es que sea de $60. Esta
situación puede ser representada por el subconjunto borroso
triangular siguiente:
µ
1

0 20 60 80 x
11
 ~
El conjunto C representa el costo del artículo considerado. Su
función de pertenencia es

∀ x ∈ ℜ (conjunto referencial de los números reales):

0 si x < 20

 x -1 si 20 ≤ x ≤ 60
 40 2
µ C~ ( x ) = 
- x + 4 si 60 ≤ x ≤ 80
 20
0 si x > 80


Ejemplo 4: La definición de un subconjunto borroso depende de la

situación que se considere; veamos este ejemplo sobre una idea
extraída de Tanaka (1997): Cuando uno piensa en la velocidad de
un auto, la interpretación de cuán "rápido" el auto está circulando
difiere según se considere el tránsito en una avenida, en una
autopista o bien en un circuito de carrera. La siguiente figura
muestra las funciones de pertenencia correpondientes a cada uno
de los casos mencionados para el subconjunto borroso de ℜ que
podemos llamar “velocidad de circulación rápida”. Podemos ver que
60km/h es considerada una velocidad rápida para una avenida
pero no lo es para una autopista y menos aun para un circuito de
carrera.
µ
1
0,9
0,8
0,7
0,6 Avenida
0,5 Autopista
0,4 Carrera
0,3
0,2
0,1
0 x
10 40 70 100 130 160 190
VELOCIDAD EN Km/h

12
Otro ejemplo similar al de la velocidad es el subconjunto de
personas "altas", ya que la función de pertenencia será diferente si
se la realiza para referirse a conjuntos de individuos de diferentes
pueblos, como por ejemplo Japón, Alemania o Argentina, o de
diferentes edades -niños, jóvenes o adultos-, o bien si se refiere a
los jugadores de diferentes deportes como fútbol, volley o basquet.

Los subconjuntos nítidos pueden expresarse como un caso

particular de subconjunto borroso: consideremos como ejemplo el
~
caso de un intervalo cerrado de números reales F = a , b [ ]
µ

a b x

~
F = [a , b ]
2 - 1 - IGUALDAD E INCLUSION DE SUBCONJUNTOS BORROSOS

~ ~
Sean A y B dos subconjuntos borrosos de un mismo universal E.
~ ~
• Igualdad: A y B son iguales si y sólo si los valores de sus
funciones de pertenencia son idénticos (toman los mismos
valores para todo x perteneciente a E).
~ ~
A = B ⇔ ∀x ∈ E : µ A~ (x ) = µ B~ (x )

~ ~ ~ ~
• Inclusión: A está incluido en B o A es un subconjunto de B
~
si y sólo si todos los valores de la función de pertenencia de A son
~
respectivamente menores o iguales que los correspondientes de B .
~ ~
A ⊂ B ⇔ ∀x ∈ E : µ A~ (x ) ≤ µ B~ (x )
13
2 - 2 - OPERACIONES CON SUBCONJUNTOS BORROSOS

Con los subconjuntos borrosos pueden definirse las mismas

operaciones que con los nítidos y aun más. Daremos aquí las
definiciones de las llamadas operaciones fundamentales, utilizando
las mismas definiciones que para los conjuntos nítidos
generalizadas.

~ ~
Dados dos subconjuntos borrosos A y B de un mismo universal E

~ ~
Unión: A ∪ B es el subconjunto borroso de E cuya función de
pertenencia es

µ A~ ∪ B~ ( x) = max {µ A~ ( x) , µ B~ ( x)} ∀x∈E

Gráficamente:

µ
1
0,9
0,8
~
0,7 A
0,6 ~
0,5
B
0,4
0,3
0,2
0,1
0 x
10

12

14

16

18

20

22

24
0

~ ~
A∪B
~ ~
Intersección: A ∩ B es el subconjunto borroso de E cuya función
de pertenencia es

µ A~ ∩ B~ ( x) = min {µ A~ ( x) , µ B~ ( x)} ∀x∈E

14
Gráficamente:

µ
1
0,9
0,8 ~
0,7 A
~
0,6 B
0,5
0,4
0,3
0,2
0,1
0 x
~ ~
0
2
4
6
8
10
12
14
16
18
20
22
24
A∩B

~
• Complemento: A es el subconjunto borroso de E cuya función
de pertenencia es

µ ~ (x) = 1 - µA
~ (x) ∀x∈E
A

Ejemplo 5: Sea el conjunto referencial E = {a , e , i , o , u} y los

~ ~
subconjuntos borrosos A y B , tales que los valores de sus
funciones de pertenencia son:

x a b c d e
µ A~ ( x) 1 0 .5 .9 .7
µ ~B ( x) .8 .6 .2 1 .8

~ ~ ~ ~ ~
Los valores de las funciones de pertenencia de A ∪ B , A ∩ B , A ,
~ ~ ~ ~ ~
B , A ∪ A y A ∩ A son respectivamente:

15
 ~
A
x a e i o u
µ A~ ∪ B~ ( x) 1 .6 .5 1 .8
µ A~ ∩ B~ ( x) .8 0 .2 .9 .7
µ ~ ( x) .2 .4 1 0 .2
B
µ A~ ( x) 1 0 .5 .9 .7
µ ~ ( x) 0 1 .5 .1 .3
A
µ A~ ∪ A~ ( x) 1 1 .5 .9 .7
µ~ ~ (x) 0 0 .5 .1 .3
A∩A

Es evidente que no se verifica la ley del tercero excluido, ya que en

ese caso deberían ser iguales a 1 todos los valores de la función de
~ ~
pertenencia de A ∪ A y tampoco se verifica la ley de contradicción
porque deberían ser iguales a cero todos los valores de la función
~ ~
de pertenencia de A ∩ A . Estas propiedades, que siempre se
cumplen para los conjuntos nítidos, en general no se verifican
para los subconjuntos borrosos, es por ello que los subconjuntos
borrosos no forman un álgebra de Boole.

2 - 3 - SUBCONJUNTO NITIDO DE NIVEL α O α-CORTE

Veremos la relación entre un subconjunto borroso y uno nítido.

~
Consideremos un subconjunto borroso A del referencial E, se
llama subconjunto nítido de nivel α al siguiente subconjunto de E:

Aα = {x ∈ E / µ A~ ( x) ≥ α } para todo α ∈ (0 , 1]

~
A α también es llamado α-corte o conjunto de nivel α de A .
Algunos autores lo llaman α-corte débil, definiendo α-corte fuerte al
subconjunto

A α+ = {x ∈ E / µ A~ ( x) > α } para α ∈ [0 , 1)

16
En realidad, la dificultad se presenta en el caso que α = 0, ya que
con la definición débil A0 = E, puesto que para todo x
perteneciente a E µ A~ ( x) ≥ 0 y no aporta información alguna.

La importancia de los α-cortes radica en la posibilidad de expresar

cualquier subconjunto borroso mediante sus α-cortes. George J.
Klir dice al respecto "they can be viewed as a bridge by which fuzzy
sets and crisp sets are connected".

~
Ejemplo 6: Consideremos el subconjunto borroso A del referencial
E = {a, b, c, d, e}

x a b c d e f
µ A~ ( x) 1 0 .5 .9 .2 .4

A.1 = {a , c , d . e . f} A.3 = {a , c , d , f} A.5 = {a , c , d}

A.8 = {a , d} A.9 = {a , d} A1 ={a}

Se observa que si 1 > .9 > .8 > .5 > .3 > 1, entonces, A1 ⊂ A.9 ⊂ A.8 ⊂ A.5 ⊂ A.3 ⊂ A.1

Se puede demostrar que:

∀ α1 , α2 ∈ (0 , 1] : α2 ≥ α1 ⇒ A α 2 ⊆ A α1

También se pueden obtener los α-cortes en el caso en que la

función de pertenencia sea continua, o sea para un subconjunto
borroso de ℜ; lo veremos gráficamente mediante el siguiente
ejemplo:

17
 µ
1

0,9
~
0,8 A
0,7

0,6

0,5

0,4

0,3

0,2

0,1
x
0
A.9
0

10

12

14

16

18

20

22

24
A.6

A.2

Se observa que: A.9 ⊆ A.6 ⊆ A.2

2 - 4 - TEOREMA DE DESCOMPOSICION

La representación de un subconjunto borroso por sus α-cortes fue

introducida por Zadeh en 1971 con el teorema de descomposición:

~
Todo subconjunto borroso A de E puede descomponerse del
siguiente modo:
~
A = ∪ α.A α
α∈[0,1]

~
Ejemplo 7. Sea el subconjunto borroso A = {(a/.3) , (b/1) , (c/.6) ,
(d/.2) , (e/.9)} y sus α-cortes

18
 A.2 = {(a/1) , (b/1) , (c/1) , (d/1) , (e/1)}
A.3 = {(a/1) , (b/1) , (c/1) , (d/0) , (e/1)}
A.6 = {(a/0) , (b/1) , (c/1) , (d/0) , (e/1)}
A.9 = {(a/0) , (b/1) , (c/0) , (d/0) , (e/1)}
A1 = {(a/0) , (b/1) , (c/0) , (d/0) , (e/0)}

0,2 . A.2 = {(a/.2) , (b/.2) , (c/.2) , (d/.2) , (e/.2)}

0,3 . A.3 = {(a/.3) , (b/.3) , (c/.3) , (d/0) , (e/.3)}
0,6 . A.6 = {(a/0) , (b/.6) , (c/.6) , (d/0) , (e/.6)}
0,9 . A.6 = {(a/0) , (b/.9) , (c/0) , (d/0) , (e/.9)}
1. A1 = {(a/0) , (b/1) , (c/0) , (d/0) , (e/0)}

~
Es fácil ver que A puede expresarse como la unión borrosa de los
subconjuntos obtenidos

~
A = (0,2 . A.2 ) ∪ (0,3 . A.3 ) ∪ (0,6 .A.6 ) ∪ (0,9 . A.9 ) ∪ (1 . A1 )

2 - 5 - CARDINAL DE UN SUBCONJUNTO BORROSO

Sea E un conjunto finito, se define cardinal del subconjunto

~
borroso A de E

~
A = ∑ µA
~ (x )
x∈E

~
Cardinal relativo de A :

~
~ A ~ ~
A = , tal que  A es el cardinal de A y E es el cardinal de
E
E o sea el número de elementos de E.

19
2 - 6 - SUBCONJUNTO BORROSO NORMAL

~
El subconjunto borroso A de E es normal si y sólo si para todo x
perteneciente a E

max µ A~ ( x) = 1

~ ~
Ejemplo 8. Sean A y B subconjuntos borrosos de E (dado en el
ejemplo 9)

x a b c d e f
µ A~ ( x) .7 0 .1 .9 .2 .4

µ B~ ( x) 1 .3 .5 1 .7 .8

~ ~
B es un subconjunto normal de E y A no lo es.
~ ~
El cardinal de A es  A = .7 + 0 + .1 + .9 + .2 + .4 = 2.3

Ejemplo 9. Podemos observar los gráficos de las funciones de

~ ~
pertenencia de dos subconjuntos borrosos de ℜ : A es normal y B
no.
µ

~
A
~
B

20
2 - 7 - SUBCONJUNTO BORROSO CONVEXO

El concepto de subconjunto borroso convexo puede considerarse

como una generalización del concepto de conjunto nítido convexo.
~
Un subconjunto borroso A de ℜ es convexo si y sólo si para todo α
∈ (0,1] todo α-corte es un intervalo cerrado de ℜ (o sea es un
subconjunto convexo de números reales).

Un subconjunto borroso convexo también puede definirse del

siguiente modo (Tanaka, 1997):
~
A es convexo ⇔ ∀ x ∈ [x1 , x2] ⊂ ℜ se verifica:
µ A~ ( x) ≥ min {µ A~ ( x 1 ) , µ A~ ( x 2 )}

Ejemplo 10.
µ
subconjunto
1 borroso
convexo

Aα x

µ
1
subconjunto
borroso no
convexo
α

x
Aα Aα

21
 µ

~
A

Aα x

subconjunto borroso
convexo y normal

3 - NUMEROS BORROSOS

Un número borroso es un subconjunto borroso de los números

reales, convexo y normal.

Se puede definir un número borroso (fuzzy number) en cualquier

conjunto referencial totalmente ordenado, como por ejemplo ℜ
(números reales), ℜ+ (números reales positivos) , Z (números
enteros) o N (números naturales).

~
Ejemplo 11. En Z definimos el número borroso A:
"aproximadamente 2"

x -2 -1 0 1 2 3 4 5 6
µ A~ ( x) 0 .4 .6 .9 1 .9 .6 .4 0

22
 ~
Ejemplo 12. En ℜ definimos el número borroso B:
"aproximadamente 2", cuya función de pertenencia está definida
del siguiente modo:

∀ x ∈ ℜ:
0 si x < 0
x
 si 0 ≤ x ≤ 2

µ B~ ( x) =  2
 -x + 4 si 2 ≤ x ≤ 4
 2
0 si x > 4


Gráficamente:

~
B

0 2 4 x

En estos casos en que la función de pertenencia es una función

continua diremos que el número borroso es continuo.

Ejemplo 13. Los números reales y los intervalos de números reales

pueden tratarse como casos particulares de números borrosos:

23
∀ x ∈ ℜ:
 0 si x < 2

µ A~ ( x) =  2 si x = 2
 0 si x > 2


Gráficamente:

0 2 x

∀ x ∈ ℜ:
 0 si x < 2

µ A~ ( x) =  1 si 2 ≤ x ≤ 4
 0 si x > 4


Gráficamente:

0
x

24
4 - BIBLIOGRAFIA

[1] Dubois, D. y Prade, H:. Fuzzy sets and Systems. Theory and
Applications. Academic Press, New York, 1980.
[2] Kandel, A.: Fuzzy Mathematical Techniques with Applications.
Addison-Wesley Publishing Company, USA, 1986.
[3] Kaufmann, A.: Introducción a la teoría de los subconjuntos
borrosos. CECSA, México, 1982.
[4] Kaufmann, A. y Gupta, M.: Introduction to fuzzy arithmetic.Van
Nostrand Reinhold, Company, New York, 1985.
[5] Kaufmann, A. y Gil Aluja, J.: Técnicas operativas de gestión
para el tratamiento de la incertidumbre. Editorial Hispano
Europea, Barcelona, 1987.
[6] Kaufmann, A. y Gil Aluja, J.: Las matemáticas del azar y de la
incertidumbre. Editorial Ceura, Madrid, 1990.
[7] Klir, G. y Yuan, B.: Fuzzy sets and fuzzy logic. Theory and
Applications. Prentice-Hall PTR, USA , 1995.
[8] Kruse, R. , Gebhardt, J. y Klawonn, F.: Foundations of Fuzzy
Systems. John Wiley & Sons Ltd., England, 1995.
[9] Lazzari, L., Machado, E. y Pérez, R.: Matemática Borrosa.
Facultad de Ciencias Económicas. Universidad de Buenos Aires,
Buenos Aires, 1994.
[10] Lazzari, L., Machado, E. y Pérez, R.: Teoría de la decisión
Fuzzy. Ediciones Macchi, Buenos Aires, 1998.
[11] Tanaka, K.: An introduction to Fuzzy Logic for pactical
aplications. Springer-Verlag, New York, 1997.
[12] Trillas, E., Alsina, C. y Terricabras, J: Introducción a la lógica
borrosa, Ariel, Barcelona, 1995.
[13] Trillas, E.: La inteligencia artificial, Temas de Debate, Madrid,
1998.
[14] Trillas, E. , Delgado, M. y otros: Fundamentos e introducción
a la Ingeniería Fuzzy. Omron Electronics S. A., España, 1994.
[15] Zadeh, L.: “Fuzzy sets”, Information and Control 8, 338-353,
1965.
[16] Zimmermann, H.: Fuzzy set theory and its applications.
Kluwer Academic Publishers, Boston, 1991.

25