Tema3 Flashcards

(48 cards)

1
Q

¿Qué es la lógica borrosa y quién la introdujo?

A

Es un modelo lógico que permite valores intermedios entre verdadero y falso, introducido por Lotfi A. Zadeh en los años 60.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

¿Cómo se diferencian los conjuntos clásicos de los conjuntos borrosos?

A

En los conjuntos clásicos, la pertenencia es binaria (0 o 1), mientras que en los conjuntos borrosos hay grados de pertenencia entre 0 y 1.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

¿Qué es la computación suave y cómo se relaciona con la lógica borrosa?

A

Es un paradigma tolerante a la incertidumbre y la imprecisión, en el cual la lógica borrosa es uno de sus pilares junto con redes neuronales y razonamiento probabilístico.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

¿Cómo se representa matemáticamente un conjunto borroso?

A

Mediante una función de pertenencia que asigna a cada elemento un grado de pertenencia entre 0 y 1.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

¿Qué es el razonamiento aproximado y cómo se aplica en IA?

A

Es un enfoque que permite manejar información imprecisa o incierta, aplicándose en sistemas expertos y toma de decisiones.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

¿En qué consiste el modelo de Mamdani para control borroso?

A

Usa reglas lingüísticas para definir el comportamiento de un sistema y aplica una defuzzificación para obtener una salida concreta.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

¿Cómo funciona el modelo de Takagi-Sugeno en control borroso?

A

En lugar de conjuntos borrosos de salida, usa funciones matemáticas para modelar la relación entre entradas y salidas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

¿Qué relación tiene la lógica borrosa con el big data y la inteligencia artificial?

A

Permite procesar información imprecisa en sistemas de análisis de datos y toma de decisiones en entornos inciertos.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

¿La lógica borrosa solo permite valores binarios? (Sí/No)

A

No.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

¿Los conjuntos borrosos utilizan funciones de pertenencia? (Sí/No)

A

Sí.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

¿El razonamiento aproximado permite manejar incertidumbre? (Sí/No)

A

Sí.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

¿El modelo de Mamdani utiliza funciones matemáticas en su salida? (Sí/No)

A

No.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

¿La computación suave es más rígida que la computación convencional? (Sí/No)

A

No.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

¿El control borroso se usa en electrodomésticos y automóviles? (Sí/No)

A

Sí.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

¿La defuzzificación es un paso necesario en el modelo de Takagi-Sugeno? (Sí/No)

A

No.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

¿El razonamiento aproximado es exclusivo de la lógica borrosa? (Sí/No)

A

No.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

La lógica borrosa fue introducida por ____.

A

Lotfi A. Zadeh.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

En un conjunto borroso, los valores de pertenencia están en el rango ____.

A

[0,1].

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

El razonamiento aproximado permite modelar ____.

A

incertidumbre.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

El modelo de Mamdani usa reglas ____.

A

lingüísticas.

21
Q

La computación suave combina lógica borrosa, redes neuronales y ____.

A

razonamiento probabilístico.

22
Q

La teoría de conjuntos borrosos amplía la lógica ____.

23
Q

La defuzzificación convierte un conjunto borroso en un ____.

A

valor preciso.

24
Q

El modelo de Takagi-Sugeno usa funciones ____.

A

matemáticas.

25
¿Cuál es una característica de la lógica borrosa? A) Solo acepta valores 0 y 1 B) Permite grados de pertenencia C) No maneja incertidumbre
B) Permite grados de pertenencia
26
¿Qué elemento define la pertenencia en un conjunto borroso? A) Función de pertenencia B) Regla de inferencia C) Operador lógico
A) Función de pertenencia
27
¿En qué área se aplica la lógica borrosa? A) Control automático B) Geometría analítica C) Cálculo diferencial
A) Control automático
28
¿Qué modelo de control borroso requiere defuzzificación? A) Mamdani B) Takagi-Sugeno C) Ambos
A) Mamdani
29
¿Cuál de estos conceptos NO pertenece a la computación suave? A) Redes neuronales B) Lógica booleana C) Razonamiento probabilístico
B) Lógica booleana
30
¿Cuál es una ventaja del modelo de Takagi-Sugeno? A) No necesita defuzzificación B) Es más intuitivo que Mamdani C) No usa funciones matemáticas
A) No necesita defuzzificación
31
¿Qué operador se usa en conjuntos borrosos para la unión? A) Máximo B) Mínimo C) Producto
A) Máximo
32
¿Qué término describe mejor la computación suave? A) Rígida B) Adaptativa C) Exacta
B) Adaptativa
33
Explica la diferencia entre conjuntos clásicos y borrosos.
En los conjuntos clásicos, la pertenencia es binaria (0 o 1), mientras que en los conjuntos borrosos hay grados de pertenencia entre 0 y 1, lo que permite manejar incertidumbre y datos imprecisos.
34
¿Cómo se usa la lógica borrosa en control automático?
Se usa para modelar sistemas en los que no se pueden definir reglas precisas, como en el control de temperatura, frenos de automóviles y electrodomésticos inteligentes.
35
¿Cómo interactúan lógica borrosa y redes neuronales en sistemas híbridos?
Las redes neuronales pueden ajustar funciones de pertenencia y reglas en un sistema borroso, combinando aprendizaje automático con inferencia lógica.
36
¿Qué aplicaciones tiene la lógica borrosa en la industria?
Se usa en sistemas de control automático, diagnóstico médico, procesamiento de imágenes, optimización de procesos y sistemas expertos.
37
¿Qué papel juegan las reglas lingüísticas en el modelo de Mamdani?
Representan relaciones entre variables en forma de reglas del tipo "Si X es alto, entonces Y es bajo", facilitando el control basado en conocimiento experto.
38
¿Cómo se representa el conocimiento en términos borrosos?
Mediante funciones de pertenencia, reglas lingüísticas y operadores borrosos que permiten modelar relaciones imprecisas entre datos.
39
¿Cómo se combinan varias reglas en un sistema borroso?
Se utilizan operadores de agregación como máximo y mínimo para combinar las reglas y obtener una salida única tras la defuzzificación.
40
¿Qué importancia tiene la defuzzificación en sistemas de control?
Convierte los resultados borrosos en valores concretos que pueden ser interpretados y ejecutados por un sistema físico, como un motor o un sistema de climatización.
41
Explica cómo la lógica borrosa mejora el modelado de sistemas complejos.
Permite representar incertidumbre y manejar datos imprecisos, facilitando la toma de decisiones en sistemas donde no se pueden definir reglas exactas.
42
¿Cómo afecta el razonamiento aproximado a la toma de decisiones?
Permite evaluar opciones en condiciones de incertidumbre, asignando grados de confianza a diferentes alternativas y mejorando la flexibilidad del proceso decisional.
43
Explica la diferencia entre los modelos de Mamdani y Takagi-Sugeno.
Mamdani usa reglas lingüísticas y requiere defuzzificación, mientras que Takagi-Sugeno usa funciones matemáticas en la salida, eliminando la necesidad de defuzzificación y facilitando su integración en sistemas de control.
44
¿Cómo influye la computación suave en la inteligencia artificial?
Introduce flexibilidad y adaptabilidad en los sistemas de IA, combinando lógica borrosa, redes neuronales y razonamiento probabilístico para mejorar la toma de decisiones.
45
¿Qué ventajas tiene la lógica borrosa sobre la lógica clásica?
Maneja incertidumbre, permite trabajar con datos imprecisos y proporciona un marco más flexible para representar conocimiento basado en lenguaje natural.
46
¿Cómo se relaciona la lógica borrosa con el aprendizaje automático?
Se usa para mejorar la interpretabilidad de modelos, permitiendo que los sistemas aprendan reglas difusas a partir de datos en lugar de depender solo de lógica estricta.
47
Explica cómo se construye una función de pertenencia.
Se define asignando valores de pertenencia a cada elemento de un dominio, utilizando funciones triangulares, trapezoidales o gausianas para representar diferentes grados de membresía.
48
¿Cómo se aplica la lógica borrosa en el procesamiento de lenguaje natural?
Se usa para interpretar términos ambiguos en lenguaje humano, asignando grados de pertenencia a palabras como "alto" o "bajo" según el contexto.