Duarte (2000)

UNIVERSIDAD DE GRANADA
E.T.S. DE INGENIERÍA
INFORMÁTICA
Departamento de Ciencias de la
Computación e Inteligencia Artificial
Técnicas Difusas en la Evaluación de

Impacto Ambiental
Tesis Doctoral
Oscar Germán Duarte Velasco
Granada, Mayo del 2000

TÉCNICAS DIFUSAS EN LA
EVALUACIÓN DE IMPACTO
AMBIENTAL
MEMORIA QUE PRESENTA

OSCAR GERMÁN DUARTE VELASCO
PARA OPTAR AL GRADO DE
DOCTOR EN INFORMÁTICA
MAYO DEL 2000
DIRECTORES
MIGUEL DELGADO CALVO-FLORES
IGNACIO REQUENA RAMOS
DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN E

INTELIGENCIA ARTIFICIAL
E.T.S. de INGENIERÍA INFORMÁTICA UNIVERSIDAD DE GRANADA

La memoria titulada Técnicas difusas en la evaluación de
impacto ambiental, que presenta D. Oscar Germán Duarte Velasco
para optar al grado de Doctor, ha sido realizada en el Departamento
de Ciancias de la Computación e Inteligencia Artificial de la
Universidad de Granada bajo la dirección de los Doctores D. Miguel
Delgado Calvo-Flores y D. Ignacio Requena Ramos.
Granada, Mayo del 2000
Oscar G. Duarte V.
Miguel Delgado Calvo-Flores Ignacio Requena Ramos

Agradecimientos
Agradezco sinceramente a mis directores, Dr. D. Miguel

Delgado Calvo-Flores y Dr. D. Ignacio Requena Ramos, su apoyo,
consejo y dedicación. Igualmente, agradezco a los demás miembros
del Departamento de Ciencias de la Computación e Inteligencia
Artificial de la Universidad de Granada, que con su esfuerzo han
construido día a día el programa de doctorado.
Mi mayor sentido de agradecimiento está, no obstante, a
miles de kilómetros de distancia de Granada. Esta tesis sólo ha sido
posible gracias al esfuerzo del pueblo colombiano, canalizado a
través del Instituto Colombiano para el Fomento de la Ciencia y la
Tecnología – COLCIENCIAS, y de la Universidad Nacional de
Colombia. Especialmente, deseo agradecer a mis compañeros del
Departamento de Ingeniería Eléctrica en la Universidad Nacional de
Colombia, que han redoblado su trabajo para cubrir mi ausencia.
Tatiana, nunca he encontrado las palabras adecuadas para
agradecerte todo lo que haces por mi, y todo lo que me das. Sabes
muy bien que esta aventura lejos de nuestro pais y de nuestras
familias no la habría podido realizar sin tí.
Oscar G. Duarte
A todos aquellos que creen
que es posible vivir en paz,
y que trabajan para ello.
Técnicas Difusas en la
Evaluación de Impacto
Ambiental
Tabla de contenido
0 INTRODUCCIÓN ................................................................. 9
1 ESTUDIOS DE IMPACTO AMBIENTAL............................. 15

1.1 Evaluación de Impacto Ambiental .............................................................16
1.2 Estudios de Impacto Ambiental..................................................................20

1.2.1 Valoración Cualitativa...........................................................................21
1.2.2 Valoración Cuantitativa.........................................................................31
1.2.3 Resumen ...............................................................................................37
1.3 Otras metodologías .....................................................................................39

1.3.1 Matriz de Leopold .................................................................................39
1.3.2 Método del Instituto Batelle-Columbus..................................................40
1.3.3 Matrices Escalonadas ............................................................................40
1.3.4 Otras variantes ......................................................................................41
1.4 Una metodología crisp genérica .................................................................41
1.5 Comentarios a las metodologías crisp ........................................................43
1.6 Incorporación de técnicas difusas...............................................................45
2 ALGORITMOS DE EXTENSIÓN DE FUNCIONES CRISP Y

SUS INVERSAS A NÚMEROS DIFUSOS.................. 50
2.1 Definiciones básicas y notación...................................................................53
2.2 Extensión de funciones crisp monótonas a números difusos......................56
2.3 Extensión de funciones inversas crisp monótonas a números difusos........61

2.3.1 Extensión Posible ..................................................................................63
2.3.2 Extensión Necesaria ..............................................................................67
2.3.3 Familia de extensiones intermedias........................................................75
2.3.4 Medida de la existencia de la función inversa extendida .........................80
2.4 Extensión de funciones no monótonas de una variable ..............................82
i
2.5 Aplicabilidad de los algoritmos.................................................................. 87
3 COMPUTACIÓN CON PALABRAS ....................................94

3.1 Computación con palabras mediante lógica difusa ................................... 95
3.2 Computación con palabras mediante aritmética difusa ............................ 97
3.3 Construcción de sistemas de computación con palabras basados en

aritmética difusa............................................................................... 104
3.3.1 Comentarios ....................................................................................... 106
3.4 Ejemplos comparativos ............................................................................ 107
4 UN MODELO DIFUSO PARA LA EVALUACIÓN DE

IMPACTO AMBIENTAL.............................................117
4.1 Valoración difusa aproximada................................................................. 118
4.1.1 Identificación de Factores Ambientales ............................................... 119
4.1.2 Identificación de Acciones del Proyecto .............................................. 120
4.1.3 Determinación de la Importancia Difusa de los Impactos..................... 120
4.1.4 Análisis aproximado difuso global ...................................................... 125
4.2 Valoración Difusa Detallada .................................................................... 127

4.2.1 Agregación por factor ......................................................................... 129
4.2.2 Calidad ambiental por factor ............................................................... 129
4.2.3 Calidad ambiental neta por factor........................................................ 130
4.2.4 Valor del impacto por factor ............................................................... 130
4.2.5 Valor del impacto total ....................................................................... 133
4.3 Determinación de medidas correctoras según la valoración aproximada134
5 EJEMPLO DE APLICACIÓN.............................................139
5.1 TDEIA - Software para la evaluación de impacto ambiental mediante
técnicas difusas................................................................................. 140
5.2 Evaluación del proyecto “Desdoblamiento de la variante de Cártama”. 144

5.2.1 Identificación de factores .................................................................... 144
5.2.2 Identificación de acciones ................................................................... 146
5.2.3 Identificación y valoración de impactos según la metodología crisp..... 147
5.2.4 Análisis de los impactos según la metodología crisp............................ 149
ii
5.2.5 Identificación y valoración de impactos según la metodología difusa....151
5.2.6 Comparación de los resultados de las dos metodologías .......................161
5.2.7 Caracterización de medidas correctoras................................................163
6 CONCLUSIONES Y TRABAJOS FUTUROS ................... 165

6.1 Conclusiones .............................................................................................165
6.1.1 Respecto a la metodología crisp...........................................................165
6.1.2 Respecto a los algoritmos de extensión ................................................166
6.1.3 Respecto a los sistemas de computación con palabras basados en
aritmética difusa.............................................................................166
6.1.4 Respecto a la metodología difusa de Evaluación de Impacto Ambiental168
6.1.5 Respecto al software y al ejemplo de aplicación ...................................168
6.2 trabajos futuros ........................................................................................169

6.2.1 Respecto a la teoría de números difusos ...............................................169
6.2.2 Respecto a la inferencia basada en aritmética difusa.............................169
6.2.3 Respecto a la aplicación de técnicas difusas en la Evaluación de Impacto
Ambiental ......................................................................................170
6.2.4 Respecto al software y las aplicaciones ................................................171
APÉNDICE A. FUNDAMENTOS DE LAS TÉCNICAS

DIFUSAS .................................................................. 183
A.1. Introducción............................................................................................183
A.2. Conjuntos difusos....................................................................................183
A.3. Alfa-Cortes..............................................................................................186
A.4. Principo de Extensión .............................................................................187
A.5. Variables Lingüísticas.............................................................................188
A.6. Números difusos......................................................................................189
A.7. Aritmética difusa.....................................................................................191
A.8. Lógica difusa y razonamiento aproximado.............................................191
A.9. Sistemas de lógica difusa.........................................................................193
iii
A.10. Sistemas de computación con palabras................................................ 197
APÉNDICE B. EJEMPLOS AMPLIADOS DEL CAPÍTULO 2

..................................................................................199
B.1. Ejemplo 2.1 : Extensión de funciones directas ....................................... 200
B.2. Ejemplo 2.2 : Extensión posible de funciones inversas ......................... 201
B.3. Ejemplo 2.3 : Extensión necesaria de funciones inversas ...................... 205
B.4. Ejemplo 2.4 : Extensión necesaria de funciones inversas ...................... 207
B.5. Ejemplo 2.7 : extensión de funciones no monótonas de una variable .... 211
APÉNDICE C. REPORTE “MÍNIMO” EJEMPLO DEL

APARTADO 5.2.........................................................214
iv
Listado de Figuras
Figura 1.1 Estructura General de una Evaluación de Impacto Ambiental .....17

Figura 1.2 Modelo del entorno medioambiental ..............................................22
Figura 1.3 Modelo de las actuaciones sobre el entorno...................................25
Figura 1.4 Matriz de Importancia....................................................................26
Figura 1.5 Ejemplo de variable lingüística para la importancia de un impacto
.................................................................................................................46
Figura 2.1 Extensión de funciones crisp...........................................................57
Figura 2.2 Función de los ejemplos del capítulo 3 ...........................................60
Figura 2.3 Función de pertenecia de y en el Ejemplo 2.1.................................60
Figura 2.4 Extensión posible de funciones crisp inversas ................................64
Figura 2.5 Función de pertenencia de x1 en el Ejemplo 2.2-a ..........................66
Figura 2.6 Función de pertenecia de x2 en el Ejemplo 2.2-b ............................66
Figura 2.7 Extensión necesaria de funciones crisp inversas ............................68
Figura 2.8 Función de pertenencia de x1 en el Ejemplo 2.3-a ..........................73
Figura 2.9 Función de pertenencia de y en el Ejemplo 2.3-a ...........................73
Figura 2.10 Función de pertenencia de x2 en el Ejemplo 2.3-b ........................73
Figura 2.11 Función de pertenencia de y en el Ejemplo2.3-b ..........................74
Figura 2.12 Función de pertenencia de x1 en el Ejemplo 2.4-a ........................74
Figura 2.13 Función de pertenencia de y en el Ejemplo 2.4-a..........................75
Figura 2.14 Función de pertenencia de x2 en el Ejemplo 2.4-b ........................75
Figura 2.15 Función de pertenencia de y en el Ejemplo 2.4-b .........................75
Figura 2.16 Extensiones intermedias de funciones crisp inversas ...................76
Figura 2.17 Función de pertenencia de x1 en el Ejemplo 2.5-a ........................79
Figura 2.18 Función de pertenecia de y en el Ejemplo 2.5-a............................79
Figura 2.19 Función de pertenencia de x2 en el Ekemplo 2.5-b .......................79
Figura 2.20 Función de pertenecia de y en el Ejemplo 2.5-b............................80
Figura 2.21 Función de una variable no monótona..........................................82
Figura 2.22 función del Ejemplo 2.7 ................................................................85
Figura 2.23 Función de pertenencia de y en el Ejemplo 2.7-a..........................86
Figura 2.24 Función de pertenencia de y en el Ejemplo 2.7Ejemplo 2.7-b ......86
Figura 2.25 Función de pertenencia de y en el Ejemplo 2.7-c..........................86
Figura 2.26 Tasa Interna de Retorno (TIR) según la Extensión necesaria......90
Figura 2.27 Valor Presente Neto (VPN) según la extensión necesaria.............91
Figura 2.28 Distribución de posibilidad de la Tasa Interna de Retorno (TIR)
según Carlsson y Fuller ...........................................................................92
Figura 2.29 Distribución de posibilidad de la Tasa Interna de Retorno (TIR)
según la extensión posible........................................................................92
Figura 3.1 Sistema de computación con palabras............................................96
Figura 3.2 Sistema de Computación con palabras basado en aritmética difusa
...............................................................................................................101
v
Figura 3.3 Razonamiento inverso en un sistema de computación con palabras
............................................................................................................... 103
Figura 3.4 Variable lingüística con tres etiquetas ......................................... 106
Figura 3.5 Salida del Ejemplo 3.1 con Lógica Difusa cuando la entrada es un
número crisp......................................................................................... 109
Figura 3.6 Salida del Ejemplo 3.1 con Aritmética Difusa cuando la entrada es
un número crisp.................................................................................... 110
Figura 3.7 consistencia con la etiqueta BAJO. Sistema basado en lógica difusa
del Ejemplo 3.2 ..................................................................................... 113
Figura 3.8 consistencia con la etiqueta MEDIO. Sistema basado en lógica
difusa del Ejemplo 3.2 .......................................................................... 113
Figura 3.9 consistencia con la etiqueta ALTO. Sistema basado en lógica difusa
del Ejemplo 3.2 ..................................................................................... 114
Figura 3.10 consistencia con la etiqueta BAJO. Sistema basado en aritmética
Figura 3.11 consistencia con la etiqueta MEDIO. Sistema basado en aritmética
Figura 3.12 consistencia con la etiqueta ALTO. Sistema basado en aritmética
Figura 4.1 Árbol de factores en la metodología difusa.................................. 119
Figura 4.2 fra para el cálculo del Valor con β=0.5 φ=1.0 ϕ=1.0 ................... 131
Figura 5.1 Ícono del software TDEIA............................................................ 139
Figura 5.2 Ventana principal de TDEIA ....................................................... 141
Figura 5.3 Representación gráfica en las celdas de la matriz ....................... 142
Figura 5.4 Cuadro de diálogo con información sobre un número difuso...... 142
Figura 5.5 Visualización de los niveles en el árbol de factores...................... 143
Figura 5.6 Variación del valor del número difuso que representa el Valor del
Impacto Total, en función del parámetro β.......................................... 158
Figura 5.7 Variación de la ambigüedad del número difuso que representa el
Valor del Impacto Total, en función del parámetro β.......................... 158
Impacto Total, en función de los parámetros δ, ϕ ................................ 160
Figura 5.9 Variación de la ambigüedad del número difuso que representa el
Valor del Impacto Total, en función de los parámetros δ, ϕ ................ 160
vi
Listado de Tablas
Tabla 1.1 Ejemplo 1 de identificación de factores medioambientales 23

Tabla 1.2 Ejemplo 2 de identificación de factores medioambientales 24
Tabla 1.3 Caracterización cualitativa de los efectos 27
Tabla 1.4 Ejemplos de Funciones de Transformación 35
Tabla 3.1 Bloque de Interpretación Lingüística 102
Tabla 3.2 Posible salidas del bloque de aproximación lingüística 103
Tabla 3.3 Metodología de construcción de sistemas de computación con
palabras 105
Tabla 3.4 Base de Reglas del Ejemplo 3.1Ejemplo 3.1 108
Tabla 3.5 Salida del Ejemplo 3.1 con Lógica Difusa cuando la entrada son
palabras 108
Tabla 3.6 Salida del Ejemplo 3.1Ejemplo 3.1 con Aritmética Difusa cuando la
entrada son palabras 108
Tabla 3.7 Base de reglas del Ejemplo 3.2 110
Tabla 3.8 Salida del Ejemplo 3.2 con Lógica Difusa cuando la entrada son
palabras 112
Tabla 3.9 Salida del Ejemplo 3.2 con Aritmética Difusa cuando la entrada son
palabras 112
Tabla 4.1 Variables lingüísticas para el cálculo de la importancia de un efecto
123
Tabla 4.2 Preprocesamiento de las importancias difusas para el cálculo de los
indicadores, según la naturaleza del impacto 126
Tabla 4.3 Indices difusos para el análisis aproximado global 127
Tabla 4.4 Familia de funciones para la Agregación de Magnitudes por factor
129
Tabla 5.1 Identificación de factores 145
Tabla 5.2 Identificación de acciones 146
Tabla 5.3 Cálculo de la importancia de un impacto 148
Tabla 5.4 Identificación y valoración de impactos 148
Tabla 5.5 Valoración de los impactos por factor con la metodología crisp 151
Tabla 5.6 Variables lingüísticas para el cálculo de la importancia 152
Tabla 5.7 Importancias Medias por factor 154
Tabla 5.8 Valores de los impactos recibidos por factor 155
Tabla 5.9 Interpretación lingüística de los valores de los impactos recibidos
por cada Medio Ambiental 156
Tabla 5.10 Variación de la consistencia del Valor del Impacto Total con el
parámetro β 157
parámetros δ, ϕ 159
Tabla 5.12 Comparación de los resultados de las dos metodologías 161
vii
viii
0 INTRODUCCIÓN
Los avances tecnológicos (cada vez más acelerados) y la

deslumbrante comodidad que gracias a ellos podemos disfrutar,
hacen que sean pocas las ocasiones en que recordemos que nuestro
modelo productivo tiene aún varias asignaturas pendientes, una de
las cuales es la llamada Crisis ambiental. Día a día aparecen nuevos
productos y servicios que se nos ofrecen para ‘vivir mejor’, y los
consumimos con la convicción de que, al hacerlo, mejoramos nuestra
calidad de vida; ese consumo generalmente lo hacemos ignorando
cuál ha sido el deterioro ambiental que se ha producido para que esos
productos y servicios puedan existir.
Si bien es cierto que en las últimas tres décadas se han
incrementado los esfuerzos por promover un cambio de actitud y una
toma de conciencia hacia lo ambiental, también es cierto que en ese
mismo periodo de tiempo el problema ambiental, lejos de haberse
solucionado, ha empeorado aún más1.
1
Dice Rafael Hernández del Águila en [56]: “No parece, pues, existir una
correspondencia entre la gravedad de la situación, objetivada hasta la saciedad por
estudios e informes de indiscutida solvencia, y el diseño de una estrategia
alternativa clara que vaya más allá del parcheo o acción correctora una vez
producido un problema ambiental concreto... Los datos y las cifras, el seguimiento
y esclarecimiento científico incontestable de los problemas convierten a los
problemas de índole ambiental en el verdadero reto del futuro. Y sin embargo, dos
décadas, poniendo a la conferencia de Estocolmo de 1972 como un posible punto
de partida, han servido de poco para generar el necesario acuerdo sobre los
mecanismos que han generado el conflicto sociedad-naturaleza, paso previo
evidente para el diseño de estrategias y jerarquización de políticas a seguir.”.
1
Presenciamos actualmente una desigual lucha entre el
consumismo desaforado y el afán productivista de la racionalidad
económica dominante, por un lado, y la búsqueda de una producción
sostenible y compatible con el medio ambiente, por el otro (véase
Leff [67]). Dentro de los pocos logros de los segundos debe
destacarse el haber conseguido que lo ambiental tenga un espacio en
el discurso político contemporáneo, ya que ello ha llevado a la
aparición de (incipientes) políticas y legislaciones medioambientales.
Encontrar una solución a la crisis ambiental no es tarea fácil;
mientras tanto, al menos debemos intentar no incrementar el déficit
ambiental. Tal es el espíritu de las Evaluaciones de Impacto
Ambiental a las que deben someterse los nuevos proyectos (y las
modificaciones de plantas ya existentes) según la legislación actual.
Una Evaluación de Impacto Ambiental es un procedimiento
jurídico-administrativo cuyo propósito es el de detectar y valorar los
posibles impactos ambientales que se producirían sobre el medio
ambiente, en caso de ejecutarse un cierto proyecto o actividad. Esta
evaluación es de gran importancia, ya que sirve de herramienta de
análisis para que las administraciones públicas aprueben o rechacen
un determinado proyecto.
Un Estudio de Impacto Ambiental es una de las varias etapas
que deben ejecutarse en una Evaluación de Impacto Ambiental. El
Estudio de Impacto Ambiental es el soporte técnico de la Evaluación,
y busca “presentar la realidad objetiva, para conocer en qué medida
repercutirá sobre el entorno la puesta en marcha de un proyecto,
obra o actividad y con ello, la magnitud del sacrificio que aquél
deberá soportar” (Conesa, en [12] pp 27).
Existen distintas metodologías para llevar a cabo los Estudios
de Impacto Ambiental, pero independientemente de cuál se emplee,
deben enfrentarse varias dificultades, inherentes a la propia
naturaleza de los estudios:
Un Estudio de Impacto Ambiental es una predicción
sobre la forma en que un proyecto repercutirá sobre el
entorno, por lo tanto, como en toda predicción, es de
2
esperar que la incertidumbre esté presente en algunos de
los parámetros involucrados.
El entorno es muy complejo, y por lo tanto no se puede
describir con un único modelo. Esto obliga a modelar el
entorno como un conjunto de factores ambientales que
sean relevantes, representativos y fácilmente analizables.
Aunque cada factor sea susceptible de ser analizado por
separado, los factores ambientales son muy diferentes
entre sí, y por lo tanto es difícil agregar la información
parcial de cada factor para obtener un análisis global del
entorno. Esta situación se acentúa aún más si, como es
usual, el estudio de cada factor se lleva a cabo por un
experto (o un grupo de expertos) diferente.
Algunas de las variables involucradas son de tipo
numérico (cuantitativo), mientras que otras son de tipo
lingüístico (cualitativo); el modelo matemático que se
emplee para efectuar el estudio debe ser capaz de
combinar ambos tipos de variables de forma coherente.
El nivel de detalle con que se desea efectuar el estudio no
es siempre el mismo, sino que varía según la fase en que
se esté desarrollando el proyecto (estudios de
prefactibilidad, de factibilidad económica, de factibilidad
técnica, proyecto técnico, etc.); La metodología empleada
debe adecuarse a distintos niveles de detalle, es decir, a
distintas granularidades en la descripción del problema.
Como consecuencia de lo anterior, las metodologías de
estudios de impacto ambiental conocidas suelen adolecer de varias
deficiencias, como por ejemplo2:
2
Al respecto dice Conesa ([12] pp 56) : “Son diversos los motivos por los
que los técnicos especializados en la materia no se sienten satisfechos de los
estudios realizados sobre el impacto ambiental, como es el difuso contenido
ambiental de tres importantes disciplinas como son la Economía, Sociología y las
Ciencias Sociales; los métodos no dan soluciones, no se analizan los factores de
riesgo e incertidumbre; no están acostumbrados a que sus trabajis estén enjuiciados
3
No se valora la imprecisión de la predicción realizada.
No se incorporan adecuadamente al análisis aquellas
variables no medibles.
Las metodologías evalúan los impactos pero no proponen
cómo modificarlos.
Por otra parte, es bien conocido en el ámbito de la
Computación Flexible, que las Técnicas Difusas son una herramienta
útil para abordar problemas en los que la imprecisión y la vaguedad
estén presentes, y que también brinda un marco adecuado para tratar
simultáneamente variables numéricas y lingüísticas.
De lo anterior se desprende la hipótesis de trabajo de la
presente tesis: “Las Técnicas Difusas pueden ayudar a subsanar las
dificultades que presentan las metodologías actuales de Evaluación
del Impacto Ambiental relacionadas con la combinación de
información cuantitativa y cualitativa, y con la presencia de
incertidumbre”.
El término Técnicas Difusas hace referencia a todas aquellas
estrategias de representación del conocimiento y/o análisis de
información basadas en la teoría de subconjuntos difusos propuesta
por Zadeh ([116]) y desarrollada por múltiples autores en las últimas
tres decadas. En el contexto de esta tesis serán de especial utilidad
los conceptos de conjunto difuso, número difuso, variable lingüística,
aritmética difusa, principio de extensión, y computación con
palabras; En la redacción de esta memoria se ha supuesto que el
lector está familiarizado con dichos conceptos, aunque se presentan
de forma escueta en el Apéndice A para aquellos lectores que no lo
estén.
El objetivo principal del proyecto cuyo resultado se presenta
en esta memoria ha sido el de desarrollar una metodología para los
Estudios de Impacto Ambiental que utilice las técnicas difusas, con
el propósito de:
por gente no versada en la materia; subjetividad de determinadas valoraciones,

etc.”
4
Incorporar en los Estudios de Impacto Ambiental la
posibilidad de definir variables con incertidumbre.
Manipular en un marco unificado las variables de tipo
numérico y lingüístico.
Un objetivo adicional ha sido el de obtener una metodología
que permita caracterizar las medidas correctoras que deben tomarse
para lograr que el impacto total tenga un valor “permitido”.
La organización de esta memoria es como sigue: En el
Capítulo 1 se describe una de las metodologías más conocidas en
España, y que es muy representativa de las metodologías de matrices
causa-efecto (también conocidas como matrices interactivas). En
este capítulo también se compara esta metodología con otras
similares, y se efectúa un análisis para detectar en qué puntos las
técnicas difusas pueden ser de utilidad.
En una primera mirada al problema se descubre que las
técnicas de computación con palabras que se conocen no resultan
aplicables directamente a los Estudios de Impacto Ambiental,
principalmente porque el número de variables involucradas hacen
que una hipotética solución con tales técnicas tenga un costo
computacional muy elevado.
Por esta razón, se ha desarrollado un modelo de computación
con palabras basado en aritmética difusa. Este modelo emplea unos
algoritmos para la extensión de funciones crisp a números difusos
cuya utilidad no se limita al modelo de computación con palabras,
sino que son de una aplicabilidad más amplia. Estos algoritmos,
junto con el modelo de computación con palabras, constituyen el
aporte teórico fundamental de esta tesis, y a ellos se han dedicado los
capítulos 2 y 3 respectivamente.
En el capítulo 4 se propone una nueva metodología para los
Estudios de Impacto Ambiental, empleando sistemas de computación
con palabras basados en aritmética difusa. Esta Métodología Difusa
puede entenderse como una extensión de la metodología crisp del
capítulo 1 a números difusos, y cumple con los objetivos del
proyecto, citados anteriormente.
5
En el Capítulo 5 se ha efectuado una Evaluación de Impacto
Ambiental mediante la metodología difusa, a partir de información
disponible de un caso real. Para ello se ha diseñado un software que
trabaja en sistema operativo Windows de 32 bits; el apartado 5.1.
resume las principales características de este software.
El capítulo 6 se ha destinado para las conclusiones y la
presentación de los trabajos futuros que deberán ejecutarse para
ampliar y complementar el alcance de esta tesis. Además, se han
incluido en esta memoria los siguientes apéndices:
Apéndice A: Fundamentos de las técnicas difusas
Apéndice B: Ampliación de los ejemplos del Capítulo 2
Apéndice C: Reporte del ejemplo de aplicación
Finalmente, debe comentarse que, desde su concepción
inicial, ésta memoria ha estado soportada en la idea de que la
tecnología no es (no debe ser) una enemiga del medio ambiente; todo
lo contrario: a través de los desarrollos científico-tecnológicos
podemos encontrar soluciones a algunos de los problemas
ambientales detectados. En ese sentido, esta memoria pretende ser un
aporte desde el área de las Ciencias de la Computación, a la
ejecución de las tareas de Gestión Ambiental3, sin dejar de lado el
aporte teórico en el campo de la lógica difusa que se presenta en los
Capítulos 2 y 3.
3
Puede citarse aqui a Leff ([67] pp 133) “La puesta en práctica de los
principios de una gestión ambiental participativa, requieren el apoyo de las más
altas esferas del poder institucionalizado y un amplio consenso social. Sin
embargo, su instrumentación depende de la reorientación y apoyo a programas de
educación básica, investigación científica y desarollo tecnológico, que generen
conocimientos y la capacidad humana necesarios para un desarrolo sustentable,
enfrentando los intereses disciplinarios que obstaculizan la transformación
disciplinaria del saber teórico y práctico”
6
1 ESTUDIOS DE IMPACTO
AMBIENTAL
Una Evaluación de Impacto Ambiental puede entenderse

como el procedimiento adoptado para establecer si un determinado
proyecto, sometido a la evaluación, es o no compatible con el medio
ambiente, y por lo tanto determinar si debe o no ejecutarse, asi como,
en caso de ser aceptado, las condiciones que deben seguirse en su
ejecución, .
Desde el punto de vista legal, cabe señalar que la Evaluación
de Impacto Ambiental en la Unión Europea está regulada por
Directiva 85/337/CEE, que fue aprobada por el Consejo el 25 de
junio de 1985. Esta directiva fue incorporada al ordenamiento
jurídico español mediante el Real Decreto Legislativo 1302/1986, y
su ejecución está reglamentada por el Real Decreto 1131/1988.
Esta legislación establece, entre otras cosas, qué tipo de
proyectos deben someterse a Evaluación de Impacto Ambiental, asi
como ciertas consideraciones técnicas sobre la forma en que éstas
deben ser realizadas. Como se explica en el apartado 1.1, una de las
etapas que deben ejecutarse dentro de una Evaluación de Impacto
Ambiental se conoce como el Estudio de Impacto Ambiental.
Un Estudio de Impacto Ambiental es un documento técnico,
elaborado por especialistas en el área medioambiental, y que
constituye la base de las conclusiones de la Evaluación de Impacto
Ambiental (estas conclusiones se recogen en la Declaración de
Impacto Ambiental). Sin embargo, no existe una única metodología
7
para efectuar los estudios, y en la práctica se emplean unas pocas que
se han desarrollado en los medios académicos, que no satisfacen a
todos los que las emplean.
El propósito de este capítulo es el de analizar las dificultades
y los inconvenientes de las metodologías de Estudios de Impacto
Ambiental que se emplean actualmente. Para ello, en el apartado 1.1
se muestra cómo es una Evaluación de Impacto Ambiental, en la que
se enmarcan los Estudios de Impacto Ambiental; en el apartado 1.2
se presenta una de las metodologías de Estudios de Impacto
Ambiental más conocidas en España, que será objeto principal de
trabajo en el capítulo 4, y a la que llamaremos por antonomasia
metodología crisp (frente a la metodología difusa que se propone en
el capítulo 4), que es presentada con detalle por Conesa en [12]. En
el apartado 1.3 se reseñarán someramente otras metodologías (que
son igualmente crisp), con el propósito de señalar cuáles son las
principales diferencias y semejanzas. En el apartado 1.4 se presenta
una metodología crisp genérica que abarca a las distintas
metodologías matriciales. En el apartado 1.5 se analiza la
metodología crisp, para llegar al apartado 1.6 en el que se identifican
los puntos en los que podrían emplearse las técnicas difusas para
mejorar las metodologías actuales.
1.1 Evaluación de Impacto Ambiental

Una Evaluación de Impacto Ambiental es “un procedimiento
jurídico-administrativo que tiene por objetivo la identificación,
predicción e interpretación de los impactos ambientales que un
proyecto o una actividad produciría en caso de ser ejecutado, asi
como la prevención, corrección y valoración de los mismos, todo ello
con el propósito de ser aceptado, modificado o rechazado por parte
de las administraciones públicas”(Conessa [12] pp 26).
La Figura 1.1 ([12] pp 75) muestra la estructura general de la
Evaluación de Impacto Ambiental, que se explica en forma resumida
a continuación.
8
Figura 1.1 Estructura General de una Evaluación de Impacto Ambiental
9
Las primeras tres fases tienen por objetivo conocer en
profundidad el proyecto y sus alternativas, asi como efectuar una
primera aproximación a la estimación de sus consecuencias
medioambientales. Las fases 4, 5 y 6 se agrupan bajo el nombre de
Valoración Cualitativa, mientras que las fases 7, 8 y 9 se conocen
como la Valoración Cuantitativa 4(estas dos valoraciones se explican
en los apartados 1.2.1. y 1.2.2.).
Por otra parte, las tres últimas fases se relacionan con las
consecuencias sociales de la evaluación que se recopilan en la
declaración de Impacto Ambiental. Los objetivos de las 12 fases se
resumen a continuación:
En el Análisis del proyecto se estudian los objetivos del
proyecto, su alcance y duración, asi como todos los
detalles que puedan ser de utilidad para identificarlo.
La Definición del entorno consiste en la delimitación
espacial de la porción de medio ambiente afectada por el
proyecto; la principal dificultad en este punto consiste en
que para cada factor ambiental puede definirse un entorno
diferente (por ejemplo, el efecto sobre el suelo de la
instalación de una central térmica es mucho más reducido
que su efecto sobre la contaminación atmosférica, por lo
tanto el entorno relativo a los factores suelo y aire será
diferente).
La Previsión de efectos es una primera estimación de los
posibles efectos del proyecto sobre el entorno. Suele ser
una enumeración de los mismos, sin entrar a detallarlos
4
Como se mostrará en el apartado 1.5, los términos valoración cualitativa
y valoración cuantitativa no corresponden estrictamente a análisis cualitativos y
cuantitativos de la información, ya que las herramientas matemáticas empleadas en
la metodología crisp no son las adecuadas para distinguir entre un caso y otro, de
allí, que los calificativos de cualitativos y cuantitativos puedan prestarse a
confusión. No obstante, en esta presentación de la metodología crisp se ha optado
por emplear la terminología original, mientras que en la metodología difusa
propuesta en el capítulo 4 se ha remplazado por valoración aproximada (o de
granularidad gruesa) y valoración detallada (o de granularidad fina).
10
La Identificación de Acciones consiste en desglosar el
proyecto para encontrar cuáles son las actividades
potencialmente impactantes sobre el entorno
En la Identificación de Factores se obtiene un modelo
simplificado del entorno, como un conjunto de factores
ambientales relevantes, representativos y fácilmente
analizables.
En la Identificación de Impactos se buscan cuales son los
efectos que cada acción tiene sobre cada factor ambiental;
estos efectos valoran de acuerdo a su importancia (ver
apartado 1.2.1.4) y se consignan en una Matriz de
Importancias, que será analizada para determinar la
Importancia del Impacto Total. Esta fase es la más
delicada de la Valoración Cualitativa, ya que en ella se
efectúa la estimación cualitativa de los impactos.
En la Valoración de los impactos se obtiene una
estimación numérica de cada uno de los impactos; para
ello se define un indicador ambiental para cada factor
(preferiblemente medible, como por ejemplo la
concentración de monóxido de carbono en el aire) en
términos del cual se hace la estimación.
La Evaluación Cuantitativa es un proceso mediante el
que se estima, a partir de los datos obtenidos en la
valoración cuantitativa, qué tanto varía la Calidad
Ambiental (ver apartado 1.2.2.3) del entorno, y por tanto
cuál es el Valor del impacto total producido por el
proyecto (ver apartado 1.2.2.4).
Las Medidas Correctoras y preventivas buscan disminuir
el impacto del proyecto. Para su verificar que sean
ejecutadas correctamente, asi como para conocer si las
predicciones sobre los impactos son o no acertadas se
elabora un Plan de Vigilancia ambiental que deberá
ejecutarse a lo largo de todas las etapas del proyecto.
11
El propósito de la Participación pública es el de disponer
de un mecanismo de control social sobre el proceso de
Evaluación del impacto ambiental.
En el Informe final se recopilan todos los análisis de las
fases anteriores.
La declaración de impacto ambiental refleja la decisión
de la administración pública sobre la autorización o no de
ejecutar el proyecto.
La Evaluación de Impacto Ambiental puede ser Simplificada
o Detallada según se omitan o no las fases 7, 8 y 9. Es importante
resaltar que el Estudio de Impacto Ambiental es un documento
técnico que se incorpora dentro del proceso jurídico-administrativo
que es la Evaluación de Impacto Ambiental. Su propósito principal es
el de predecir, identificar, valorar las consecuencias ambientales de
una determinada acción y proponer acciones correctivas.
Generalmente es necesario establecer un equipo de carácter
interdisciplinar para efectuar el estudio.
1.2 Estudios de Impacto Ambiental

La Declaración de Impacto Ambiental se soporta
técnicamente en el Estudio de Impacto Ambiental, que por tanto debe
intentar presentar la “realidad objetiva, para conocer en qué medida
repercutirá sobre el entorno la puesta en marcha de un proyecto, obra
o actividad.”([12] pp 27). Ésta no es una tarea sencilla, ya que
muchos de los efectos que podriamos denominar parciales, son
difíciles de predecir, y su efecto conjunto no es fácil de valorar
objetivamente. Además suele ocurrir que no todas las predicciones
de los efectos sean realizadas por la misma persona, sino que se trata
de predicciones llevadas a cabo por miembros de un equipo
interdisciplinar, lo que obliga a buscar una forma de homogeneizar
los resultados de cada experto, con la dificultad que esto conlleva.
Como se observa en la Figura 1.1, el Estudio de Impacto
Ambiental se inicia con el Análisis del Proyecto y la Definición del
Entorno. Estas etapas permiten definir el contexto dentro del cual se
12
enmarcará el estudio; en este documento se omite una presentación
formal de estas fases, debido a que nuestro interés se centra en las
etapas de Valoración Cualitativa y Cualitativa, para cuya
comprensión podemos prescindir de las fases previas.
1.2.1 Valoración Cualitativa

En la etapa de Valoración Cualitativa se busca obtener una
estimación de los posibles efectos que recibirá el medio ambiente,
mediante una descripción lingüística de las propiedades de tales
efectos. Tal como se explicará en los siguientes apartados, los
distintos expertos deben catalogar ciertas variables con etiquetas
tales como “Baja” o “Media” y a partir de esa información se
obtiene un conocimiento cualitativo del impacto ambiental5.
La metodología puede resumirse en los siguientes pasos, que
se detallan a continuación:
Describir el medioambiente como un conjunto de factores
medioambientales.
Describir la actividad que se evalúa como un conjunto de
acciones.
Identificar los impactos que cada acción tiene sobre cada factor
medioambiental.
Caracterizar cada impacto mediante la estimación de su
Importancia.
Analizar la importancia global de la actividad sobre el medio,
utilizando para ello las importancias individuales de cada
impacto.
1.2.1.1 Identificación de Factores Ambientales

El entorno medioambiental puede considerarse como
constituido por un conjunto de elementos que se interrelacionan. El
5
Cualitativo en el sentido que le da a este término la metodología crisp,
que , como se verá, no es exacto
13
estudio del entorno en su totalidad es extremadamente complejo, por
lo que se hace necesario construir un modelo simple que permita su
comprensión. Con este objetivo, el entorno suele dividirse en
sistemas ambientales, éstos en subsistemas ambientales, éstos a su
vez en componentes ambientales, que por último se dividen en
factores ambientales (ver Figura 1.2).
Figura 1.2 Modelo del entorno medioambiental
A cada factor medioambiental se le asigna una medida de su

Importancia relativa al entorno, medida en Unidades de Importancia
(UIP), y que servirá posteriormente para efectuar ponderaciones en
las estimaciones globales de los efectos. Para determinar cuáles son
los factores que conforman el entorno, y cuál es la importancia de
cada uno de ellos, deben seguirse los siguientes criterios ([12] pp
84):
Deben ser representativos del entorno afectado
Deben ser relevantes
Deben ser excluyentes entre sí
Deben ser de fácil identificación
Deben ser de fácil cuantificación.
Las UIP asignadas a cada factor permitirán realizar
posteriormente ponderaciones de los efectos globales; para facilitar
esta tarea, asi como para facilitar la interpretación de las UIP, suele
14
establecerse la condición de que la suma de las UIP de todos los
factores debe ser 1000. En la Tabla 1.1 se muestra un ejemplo de
clasificación del entorno hasta el nivel de componentes ambientales;
en la Tabla 1.2 se recoge otro ejemplo en el que se evidencia que la
identificación de los factores no es única, sino que depende del caso
específico que se esté estudiando.
Tabla 1.1 Ejemplo 1 de identificación de factores medioambientales

Sistema
Subsistema UIP
Componente (Total=1000)
Medio Físico 600
Medio Inerte 300
Aire 100
Tierra y Suelo 100
Agua 100
Medio Biótico 200
Flora 100
Fauna 100
Medio Perceptual 100
Unidades de Paisaje 100
Medio Socio-Económico 400
Medio Socio-Cultural 275
Usos del territorio 75
Cultural 50
Infraestructuras 50
Humanos y estéticos 100
Medio Económico 125
Economía 50
Población 75
15
Tabla 1.2 Ejemplo 2 de identificación de factores medioambientales
Sistema
Subsistema UIP
Componente (Total=1000)
Medio Físico 580
Medio Inerte 300
Aire 60
Clima 60
Agua 60
Tierra y Suelo 60
Procesos 60
Medio Biótico 180
Vegetación 60
Fauna 60
Procesos 60
Medio Perceptual 100
Valor testimonial 20
Paisaje intrínseco 20
Intervisibilidad 20
Componentes singulares 20
Recursos científico-culturales 20
Medio Socio-Económico 420
Medio Rural (usos) 100
Recreativo al aire libre 20
Productivo 20
Conservación de naturaleza 20
Viario rural 20
Procesos 20
Medio de núcleos habitados 100
Estructura de núcleos 30
Infraestructuras y servicios 40
Estructura urbana y equipamientos 30
Medio Socio-Cultural 120
Aspectos culturales 30
Servicios colectivos 30
Aspectos humanos 30
Patrimonio histórico y artístico 30
Medio Económico 100
Economía 50
Población 50
16
1.2.1.2 Identificación de Acciones del Proyecto
El proyecto que es objeto de evaluación se modela como un
conjunto de Acciones, que pueden agruparse en Actividades. En
ocasiones se desa comparar dos o más opciones de proyecto, para
determinar cuál de ellas tiene un impacto menor; con este propósito,
se agrupan las actividades de cada una de las opciones en Situaciones
(ver Figura 1.3). Una de las comparaciones más usuales consiste en
enfrentar la Situación con proyecto con la Situación sin proyecto,
para determinar el impacto real de la ejecución del proyecto.
Figura 1.3 Modelo de las actuaciones sobre el entorno
1.2.1.3 Identificación de los Efectos sobre el Medio Am biente.

Matriz de Importancia
Una vez determinados los factores y las acciones se procede
a identificar los Impactos que estas últimas tienen sobre los primeros.
Los expertos del equipo interdisciplinar deben determinar la
Importancia de cada efecto, siguiendo la metodología que se
presenta en el apartado 1.2.1.4, y que quedará consignada en la
Matriz de Importancia del proyecto, y cuya estructura se muestra en
la Figura 1.4. Las filas corresponden a los factores (que pueden
agruparse según la jererquía presentada en la Figura 1.2) y las
columnas corresponden a las Acciones (que a su vez se pueden
agrupar según la jerarquía que se muestra en la Figura 1.3). En la
celda ij de la Matriz se consigna la Importancia Iij del impacto que la
acción Aj tiene sobre el factor Fi (que tiene Pi Unidades de
Importancia). La fila y la columna marcadas como Totales se
17
emplean para agregar la información correspondiente a una
determinada acción o factor respectivamente, según se explica en el
apartado 1.2.1.5
FACTORES ACCIONES TOTALES

UIP A1 Aj Am
F1 P1 I11 I1j I1m
Fi Pi Ii1 Iij Iim
Fn Pn In1 Inj Inm

TOTALES
Figura 1.4 Matriz de Importancia
1.2.1.4 Determinación de la Importancia de los Impact os

La importancia de un impacto es una medida cualitativa del
mismo que se obtiene a partir del grado de incidencia (Intensidad) de
la alteración producida, y de una caracterización del efecto obtenida
a través de una serie de atributos establecidos en el Real Decreto
Legislativo 1.302/1986. En a metodología crisp se propone calcular
la importancia de los impactos siguiendo la expresión:
I = NA(3IN + 2 EX + MO + PE + RV + SI + AC + EF + PR + MC )
cuyos términos están definidos en la Tabla 1.3, y son explicados en
los apartados siguientes. En esa misma Tabla se han anotado los
valores numéricos que se deben asignar a las variables, según la
valoración cualitativa correspondiente. Cada Impacto podrá
clasificarse de acuerdo a su importancia I como:
Irrelevante o Compatible : 0 ≤ I < 25
Moderado : 25 ≤ I < 50
Severo : 50 ≤ I < 75
Crítico : 75 ≤ I
18
Nótese que aunque se pretende que la importancia sea una
medida cualitativa, en realidad se calcula cuantitativamente,
asignando para ello números enteros a cada una de las etiquetas
recogidas en la Tabla 1.3. La descripción cualitativa de la
metodología crisp en realidad es una descripción cuantitativa basada
en números enteros.
Tabla 1.3 Caracterización cualitativa de los efectos

NA:NATURALEZA IN: INTENSIDAD
- Beneficioso +1 - Baja 1
- Perjudicial -1 - Media 2
- Alta 4
- Muy Alta 8
- Total 12
EX: EXTENSIÓN MO: MOMENTO
- Puntual 1 - Largo Plazo 1
- Parcial 2 - Medio Plazo 2
- Extenso 4 - Inmediato 4
- Total 8 - Crítico7 +4
- Crítico6 +4
PE: PERSISTENCIA RV: REVERSIBILIDAD
- Fugaz 1 - Corto Plazo 1
- Temporal 2 - Medio Plazo 2
- Permanente 4 - Irreversible 4
SI: SINERGISMO AC: ACUMULACIÓN
- Sin sinergismo 1 - Simple 1
- Sinérgico 2 - Acumulativo 4
- Muy Sinérgico 4
EF: RELACIÓN CAUSA-EFECTO PR: PERIODICIDAD
- Indirecto (secundario) 1 - Irregular o aperiódico y 1
- Directo (primario 4 discontinuo 2
- Periódico 4
- Contínuo
MC: RECUPERABILIDAD I: IMPORTANCIA
- De manera inmediata 1
- A medio plazo 2
- Mitigable 4
- Irrecuperable 8
6
Si el área cobija un lugar crítico (especialmente importante) la
valoración será cuatro unidades superior
7
Si el impacto se presenta en un momento (crítico) la valoración será
cuatro unidades superior.
19
Naturaleza
Hace referencia al carácter beneficioso o perjudicial del
Impacto. En algunos casos concretos el impacto puede ser previsible
pero difícil de cualificar sin estudios más detallados; en tales
ocasiones la Naturaleza deberá marcarse como x, lo que tiene como
consecuencia lógica la imposibilidad de calcular la Importancia.
Intensidad
Expresa el grado de incidencia de la acción sobre el factor,
que puede considerarse desde una afección mínima hasta la
destrucción total del factor.
Extensión
Representa el área de influencia esperada en relación con el
entorno del proyecto, que puede ser expresada en términos
porcentuales. Si el área está muy localizada, el impacto será puntual,
mientras que si el área corresponde a todo el entorno el impacto será
total.
Momento
Se refiere al tiempo que transcurre entre el inicio de la acción
y el inicio del efecto que ésta produce. Puede expresarse en unidades
de tiempo, generalmente años, y suele considerarse que el Corto
Plazo corresponde a menos de un año, el Medio Plazo entre uno y
cinco años, y el Largo Plazo a más de cinco años.
Persistencia
Se refiere al tiempo que se espera que permanezca el efecto
desde su aparición. Puede expresarse en unidades de tiempo,
generalmente años, y suele considerarse que es Fugaz si permanece
menos de un año, el Temporal si lo hace entre uno y diez años, y el
Permanente si supera los diez años.
La persistencia no es igual que la reversibilidad ni que la
recuperabilidad, conceptos que se presentan más adelante, aunque
son conceptos asociados: Los efectos fugaces o temporales siempre
20
son reversibles o recuperables; los efectos permanentes pueden ser
reversibles o irreversibles, recuperables o irrecuperables.
Reversibilidad
Se refiere a la posibilidad de reconstruir el factor afectado por
medios naturales, y en caso de que sea posible, al intervalo de tiempo
que se tardaría en lograrlo que si es de menos de un año se considera
el Corto plazo; entre uno y diez años se considera el Medio plazo, y
si se superan los diez años se considera Irreversible.
Sinergía
Se dice que dos efectos son sinérgicos si su manifestación
conjunta es superior a la suma de las manifestaciones que se
obtendrían si cada uno de ellos actuase por separado (la
manifestación no es lineal respecto a los efectos). Puede visualizarse
como el reforzamiento de dos efectos simples; si en lugar de
reforzarse los efectos se debilitan, la valoración de la sinergía debe
ser negativa.
Acumulación
Si la presencia continuada de la acción produce un efecto que
crece con el tiempo, se dice que el efecto es acumulativo.
Relación Causa-Efecto
La relación causa-efecto puede ser directa o indirecta: es
Directa si es la acción misma la que origina el efecto, mientras que
es indirecta si es otro efecto el que lo origina, generalmente por la
interdependencia de un factor sobre otro; A manera de ejemplo
podriamos inaginar que el aumento de temperatura del agua causa la
disminución de cierta variedad de peces (efecto directo o primario) y
esto a su vez incide en la economía de alguna población pesquera
cercana (efecto indirecto o secundario).
Periodicidad
Se refiere a la regularidad de la manifestación del efecto,
pudiendo ser periódico, contínuo, o irregular.
Recuperabilidad
21
Se refiere a la posibilidad de reconstruir el factor afectado por
medio de la intervención humana (la reversibilidad se refiere a la
reconstrucción por medios naturales).
1.2.1.5 Análisis Cualitativo global

Una vez calculada la Importancia de cada uno de los
Impactos, y consignados estos valores en la Matriz de Importancia,
se procede a el análisis del proyecto en su conjunto; para ello se
efectúa, como paso preliminar, una depuración de la matriz, en la
que se eliminan aquellos impactos :
irrelevantes, es decir aquellos cuya importancia está por debajo
de un cierto valor umbral
que se presentan sobre factores intangibles para los que no se
dispone de un indicador adecuado. La metodología crisp
especifica que estos efectos deben contemplarse en forma
separada, pero pese a ello no se aclara en qué forma debe
hacerse; estos efectos no se incluyen en la matriz depurada
porque la metodología crisp no tiene herramientas adecuadas
para su análisis.
extremadamente severos, y que merecen un tratamiento
específico. Generalmente se adoptan alternativas de proyecto en
donde no se presenten estos casos, por esta razón al eliminarlos
no se está sesgando el análisis cualitativo global.
El paso siguiente es la valoración cualitativa del Impacto
Ambiental Total, que se obtiene mediante un análisis numérico de la
Matriz de Importancia depurada consistente de sumas, y sumas
ponderadas por UIP de las importancias. Las sumas se realizan por
filas y por columnas. Nuevamente se observa que la valoración
cualitativa de laq metodología crisp consiste en un tratamiento
cuantitativo basado en números enteros
La suma ponderada por columnas permitirá identificar las
acciones más agresivas (valores altos negativos), las poco agresivas
(valores bajos negativos) y las beneficiosas (valores positivos). Las
sumas ponderadas por filas permitirán identificar los factores más
22
afectados por el proyecto. Al comparar los resultados que se obtienen
en Situaciones diferentes, podrá hacerse una valoración cualitativa de
las distintas alternativas de proyecto.
A continuación se recogen algunos de los indicadores que
suelen emplearse para estimar el impacto simultáneo de varios
efectos. Se ha supuesto una matriz de n factores m acciones, y donde
Iij es la importancia del impacto de la accion j sobre el factor i, cuya
importancia relativa al entorno es Pij , como en la Figura 1.4. :
Importancia de los efectos debidos a la acción A : I

n
j Aj = ∑ I ij
i =1
Importancia de los efectos sufridos por el factor F : I = ∑ I

m
i Fi ij
j =1
Importancia relativa al entorno de los efectos debidos a la acción

n
Aj: I R − Aj = ∑ Pi I ij
i =1
Importancia relativa al entorno de los efectos sufridos por el

m m
factor Fi : I R − Fi = ∑ Pi I ij = Pi ∑ I ij
j =1 j =1
Importancia Total del proyecto : I = ∑∑ I

n m
T ij
i =1 j1
Importancia Total del proyecto relativa

n m
al entorno:
I R −T = ∑∑ Pi I ij
i =1 j1
1.2.2 Valoración Cuantitativa

En la fase de Valoración Cuantitativa la información
obtenida en la Valoración Cualitativa se complementa con estudios
técnicos más detallados; estos estudios deben permitir hacer una
predicción numérica de cada uno de los impactos individuales (a
diferencia de la predicción lingüística empleada en la fase previa),
23
que luego deberá agruparse para obtener una predicción numérica del
impacto total.
Esta predicción numérica se transforma en unas variables
intangibles adimensionales denominadas Calidad Ambiental y Valor
Ambiental que, por ser intangibles, deberían ser tratadas de forma
cualitativa. Sin embargo, la metodología crisp no cuenta con las
herramientas adecuadas para ello.
1.2.2.1 Indicadores ambientales y Magnitud de los imp actos

Un Indicador de un factor ambiental es una variable que
permite medir dicho factor. En algunas ocasiones la determinación
del indicador adecuado para un factor es más o menos obvia (por
ejemplo para el factor Fosfatos en el agua el indicador será la
concentración de fósforo en el agua), pero en muchas otras no lo es,
principalmente por dos razones:
El factor sólo es cuantificable de forma indirecta, en cuyo caso
pueden existir varios indicadores candidatos para medir un
mismo factor.
No se encuentra un indicador cuantificable, y es necesario
recurrir a parámetros cualitativos, que pueden ser valorados
subjetivamente.
Las unidades de medida de cada indicador estarán
determinadas por el propio indicador, y por lo tanto cada factor será
medido en unidades diferentes; como consecuencia, no podrá
realizarse una comparación entre dos factores basándose para ello
exclusivamente en las medidas de sus indicadores. En el apartado
1.2.2.3 se muestra una estrategia para solucionar este inconveniente.
La Magnitud de un impacto es la estimación cuantitativa del
efecto que éste tendrá sobre el factor ambiental, medida según el
valor que se espera que tome el indicador de dicho factor. Esta
estimación debe ser desarrollada por especialistas en el factor
correspondiente, y generalmente está apoyada en modelos
matemáticos del sistema físico estudiado. La magnitud del impacto
suele registrarse en la misma matriz de importancia.
24
1.2.2.2 Agregación de Magnitudes por Efecto
Un mismo factor puede ser impactado simultáneamente por
varias acciones. La magnitud del impacto total recibido por ese factor
es la Agregación de las magnitudes de los impactos individuales. De
lo anterior se desprende que
M i = Ag i (M i1 , , M , , M
ij im )
donde Mi es la magnitud del impacto total recibido por el factor Fi,
Mij la magnitud del impacto producido por la acción Aj sobre el
Factor Fi, Agi es la función de agregación del factor Fi, y se han
supuesto m acciones impactantes.
La forma de la función de agregación Agi depende del factor
considerado; algunos ejemplos son los siguientes:
Sin sinergía: M
m
i = ∑ M ij
j =1
Con sinergía lineal: M

m m
i = ∑ M ij + ∑ S (M ij + M ik ) , donde Sij es
j =1 k = j +1
el coeficiente de sinergía del factor Fi. La ecuación anterior

m
también puede escribirse como M i = ∑ [1 + S (m − 1)]M ij .
j =1
Con
m
sinergía potencial: M i = K r −1 ∑ M ij , donde K es el
j =1
coeficiente de sinergía (K>1) y r es el número de acciones

impactantes ( r ≤ n ). Si K>1 existe sinergía positiva, en caso
contrario se trata de sinergía negativa, o debilitamiento.
Logarítmica: La contaminación auditiva se mide en decibelios,
que son una función de la intensidad sonora Isij :
⎛ Is ij ⎞
M ij = 10 log 10 ⎜⎜ ⎟⎟
⎝ Is O ⎠
25
donde IsO es un nivel de referencia. De la expresión anterior se
deduce que
⎛ M ij ⎞
Isij = IsO (10 )⎜⎝ 10 ⎟⎠
Las Intensidades sonoras se agregan sin sinergía (mediante una

suma), es decir,
⎛ m ⎞
⎜ ∑ Is ij ⎟
⎜ j =1 ⎟
M i = 10 log 10 ⎜ ⎟
IsO
⎜⎜ ⎟⎟
⎝ ⎠
y por tanto
⎡m ⎛ M ij ⎞ ⎤
M i = 10 log 10 ⎢∑ (10 )⎝ 10 ⎠ ⎥
⎜ ⎟
⎣ j =i ⎦
1.2.2.3 Calidad Ambiental y Funciones de Transforma ción

Mediante las funciones de agregación se puede obtener la
magnitud del impacto total recibido por cada factor, pero este
impacto estará medido en las unidades características de cada factor,
y por lo tanto no es posible comparar los impactos recibidos por
factores diferentes.
Para poder hacer esa comparación, se emplean las Funciones
de Transformación, que permiten referir a una escala común,
denominada Calidad Ambiental, las magnitudes de los impactos
recibidos por cada factor. Las funciones de transformación son de la
forma.
CAi : U i → [0,1]
donde CAi es la función de transformación del factor Fi , Ui es el
espacio sobre el que están medidas la magnitudes de los impactos
recibidos por el factor Fi, y [0,1] es el intervalo unitario, en el que se
medirá la Calidad Ambiental (adimensional). Se asigna el valor 0 a la
situación ambiental más desfavorable, y 1 a la situación óptima.
26
La forma de la función CAi dependerá del factor considerado,
y su determinación es una de las tareas más complejas de la
Evaluación de Impacto Ambiental, ya que propuesta sobre la forma
de medir la Calidad Ambiental puede variar sensiblemente de un
autor a otro. La Tabla 1.4 resume algunas formas típicas de funciones
de transformación.
Tabla 1.4 Ejemplos de Funciones de Transformación
Lineal Lineal Curva Curva Curva Curva

creciente decrecien- creciente decrecien- creciente decrecien-
te cóncava te cóncava convexa te convexa
En “V” En “V” En “U” Un “U” Sigmoide Sigmoide

invertida invertida creciente 1 decrecien-
te 1
Sigmoide Sigmoide Discontí- Discontí- Umbral Constante

decrecien- creciente 2 nua nua decre-
te 2 creciente ciente
El Impacto causado por el proyecto sobre un factor

determinado puede medirse empleando la noción de Calidad
Ambiental Neta, que se define como la diferencia en la calidad
ambiental asociada a ese factor en dos situaciones diferentes: Con el
proyecto y Sin el proyecto. La forma de calcularla es la siguiente:
27
CAneta −i = CAcon−i − CAsin −i
CAcon−i = CAi ( M con−i )
CAsin −i = CAi ( M sin −i )
donde CAneta-i es la calidad ambiental neta del factor Fi ; CAcon-i es la
calidad ambiental del factor Fi con el proyecto y CAsin-i sin él; CAi
es la función de transformación del factor Fi ; Mcon-i y Msin-i son las
magnitudes del impacto total recibido por el factor Fi con el proyecto
y sin él respectivamente.
1.2.2.4 Valor del Impacto sobre un Factor

El Valor del impacto recibido por un factor determinado es
una medida que combina la importancia y la calidad ambiental neta
de ese impacto. Se calcula como:
Vi = (ai bi )
1/ 3
I Fi
ai =
max ( I Fk )
k =1...n
bi = (CAneta −i )
2
sig (Vi ) = sig ( I Fi )

donde Vi denota el valor del impacto recibido por el factor Fi , IFi es
la importancia de ese impacto y CAneta-i es su calidad ambiental neta;
ai y bi son variables auxiliares; y además |.| y sig(.) son los
operadores de valor absoluto y signo respectivamente. Tanto ai como
bi pueden tomar valores en el intervalo [0,1], y por lo tanto Vi tomará
valores en el intervalo [-1,1]
1.2.2.5 Análisis Cuantitativo global

El Impacto Ambiental Total (IAT) se calcula como la suma
ponderada de los valores de los impactos recibidos por cada factor,
donde la ponderación se hace mediante las unidades de importancia
(UIP) de cada factor. Asi pues,
28
n
IAT = ∑ PiVi
i =1
donde IAT es el Impacto Ambiental Total, Pi son las unidades de

importancia del factor Fi y Vi es el valor del impacto recibido por el
mismo factor Fi.
El IAT estima globalmente lo severo que es el efecto del
proyecto sobre el medio ambiente. Como la suma de todos los
factores de ponderación Pi es 1000, entonces el IAT puede tomar
valores en el intervalo [-1000,+1000], siendo los proyecto más
severos aquellos cuyo Impacto Ambiental Total se acerque a –1000,
y los más beneficiosos aquellos que se acerque a +1000.
El IAT debe calcularse para las distintas alternativas que se
consideren, incluyendo el efecto de las medidas correctoras que se
incorporen en cada caso. Mediante la comparación directa entre los
IAT de distintas alternativas se podrá determinar cuál de ellas es la
mejor desde el punto de vista de su impacto ambiental.
1.2.3 Resumen
Para un proyecto con m Acciones impactantes en un entorno
de n Factores Ambientales, el impacto de la acción Aj sobre el factor
Fi (ponderado con Pi UIP) tiene una importancia Iij y una magnitud
Mij.
La importancia Iij se estima cualitativamente mediante la
siguiente expresión, cuyos términos se explican y valoran en la Tabla
1.3
I ij = NAij (3IN ij + 2 EX ij + MOij + PEij + RVij
+ SI ij + ACij + EFij + PRij + MC ij )
De acuerdo con esta importancia el impacto se cataloga como
Irrelevante ( 0 ≤ I < 25 ), Moderado ( 25 ≤ I < 50 ), Severo
( 50 ≤ I < 75 ) o Crítico ( 75 ≤ I ).
29
Empleando las importancias de cada uno de los impactos se
pueden obtener diferentes indicadores del impacto del proyecto, entre
ellos está la Importancia IFi de los efectos sufridos por el factor Fi :
m
I Fi = ∑ I ij
j =1
La magnitud Mij se estima cuantitativamente a partir de

estudios técnicos efectuados por los especialistas en el factor Fi; esta
magnitud estará medida en unidades propias del factor Ui. La
Magnitud Mi del impacto total recibido por el factor Fi se calcula
como la agregación de las magnitudes de todos los impactos
individuales que recibe, y también estará medido en las unidades
propias del factor Ui:
M i = Ag i (M i1 , , M , , M
ij im )
Esa magnitud se asocia a un nivel de Calidad Ambiental
mediante una función de transformación propia del factor Fi que
traslada el impacto a una escala adimensional en el intervalo unitario:
CAi : U i → [0,1]
La Calidad Ambiental Neta del factor Fi se define como la
diferencia de calidades ambientales esperadas para ese factor con el
proyecto y sin él:
CAcon−i = CAi ( M con−i )
CAsin −i = CAi ( M sin −i )
El Valor del Impacto recibido por el factor Fi se calcula
considerando tanto la Importancia del impacto total recibido, como
su calidad ambiental neta:
30
Vi = (ai bi )
1/ 3
I Fi
ai =
max ( I Fk )
k =1...n
bi = (CAneta −i )
2
sig (Vi ) = sig (CAneta−i )

El Impacto Ambiental Total IAT es la suma ponderada de los
valores de los impactos recibidos por cada uno de los n factores
ambientales.
n
IAT = ∑ PiVi
i =1
1.3 Otras metodologías

Además de la metodología anteriormente expuesta, se
conocen otras que, aunque su objetivo general sea el mismo, emplean
estrategias muy diferentes, como por ejemplo listas de chequeo,
análisis cartográficos y estudios de las relaciones entre sistemas
ambientales, para nombrar unos pocos (ver [8]). Algunas de estas
metodologías son de propósito específico para un cierto tipo de
proyecto, y por tanto son difíciles de generalizar.
No obstante, un grupo importante de estas métodologías
(incluida la que hemos presentado en este capítulo) comparten entre
sí el hecho de estar basadas en matrices. Estas metodologías
matriciales se han diseñado para ser aplicadas a cualquier proyecto, y
por tanto son muy populares. A continuación se muestran algunas de
ellas.
1.3.1 Matriz de Leopold

Se trata de una matriz de aproximadamente 90 factores y 100
acciones, en la que cada celda de la matriz contiene dos
descripciones del impacto correspondiente:
31
La Magnitud del impacto, que aqui se entiende como su
extensión, y se mide en una escala de 1 a 10; suele
anteponerse el signo “-” o “+” según el impacto sea
perjudicial o beneficioso, respectivamente.
La Importancia del impacto, entendida aqui como la
intensidad o grado de incidencia del impacto
El análisis del proyecto total se hace mediante sumas por filas
y por columnas; también se suele multiplicar la Magnitud de cada
impacto por su Importancia antes de efectuar las sumas.
1.3.2 Método del Instituto Batelle-Columbus

Esta metodología emplea una descripción de los factores
ambientales en forma jerárquica, similar a la de la metodología
presentada en este capítulo. Es considerada una metodología
cuantitativa, porque emplea indicadores ambientales y funciones de
transformación para estimar la Calidad Ambiental. El análisis global
del proyecto se realiza mediante la suma ponderada de la Calidad
Neta de cada factor.
1.3.3 Matrices Escalonadas

La diferencia fundamental de esta metodología comparada
con otras metodologías matriciales, consiste en que emplea un paso
preliminar para la identificación de impactos indirectos:
En una primera matriz de factores-acciones, se señalan los
impactos directos, y se numeran consecutivamente.
Se diseña una segunda matriz en la que las acciones son
sustituidas por los efectos directos identificados en el
paso anterior. En esta matriz se señalan los efectos
indirectos (secundarios o de segundo orden), es decir, los
impactos ocasionados por los efectos directos, sobre cada
factor.
Empleando este procedimiento pueden obtenerse
sucesivamente matrices con efectos de tercer orden o de
orden superior.
32
Una vez identificados todos los efectos, se consignan
todos en una única matriz, y se analizan según la
metodología que se desee.
La metodología de Gómez Orea ([46]) y la del Departamento
de Desarrollo y Planificación Regional del Estado de Nueva York
son ejemplos de este tipo, que emplean matrices de Leopold (o
similares).
1.3.4 Otras variantes

Sobre las metodologías expuestas suelen efectuarse cambios,
algunos de los más frecuentes son:
Valorar los impactos con etiquetas en lugar de emplear
números. Estas metodologías no cuentan con una
estrategia para evaluar el impacto global a partir de los
impactos parciales, debido a que carecen de herramientas
adecuadas para “sumar palabras”.
El número de variables involucradas para calcular la
importancia de un impacto, y la forma de evaluarlas (lo
que en la metodología de este capítulo se resume en la
Tabla 1.3) puede variar de un autor a otro, en ocasiones
debido a que la legislación aplicable obligue a considerar
unas ciertas propiedades y no otras.
1.4 Una metodología crisp genérica

Es fácil comprobar que existen grandes semejanzas entre las
metodologías matriciales. Además, a partir de la metodología crisp
presentada en este capítulo es posible obtener una metodología
genérica que pueda visualizarse como una extensión de las demás8.
Para ello, debemos relajar algunas de sus condiciones:
8
Esto no debe sorprendernos, ya que, como advierte su autor ([12] pp 73),
la metodología crisp es derivada de la matriz de Leopold y del método del instituto
Batelle-Columbus.
33
La representación jerárquica de los factores y las acciones
debe poder hacerse a un número variable de niveles, y no
únicamente a los niveles mostrados en la Figura 1.2 y en
la Figura 1.3.
El número y significado de las variables empleadas para
calcular la importancia de un efecto no debe ser fijo. De
esta forma la ecuación
I ij = NAij (3IN ij + 2 EX ij + MOij + PEij + RVij
+ SI ij + ACij + EFij + PRij + MC ij )
debe remplazarse por
r
I ij = NAij ∑ p k Vijk
k =1
donde r es el número de variables, pk es el coeficiente de

la k-ésima variable y Vijk es su valor para el efecto de la
Acción Aj sobre el factor Fi, y los demás términos han
sido definidos previamente en el apartado 1.2.1.4. Tanto
pk como los valores que puede tomar Vijk varían de una
metodología a otra.
La ecuación para calcular el Valor del Impacto recibido
por el factor Fi:
Vi = (ai bi )
1/ 3
I Fi
ai =
max ( I Fk )
k =1...n
bi = (CAneta −i )
2
sig (Vi ) = sig (CAneta−i )

debe remplazarse por una más genérica, de la forma
Vi = f (I Fi ,CAneta−i )
34
con el propósito de abarcar también las metodologías del
instituto Batelle-Columbus y la de Leopold.
Esta metodología genérica será empleada como la base a
partir de la cual se construirá la metodología difusa presentada en el
Capítulo 4.
1.5 Comentarios a las metodologías crisp

La metodología crisp logra, en alguna medida, satisfacer los
requerimientos de una Evaluación de Impacto Ambiental; sin
embargo, Al analizarla se evidencian algunas flaquezas, como las
siguientes:
La “valoración cualitativa” utiliza variables cuantitativas:
En efecto, en el cómputo de la Importancia se emplean
etiquetas para caracterizar variables que son claramente
cuantificables, como son la Extensión (cuantificable en
porcentaje de área respecto al entorno), o el Momento, la
Persistencia y la Reversibilidad, (cuantificables en
meses). Es de anotar que estas variables numéricas
primero se convierten en variables no-numéricas (por
ejemplo el Momento se evalúa como inmediato, a medio
plazo o a largo plazo), para luego volver a convertirse en
variable numérica mediante la asignación de un número
asociado a cada etiqueta.
La “valoración cualitativa” es realmente cuantitativa: La
valoración cualitativa consiste en seleccionar unas
etiquetas para cada variable, asignarle un valor numérico
a cada etiqueta, y luego efectuar sumas y promedios con
esos número. Dicho de otro modo, la valoración
cualitativa es en realidad una serie de operaciones sobre
variables definidas en la recta entera, ya que en el fondo
lo único que se hace es representar los posibles valores de
las variables como un conjunto de valores numéricos
discretos. Puede decirse, por tanto, que el modelo
lingüístico de la valoración cualitativa se define sobre
números enteros.
35
La “valoración cuantitativa” utiliza variables cualitativas:
Las Funciones de Transformación CAi se apoyan en el
concepto de Calidad ambiental, que es intangible y por lo
tanto necesariamente no cuantificable. Por esta misma
razón, la forma de las funciones de transformación puede
considerarse como subjetiva. Otro tanto puede afirmarse
del Valor del impacto ambiental, que tampoco es una
magnitud medible.
No se modela la incertidumbre: Pese a que es de esperar
que algunas variables no se puedan determinar con
absoluta precisión, la metodología no establece ningún
procedimiento para tratar variables con incertidumbre.
No hay estrategias para caracterizar las medidas
correctoras: Las medidas correctoras se pueden incorporar
en las distintas matrices, pero la metodología no
contempla ninguna estrategia para ayudar al usuario a
establecer cómo deben ser.
Las diferencias en las escalas distorsionan los pesos de las
variables que intervienen en el cálculo de la importancia:
A juzgar por la ecuación que permite calcular la
Importancia de un impacto, la Intensidad del mismo pesa
3 veces más (y la Extensión 2 veces más) que la mayoría
de las demás variables. Estas proporciones, no obstante,
están falseadas debido a las diferentes escalas empleadas
para valorar cada variable: mientras la Intensidad puede
llegar a valer 12 unidades, la Acumulación solo puede
alcanzar 4, con lo que la proporción real del peso que
tienen estas dos variables es de 9:1. Teniendo en cuenta el
efecto de las escalas, e ignorando la variable Naturaleza
que determina el signo pero no el valor absoluto de la
Importancia, el peso que tiene cada una de las variables
en la ecuación es:
36
Intensidad: 36% Sinergía: 4%
Extensión: 24% Acumulación: 4%
Momento: 8% Efecto: 4%
Persistencia: 4% Periodicidad: 4%
Reversibilidad: 4% Recuperabilidad: 8%
Vale la pena resaltar que, de las deficiencias arriba anotadas,

las tres primeras se deben a que la metodología crisp no logra
manipular simultáneamente de forma adecuada información
numérica (cuantitativa) y lingüística (cualitativa). La cuarta y quinta
deficiencias son carencias de la metodología, mientras que la última
aparece al no homogeneizar la escala de las variables.
1.6 Incorporación de técnicas difusas

Del apartado anterior se concluye que el modelo lingüístico
de la metodología crisp es bastante deficiente, especialmente porque
está basado en números enteros. Este hecho nos sugiere que la
metodología crisp se mejoraría significativamente si se construyese
sobre un modelo lingüístico más adecuado. Por esta razón se propone
en esta memoria la utilización de técnicas difusas.
La capacidad de representación lingüística de los conjuntos
difusos ha sido presentada y analizada desde hace varios años (ver
por ejemplo [117], [118] y el Apéndice A). Mediante variables
lingüísticas puede obtenerse una representación matemática
adecuada de conceptos vagos, es decir, de conceptos que no pueden
delimitarse por fronteras exactas; muchas de las variables que se
emplean en los estudios de impacto ambiental son de este tipo, lo que
sugiere que sean modeladas mediante variables lingüísticas.
En efecto, la variable Importancia de un impacto se califica
como Irrelevante, Moderada, Severa o Crítica, y aunque cada una de
esas etiquetas tiene un contenido semántico claro, no hay una
37
diferencia nítida entre cada una de ellas. La metodología crisp
propone diferenciarlas según una clasificación intervalar, empleando
para ello el cálculo de un índice I así (ver apartado 1.2.1.4):
Irrelevante o Compatible : 0 ≤ I < 25
Moderada : 25 ≤ I < 50
Severa : 50 ≤ I < 75
Crítica : 75 ≤ I
Esta clasificación adolece del mismo problema que adolecen
todas las clasificaciones intervalares de conceptos vagos: supóngase
dos impactos cuyos índices de importancia sean 50 y 51,
respectivamente ¿podemos realmente considerar que sean tan
diferentes como para asignarles dos etiquetas diferentes (“moderado”
y “severo”)?.
Si, por el contrario, definimos la importancia de un impacto
mediante una variable lingüística con las mismas cuatro etiquetas,
pero representadas, por ejemplo, por los conjuntos difusos que se
muestran en la Figura 1.5, se eliminarían estos cambios bruscos.
Figura 1.5 Ejemplo de variable lingüística para la importancia de un impacto
Dentro de las variables involucradas en los estudios de

impacto ambiental, la Importancia no es la única que se define con
conceptos vagos; todo lo contrario, la gran mayoría de ellas lo son:
Las variables de la Tabla 1.1, Intensidad, Sinergía, etc. están
definidas sobre conceptos vagos (Intensidad baja, muy sinérgico,
etc); y aún las variables empleadas en la “valoración cuantitativa”
Calidad Ambiental, Valor de un Impacto, se representan mejor con
variables lingüísticas.
38
Sin embargo, existen otras variables cuya representación con
números crisp parecería, al menos en principio, adecuada. Tal es el
caso de la magnitud de un impacto, que se mide empleando
indicadores asociados a los factores impactados (por ejemplo la
concentración de monóxido de carbono en el aire). En todo caso, no
hay que olvidar que en los estudios de impacto ambiental se efectúa
una predicción que puede ser imprecisa. En estos casos la
representación crisp es insuficiente para modelar la imprecisión.
Además, aún la magnitud de un impacto puede estar definida
de forma vaga, ya que para algunos factores ambientales no es
posible encontrar un indicador medible (por ejemplo para el valor
histórico del entorno).
Por su parte, los números difusos, que son un subconjunto
(crisp) de los Conjuntos difusos, permiten modelar adecuadamente
valores numéricos en los que exista incertidumbre. Esta es una
justificación más para proponer la incorporación de técnicas difusas
en los estudios ambientales.
Debe decirse también, que los número difusos son una
extensión de los números crisp, de tal manera que al remplazar
números crisp por números difusos en los estudios ambientales,
aquellas variables cuya representación crisp sea adecuada, podrán
seguir siendo representadas de esa forma.
La propuesta consiste, entonces, en modificar la metodología
crisp en varios sentidos, principalmente:
Representar las variables involucradas como variables
lingüísticas.
Permitir que los valores asignados a cada variable sean
lingüísticos (conceptos vagos) o numéricos (incluyendo
imprecisiones); es decir, permitir que los valores
asignados a cada variable sean números difusos.
Se propone también desarrollar una estrategia que permita
caracterizar la importancia que deben tener las acciones
correctoras que deben incorporarse en el proyecto.
39
En otras palabras, se propone desarrollar una Metodología
Difusa para la Evaluación del Impacto Ambiental. Con este propósito
podría plantearse la construcción de un sistema de computación con
palabras tradicional, es decir, uno basado en reglas que se
interpretan mediante inferencia difusa, es decir, mediante lógica
difusa.
Esta posibilidad se descarta rápidamente por su elevado costo
computacional, que se evidencia con el siguiente ejemplo: Para
diseñar un sistema que calculase la importancia de un efecto a partir
de las propiedades descritas en la Tabla 1.1, empleando las mismas
etiquetas, el sistema podría contener hasta 129.600 reglas, una
cantidad demasiado elevada. Es claro que se necesita desarrollar una
nueva estrategia de computación con palabras con la que se puedan
definir sistemas de una gran cantidad de entradas.
Además, para poder caracterizar las medidas correctoras es
necesario poder calcular las entradas del sistema (o al menos unas de
ellas) a partir de las salidas. Este tipo de razonamiento inverso no es
posible con los sistemas basados en lógica difusa.
Estas dos dificultades, la necesidad de manejar un gran
número de entradas y la necesidad de efectuar razonamiento inverso,
se superan con los sistemas de computación con palabras basados en
aritmética difusa, que se presentan en el capítulo 4 de esta memoria.
Estos sistemas emplean una función crisp que se extiende a
números difusos y para efectuar el razonamiento inverso se emplean
sus funciones inversas. Es bien conocido que al extender funciones
crisp a números difusos surgen dificultades para el cálculo de las
funciones inversas (vease, por ejemplo, [113]); por esta razón, se han
desarrollado varios algoritmos de extensión de funciones crisp a
números difusos, que se presentan en el Capítulo 2. Estos algoritmos
son de aplicabilidad general, es decir, su utilidad no se restringe al
modelo de computación con palabras, como queda de manifiesto con
un ejemplo incluido en el apartado 2.5.
En resumen, para obtener esta nueva metodología difusa se
ha desarrollado un nuevo modelo de computación con palabras, que
se basa en aritmética difusa y que se presenta en el capítulo 3. Este
40
modelo emplea unos algoritmos para la extensión de funciones crisp,
que se presentan en el capítulo 2. y que son de aplicabilidad general.
La razón por la que se ha optado por desarrollar un nuevo modelo de
computación con palabras, en lugar de emplear las técnicas ya
conocidas basadas en reglas, radica en que éstas últimas darían lugar
a sistemas de un costo computacional muy elevado.
41
2 ALGORITMOS DE EXTENSIÓ N DE
FUNCIONES CRISP Y SUS
INVERSAS A NÚMEROS DIFUSOS
La metodología crisp de Evaluación de Impacto Ambiental,

emplea expresiones matemáticas, que se resumen en el apartado
1.2.3, con las que se calculan varios indicadores de impacto, tales
como la Importancia, la Calidad Ambiental y el Valor del Impacto.
Estos indicadores, y las variables a partir de las cuales se calculan,
intentan representar, o bien conceptos vagos, o valores en los que
puede presentarse incertidumbre; sin embargo, como se ha discutido
en el apartado 1.6, esta representación es deficiente.
Una representación alternativa, y más adecuada para tales
indicadores y variables, se obtiene empleando números difusos. La
noción de número difuso fue introducida por Zadeh en 1975 [117] y
ha sido estudiada y desarrollada por numerosos autores como Dubois
& Prade [22], Jain[59], Yager [113], Baas & Kwakernaak [5],
Mizumoto et al. [79], Sanchez [96].
Aunque un número difuso puede ayudarnos a representar las
variables involucradas en la Evaluación de Impacto Ambiental,
existen algunas dificultades en el tratamiento de las funciones que
relacionan esas variables, principalmente porque con la definición
más usual (que es la utilizada en este trabajo y presentada más
adelante) los números difusos no tienen estructura algebráica de
grupo. No obstante, existen definiciones alternativas con las que
adquieren estructura de anillo (Tamura & Horiuchi [107]) o grupos
42
multiplicativos e inclusive espacios lineales (Mares [71]), pero a
cambio pierden algo de su poder de representación de la imprecisión
y/o la vaguedad.
Otra dificultad consiste en que los modelos matemáticos que
tenemos a disposición (los del apartado 1.2.3) están diseñados para
variables numéricas no difusas (crisp), y por lo tanto las funciones
incluidas en ellos operan sobre números crisp; al intentar emplear
números difusos para representar las variables numéricas es
necesario modificar las funciones del modelo para adecuarlas a los
números difusos, es decir, es necesario extender a números difusos
las funciones crisp del modelo. La forma usual en que esto se hace es
a través del Principio de Extensión postulado por Zadeh [117];
aunque esta estrategia es generalmente útil, no siempre es la más
adecuada para tratar con las funciones inversas, ya que éstas
presentan algunas dificultades especiales, ampliamente estudiadas
por Yager [113]:
Aún una operación elemental como la adición no es trivial de
invertir en el caso difuso, ya que si X, Y son números difusos,
(X+Y)-Y≠X, es decir, la sustracción no es la operación inversa de la
adición en números difusos. Bouchon-Meunier et al [7] han
demostrado que si una función crisp es invertible, los números
difusos son los únicos conjuntos difusos que preservan la
invertibilidad; en otras palabras, es posible invertir la suma, pero no
con la operación de sustracción, sino con otra operación.
Por otra parte, tal como lo anota Giachetti [45], al trabajar
con funciones de varios argumentos pueden existir distintas
definiciones de invertibilidad según la aplicación que se desee dar a
la función inversa: supóngase que X,Y,Z son números difusos
relacionados por la ecuación X+Y=Z. Podemos distinguir por lo
menos dos situaciones diferentes:
• Se conocen Y,Z y se desea saber qué valores puede tomar
la variable X.
• Se conoce Y y se desa saber qué valores debe tomar X
para que la variable Z tenga unos determinados valores.
43
La segunda aproximación no siempre tiene solución, aún
cuando la función inversa crisp esté bien definida. Lo anterior se
debe a la incertidumbre incluida en los números difusos: si Y incluye
mucha incertidumbre, y si se desea que Z tenga muy poca
incertidumbre, la situación puede resultar incoherente, porque la
incertidumbre es acumulativa.
El principal objetivo de este capítulo es presentar unos
algoritmos que permiten emplear las funciones que relacionan las
variables numéricas crisp de un modelo matemático cuando éstas se
representan por números difusos, sin necesidad de modificar tales
funciones. Los algoritmos que extienden las funciones inversas son
tales que aseguran la existencia de solución, aun cuando para ello en
ocasiones es necesario modificar las condiciones del problema.
Las funciones que consideramos aquí son, funciones de varias
variables (es decir que representan modelos MISO - Múltiples
Entradas y Única Salida) contínuas y monótonamente crecientes en
algunos de sus argumentos y monótonamente decrecientes en los
demás. Con estas condiciones se consigue que la función esté
unívocamente definida, y por lo tanto sus inversas también. No
obstante, también se estudia cómo extender funciones contínuas de
una sola variable, no necesariamente monótonas, aunque en este caso
no se plantea la extensión de sus funciones inversas, ya que éstas no
están definidas unívocamente (debido a que no son necesariamente
monótonas).
La organización del capítulo es la siguiente: En el apartado
2.1 se plantean las definiciones básicas y se especifica la notación
empleada. En el apartado 2.2 se muestra el algoritmo para extender
funciones crisp a números difusos, mientras que en el apartado 2.3 se
desarrollan varios algoritmos para extender funciones crisp inversas.
Se han incluido algunos ejemplos, de los cuales sólo se presentan en
este capítulo sus resultados; el desarrollo completo de cada ejemplo
se muestra en el Apéndice B. El apartado 2.5 muestra una aplicación
de los algoritmos en el campo de la economía. En el capítulo 3 se
presenta la forma en que estos algoritmos pueden usarse en el
paradigma de la computación con palabras.
44
2.1 Definiciones básicas y notación
Número difuso
Un número difuso se define usualmente como un conjunto
difuso sobre R normal, convexo y semicontínuo superiormente (ver
Apéndice A). Sea A uno de tales números difusos, con función de
pertenencia A(x); los α-cortes de A son:
⎧ {x | A( x) ≥ α } α ∈ (0,1]
Aα = ⎨
[
⎩ limα →0+ (inf( Aα )) , limα →0+ (sup( Aα )) ] α =0
Aα es siempre un intervalo cerrado, aún para α=0 que por

convención se defina de modo que A0 sea el soporte del número
difuso. El número difuso A queda definido unívocamente por dos
funciones LA(α) y RA(α) tales que
L A (α ) = L Aα = inf( Aα )
R A (α ) = R Aα = sup( Aα )
de tal manera que los α-cortes de A pueden escribirse en un formato
intervalar:
[
Aα = LA (α ) , RA (α ) ]
De modo inverso, para que un subconjunto difuso A de la
recta real sea un número difuso, las funciones LA(α) y RA(α) que
caracterizan los α-cortes deben satisfacer:
• LA(α) debe ser monótonamente creciente y contínua por
derecha
• RA(α) debe ser monótonamente decreciente y contínua (1)
por izquierda
• LA (1) ≤ RA (1)
Funciones D(α,d)
El número difuso A puede representarse también empleando
una función D A ( α , d ) : [0 ,1]× {− 1,1} → R tal que:
45
⎧ L A (α ) s i d=1
DA (α , d ) = ⎨
⎩ R A (α ) s i d= − 1
Los α-cortes de A pueden escribirse ahora de la siguiente
forma:
Aα = [DA (α ,1) , D A (α ,−1)]
La representación de un número difuso mediante la función
DA(α,d) es conceptualmente igual a la de los α-cortes; en este
capítulo se empleará la función DA(α,d) para que los algoritmos
tengan una presentación más compacta.
Representación discreta
Aunque el parámetro α empleado en las definiciones 1 y 2
puede tomar cualquier valor en [0,1], una implementación práctica en
ordenadores digitales implica asignar al parámetro α un conjunto
discreto de valores posibles. En los algoritmos que se presentan en
este capítulo se empleará un número discreto de α-cortes,
correspondiente al conjunto ordenado Alfa={α1,α2,....αp} donde
αi<αi+1, αp=1 y α1≥0. Nótese que si se restringen los valores de α al
conjunto Alfa={0,1} y se asume una interpolación lineal para los
restantes valores de α entonces los números difusos obtenidos serán
representados de forma trapezoidal.
Salvo que se exprese lo contrario, en el resto del capítulo se
asume que y = f ( X ) , f : U 1 × U 2 × ... × U n → V es una función
contínua, estríctamente monótona creciente con algunas de las n
variables y decreciente con las restantes. U y V son subconjuntos
convexos de R. Igualmente, en el resto del capítulo se asume también
que xk = f k−1 ( y, X k ) , X k = [x1 x 2
x k −1 x k +1 x n ] es la
función que calcula el valor de la variable xk cuando se conoce la
salida y, y las demás variables de entrada xi, y que tanto f(X) como
fk-1(y,Xk) están definidas para todas las combinaciones posibles de sus
argumentos respectivos.
46
Función df(i)
Definimos la función d f (i ) : I → {1,−1} (I es el conjunto de
los n índices {1,2,...,n}) de la siguiente forma:
⎧ 1 s i f ( X ) cr ece con xi
d f (i ) = ⎨
⎩− 1 s i f ( X ) decr ece con xi
Podemos afirmar que si aquellas variables tales que df(i)=1
crecen y/o aquellas variables tales que df(i)=-1 decrecen, entonces
y=f(X) crecerá. De forma análoga, si aquellas variables tales que
df(i)=1 decrecen y/o aquellas variables tales que df(i)=-1 crecen,
entonces y=f(X) decrecerá.
Función DX(α,df)
Sean A1, A2,... , An n números difusos sobre U1, U2, ... Un,
respectivamente, X = [A1 A2
An ] y sea f(X) como en el
apartado anterior; en esas condiciones definimos
DX ( α,d f ) =
[D A1 ( α , d f ( 1 )) D A 2 ( α , d f ( 2 )) ]
D An ( α , d f ( n )) (2)
D X ( α ,− d f ) =
[D A1 ( α ,−d f ( 1 )) D A 2 ( α ,− d f ( 2 )) D An ( α ,−d f ( n ))]
Cada uno de los elementos DAi(α,df(i)) y DAi(α,-df(i))
pertenece al α-corte de Ai. Además, son el menor o el mayor valor
del α-corte de Ai dependiendo de si y=f(X) es creciente o decreciente
respecto a la variable i. En forma explícita: si y=f(X) es creciente
respecto a la variable i, entonces df(i)=1, y el valor DAi(α,df(i))
corresponde al menor valor del α-corte de Ai (equivale a LAi(α))
mientras que DAi(α,-df(i)) corresponde al mayor (equivale a RAi(α));
por el contrario, si y=f(X) es decreciente respecto a la variable i,
entonces df(i)=-1, y el valor DAi(α,df(i)) corresponde al mayor valor
del α-corte de Ai (LAi(α)) mientras que DAi(α,-df(i)) corresponde al
menor (RAi(α))
47
De esta manera, DX(α,df) es la n-upla de valores de X que
pertenecen a los respectivos α-cortes de X1, X2,..., Xn, con los que
y=f(X) adquiere su menor valor. Asi mismo, DX(α,-df) es la n-upla
de valores de X que pertenecen a los respectivos α-cortes de X1,
X2,..., Xn, con los que y=f(X) adquiere su mayor valor. Nótese que
DAi(α,df(i)) es una función creciente para α, mientras que
DAi(α,-df(i)) es decreciente.
2.2 Extensión de funciones crisp monótonas a

números difusos
Sea y=f(X) una función crisp con las características que se
indican en el apartado anterior, y que se desea extender a números
difusos, es decir, se desea encontrar una función que permita calcular
a y (o más exactamente a un número difuso que represente a y)
cuando se representan los n argumentos de f(X) mediante los
números difusos A1,A2,...,An.
Como f(X) es contínua, podemos extender la función y=f(X) a
números difusos mediante el Principio de Extensión empleando α-
cortes de la siguiente forma:
yα=f(A1α,A2α,...,Anα)
Esta expresión significa que un α-corte de y es el conjunto de
todos los valores que se obtienen al utilizar como argumentos los xi
pertenecientes a los α-cortes respectivos de las variables de entrada.
Ahora bien, como f(X) es monotonamente creciente o decreciente en
todos sus argumentos, y como los α-cortes de las variables de
entrada son intervalos cerrados, entonces yα es un intervalo cerrado.
Los extremos de ese intervalo se pueden calcular empleando la
definición 4, pues como se ha establecido en esa definición, para
obtener el menor valor posible de y=f(X) con la condición de que los
argumentos pertenezcan a los α-cortes de A1,A2,...,An, el argumento
de f(X) debe ser DX(α,df), mientras que el mayor valor se obtiene con
DX(α,-df). De lo anterior se concluye que el intervalo se puede
calcular empleando la expresión
48
yα = [ Lyα , Ryα ]
Lyα = f ( DX (α , d f ) ) (3)
Ryα = f ( DX (α ,− d f ) )
Como se establece en el apartado 2.1, Lyα es creciente,

mientras que Ryα es decreciente y además Ly1 ≤ Ry1. Debido a que
f(x) es contínua, se satisfacen todas las condiciones de (1) y por lo
tanto yα genera a un Número Difuso.
La expresión (3) puede interpretarse asi: Los extremos del α-
corte yα se calculan empleando los extremos de los α-cortes de los
argumentos A1,A2,...,An. Además df(i) es una variable que determina
si f(x) crece o decrece con xi y se utiliza en (3) para determinar cuál
de los dos extremos del α-corte de Ai debe emplearse en el cálculo.
La Figura 2.1 ayuda a ilustrar esta idea: se ha supuesto n=2, y por
tanto y=f(x1,x2); que y crece con x1 y que decrece con x2; En ella se
muestra que para calcular el valor más bajo de un cierto α-corte de y
(es decir Lyα) se debe utilizar el valor más bajo del correspondiente
α-corte de A1 (debido a que df(1)=1), y el valor más alto del
correspondiente α-corte de A1 (debido a que df(1)=-1); para calcular
Ryα deben usarse los otros extremos de los α-cortes de A1 y A2.
Figura 2.1 Extensión de funciones crisp
49
Si se tiene una representación discreta como la que se
propone en el apartado 2.1 entonces el algoritmo para extender
y=f(X) a números difusos es el siguiente:
Algoritmo 1: Extension directa de funciones crisp

Entradas :
Una función crisp y = f ( X ) , que será extendida a números
difusos. f(X) debe ser estrictamente monótona creciente en
algunas de sus n variables, y estríctamente monótona decreciente
en las otras.
La función d (i) asociada a y=f(X).
f
A , A , ... , A números difusos que serán usados como los

1 2 n
argumentos de la extensión de f(X). Cada número difuso Ai se
representa por su función DAi(a,d) para un conjunto Alfa de
valores de α. (ver definición 2). Alfa={α1,α2,....αp} para un p fijo.
Salidas :
Un conjunto de p α-cortes del número difuso Y =f(A 1 , A2 , ... ,
An). Cada α-corte se denotará por y(αj) = [Lyα , Ryα], j=1,2,...,p
Procedimiento :
1. j=1
2. calcular y(αj) = [Lyα , Ryα] usando (3)
3. j=j+1
4. si j>p entonces parar, en caso contrario ir al paso 2
Ejemplo 2.1 : Extensión de funciones directas

A menos que se especifique lo contrario, en los ejemplos
numéricos de este capítulo, se utilizará la función de varias entradas
50
x12
y = f ( x1 , x2 ) =
x2
definida con x1, x2, y números reales positivos de (x2 es estrictamente
positivo) y sus funciones inversas
x1 = f 1−1 ( y , x 2 ) = yx 2
x12
x 2 = f 2− 1 ( y , x1 ) =
y
La gráfica de y=f(x1,x2) se muestra en la Figura 2.2. Estas
funciones pueden aparecer en algunos modelos matemáticos de
fenómenos físicos, como por ejemplo en la descripción de la relación
existente entre la potencia disipada en un resistor eléctrico lineal, la
diferencia de potencial eléctrico entre los terminales del resistor, y la
resistencia del resistor, en un circuito eléctrico simple (ver, por
ejemplo, [24]); (y representaría la potencia disipada, x1 la diferencia
de potencial eléctrico, y x2 la resistencia). De acuerdo con las
definiciones presentadas en el apartado 2.1 tenemos:
La función está definida con dos argumentos: n=2
Las variables de entrada y salida se han definido para cualquier
+
valor real estrictamente positivo : U =U =V=R -{0}
1 2
La función es monótonamente creciente con x : d (1)=1 1 f
La función es monótonamente decreciente con x : d (2)=-1 2 f
Además, en los ejemplos de este capítulo, se ha usado una

representación discreta como la que se describe en 2.1, con
Alfa={0.00, 0.01, 0.02,..., 0.99, 1.00}. También se empleará en estos
ejemplos la siguiente convención para describir los números difusos
trapeziodales: T(a,b,c,d) ( a ,b , c , d ∈ R; a ≤ b ≤ c ≤ d ) representa a un
número difuso de forma trapezoidal, tal que sus α-cortes se definen
como:
Aα = [a + α (b − a), c + (1 − α )(d − c)]
51
Figura 2.2 Función de los ejemplos del capítulo 3
En estas condiciones, si x1,x2 se representan por los números

difusos trapezoidales x1=T(1.0,1.8,2.2,3.0) x2=T(0.5,0.9,1.1,1.5)
entonces y puede obtenerse mediante la aplicación del algoritmo 1.
El resultado se muestra en la Figura 2.3. Nótese que aunque las
entradas x1, x2 son números trapezoidales, la salida y no lo es, debido
a que f(x1,x2) no es una función lineal.
Figura 2.3 Función de pertenecia de y en el Ejemplo 2.1
52
2.3 Extensión de funciones inversas crisp
monótonas a números difusos
En las mismas condiciones del apartado 2.2, supóngase ahora
que se desea extender a números difusos la función crisp

x k = f k−1 ( y, X k ) X k = [x1 x k −1 x k +1 x n ] que calcula el
valor de la variable xk cuando se conoce la salida y y las demás
variables xi. La solución a este problema puede tener al menos los
dos siguientes enfoques al considerar que cada variable se representa
por un número difuso:
• Se desea hallar cuáles son los valores que puede tomar la variable
xk dado que se conocen los valores de y, x1, x2,..., xk-1,xk+1,...,xn.
Este enfoque lo denominaremos aquí extensión posible de la
función inversa y lo denotaremos por xkpos.
• Se desea hallar cuáles deben ser los valores que debe tomar la
variable xk para que conocidos los valores de x1, x2, ..., xk-1, xk+1,
... , xn se asegure que y sólo pueda tomar unos ciertos valores
predeterminados. Este enfoque lo denominaremos aquí extensión
necesaria de la función inversa y lo denotaremos por xknec.
La diferencia entre los dos enfoques puede visualizarse mejor
a través de un ejemplo con intervalos9: supóngase que la expresión
y=f(x1,x2)=x1+x2 relaciona las variables físicas x1, x2, y. Ahora bien,
hay por lo menos dos situaciones diferentes en las que es necesario
emplear la función inversa x1=f1-1(y,x2):
• Se han representado los valores de las variables y,x2 mediante
intervalos, y se desea saber cuáles son los posibles valores de x1.
Por ejemplo y=[5,8] x2=[2,4], en este caso x1pos=[1,6] ya que
[5,8]-[2,4]=[1,6]
• Se ha representado el valor de x2 mediante un intervalo y se desea
saber qué valor debe tener la variable x1 para que la variable y
pertenezca a un cierto intervalo. Por ejemplo si x2=[2,4], y se
9
La solución de sistemas de ecuaciones lineales con intervalos es
analizada y presentada por Sharpy en [102] y por Kreinovich y otros en [64].
53
quiere asegurar que y pertenezca a [5,8] entonces x1nec=[3,4] ya
que [3,4]+[2,4]=[5,8]. Si se desea que y pertenezca a [5,6]
entonces no se podrá encontrar ningún intervalo [a,b] tal que
[a,b]+[2,4]=[5,6].
Si las variables x1, x2, e y fuesen crisp las dos situaciones
anteriores se resolverían empleando la misma función
x1=f1-1(y,x2)=y-x2, pero al ser intervalos, se requiere un manejo
matemático diferente para cada una de ellas.
La primera situación corresponde a la extensión posible y
puede entenderse como la búsqueda de aquellos valores de x1 que son
admisibles para que ocurra una combinación de los posibles valores
de y, x2; mientras que la segunda corresponde a la extensión
necesaria, y puede entenderse como la búsqueda de los valores de x1
necesarios para que ante cualquiera de los posibles valores de x2, la
salida y este contenida en el conjunto de sus valores posibles.
Para una función crisp y=f(X), la extensión directa puede
asimiliarse a la búsqueda de una función ŷ = f̂ ( X̂ ) , en donde
empleamos el símbolo ^ para indicar que se trata de números difusos
o de funciones entre números difusos. Si xk=fk-1(y,Xk) es la k-ésima
función inversa de y=f(X), la extensión posible puede asimilarse a la
búsqueda de una función
(
x̂ kpos = f̂ k−1 ŷ , X̂ k )
X̂ k = [A1 Ak −1 Ak +1 An ]
donde Ai es un número difuso definido sobre Ui, mientras que la
extensión necesaria puede asimilarse a la búsqueda de una función
( ) {
x̂ knec = ĝ ŷ , X̂ k = x̂ knec | ŷ = f ( X̂ k ⊗ x̂ knec ) }
donde X̂ k ⊗ x̂ knec representa el vector de números difusos formado
por los k elementos de X̂ k al que se ha agregado en la posición k el
elemento x̂ knec , es decir,
[
X̂ k ⊗ x̂ knec = A1 Ak −1 x̂ knec Ax +1 An ]
54
2.3.1 Extensión Posible
Dado que la extensión posible es la búsqueda de una función
( )
x̂ = f̂ k−1 ŷ , X̂ k , el procedimiento para obtener la solución posible
pos
k
consiste en extender la función crisp xk=fk-1(y,Xk) a números difusos

con el mismo procedimiento que se explica en el apartado 2.2. Para
ello es necesario tener en cuenta cómo varia xk respecto a las demás
variables:
• Si f(X) es creciente con xk entonces
- fk-1(y,Xk) crece con y
- fk-1(y,Xk) decrece con los xi tales que f es creciente con xi
- fk-1(y,Xk) crece con los xi tales que f es decreciente con xi
• Si f (X) es decreciente con xk entonces
- fk-1(y,Xk) decrece con y
- fk-1(y,Xk) crece con los xi tales que f es creciente con xi
- fk-1(y,Xk) decrece con los xi tales que f es decreciente con xi
Estas condiciones pueden abreviarse utilizando las

definiciones de df(i) y DA(α,d) dadas anteriormente, en forma tal
podemos escribir la ecuación (4) para xkpos(α) como:
[
x kpos (α ) = Lx kpos (α ), Rx kpos (α ) ]
−1
Lx pos
k
(α ) = f k
( DY (α , d f (k )), D Xk (α ,− d fk ))
Rx kpos (α ) = f k−1 ( DY (α , −d f ( k )), D Xk (α , d fk )) (4)
D Xk (α , d fk ) = [ D (α , d (k )d (i)) ] i = 1,2...k − 1, k + 1,...n
) = [ D (α ,− d (k ) d (i )) ] i = 1,2...k − 1, k + 1,...n
Ai f f
D Xk (α ,−d fk Ai f f
55
Puesto que hemos extendido la función crisp fk-1(y,Xk) a
conjuntos difusos, empleando el procedimiento del apartado 2.2,
entonces xkpos(α) representa un número difuso. La Figura 2.4 ayuda a
ilustrar esta idea: se ha supuesto, como en la Figura 2.1, n=2, y por
tanto x1=fk-1(y,x2); también se ha supuesto que y=f(X) crece con x1 y
decrece con x2.
Figura 2.4 Extensión posible de funciones crisp inversas
Si se tiene una representación discreta como la que se

propone en el apartado 2.1 entonces el algoritmo para extender
xk=f(y,Xk) a números difusos es el siguiente:
56
Algoritmo 2 - Extension posible de funciones crisp inversas
Entradas :
Una función crisp y = f ( X ) , que debe ser estrictamente
monótona creciente en algunas de sus n variables, y estríctamente
monótona decreciente en las otras.
La función d (i) asociada a y=f(X)
f
Una función crisp inversa asociada con y=f(X), x = f ( y, X ) ,

−1
X = [x x x x ] que calcula el valor de

k k k
k 1 2 k −1x k +1 n
xk cuando se conocen la salida y y las otras entradas xi.

xk = f k−1 ( y, X k ) es la función que será extendida.
A 1,... , Ak-1 , Ak+1 , ... , An numeros difusos que serán usados
como los argumentos de la extensión de xk = f k−1 ( y, X k ) . Cada
número difuso Ai se representa por su función DAi(a,d) para un
conjunto Alfa de valores de α.. Alfa={α1,α2,....αp} para un p fijo.
El número difuso Y que es la salida de la función directa Y=f(X),
Y se representa por su función DY(a,d) para el mismo conjunto
Alfa.
Salidas :
Un conjunto de p α-cortes del número difuso desconocido x k
pos
.
Cada α-corte se denotará por xkpos(αj) = [Lxkposα , Rxkposα],
j=1,2,...,p
Procedimiento :
1. j=1
2. calcular xkpos(αj) = [Lxkposα , Rxkposα] usando (4)
3. j=j+1
4. si j>p entonces parar, en caso contrario ir al paso 2
57
Ejemplo 2.2 : Extensión posible de funciones inversas
a) Empleando las mismas condiciones del Ejemplo 2.1, si se sabe
que los valores de x2, y se pueden representar por los números
trapezoidales x2=T(0.5,0.9,1.1,1.5), y=T(1,1,1,1), entonces los
valores que puede tomar x1 se pueden obtener usando la
extensión posible de x1=f1-1(y,x2) mediante el algoritmo 2. El
resultado se muestra en la Figura 2.5.
b) Por otra parte, si si se sabe que los valores de x1 e y se pueden
representar por los números trapezoidales x1=T(1.0,1.8,2.2,3.0),
y=T(1,1,1,1), entonces los valores que puede tomar x2 se pueden
obtener usando la extensión posible de x2=f2-1(y,x1) mediante el
algoritmo 2. El resultado se muestra en la Figura 2.6.
Figura 2.5 Función de pertenencia de x1 en el Ejemplo 2.2-a
Figura 2.6 Función de pertenecia de x2 en el Ejemplo 2.2-b
58
2.3.2 Extensión Necesaria
La extensión necesaria es la búsqueda de una
( ) { }
función x̂ knec = ĝ ŷ , X̂ k = x̂ knec | ŷ = f ( X̂ k ⊗ x̂ knec ) . Combinando esta
expresión con (3) y con las definiciones de 2.1 se tiene
y α = [Ly( α ), Ry( α )]
Ly( α ) = f ( D A1 ( α , d f ( 1 )) Dx ( α ,d ( k )) D ( α,d ( n )))
nec
k f An f
Ry( α ) = f ( D A1 ( α ,− d f ( 1 )) Dx ( α ,− d ( k )) D ( α ,− d ( n )))
nec
k f An f
De las expresiones anteriores pueden despejarse

Dxk (α,df(k)) y Dxknec(α,-df(k)) mediante la utilización de la función
nec
inversa xk=fk-1(y,Xk) así:

Dx knec ( α , d f ( k )) = f k−1 (Ly( α ), D A1 ( α , d f ( 1 )) D ( α,d ( n )))
An f
Dx nec
k ( α ,− d f ( k )) = f k
−1
(Ry( α ), D A1 ( α ,− d ( 1 )) D ( α ,−d ( n )))
f An f
además, la definición 2 establece que

Dx knec ( α ,1 ) = Lx knec ( α )
Dx knec ( α ,−1 ) = Rx knec ( α )
D y ( α ,1 ) = Ly( α )
D y ( α ,−1 ) = Ry( α )
de donde se deduce que
si d (k)=1f
Lx knec ( α ) = f k−1 (Dy( α ,1 ), D A1 ( α , d f ( 1 )) D ( α,d ( n )))

An f
Rx nec
k (α) = f k
−1
(Dy( α ,−1 ), D A1 ( α ,− d f ( 1 )) D ( α ,−d ( n )))
An f
si d (k)=-1
f
Lx knec ( α ) = f k−1 (Dy( α ,−1 ), D A1 ( α ,− d f ( 1 )) D An ( α ,− d f ( n )))

Rx knec ( α ) = f k−1 (Dy( α ,1 ), D A1 ( α , d f ( 1 )) D An ( α , d f ( n )))
o lo que es igual
59
[
x knec (α ) = Lx knec (α ), Rx knec (α ) ]
−1
Lx nec
k (α ) = f k ( DY (α , d f ( k )), D Xk (α , d fk ))
Rx knec (α ) = f k−1 ( DY (α ,−d f (k )), D Xk (α ,−d fk ) (5)
) = [ D (α ,− d (k ) d (i )) ] i = 1,2...k − 1, k + 1,...n
Ai f f
En resumen, el procedimiento para obtener la solución

necesaria consiste en calcular los extremos de cada α-corte de xk
usando xk=fk-1(y,Xk) con los argumentos más restrictivos
especificados en (5). Lo anterior se ilustra en la Figura 2.7;
nuevamente se ha supuesto n=2, x1=fk-1(y,x2), y que y=f(X) crece
con x1 y decrece con x2.
Figura 2.7 Extensión necesaria de funciones crisp inversas
Sin embargo, no es posible asegurar que la función Lxknec(α)

y Rxk (α) satizfagan las condiciones de (1), y por tanto en general
nec
(5) no representa a un número difuso. Para probar esta afirmación

basta con presentar un ejemplo en el que la extensión necesaria no
puede ser un número difuso:
Supóngase que los números difusos A1,..Ak-1,Ak+1,..An
representan los valores de x1, x2,..., xk-1,xk+1,...,xn y son de forma
60
trapezoidal; supóngase también que el conjunto difuso Y
representante de la variable y, es un singleton; se desea hallar el valor
xknec(α), es decir, se desea hallar el número difuso Ak, tal que se
asegure que la salida es un singleton cuando las demás entradas son
los número trapezoidales y Ak. Claramente se ve que no es posible
hallar un número difuso que satisfaga estos requerimientos, porque la
incertidumbre incluida en los números trapeziodales no puede
“hacerse desaparecer” con ningún número Ak. Debido a que la
incertidumbre es acumulativa, no importa qué número Ak
seleccionemos, la salida no será un singleton.
En general, dado un vector de números difusos
X k = [A1 Ak −1 Ak +1 An ] , xknec(α) representará a un
número difuso sólo para algunos casos de Y cuya incertidumbre sea
coherente con la de los n-1 número difusos Ai.
Para resolver este inconveniente, se propone un algoritmo que
verifica cuándo el número difuso Y es un valor coherente con la
incertidumbre de las variables x1, x2, ... ,xk-1, xk+1,...,xn; en caso de no
serlo, el algoritmo modifica el número Y agregándole incertidumbre
(es decir ensanchando sus α-cortes) convenientemente, creando un
nuevo número Y*, en forma tal que se asegura que los conjuntos Y* y
xknec(α) sean números difusos ya que las condiciones (1) se satisfacen
debido al procedimiento que se emplea para calcularlos, según se
explica más adelante.
En otras palabras, la extensión necesaria responde la pregunta
“cuál es el valor de xk necesario para obtener Y, dados los demás
valores Xk” de la siguiente manera: “Y* es un número difuso
semejante a Y, que se obtiene con xknec”. La semejanza entre Y y Y*
se debe a que los α-cortes del primero están contenidos en los del
segundo.
El algoritmo supone que se tiene una representación discreta
como la que se propone en 2.1. El algoritmo es el siguiente:
61
Algoritmo 3 - Extension necesaria de funciones crisp inversas
Entradas :
Las mismas entradas del algortimo 2
Salidas :
nec
.
Cada α-corte se denotará por xknec(αj) = [Lxknecα , nec
Rxk α],
j=1,2,...,p
Un conjunto de p α-cortes del número difuso Y, que pueden ser
diferentes de las de la entrada, porque el algoritmo puede
modificar Y para asegurar que xknec existe.
Procedimiento :
1. Calcular el α-corte superior
1.1. Calcular Lxknec(αp), Rxk (αp) usando (5)
nec
1.2. Si Lxknec(αp)>Rxknec(αp) entonces ensanchar el α-corte

Yαp=[Ly(αp),Ry(αp)] a la izquierda y a la derecha, hasta conseguir un nuevo
α-corte Y’αp=[L’y(αp),R’y(αp)] tal que Lxknec(αp)≤ Rxknec(αp).
2. Calcular para los restantes α-cortes : Para αj, j=p-1,p-2, ... , 1
2.1. Ensanchar el α-corte de y si el inmediatamente superior es más ancho
que el actual, de la siguiente forma:
2.1.1. Si Ly(αi)>L’y(αj+1) entonces hacer L’y(αi)=L’y(αj+1)
2.1.2. Si Ry(αi)<R’y(αj+1) entonces hacer R’y(αi)=R’y(αj+1)
2.2. calcular Lxknec(αj) asi:
2.2.1. Calcular Lxknec(αj), usando (5)
2.2.2. Si Lxknec(αi)>Lxknec(αj+1) entonces calcular yα* asi:
yα* = f ( D X (α *j , d f ))
D X (α *j , d fk ) = [ D X (α *ji , d f (i) d f (k )) ]
i = 1,2...n
⎧ α j si i ≠ k
α *ji = ⎨
⎩α j +1 si i = k
62
2.2.2.1. Si df(k)=1 entonces ensanchar el α-corte Yαj=[Ly(αj),Ry(αj)] a la
izquierda, transformándolo en el nuevo α-corte Y’αp=[y*α,Ry(αj)]
2.2.2.2. Si df(k)=-1 entonces ensanchar el α-corte Yαj=[Ly(αj),Ry(αj)] a la
derecha, transformándolo en el nuevo α-corte Y’αp=[ Ly(αj),y*α]
2.2.2.3. Hacer Lxknec(αi)=Lxknec(αj+1)
nec
2.3. Calcular Rxk (αp) asi:
2.3.1. Calcular Rxknec(αp), usando (5)
2.3.2. Si Rxknec(αi)<Rxknec(αj+1) entonces calcular y*α asi:
yα* = f ( D X (α *j ,−d f ))
D X (α *j ,−d fk ) = [ D X (α *ji ,−d f (i )d f (k )) ]
i = 1,2...n
⎧ α j if i ≠ k
α *ji = ⎨
⎩α j +1 if i = k
2.3.2.1. Si df(k)=1 entonces ensanchar el α-corte Yαj=[Ly(αj),Ry(αj)] a la
deracha, transformándolo en el nuevo α-corte Y’αp=[ Ly(αj),y*α]
2.3.2.2. Si df(k)=-1 entonces ensanchar el α-corte Yαj=[Ly(αj),Ry(αj)] a la
izquierda, transformándolo en el nuevo α-corte Y’αp=[y*α,Ry(αj)]
2.3.2.3. Hacer Rxknec(αi)=Rxknec(αj+1)
Una estrategia útil para ensanchar el α-corte en el paso 1.2

del algoritmo anterior es la siguiente
L’y(α )=Ly(α )-(Ry(α )-Ly(α )+CERO)F
p p p p
R’y(α )=Ry(α )+(Ry(α )-Ly(α )+CERO)F

p p p p
CERO es un número positivo pequeño, que permite que el

algoritmo funcione aún cuando Ry(αp)=Ly(αp). F es un número
positivo que sirve como factor de ensanchamiento.
Analizando el algoritmo, se observa que el número difuso
xknec se construye de arriba hacia abajo, es decir, dado el conjunto de
valores discretos de α , Alfa={α1,α2,....αp} primero se obtiene el
α-corte de xknec correspondiente a α=αp=1.0, luego el
63
correspondiente a α =αp-1, y asi sucesivamente hasta el
correspondiente a α=α1. Para cada α-corte se verifica si es necesario
modificar el número y. Las condiciones (1) se satisfacen tanto para
xknec como para y porque:
• en el paso 1.2 se asegura que LA (1) ≤ RA (1) para xknec, y.
• los pasos 2.1.1., 2.2.2.1 y 2.3.2.2 aseguran que LA(α) sea
monótonamente creciente para y.
• el paso 2.2.2.3 asegura que LA(α) sea monótonamente creciente
para xknec.
• los pasos 2.1.2., 2.2.2.2 y 2.3.2.1 aseguran que RA(α) sea
monótonamente decreciente para y.
• el paso 2.3.2.3 asegura que RA(α) sea monótonamente
decreciente para xknec.
Ejemplo 2.3 : Extensión necesaria de funciones inversas
que los valores de x2 se pueden representar por el número
trapezoidal x2=T(0.5,0.9,1.1,1.5), y se desea asegurar que la
salida tenga unos valores representables por el número
trapezoidal y=T(1,1,1,1), entonces los valores que debe tomar x1
se pueden obtener usando la extensión necesaria de x1=f1-1(y,x2)
mediante el algoritmo 3. El resultado se muestra en la Figura 2.8,
pero para obtenerlo ha sido necesario modificar y según se
muestra en la Figura 2.9. En otras palabras, debido a la
incertidumbre de x2, no se puede asegurar para ningún valor de x1
que y sea el número y=T(1,1,1,1), tan sólo se puede asegurar que
si x1 es el número de la Figura 2.8, entonces y será el número de
la Figura 2.9.
b) Por otra parte, , si se sabe que los valores de x1 se pueden
representar por el número trapezoidal x1=T(1.0,1.8,2.2,3.0), y se
desea asegurar que la salida tenga unos valores representables por
el número trapezoidal y=T(1,1,1,1), entonces los valores que
debe tomar x2 se pueden obtener usando la extensión necesaria de
x2=f2-1(y,x1) mediante el algoritmo 3. El resultado se muestra en
64
la Figura 2.10, pero para obtenerlo ha sido necesario modificar y,
según se muestra en la Figura 2.11
Figura 2.9 Función de pertenencia de y en el Ejemplo 2.3-a
Figura 2.10 Función de pertenencia de x2 en el Ejemplo 2.3-b
65
Figura 2.11 Función de pertenencia de y en el Ejemplo2.3-b
Ejemplo 2.4 : Extensión necesaria de funciones inversas

a) Empleando las mismas condiciones del Ejemplo 2.3-a, pero
ahora con y=T(0.5,1,1,2.5), entonces los valores que debe tomar
x1 se pueden obtener usando la extensión necesaria de x1=f1-
1
(y,x2) mediante el algoritmo 3. El resultado se muestra en la
Figura 2.12, pero para obtenerlo ha sido necesario modificar y
según se muestra en la Figura 2.13. Nótese que no ha sido
necesaro modificar todos los α-cortes de y, además, para algunos
de los α−cortes modificados, sólo ha sido necesario ensanchar
una de sus colas.
b) Empleando las mismas condiciones del Ejemplo 2.3-b, pero
ahora con y=T(0.5,1,1,2.5), entonces los valores que debe tomar
x1 se pueden obtener usando la extensión necesaria de x1=f1-
1
(y,x2) mediante el algoritmo 3. El resultado se muestra en la
Figura 2.14, pero para obtenerlo ha sido necesario modificar y
según se muestra en la Figura 2.15.
66
Figura 2.14 Función de pertenencia de x2 en el Ejemplo 2.4-b
Figura 2.15 Función de pertenencia de y en el Ejemplo 2.4-b
2.3.3 Familia de extensiones intermedias

Al comparar la Figura 2.4 con la Figura 2.7 se observa que la
diferencia fundamental entre las extensiones posible y necesaria
consiste en la selección de los extremos de los α-cortes de cada
variable en Xk empleados para calcular xk (α) o xk (α). Este hecho
pos nec
nos permite definir extensiones intermedias empleando valores

intermedios de los α-cortes.
67
Para organizar estas soluciones intermedias definimos un
parámetro r que puede tomar valores en el intervalo [0,1]; a la
extensión posible se le asocia el valor de r=0 y a la extensión
necesaria el de r=1. Al variar el parámetro r desde 0 hasta 1 se
obtienen distintas extensiones intermedias xkint(α,r) que varían de
forma contínua desde la posible hasta la necesaria. La función del
parámetro r es la de seleccionar qué valor de los α-cortes se deben
tomar para calcular la solución según (6), tal como se ilustra en la
Figura 2.16.
Figura 2.16 Extensiones intermedias de funciones crisp inversas
68
[
x kint (α , r ) = Lx kint (α , r ), Rx kint (α , r ) ]
−1
Lx (α , r ) = f
int
k k ( DY (α , d f (k )), D Xk (α , d fk , r ))
Rx kint (α , r ) = f k−1 ( DY (α ,−d f (k )), D Xk (α ,− d fk , r )
D Xk (α , d fk , r ) = [ D Ai (α , d f ( k )d f (i), r ) ]
i = 1,2...k − 1, k + 1,...n
[ ]
(6)
D Xk (α ,−d fk , r ) = D Ai (α ,−d f (k ) d f (i), r )
i = 1,2...k − 1, k + 1,...n
D Xk (α , d f ( k )d f (i ), r ) = D Ai (α , d f (k ) d f (i)) +
r (D Ai (α ,−d f (k ) d f (i)) − D Ai (α , d f (k ) d f (i)) )
D Xk (α ,−d fk , r ) = D Ai (α ,− d f ( k )d f (i )) +
r (D Ai (α , d f ( k )d f (i)) − D Ai (α ,−d f (k ) d f (i)) )
Para obtener la familia de extensiones intermedias, se

propone el mismo algoritmo empleado para obtener la extensión
necesaria (algoritmo 3), pero usando (6) en lugar de (5) en los pasos
1.1 , 2.2.1 y 2.3.1. Como en el caso de la extensión necesaria, el
algoritmo verifica cuándo el número difuso Y es un valor coherente
con la incertidumbre de las variables x1, x2, ... ,xk-1, xk+1,...,xn; en caso
de no serlo, el algoritmo modifica el número Y agregándole
incertidumbre (es decir ensanchando sus α-cortes)
convenientemente, de forma tal que se asegura que los conjuntos Y y
xknec(α) sean números difusos. El algoritmo supone que se tiene una
representación discreta como la que se propone en 2.1. El algoritmo
es el siguiente:
69
Algoritmo 4 – Extensión intermedia de funciones crisp
inversas
Entradas :
Las mismas entradas de los algoritmos 2 y 3.
un parámetro r ∈ [0,1]
Salidas :
int(r)
.
Cada α-corte se denotará por xkint(r)(αj) = [Lxkint(r)α , int(r)
Rxk α],
j=1,2,...,p
Un conjunto de p α-cortes del número difuso Y, que pueden ser
diferentes de las de la entrada, porque el algoritmo puede
modificar Y para asegurar que xkint(r) existe.
Procedimiento :
El mismo que en el algoritmo 3, pero usando (6) en lugar de (5). La
respuesta será xkint(r) en lugar de xknec .
Ejemplo 2.5 : Extensión intermedia de funciones inversas

valores para x1 se pueden obtener usando la familia de
extensiones intermedias x1=f1-1(y,x2) mediante el algoritmo 4. El
resultado se muestra en la Figura 2.17 y los respectivos valores
de y se muestran en la Figura 2.18. Nótese como los resultados
para r=0, y r=1 coinciden con las extensiones posible y necesaria
calculadas en el Ejemplo 2.2 y en el Ejemplo 2.3
respectivamente.
b) Empleando las mismas condiciones del Ejemplo 2.1, si se sabe
70
valores para x2 se pueden obtener usando la familia de
extensiones intermedias x2=f2-1(y,x1) mediante el algoritmo 4. El
resultado se muestra en la Figura 2.19 y los respectivos valores
de y se muestran en la Figura 2.20. Nótese como los resultados
para r=0, y r=1 coinciden con las extensiones posible y necesaria
calculadas en el Ejemplo 2.2 y en el Ejemplo 2.3
respectivamente.
Figura 2.18 Función de pertenecia de y en el Ejemplo 2.5-a
Figura 2.19 Función de pertenencia de x2 en el Ekemplo 2.5-b
71
Figura 2.20 Función de pertenecia de y en el Ejemplo 2.5-b
2.3.4 Medida de la existencia de la función inversa e xtendida

Es importante resaltar que aunque la extensión posible (r=0)
siempre existe, la extensión necesaria (r=1) no siempre existe (a
menos que usemos el algoritmo 3, que modifica convenientemente
las condiciones del problema). En los casos en los que la extensión
necesaria no existe, y debido a que la extensión varúa en forma
contínua con r, debe haber un valor de r<1 por debajo del cual si
existe la extensión; si llamamos este valor ro, podemos afirmar que ro
sirve para medir la existencia de la solución al problema de extender
a números difusos una función inversa crisp.
Si ro=1 significa que existen todas las extensiones (posible,
necesaria e intermedias) pero si ro<1 significa que solamente existen
la solución posible y algunas de las intermedias, pero no la necesaria.
En otras palabras, ro mide la existencia de la función inversa
extendida. Podemos usar el algoritmo 5 para calcular el valor del
umbral ro.
72
Algoritmo 5 – Medida de la existencia de la función inversa
extendida
Entradas :
Las mismas entradas de los algoritmos 2 y 3
Salidas :
El umbral r o que puede interpretarse como una medida de la
existencia de una solución al problema de extender la función
inversa
Procedimiento :
1. dr = 1.0/(p-1) , un factor de iteración calculado en función de la
cardinalidad de Alfa (ver definición 2)
2. r = 0, flag=0
3. Calcular la extensión intermedia correspondiente a r, usando el
algoritmo 4.
3.1 Si le número difuso Y es modificado en los pasos 1.2, 2.2.2, o
2.3.2 del algoritmo 4, para algún valor α entonces flag = 1.
4. Si r ≥ 1.0 entonces flag = 1
5. Si flag = 1 entonces ro=r y salir; en caso contrario hacer r=r+dr
e ir al paso 2
Ejemplo 2.6 : Existencia de la función inversa extendida

Manteniendo las mismas condiciones del Ejemplo 2.5, y
observando la Figura 2.18 se puede concluir que la medida de la
existencia de la función inversa extendida de x1=f1-1(y,x2) es 0.5.
Igualmente, con las condiciones del Ejemplo 2.5, y observando la
Figura 2.20 se puede concluir que la medida de la existencia de la
función inversa extendida de x2=f2-1(y,x1) es también 0.5.
73
2.4 Extensión de funciones no monótonas d e una
variable
Supóngase ahora una función y=c(x) de una sola variable,
continua y definida sobre R (no se impone como condición el que sea
monótona creciente o decreciente), con un numero t finito de puntos
críticos (máximos o mínimos locales), tal como se muestra en la
Figura 2.21.
Figura 2.21 Función de una variable no monótona
Para extender y=c(x) a números difusos no se puede emplear

el algoritmo 1, debido a que la función no es monótona; sin embargo
se puede emplear el Principio de Extensión, tal como en el apartado
2.2:
yα = f ( Aα ) = f ([D A (α ,1), D A (α ,−1)])
Esta expresión significa que un α-corte de y es el conjunto de
todos los valores que se obtienen al utilizar como argumentos los
valores pertenecientes al α-corte respectivo de la variable de entrada
(x se ha representado por el número difuso A, y éste mediante la
representación que se muestra en 2.1).
74
El Principio de Extensión asegura que yα será un intervalo
cerrado:
yα = [Lyα , Ryα ]
Ly α = min{c ( x) | x ∈ [D A (α,1), D A (α,1)]}

Ry α = max{c( x) | x ∈ [D A (α,1), D A (α,1)]}
Debido a que la función c(x) es contínua, los valores mínimo

y máximo de las expresiones anteriores, ocurren cuando x toma uno
(o más) de los siguientes valores:
El menor valor del intervalo de entrada : D (α,1) A
El mayor valor del intervalo de entrada : D (α,-1) A
Alguno de los valores correspondientes a los puntos

críticos de la curva, incluidos en el intervalo de entrada.
De lo anterior se concluye que para conocer los valores de

Lyα y de Ryα basta con calcular la función en estos puntos, y
seleccionar los valores minimo y máximo, respectivamente. Esta
conclusión permite escribir el algoritmo 6.
75
Algoritmo 6: Extension directa de funciones crisp no
monótonas de una variable
Entradas :
Una función crisp y=c(x), que será extendida a números difusos.
c(x) debe ser contínua, y de una variable.
El conjunto C={c , c , ..., c } de los t valores de x
1 2 t
correspondientes a los puntos críticos de c(x).
A un número difuso que será usado como el argumento de la
extensión de c(x). A se representa por su función DA(a,d) para un
conjunto Alfa de valores de α. Alfa={α1,α2,....αp} para un p fijo.
Salidas :
Un conjunto de p α-cortes del número difuso Y =f(A). Cada
α−corte se denotará por y(αj) = [Lyα , Ryα], j=1,2,...,p
Procedimiento :
1. Para j=1,2,...,p
1.1. Calcular θ=c(DA(αj,1)
1.2. Calcular β=c(DA(αj,-1)
1.3. Hacer mn=min{θ,β} y mx=max{θ,β}

1.4. Para i=1,2,...,t
1.4.1. Si [
ci ∈ D A (α j ,1), D A (α j ,−1) ] entonces calcular δ=c(ci) y
actualizar mn y mx :
mn ← min{mn, δ}
mx ← max{mx, δ}
1.5. Asignar los extremos del α-corte:
Lyα j = mn
Ryα j = mx
76
Ejemplo 2.7 : extensión de funciones no monótonas de una
variable
Supóngase la función y=c(x) cuya gráfica se muestra en la
Figura 2.22
⎧2 x − 1 si x < 1
⎪
y = ⎨ 2 − x si 1 ≤ x < 2
⎪3 x − 6 si x ≥ 2
⎩
Se desea extender y=c(x) a números difusos, usando como
entradas números trapezoidales:
a) T(0.0,0.4,0.6,1.0); el resultado se muestra en la Figura
2.23
b) T(0.0,1.0,2.0,3.0); el resultado se muestra en la Figura
2.24
c) T(0.0,1.0,1.0,2.0); el resultado se muestra en la Figura
2.25
Figura 2.22 función del Ejemplo 2.7
77
Figura 2.24 Función de pertenencia de y en el Ejemplo 2.7Ejemplo 2.7-b
Figura 2.25 Función de pertenencia de y en el Ejemplo 2.7-c
78
2.5 Aplicabilidad de los algoritmos
A continuación se muestra una aplicación práctica de algunos
de los algoritmos presentados en este capítulo, en el área de la
economía: En la elaboración de presupuestos de capital, asi como en
la selección de proyectos de inversión, es necesario analizar
proyectos en los que los costos y los beneficios ocurren a lo largo de
un cierto número de años; uno de los criterios que se emplean en ese
análisis es el de la Tasa Interna de Retorno, pero para ello es
necesario estimar el flujo de dinero que se espera en cada año; la
aplicación consiste en estudiar este problema, cuando el flujo anual
de dinero se representa por números difusos. El problema se explica
con más detalle en los siguientes párrafos.
Si sobre una cantidad de dinero d se aplica una tasa de interés
anual r durante un año, la cantidad de dinero al final de ese año será
d1=d(1+r); si se aplica la misma tasa de interés durante k años, al
final de ese periodo la cantidad de dinero será:
dk=d(1+r)k
Por otra parte, el Valor Presente Neto (VPN) de una cantidad
de dinero fk que se espera tener dentro de k años es la cantidad de
dinero f que se debe tener hoy para que, al aplicarle una tasa de
interés anual r, el dinero total al cabo de k años sea fk. Es decir:
VPN ( f k , r ) = f | f (1 + r ) k = f k
fk
VPN ( f k , r ) =
(1 + r ) k
Supóngase un proyecto cuyo flujo de dinero a lo largo de m
años es d=[d0 d1 ... dm], donde d0 es la inversión inicial (un valor
negativo), y dk es el flujo de dinero del año k (valores positivos). El
VPN del proyecto es la suma de todos los VPN correspondientes a
cada uno de los m años; si la tasa de interés aplicada r es constante,
entonces:
+ (1 +d r )
m
d1 dk
VPN (d , r ) = d 0 + + n
=∑
(1 + r )1 n
k = 0 (1 + r )
k
79
La Tasa Interna de Retorno (TIR) del proyecto es el valor de
r que hace que su VPN sea cero. El criterio de la TIR para aceptar o
rechazar un proyecto, consiste en calcular la TIR de ese proyecto r’,
y compararla con la tasa esperada del mercado ro; el proyecto se
acepta si r’>ro.
La TIR también se emplea para seleccionar uno de entre
varios proyectos: en este caso se calcula la TIR de cada proyecto, y
se selecciona aquel cuya TIR sea mayor, siempre y cuando su TIR
supere la tasa esperada del mercado.
En la expresión para calcular VPN(a,r) se asume que do<0, es
decir, que hay una inversión inicial; si se asume además que d k ≥ 0

para k = 1,2, , m , es decir, que no hay reinversión en los años
siguientes, entonces la función VPN(d,r) es estrictamente monótona
creciente para todos los dk y decreciente para r (ver [8a]), y por lo
tanto puede ser extendida a números difusos mediante los algoritmos
presentados en este capítulo.
El interés por extender esta función a números difusos, radica
en que generalmente ni los flujos de dinero futuro ni las tasas de
interés se conocen con precisión, sino que tan sólo se conoce una
estimación de ellos, y por tanto pueden ser representados
adecuadamente por números difusos.
En este ejemplo se mostrara cómo calcular la TIR de un
proyecto, cuando el flujo de dinero se representa por números
difusos; asi, el vector de flujo de dinero D será ahora un vector de
números difusos D=[D0 D1 ... Dm]. Carlsson y Fuller [8a] proponen
definir la distribución de posibilidad de la TIR como la distribución
de posibilidad de que VPN(D,r) sea cero, y obtienen una expresión
para esa distribución, restringida al caso en que todos los números
difusos sean triangulares y tengan todos la misma anchura. Más
adelante se analiza está propuesta.
Como la Tasa Interna de Retorno (TIR) del proyecto es “el
valor de r que hace que su VPN sea cero”, podemos usar la extensión
necesaria de la función VPN para calcular la TIR. Para emplear el
algoritmo hacemos las siguientes equivalencias:
80
El número de variables de la función a extender es
n=m+2 (m+1 variables del flujo de dinero, y la tasa de
interés r).
El vector de variables de entrada X es : [x x ... x x ] =
1 2 n-1 n
[d d ... d r].
0 1 m
La variable de salida Y es el VPN

La función directa a extender es: y = f ( X ) = ∑ (1 +xx )
n −1
k
k
k =0 n
Como el VPN es creciente para el flujo de dinero, y

decreciente para la tasa de interes, la función df(i) es:
⎧ 1 si i ≠ n
d f (i ) = ⎨
⎩− 1 si i = n
La función inversa xk=fk-1(y,Xk) para las variables
correspondientes al flujo de dinero (k<n)
⎡ n −1
⎤
k⎢ xi ⎥
es: x k = (1 + x n ) y − ∑
⎢ i = 0 (1 + x n )
i ⎥
⎢⎣ i≠ k ⎥⎦
La función inversa x =f k
-1
(y,Xn) para la tasa de interés no
n
puede obtenerse explícitamente; sin embargo, xn puede
obtenerse por métodos numéricos (por ejemplo
empleando el algoritmo de Newton-Raphson, cuya
convergencia está asegurada gracias a que y=f(X) es
monótona).
Para obtener la TIR se necesita que el VPN sea cero, por
lo tanto el número difuso Y será un singleton en 0.
En estas condiciones, la obtención de un número difuso que
represente la TIR consiste en la aplicación del algoritmo 3 (extensión
necesaria). Para poder comparar con la propuesta de Carlsson y
Fuller, en este ejemplo se han empleado las mismas condiciones que
en [8a]:
Se considera un proyecto a cuatro años.
81
Los flujos de dinero se representan por números difusos
triangulares, centrados en –5, 3, 4, 6 y 10
respectivamente.
Se consideran varios casos, en los que la anchura del
soporte de todos los números difusos es delta=0.5, 1.0,
..., 3.0.
Al aplicar el algoritmo de la extensión necesaria, la TIR que
se obtiene en todos los casos es un singleton centrado en 0.781 (ver
Figura 2.26), pero el VPN ha sido modificado, según se muestra en la
Figura 2.27. La interpretación de esta modificación es la siguiente:
Debido a que los flujos de dinero no se conocen con total exactitud,
el VPN no se podrá establecer sin incertidumbre.
Figura 2.26 Tasa Interna de Retorno (TIR) según la Extensión necesaria
82
Figura 2.27 Valor Presente Neto (VPN) según la extensión necesaria
Carlsson y Fuller encuentran que la distribución de

posibilidad de que el VPN sea cero es función de la tasa de interés r y
definen la distribución de posibilidad de la TIR como esa función.
Con esta definición, la distribución de posibilidad de TIR que se
obtiene se muestra en la Figura 2.28. Una alternativa distinta consiste
en emplear la Extensión Posible para obtener la distribución de
posibilidad de la TIR; el resultado se muestra en la Figura 2.29.
83
Figura 2.28 Distribución de posibilidad de la Tasa Interna de Retorno (TIR) según
Carlsson y Fuller
Figura 2.29 Distribución de posibilidad de la Tasa Interna de Retorno (TIR) según

la extensión posible
84
Las diferencias entre las dos distribuciones de posibilidad
obtenidas radica en que la propuesta de Carlsson y Fuller define la
distribución de posibilidad de la TIR como la distribución de
posibilidad de que el VPN sea cero, que es una función de la tasa de
interés r. Esta definición la asumen porque les permite calcularla, y
no por el significado de la función distribución. Por el contrario,
mediante la extensión posible se obtiene una distribución de los
valores posibles de la TIR conocidas las distribuciones de posibilidad
del flujo de dinero y del VPN.
Esta aplicación ha ilustrado cómo emplear algunos de los
algoritmos presentados en este capítulo. En el Capítulo 3 se presenta
una aplicación genérica, en el paradigma de la computación con
palabras, que será empleada extensivamente en la metodología difusa
de Evaluación de Impacto Ambiental que se presenta en el Capítulo
4.
85
3 COMPUTACIÓN CON PALAB RAS
Como ya se ha comentado, La noción de Conjunto Difuso, y

más específicamente el de Variable Lingüística (ver Apéndice A), ha
dado a las Ciencias de la Computación en general, y a la Inteligencia
Artificial en particular, nuevas herramientas para representar algunos
conceptos que son difíciles de expresar numéricamente, pero que en
el lenguaje natural se expresan adecuadamente. Ejemplos típicos de
este hecho son la representación mediante variables lingüísticas de
los conceptos Joven y Viejo, asociados a la edad de una persona, o
también la de los conceptos Alto, Mediano y Bajo asociados a su
estatura.
La Computación con palabras es el paradigma que emplea
este tipo de representaciones para abordar muy diversos tipos de
problemas (ver [118]). En algunas ocasiones se emplea como el
motor de cálculo de un sistema con entradas y salidas numéricas, tal
como en los Controladores Difusos (ver [76]), o como la herramienta
de análisis en problemas relacionados con conceptos lingüísticos, tal
como en las aplicaciones en Bases de Datos.
En el marco de este paradigma, los Sistemas de Computación
con Palabras (ver [118]) emplean conceptos lingüísticos como
entradas y como salidas, es decir, son sistemas que “calculan
palabras a partir de palabras”. En el enfoque más usual, que se
muestra en el apartado 3.1, los sistemas se basan en reglas del tipo
Si-Entonces, que se interpretan mediante inferencia difusa; los
sistemos de este tipo los denominaremos basados en lógica difusa
86
Este enfoque presenta algunas dificultades cuando el número
de entradas es muy elevado; para solventar este inconveniente se
propone en el apartado 3.2 abordar el paradigma de la computación
con palabras desde la perspectiva de la aritmética difusa, empleando
para ello los algoritmos de extensión de funciones crisp presentados
en el capítulo 2. En el apartado 3.3 se plantea una metodología para
construir estos sistemas de de computación con palabras basados en
aritmética difusa, mientras que en el apartado 3.4 se comparan con
los sistemas basados en lógica difusa, mediante varios ejemplos
numéricos. Los sistemas basados en aritmética difusa serán
empleados extensamenmte en la propuesta de evaluación difusa de
impacto ambiental, que se realiza en el capítulo 4.
3.1 Computación con palabras mediante lógica

difusa
En el paradigma de la computación con palabras se pretende
desarrollar sistemas cuyas entradas y salidas sean palabras, en lugar
de números. En una de las interpretaciones de este paradigma (ver
[118]) un granulo g, que es la forma de denotar una palabra, se
interpreta como una restricción difusa sobre los valores (numéricos)
que puede tomar una variable. La Figura 3.1 muestra la estructura
general de un sistema de computación con palabras basado en esta
interpretación:
Las entradas (n) son palabras que califican a n variables de
entrada; interpretar cada palabra equivale a determinar un conjunto
difuso cuya función de pertenecia está asociada al contenido
semántico de la palabra; mediante el razonamiento aproximado se
generan m conjuntos difusos que corresponden a las restricciones
difusas de las m variables de salida, que finalmente se describen con
palabras a través de la aproximación lingüística.
87
Figura 3.1 Sistema de computación con palabras
Para llevar a cabo la interpretación se suele restringir el

conjunto de posibles palabras de entrada a un léxico predefinido. A
cada variable de entrada se le asocia una variable lingüística,
definida en el sentido usual de Zadeh ([117]); el léxico suele estar
limitado al conjunto de etiquetas de la variable lingüística.
El razonamiento aproximado se efectúa mediante una
máquina de inferencia apoyada en una base de reglas del tipo “SI
Antecedente ENTONCES Consecuente”, similar a la de un
controlador difuso tipo Mandami (vease, por ejemplo, [76], [23]).
A cada variable de salida se le asocia una variable lingüística,
que se emplea en la aproximación lingüística. Una posibilidad para
describir el resultado del razonamiento aproximado es calcular, para
cada variable de salida, la consistencia entre el conjunto difuso que
resulta del razonamiento aproximado y cada una de las etiquetas de
su variable lingüística asociada. La consistencia de dos conjuntos
difusos x,y definidos sobre el mismo universo de discurso U, y con
88
funciones de pertenencia μx(u), μy(u) respectivamente se define
como:
cons ( x, y ) = sup (min(μ x (u ), μ y (u ) ))
u∈U
La consistencia asi empleada se interpreta como una medida

de la posibilidad de que el resultado del razonamiento aproximado
tenga el significado semántico de la etiqueta lingüística
correspondiente. Este valor numérico puede clasificarse en intervalos
semejantes a los siguientes:
• Si es mayor que 2/3 es “muy posible”
• Si está entre 1/3 y 2/3 es “posible”
• Si es menor que 1/3 es “poco posible”
Es de resaltar que la computación con palabras mediante
lógica difusa presenta, al menos, dos características indeseadas:
• La complejidad computacional crece exponencialmente con el
número de variables de entrada, debido a que el razonamiento
aproximado emplea una base de reglas cuyo tamaño máximo
esperado es proporcional al producto del número de etiquetas de
cada variable lingüística de entrada.
• No se conoce un método eficaz para efectuar razonamiento
inverso, esto es, para deducir los valores de una o más de las
variables de entrada conocidos los valores de las salidas y de las
demás entradas.
3.2 Computación con palabras mediante ari tmética

difusa
En este apartado se propone el diseño de sistemas de
computación con palabras similares a los descritos en 3.1, pero en los
que el razonamiento aproximado se remplaza por un bloque basado
en aritmética difusa, mientras que los bloques de interpretación y
aproximación lingüística no sufren modificación alguna.
89
Para la presentación de esta propuesta supondremos un
sistema de n variables de entrada y una salida; Para un sistema de m
salidas se sigue el mismo procedimiento para cada una de las m
salidas. La variable de entrada i se define sobre el universo de
discurso Ui , mientras que la variable de salida se define sobre el
universo de discurso V. Si denotamos por FUi el conjunto de todos los
conjuntos difusos definidos sobre Ui y por FV el conjunto de todos
los conjuntos difusos definidos sobre V entonces el razonamiento
aproximado RA es una aplicación de FU en FV:
RA : FU → FV
FU = FU 1 × FU 1 × × F
Un
Sin embargo, en el contexto de un sistema como el de la

Figura 3.1, no todos los elementos de FU son entradas posibles para
el bloque de razonamiento aproximado, ya que el bloque de
interpretación sólo genera conjuntos difusos asociados al contenido
semántico de las palabras de entrada que se pueden interpretar como
restricciones difusas de los valores que pueden tomar las variables
correspondientes. En otras palabras, las salidas del bloque de
interpretación son números difusos. Por esta razón, si denotamos por
NDUi el conjunto de todos los números difusos definidos sobre Ui
entonces el razonamiento aproximado RA es en realidad una
aplicación de NDU en FV:
RA : NDU → FV
NDU = NDU 1 × NDU 1 × × ND Un
NDUi ⊂ FUi
Al emplear sistemas basados en reglas difusas para efectuar el
razonamiento aproximado, el resultado de este no es, en general, un
número difuso, sino que es la agregación (usualmente el máximo) de
los conjuntos difusos convexos resultantes de cada una de las reglas.
Nuestra propuesta consiste en remplazar este sistema basado en
reglas por una Función de Razonamiento Aproximado que
denotaremos por FRA, que opere sobre números difusos y produzca
números difusos:
90
FRA : NDU → NDV
donde NDV es el conjunto de todos los números difusos definidos
sobre V. Aunque la salida producida por un sistema basado en reglas
difusas es diferente a la producida por una Función de Razonamiento
Aproximado, la aproximación lingüística que se efectúa con estas
salidas es muy similar, como se mostrará en el apartado 3.4.
Se propone que la Función de Razonamiento Aproximado
(FRA) sea la extensión a números difusos de una función crisp de
razonamiento aproximado que denotaremos por fra y que opere
sobre las variables de entrada, definidas en [0,1]:
fra : [0,1] → [0,1]
n
En estas condiciones, el problema de encontrar una función

fra adecuada es análogo al problema de construir una Base de Reglas
en las máquinas de inferencia basadas en reglas difusas.
Vale la pena anotar que como la extensión de fra a números
difusos se efectúa con los algoritmos presentados en el Capítulo 2,
nuestra propuesta sólo es aplicable a aquellos casos en los que fra es
estríctamente monótona creciente o decreciente en sus argumentos, o
a fra continuas de un único argumento, como las siguientes:
Opción 1:
fra es una suma ponderada (se han supuesto n entradas; xi es
la entrada número i, wi es el peso que está entre 0 y 1, y fi es un
parámetro que vale 0 ó 1):
n n
y = fra( x ) = ∑ f i wi x i + ∑ ( 1 − f i )wi ( 1 − xi )
i =1 i =1
Si la salida es monótonamente creciente respecto a la entrada

i entonces hacer fi=1, de lo contrario hacer fi=0. Los pesos wi se
deben fijar con los siguientes criterios:
• Los pesos mayores se deben asignar a aquellas variables de
entrada que se consideren más relevantes para la salida
91
n
• La suma de todos los pesos debe ser 1: ∑w
i =1
i =1
Opción 2:
En la opción 1 se supone que cada una de las variables de
entrada tiene una importancia diferente en el cálculo de la salida; esta
importancia se refleja en los coeficientes wi de la fra. También se
supone que estas importancias se reparten en la misma forma a lo
largo de todo el espacio de trabajo ([0,1]n). Cuando esta última
suposición no es correcta, puede emplearse una versión modificada
de la fra:
n n
y = fra( x ) = ∑ f i wi g i ( xi ) + ∑ ( 1 − f i )wi g i ( 1 − xi )
i =1 i =1
donde gi(xi) es una función de [0,1] en [0,1] monótonamente

creciente y tal que gi(0)=0, gi(1)=1 La función gi(xi)=(xi)r con r>1
sirve para subvalorar los valores bajos de xi, mientras que la misma
función con r<1 sobrevalora los valores bajos de xi.
Opción 3:
Otra forma genérica de la fra es la siguiente:
⎡ n
⎤
y = fra( x ) = 0.5⎢1 + ∑ ( −1 ) i wi xi ⎥
( f +1 )
⎣ i =1 ⎦
donde fi, wi tienen el mismo significado que en la opción 1; ambas
funciones (la opción 1 y la opción 3) son combinaciones lineales de
las entradas con los mismos coeficientes (hiperplanos con las mismas
pendientes): +wi si el término es creciente, y –wi si es decreciente;
sin embargo las dos funciones difieren en el desplazamiento del
hiperplano: si las entradas son cero, la fra inmediatamente anterior
vale 0.5, mientras que la del opción 1 vale la suma de los wi de los
términos decrecientes; por lo tanto las dos funciones coinciden si los
términos crecientes pesan tanto como los términos decrecientes, es
decir, si
∑w
crec
i = ∑w
decrec
i = 0.5
92
donde las dos sumatorias se han hecho sobre los términos crecientes
(fi=1) y decrecientes (fi=0) respectivamente.
Figura 3.2 Sistema de Computación con palabras basado en aritmética difusa
El sistema de computación con palabras que se propone se

visualiza en la Figura 3.2 y tiene las siguientes características:
• Los universos de discurso de las variables de entrada y de salida
corresponden al intervalo [0,1]. Esta restricción no afecta a la
generalidad del sistema, ya que si alguna variable debe definirse
sobre un intervalo diferente, mediante un cambio de escala previo
se puede llevar al intervalo [0,1].
• La FRA opera sobre números difusos, por esta razón el
razonamiento aproximado puede hacerse empleando para ello
entradas de diferentes tipos que se pueden representar como
números difusos: números crisp, intervalos, restricciones difusas,
palabras.
La
• Tabla 3.1 muestra cuáles son las entradas válidas del bloque de
Interpretación Lingüística, y sus correspondientes salidas, que a
su vez serán las entradas del bloque de razonamiento
aproximado.
• La consistencia entre el conjunto difuso resultante del
razonamiento aproximado y cada una de las etiquetas de la
variable de salida se interpreta como una medida de la
posibilidad de que el resultado del razonamiento aproximado
tenga el significado semántico de la etiqueta lingüística
93
correspondiente. este valor numérico se clasifica en los siguientes
intervalos:
- Si es mayor que 2/3 es “muy posiblemente”
- Si está entre 1/3 y 2/3 es “posiblemente”
- Si es menor que 1/3 es “poco posiblemente”
- Si es igual a cero no se califica la salida con la etiqueta
respectiva
• El bloque de Aproximación Lingüística recibe un número difuso
y, resultado del bloque de razonamiento aproximado, y puede
producir tres tipos de salidas diferentes, que se muestran en la
Tabla 3.2; el usuario decidirá qué tipo de salida se ajusta más a
sus necesidades.
Tabla 3.1 Bloque de Interpretación Lingüística
Entrada Interpretación
Número crisp z El número difuso trapezoidal T(z,z,z,z).
Intervalo [z1,z2] El número difuso trapezoidal
T(z1,z1,z2,z2).
Números difusos Z El mismo número difuso Z
Palabras (tomadas del conjunto de El número difuso asociado a la etiqueta
etiquetas de la variable lingüística). correspondiente
Palabras precedidas por el modificador Si la etiqueta correspondiente tiene
A LO SUMO asociado el número difuso trapezoidal
T(a,b,c,d) entonces se asigna el número
difuso trapezoidal T(0,0,c,d).
Palabras precedidas por el modificador Si la etiqueta correspondiente tiene
POR LO MENOS. asociado el número difuso trapezoidal
T(a,b,c,d) entonces se asigna el número
difuso trapezoidal T(a,b,1,1)
La palabra NADA El número difuso trapezoidal T(0,0,0,0)
La palabra CUALQUIER COSA. El número difuso trapezoidal T(0,0,1,1).
94
Tabla 3.2 Posible salidas del bloque de aproximación lingüística
La etiqueta de la variable lingüística cuya consistencia con y es máxima.

Un conjunto de frases de la forma “Y es POS (cons) ET”, donde cons es la
consistencia de y con la etiqueta ET, y POS puede ser “poco posiblemente”,
“posiblemente” o “muy posiblemente”, para cons menor que 1/3, entre 1/3 y 2/3, o
mayor que 2/3 respectivamente. Ejemplo:
“La Salida es :
muy posiblemente (0.8) Baja y
posiblemente (0.45) Media”
El número difuso y, de forma tal que la salida del sistema pueda ser la entrada de
otro.
Además, es posible emplear la Extensión Necesaria para

efectuar Razonamiento Inverso, es decir, para deducir cuál debe ser
el valor de una cierta entrada del sistema, cuando se conocen la
salida y las otras entradas. Para ello se propone un sistema como el
de la Figura 3.3
Figura 3.3 Razonamiento inverso en un sistema de computación con palabras
Las entradas a este sistema son el conjunto de variables de entrada conocidas, y la

variable y que anteriormente era de salida. Estas entradas pasan por unos bloques
de interpretación ligüística como el que se propone en la Tabla 3.1. El
razonamiento inverso se efectúa mediante la extensión necesaria de la función
inversa de fra para la variable k desconocida. Las salidas del sistema son dos: la
95
variable de entrada deseada, y el valor de la salida y que se obtiene (el algoritmo
de extensión necesaria puede modificar el valor de y); estas salidas pasan por unos
bloques de aproximación lingüística, como los que se proponen en la
Tabla 3.2.
3.3 Construcción de sistemas de computaci ón con

palabras basados en aritmética difusa
Una de las principales dificultades para construir un sistema
de computación con palabras radica en la escasa información
numérica disponible, ya que el conocimiento previo suele ser de tipo
lingüístico; en efecto, según la propuesta original de Zadeh,([118]) la
computación con palabras es indispensable: “cuando la información
disponible es demasiado imprecisa para justificar el uso de números.
Y cuando hay una tolerancia a la imprecisión que puede ser
explotada para adquirir manejabilidad, robustez, soluciones de bajo
costo y una mejor relación con la realidad.”.
Por esta razón, esbozamos aquí una metodología general para
construir sistemas de computación con palabras, que podrá ser
mejorada en aquellos casos en los que se disponga de información
numérica. Para aplicar esta metodología se supone que se dispone de
la siguiente información:
• Se han identificado las variables de entrada y la variable de salida
del sistema.
• Se sabe que la salida varía monótonamente con las entradas, y se
conoce el sentido de la monotonía; en otras palabras, se conoce
cuál va a ser el sentido del cambio (incremento o decremento)
que sufrirá la salida al ser incrementada cada una de las variables
de entrada.
En estas condiciones, el sistema de computación con palabras
puede construirse siguiendo los pasos contemplados en la Tabla 3.3.
96
Tabla 3.3 Metodología de construcción de sistemas de computación con palabras
1. Definir las variables lingüísticas asociadas a cada una de las

variables de entrada y a la variable de salida; para ello es
necesario:
1.1. Definir un conjunto de etiquetas que cualifiquen la variable; las
etiquetas se ordenarán en forma creciente respecto a su
significado numérico; por ejemplo,: [BAJO, MEDIO, ALTO] o
[MUY BAJO, BAJO, MEDIO, ALTO, MUY ALTO]
1.2. Asociar a cada etiqueta un conjunto difuso sobre el universo de
discurso [0,1] cuya función de pertenencia represente una
restricción difusa de los valores que puede tomar la variable
cuando se califica con la etiqueta respectiva. Las funciones de
pertenencia se pueden construir siguiendo estas
recomendaciones:
1.2.1. Cada conjunto difuso debe ser un número difuso, que pede
ser trapezoidal.
1.2.2. La consistencia entre dos conjuntos difusos asociados a
etiquetas adyacentes debe ser 0.5; la consistencia entre dos
conjuntos difusos no adyacentes debe ser 0.
1.2.3. Los conjuntos difusos deben formar una partición difusa del
universo de discurso, es decir que para cualquier valor de la
variable la suma de sus grados de pertenecia a las diferentes
etiquetas debe ser uno, y toda etiqueta debe tener al menos un
valor para el cual su grado de pertenecia sea mayor que cero.
1.2.4. Los número difusos trapezoidales pueden definirse como
sigue:
CDi = T (ai , bi , c i , d i ) i = 1,2, , p
⎧ 0 i =1 ⎧ 0 i =1
ai = ⎨ bi = ⎨
⎩(2i − 3)Δ i ≠ 1 ⎩(2i − 2)Δ i ≠ 1
97
⎧(2i − 1)Δ i ≠ p ⎧(2i )Δ i ≠ p
ci = ⎨ di = ⎨
⎩ 1 i= p ⎩ 1 i= p
Δ = 1 /( 2 p − 1)
donde p es el número de etiquetas (p>1), CDi es el conjunto
difuso asociado a la etiqueta número i. La Figura 3.4
muestra los conjuntos difusos que resultan para p=3.
2. Diseñar el bloque de interpretación.
2.1. Se propone un bloque de interpretación como el que se resume
en la Tabla 3.1.
3. Diseñar la función crisp de razonamiento aproximado fra.
Pueden emplearse las opciones descritas en 3.2
4. Diseñar el bloque de aproximación lingüística.
4.1. Se propone emplear el criterio de la consistencia entre el número
difuso resultante del razonamiento aproximado, y cada una de
las etiquetas de la variable lingüística de salida, y que se resume
en la Tabla 3.2.
Figura 3.4 Variable lingüística con tres etiquetas
La partición que se efectúa en el paso 1.2.4 distribuye las

etiquetas uniformemente en el universo de discurso [0,1]. si una
etiqueta debe cubrir una zona más grande del espacio que las demás,
es necesario modificar esta partición.
3.3.1 Comentarios
Al comparar la estructura de los sistemas basados en
aritmética difusa con la de los basados en lógica difusa, parece
evidente que la principal ventaja de los segundos es que mediante
98
reglas del tipo Si-Entonces se tiene una forma lingüística de
representar la relación existentes entre las entradas y la salida,
haciendo que esta representación sea fácilmente interpretable. Los
sistemas basados en aritmética difusa no tienen reglas Si-Entonces, y
en su lugar emplean una función crisp fra para relacionar las entradas
con las salidas.
Esta aparente desventaja se desvanece cuando el número de
entradas es muy elevado. En esta situación, el antecedente de las
reglas (La parte “Si”) puede tener muchas proposiciones atómicas;
además, el número máximo de reglas crece en forma exponencial con
el número de entradas, con lo que la Base de Reglas puede llegar a
ser de un gran tamaño. Estas dos circunstancias hacen que la base de
Reglas pueda dejar de ser fácilmente interpretable, y además
conllevan un elevado costo computacional.
3.4 Ejemplos comparativos

A continuación se presentará una comparación entre las dos
estrategias de computación con palabras presentadas en 3.1 y en 3.2
La comparación consitirá en diseñar dos sistemas similares, uno
basado en lógica difusa (inferencia tradicional tipo Mamdani) y otro
basado en aritmética difusa, alimentarlos con las mismas entradas, y
comparar las salidas, esto es, comparar los grados de consistencia
entre el conjunto difuso de salida, y cada una de las etiquetas de la
variable lingüística de salida. Se utilizarán dos tipos de entradas:
Palabras tomadas del conjunto de etiquetas de las variables
lingüñisticas de entrada
Números crisp representados por conjuntos difusos singleton
centrados en el valor del número crisp.
En todos los casos se han definido variables lingüísticas
como las de la Figura 3.4, y las etiquetas seleccionadas son BAJO,
MEDIO y ALTO. Por simplicidad, se han diseñado sistemas con un
número bajo de entradas (1 ó 2).
Ejemplo 3.1 : Computación con palabras. Caso 1
99
Se desea diseñar un sistema de computación con palabras de
una entrada, en el que la salida varíe en forma monótonamente
creciente con la entrada.
Si el sistema se diseña basado en lógica difusa, la Base de
Reglas correspondiente podría ser la mostrada en la Tabla 3.4. Si se
diseña basado en aritmética difusa siguiendo las recomendaciones
del apartado 3.3, entonces la fra es
fra : y = x1
Tabla 3.4 Base de Reglas del Ejemplo 3.1Ejemplo 3.1
Regla 1 IF x1 es BAJO THEN y es BAJO
Regla 2 IF x1 es MEDIO THEN y es MEDIO
Regla 3 IF x1 es ALTO THEN y es ALTO
Si se emplean como entradas las palabras BAJO, MEDIO, y
ALTO, entonces la salida del sistema basado en lógica difusa se
resume en la Tabla 3.7, y la del sistema basado en aritmética difusa
en la Tabla 3.9. Los valores numéricos de esas tablas representan la
consistencia entre el conjunto difuso producido por el bloque de
razonamiento aproximado, y cada una de las etiquetas de la variable
lingüística de salida. Como se puede observar, los resultados son
idénticos.
Tabla 3.5 Salida del Ejemplo 3.1 con Lógica Difusa cuando la entrada son palabras
Entradas Salidas
BAJO MEDIO ALTO
BAJO 1.0 0.5 0.0
MEDIO 0.5 1.0 0.5
ALTO 0.0 0.5 1.0
Tabla 3.6 Salida del Ejemplo 3.1Ejemplo 3.1 con Aritmética Difusa cuando la
entrada son palabras
Entradas Salidas
BAJO MEDIO ALTO
100
BAJO 1.0 0.5 0.0
MEDIO 0.5 1.0 0.5
ALTO 0.0 0.5 1.0
Si se emplean como entradas números crisp, entonces la
salida del sistema basado en lógica difusa se puede graficar como en
la Figura 3.5, y la del sistema basado en aritmética difusa en la
Figura 3.6. Se ha representado por las letras B,M,A las etiquetas
BAJO, MEDIO, ALTO respectivamente, de tal manera que cons(B,y)
es la consistencia entre la etiqueta BAJO y la salida y del bloque de
razonamiento aproximado. Las salidas no son iguales, aunque si son
semejantes lo que demuestra que la forma en que se propaga la
incertidumbre en ambos casos es diferente. Analizando las gráficas
se observa que una entrada de 0.3 ó 0.7 produce en el sistema basado
en lógica difusa una salida que es consistente en 0.5 con todas las
etiqueta de salida, mientras que el sistema basado en aritmética
difusa logra determinar mejor la salida.
Figura 3.5 Salida del Ejemplo 3.1 con Lógica Difusa cuando la entrada es un
número crisp
101
Figura 3.6 Salida del Ejemplo 3.1 con Aritmética Difusa cuando la entrada es un
número crisp
Ejemplo 3.2 : Computación con palabras. Caso 2

Se desea diseñar un sistema de computación con palabras de
dos entradas, en el que la salida varíe en forma monótonamente
creciente con la primera entrada y en forma monótonamente
decreciente con la segunda.
Si el sistema se diseña basado en lógica difusa, la Base de
Reglas correspondiente sería la mostrada en la Tabla 3.7; cada una de
las 9 reglas que forman la base de reglas es de la forma
IF x1 es Ex1i AND x2 es Ex2i THEN y es Eyi
donde Ex1i es una de las etiquetas de x1, Ex2i es una de las etiquetas de
x2, y Eyi es una de las etiquetas de y.
Si se diseña basado en aritmética difusa siguiendo las
recomendaciones del apartado 3.3, entonces la fra es
fra : y = 0.5(1 + x1 − x 2 )
Tabla 3.7 Base de reglas del Ejemplo 3.2
102
Etiquetas de x1
Etiquetas de x2 BAJO MEDIO ALTO
BAJO MEDIO ALTO ALTO
MEDIO BAJO MEDIO ALTO
ALTO BAJO BAJO MEDIO
Si se emplean como entradas las palabras BAJO, MEDIO, y

ALTO, entonces la salida del sistema basado en lógica difusa se
resume en la Tabla 3.8, y la del sistema basado en aritmética difusa
en la Tabla 3.9. En cada celda se ha consignado la consistencia entre
el conjunto difuso producido por el bloque de razonamiento
aproximado, y cada una de las etiquetas de la variable lingüística de
salida; el primer número corresponde a la etiqueta de salida BAJO, el
segundo a MEDIO y el tercero a ALTO.
103
Tabla 3.8 Salida del Ejemplo 3.2 con Lógica Difusa cuando la entrada son palabras
x1
x2 BAJO MEDIO ALTO
BAJO 0.5 / 1.0 / 0.5 0.5 / 0.5 / 1.0 0.0 / 0.5 /1.0
MEDIO 1.0 / 0.5 / 0.5 0.5 / 1.0 / 0.5 0.5 / 0.5 /1.0
ALTO 1.0 / 0.5 / 0.0 1.0 / 0.5 / 0.5 0.5 / 1.0 / 0.5
Tabla 3.9 Salida del Ejemplo 3.2 con Aritmética Difusa cuando la entrada son
palabras
x1
x2 BAJO MEDIO ALTO
BAJO 0.25 / 1.0 / 0.25 0.0 / 1.0 / 1.0 0.0 / 0.5 /1.0
MEDIO 1.0 / 1.0 / 0.0 0.5 / 1.0 / 0.5 0.0 / 1.0 /1.0
ALTO 1.0 / 0.5 / 0.0 1.0 / 1.0 / 0.0 0.25 / 1.0 / 0.25
Si se emplean como entradas números crisp, entonces la
salida del sistema basado en lógica difusa se puede graficar como en
la Figura 3.7, en la Figura 3.8 y en la Figura 3.9; la del sistema
basado en aritmética difusa en la Figura 3.10, en la Figura 3.11 y en
la Figura 3.12. Se ha empleado la misma nomenclatura que en el
Ejemplo 3.1. Nuevamente las salidas no son iguales, aunque si
semejantes, y el sistema basado en aritmética difusa tiene un
comportamiento más adecuado, ya que las gráficas resultantes son
convexas, lo que era de esperar dado el carácter monótono de la
relación entre las entradas y las salidas.
104
Figura 3.7 consistencia con la etiqueta BAJO. Sistema basado en lógica difusa del
Ejemplo 3.2
Figura 3.8 consistencia con la etiqueta MEDIO. Sistema basado en lógica difusa
del Ejemplo 3.2
105
Figura 3.9 consistencia con la etiqueta ALTO. Sistema basado en lógica difusa del
Ejemplo 3.2
Figura 3.10 consistencia con la etiqueta BAJO. Sistema basado en aritmética difusa
del Ejemplo 3.2
106
Figura 3.11 consistencia con la etiqueta MEDIO. Sistema basado en aritmética
difusa del Ejemplo 3.2
Figura 3.12 consistencia con la etiqueta ALTO. Sistema basado en aritmética difusa
del Ejemplo 3.2
107
108
4 UN MODELO DIFUSO PARA L A
EVALUACIÓN DE IMPACTO
AMBIENTAL
En el apartado 1.6 se ha mostrado la conveniencia de

incorporar Técnicas Difusas en los Estudios de Impacto Ambiental,
argumentando para ello, principalmente, que la mayoría de las
variables involucradas están definidas de forma vaga, y que los
valores asociados a éstas incluyen una incertidumbre, debido a que se
trata de predicciones sobre los valores que podrán tomar.
El resultado de esa incorporación es una nueva Metodología
Difusa para los Estudios de Impacto Ambiental, que se presenta en
este capítulo. Para obtener esta metodología ha sido necesario
desarrollar algunas herramientas teóricas, que han sido presentadas
en los Capítulos 0 y 3.
La metodología difusa se ha basado en la metodología crisp
mostrada en el apartado 1.2, y por tanto puede considerarse como
una extensión de ésta. Sin embargo, la extensión se ha concebido en
forma tal, que realmente cubre otras metodologías crisp similares, lo
que se destaca en distintos puntos, a lo largo de este capítulo.
Al igual que en la metodología crisp, en la metodología
difusa se distinguen dos fases, pero mientras en la primera se
denominan Valoración Cualitativa y Cuantitativa, en la segunda se
han denominado Valoración Aproximada (o de granularidad gruesa)
y Detallada (o de granularidad fina). El cambio responde a las
observaciones del apartado 1.5, según las cuales ambas fases tienen
109
componentes cualitativos y cuantitativos, con lo que las
denominaciones originales no son del todo acertadas.
Una de las novedades de la metodología difusa es que incluye
una estrategia que permite caracterizar las medidas correctoras a
tomar para que el impacto ambiental no sea excesivo. La
caracterización se hace en términos de la Valoración Aproximada, es
decir, se calcula la Importancia de las medidas correctoras que deben
tomarse.
La organización de este capítulo es como sigue: La
Valoración Aproximada se presenta en el apartado 4.1, y la
Valoración Detallada en el apartado 4.2, mientras que el apartado 4.3
se dedica al cálculo de las medidas correctoras.
Se ha desarrollado un software para la utilización de la
metodología difusa; éste, y un ejemplo de un caso real, serán
presentados en el Capítulo 5.
4.1 Valoración difusa aproximada

Tal como se indica en los párrafos anteriores, la etapa de
Valoración Aproximada es la extensión de la etapa de valoración
cualitativa de la metodología crisp, y por tanto, los pasos a seguir en
esta etapa son semejantes:
Describir el medioambiente como un conjunto de factores
medioambiantales.
Describir la actividad que se evalúa como un conjunto de
acciones.
Identificar los impactos que cada acción tiene sobre cada
factor medioambiental.
Caracterizar cada impacto mediante la estimación de la
Importancia de cada uno de ellos.
Analizar la importancia global de la actividad sobre el
medio, utilizando para ello las importancias individuales
de cada impacto.
110
Las novedades de la metodología difusa respecto de la crisp
se relacionan a continuación.
4.1.1 Identificación de Factores Ambientales

Para la representación del entorno medioambiental se
propone una estructura jerárquica semejante a la mostrada en la
Figura 1.2. sin embargo, y debido a que no todos los autores
coinciden respecto al número de niveles que debe tener el árbol, se
propone que sea el usuario de la metodología quien defina cuántos
niveles debe tener el árbol, y el nombre asociado a cada nivel, tal
como se visualiza en la Figura 4.1. De esta manera, la metodología
difusa abarca otras metodologías crisp diferentes a la del apartado
1.2.
Figura 4.1 Árbol de factores en la metodología difusa
Como mínimo, el árbol deberá tener dos niveles: el nivel

superior, correspondiente al nodo raiz (el Entorno Medioambiental),
y el nivel inferior correspondiente a los nodos hojas (los Factores
Ambientales). Un ejemplo de árbol de factores es el empleado en la
metodología crisp con cinco niveles:
Entorno medioambiental
Sistemas ambientales
Subsistemas ambientales
111
Componentes ambientales
Factores ambientales
Al igual que en la metodología crisp, a cada factor se le debe
asignar una medida de su importancia relativa al entorno, medida en
Unidades de Importancia (UIP), y la suma de todas las UIP debe ser
1000. Sin embargo, para facilitar la tarea de asignación de estos
pesos, se sugiere iniciar el proceso por el nodo superior del árbol,
asignando 1000 UIP al entorno, y luego definir los pesos de los
nodos inferiores como un porcentaje del peso del nodo
inmediatamente superior.
4.1.2 Identificación de Acciones del Proyecto

Los cambios respecto a la metodología crisp en este punto
son similares a los de la Identificación de factores: Se propone
representar las acciones mediante un árbol jerárquico cuyo número
de niveles los define el usuario.
Como mínimo, el árbol deberá tener dos niveles: el nivel
superior, correspondiente al nodo raiz (el Actuación sobre el
entorno), y el nivel inferior correspondiente a los nodos hojas (los
Acciones). Un ejemplo de árbol de acciones es el empleado en la
metodología crisp con cuatroo niveles:
Actuación sobre el entorno
Situaciones
Actividades
Acciones
4.1.3 Determinación de la Importancia Difusa de los Impactos
Para calcular la Importancia Difusa de cada uno de los
impactos se propone la utilización de un Sistema de Computación
con Palabras basado en aritmética difusa, como el presentado en el
apartado 3.2. Cada impacto puede ser calculado con un sistema
diferente, de esta forma cada grupo de expertos podrá emplear las
112
variables que considere necesarias y definirlas de forma
independiente a los demás grupos.
Se ha propuesto emplear sistemas basados en aritmética
difusa, y no en lógica difusa, debido a la gran cantidad de variables
de entrada; en efecto, si se empleasen las mismas variables y
etiquetas que en la metodología crisp, resumidas en la Tabla 1.3, la
Base de Reglas podría contener hasta 129.600 reglas, y por lo tanto
el costo computacional sería inaceptable.
Los sistemas para el cálculo de la importancia de los
impactos tendrán en común las siguientes características:
Cada variable de entrada podrá definirse sobre un
intervalo cualquiera de la recta real [a ,b ]. i i
Internamente, el sistema efectuará un cambio de escala de

los valores de entrada del intarvalo [ai,bi] al intervalo
[0,1].
La variable de salida del sistema será la Importancia del
Impacto, y estará representada sobre el universo de
discurso [0,1].
Las variables lingüísticas de las entradas y de la salida
deberán ser definidas por el usuario, atendiendo a las
recomendaciones del apartado 3.3.
La Naturaleza del impacto (si es Beneficioso o
perjudicial) no será una de las variables de entrada, ya que
ésta se empleará en el Análisis Aproximado Global.
La función de razonamiento aproximado del sistema será:
n n
fra : y = ∑ f i wi g i ( xi ) + ∑ (1 − f i ) wi g i (1 − xi )
i =1 i =1
donde las variables involucradas tienen el mismo

significado que en apartado 3.3.1, y además la función
g(xi) es la siguiente:
g ( xi ) = (xi ) i
θ
113
con θi un exponente seleccionado por el usuario, y que
representa qué tan rápido crece la importancia de un
efecto cuando crece la variable i. De acuerdo a los
valores consignados en la Tabla 1.3 se emplea θi=2 como
valor por defecto
El valor del peso w para cada variable de entrada en la
i
función de razonamiento aproximado será determinado
por el usuario, atendiendo a las recomendaciones del
apartado 3.3.
4.1.3.1 Un caso particular

Con sistemas como éstos se pueden extender distintos tipos
de metodologías crisp. A manera de ejemplo se muestra a
continuación un sistema que extiende la metodología mostrada en el
apartado 1.2: La Tabla 4.1 resume las variables empleadas (la última
línea es la variable de salida), indicando su nombre, el intervalo
[ai,bi] sobre el que están definidas, el peso wi que tienen en la
función de razonamiento aproximado, las etiquetas de su variable
lingüística respectiva, y el conjunto difuso asociado a cada etiqueta,
representado como un número trapezoidal.
Para todas las variables de entrada se ha adoptado θi=2. La
Importancia tiene una relación creciente con todas las variables de
entrada, salvo con el Momento, y, quizás, con la Sinergía (ver notas a
pie de página). Los conjuntos difusos asociados a cada etiqueta se
han definido siguiendo el procedimiento sugerido en el apartado 3.3,
salvo para las variables medidas en meses, debido a que el contenido
semántico de las etiquetas (Corto plazo, Medio plazo y Largo plazo,
por ejemplo) permite definir otro tipo de conjuntos.
Vale la pena destacar que respecto a las variables de la
metodología crisp, resumidas en la Tabla 1.3, se han incorporado dos
nuevas variables: Extensión Crítica y Momento Crítico. Estas
variables realmente estaban incluidas de forma implícita en la
metodología crisp, ya que a los valores de la Extensión y del
Momento se les debía agregar una cantidad, en caso de que fuesen
114
críticas. En la extensión que se ha hecho de esa metodología se ha
decidido presentarlas explícitamente, como dos nuevas variables.
Tabla 4.1 Variables lingüísticas para el cálculo de la importancia de un efecto
Variable Rango Peso Etiquetas Número difuso

T(a,b,c,d)
Intensidad [0,1] 3/15 Baja (0.0,0.0,0.11,0.22)
Media (0.11,0.22,0.33,0.44)
Alta (0.33,0.44,0.55,0.66)
Muy Alta (0.55,0.66,0.77,0.88)
Total (0.77,0.77,1.0,1.0)
Extensión10 [0,100] 2/15 Puntual (0.0,0.0,0.14,0.29)
(%)
Parcial (0.14,0.29,0.43,0.57)
Extenso (0.43,0.57,0.71,0.86)
Total (0.71,0.86,1.0,1.0)
Extensión [0,1] 1/15 Poco crítica (0.0,0.0,0.2,0.4)
Crítica
Crítica (0.2,0.4,0.6,0.8)
Muy crítica (0.6,0.8,1.0,1.0)
Momento11 [0,180] 1/15 Inmediato (0,0,9,15)
(meses) Medio Plazo (9,15,108,144)
Largo Plazo (108,144,180,180)
Momento [0,1] 1/15 Poco crítica (0.0,0.0,0.2,0.4)
Crítico
Crítica (0.2,0.4,0.6,0.8)
Muy crítica (0.6,0.8,1.0,1.0)
10
Esta variable se mide como porcentaje del area afectada, pero también
puede medirse directamente en unidades de área (Hectáreas, por ejemplo)
11
La Importancia depende del Momento en forma decreciente, ya que un
efecto es más importante si ocurre inmediatamente, y es menos importante si
ocurre a largo plazo.
115
Persistencia [0,180] 1/15 Fugaz (0,0,9,15)
(meses) Temporal (9,15,108,144)
Permanente (108,144,180,180)
Reversibilidad [0,180] 1/15 Corto Plazo (0,0,9,15)
Largo Plazo (108,144,180,180)
Sinergía12 [0,1] 1/15 Poco sinérgico (0.0,0.0,0.2,0.4)
Sinérgico (0.2,0.4,0.6,0.8)
Muy sinérgico (0.6,0.8,1.0,1.0)
Acumulación [0,1] 1/15 Poco acumulativo (0.0,0.0,0.2,0.4)
Acumulativo (0.2,0.4,0.6,0.8)
Muy Acumulativo (0.6,0.8,1.0,1.0)
Efecto [0,1] 1/15 Indirecto (0.0,0.0,0.33,0.66)
Directo (0.33,0.66,1.0,1.0)
Periodicidad [0,1] 1/15 Irregular (0.0,0.0,0.2,0.4)
Periódico (0.2,0.4,0.6,0.8)
Contínuo (0.6,0.8,1.0,1.0)
Recuperabilidad [0,1] 1/15 Inmediatamente (0.0,0.0,0.14,0.29)
A medio plazo (0.14,0.29,0.43,0.57)
Mitigable (0.43,0.57,0.71,0.86)
Irrecuperable (0.71,0.86,1.0,1.0)
Importancia [0,1] - Irrelevante (0.0,0.0,0.14,0.29)
Moderada (0.14,0.29,0.43,0.57)
Severa (0.43,0.57,0.71,0.86)
Crítica (0.71,.86,1.0,1.0)
12
Aunque la Importancia depende de la Sinergía en forma creciente, si el
efecto presenta debilitamiento, la dependencia será decreciente.
116
4.1.4 Análisis aproximado difuso global
Una vez se ha determinado la Importancia Difusa de cada uno
de los impactos, se procede al Análisis aproximado global. En esta
etapa se calculan algunos Indices difusos, que serán empleados por el
evaluador para determinar si el proyecto es compatible o no con el
medio ambiente.
Para ello, denotaremos por IMP a un vector que contiene q
Importancias Difusas:
[
IMP = # I1 # I2 # Iq ]
Cada una de las importancias difusas #Ik corresponde al
impacto de una cierta acción Ak sobre un cierto factor Fk ; Fk tiene un
peso Pk (un número entre 0 y 1 que mide la importancia del factor
respecto al entorno). Este vector puede estar formado por todas las
Importancias Difusas del proyecto, por los impactos recibidos por un
factor Fi, o por los impactos producidos por una acción Aj. Vectores
similares pueden formarse para cada uno de los niveles de los árboles
con los que se representan los factores y las acciones (por ejemplo
con los componentes ambientales, subsistemas ambientales, sistemas
ambientales, entorno, actividades, situaciones).
Los Indices difusos que se proponen se calculan con sistemas
de computación con palabras basados en aritmética difusa, que tienen
las siguientes características:
Las entradas al sistema representan Importancias difusas,
y la salida es un Indicador difuso; se sugiere asociar a la
salida una variable lingüística con siete etiquetas:
Extremadamente Perjudicial, Muy Perjudicial,
Perjudicial, Irrelevante, Beneficioso, Muy Beneficioso y
Extremadamenrte Beneficioso.
El número de entradas, q, no es fijo, sino que el sistema se
adecúa para cada valor de q.
Operan sobre un vector IMP de q Importancias difusas.
Es posible que para algunos impactos no se haya podido
calcular su importancia difusa con el procedimiento del
117
apartado 4.1.3. En estos casos la importancia difusa se
caracterizará por: un número crisp, un intervalo, una
restricción difusa o una palabra (que puede ser
CUALQUIER COSA).
La salida tiene una relación creciente con todas las
entradas.
Aunque las Importancias difusas han sido obtenidas sobre
el intervalo [0,1], las variables lingüísticas asociadas a las
entradas están definidas sobre el intervalo [-1,1]; esta
aparente incongruencia se debe a que cada entrada recibe
un preprocesamiento en donde interviene la variable
Naturaleza del impacto, según se explica a continuación:
Sea [Li(α),Ri(α)] un α-corte genérico de la entrada
número i; la Tabla 4.2 muestra cómo se modifica ese α-
corte se acuerdo con los valores que puede tomar la
Naturaleza del Impacto. El valor –1 se asocia a un
impacto perjudicial muy importante, mientras que el valor
+1 se asocia a un impacto beneficioso muy importante, y
0 a un impacto de importancia nula.
Los indicadores difusos propuestos difieren en la fra con
que se calculan, y en el intervalo sobre el que están
definidos, tal como se muestra en la Tabla 4.3.
Tabla 4.2 Preprocesamiento de las importancias difusas para el cálculo de los

indicadores, según la naturaleza del impacto
Naturaleza del impacto α-corte

Beneficioso [Li(α),Ri(α)]
Perjudicial [-Ri(α),-Li(α)]
Indeterminado [-Ri(α),Ri(α)]
118
Tabla 4.3 Indices difusos para el análisis aproximado global
Indicador fra Intervalo

Importancia media 1 q [-1,1]
fra : y = ∑ xi
q i =1
Importancia relativa q [-a,a]
al entorno fra : y = ∑ Pi x i
i =1
Importancia absoluta q [-b,b]

fra : y = ∑ xi
i =1
Importancia media q [-1,1]

ponderada ∑Px
i =1
i i
fra : y = q
∑P
i =1
i
Importancia máxima fra : y = max {xi } [-1,1]

i =1,,q
(optimista)
Importancia mínima fra : y = min {xi } [-1,1]
(pesimista)
i =1, ,q
4.2 Valoración Difusa Detallada

La Valoración Detallada es el equivalente a la etapa de
valoración cuantitativa de la metodología crisp; en esta etapa se
busca determinar el Valor del Impacto Total mediante un
procedimiento que consta de los siguientes pasos:
Para cada factor F , los expertos determinan su estado sin
i
el proyecto, y lo reflejan en las unidades propias del
factor. Esta variable se denomina Magnitud del factor Fi
sin el proyecto, o simplemente Msin-i y podrá ser
expresado como un número crisp, un intervalo, un
número difuso, o con palabras.
119
Para cada impacto de una acción A sobre un factor F , los
j i
expertos determinan cómo se afecta el factor impactado
Fi, y lo reflejan en las unidades propias del factor. Esta
variable se denomina Magnitud del impacto de la acción
Aj sobre el factor Fi, o simplemente Mij y podrá ser
expresado como un número crisp, un intervalo, un
número difuso, o con palabras.
Para cada factor F , se obtiene la Magnitud Total del
i
Factor Fi con el proyecto o simplemente Mcon-i, mediante
un sistema de computación con palabras (explicado en el
apartado 4.2.1) cuyas entradas son el conjunto de todos
las magnitudes Mij correspondientes a ese factor.
Para cada factor F , se obtiene la Calidad Ambiental del
i
Factor Fi con el proyecto, CAcon-i, y la Calidad Ambiental
del Factor Fi sin el proyecto, CAsin-i, mediante un mismo
sistema de computación con palabras (explicado en el
apartado 4.2.2) cuyas entradas son Mcon-i y Msin-i
respectivamente.
Para cada factor F , se obtiene la Calidad Ambiental Neta
i
del Factor Fi, CAneta-i,mediante un sistema de
computación con palabras (explicado en el apartado 4.2.3)
cuyas entradas son CAcon-i y CAsin-i.
Para cada factor F , se obtiene el Valor del Impacto
i
ambiental sobre el Factor Fi, Vi, mediante un sistema de
computación con palabras (explicado en el apartado 4.2.4)
cuya entrada es CAneta-i.
Se obtiene el Valor del Impacto Ambiental Total sobre el
Entorno, IAT, mediante un sistema de computación con
palabras (explicado en el apartado 4.2.5) cuyas entradas
son el conjunto de todos los Vi.
De acuerdo con lo anterior, en la valoración difusa detallada
se emplean los siguientes sistemas de computación con palabras:
120
4.2.1 Agregación por factor
Las magnitudes de los impactos recibidos por un mismo
factor se agregan mediante un sistema basado en aritmética difusa.
La fra de este sistema será de la forma.
M i = Ag i (M i1 , , M , , M
ij )
ir i
donde Mi, Agi y Mij se definene como en la metodología crisp (ver

apartado 1.2.2.2). El usuario debe definir las variables lingüísticas
sobre unos intervalos convenientes, que dependerán del factor
analizado, y del indicador ambiental empleado.
Se sugiere una familia de funciones de agregación, que se
resumen en la Tabla 4.4. Estas funciones son las mismas que se
emplean en la metodología crisp, según se explica en el apartado
1.2.2.2.
Tabla 4.4 Familia de funciones para la Agregación de Magnitudes por factor
Agregación M i = Ag i (M i1 , , M , , M
ij )
ir i
Sin Sinergía m
M i = ∑ M ij
j =1
m
Sinergía lineal
M i = ∑ [1 + S (m − 1)]M ij
j =1
Sinergía potencial r
M i = K r −1 ∑ M ij
j =1
Logarítmica ⎛ m ⎛ M ij ⎞ ⎞
M i = 10 log 10 ⎜ ∑ (10 )⎜⎝ 10 ⎟⎠ ⎟
⎝ i =1 ⎠
4.2.2 Calidad ambiental por factor

La Calidad Ambiental de un factor se calcula mediante un
sistema de computación con palabras de una entrada, la Magnitud, y
121
una salida, la Calidad Ambiental, que se define sobre el universo de
discurso [0,1]. La fra empleada es la Función de Transformación del
factor, que en general es de uno de los tipos presentados en la Tabla
1.4. Estas funciones no necesariamente son monótonas, por lo que no
podrá efectuarse razonamiento inverso.
4.2.3 Calidad ambiental neta por factor

La Calidad Ambiental Neta de un factor se calcula mediante
un sistema de dos entradas, la Calidad Ambiental Con el Proyecto y
la Calidad Ambiental Sin el Proyecto. Ambas entradas están
definidas sobre el intervalo [0,1], mientras que la salida lo está sobre
el intervalo [-1,1], ya que la fra empleada es la resta de las dos
entradas:
Se sugiere que la salida tenga una variable lingüística con
cinco etiquetas: Empeora Mucho, Empeora, No Cambia, Mejora y
Mejora Mucho.
4.2.4 Valor del impacto por factor

El Valor del Impacto ambiental es una medida que pretende
incorporar en el análisis detallado la información obtenida en el
análisis aproximado. Por esta razón, se propone un sistema de
computación con palabras de dos entradas: La Importancia Media y
la Calidad Ambiental Neta de cada factor. Tanto las entradas como la
salida se definen sobre el intervalo [-1,1]. Se sugiere emplear una
variable lingüística a la salida con cinco etiquetas: Muy Malo, Malo,
Regular, Bueno y Muy Bueno.
La fra empleada en este sistema es muy similar a la de la
metodología crisp:
Vi = β(ai ) + (1 − β )(bi )
ai = ( I Med −i )
φ
sig ( ai ) = sig ( I Med −i )
bi = (CAneta−i )
ϕ
sig ( bi ) = sig ( CAneta −i )
122
donde β,φ, ϕ son parámetros que selecciona el usuario; se sugiere
emplear β=0.5 φ=1, ϕ=1. Por otra parte, |.| y sig(.) son los
operadores de valor absoluto y signo respectivamente. Imed-i es la
importancia média del conjunto de efectos involucrados en el
cálculo, y CAneta-i su Calidad Neta.
El efecto que tienen los valores de β,φ,ϕ sobre la función
empleada para calcular el valor del Impacto Ambiental se explica a
continuación: La Figura 4.2 muestra la función con los valores
sugeridos β=0.5 φ=1, ϕ=1, que corresponde a una combinación
lineal de las entradas (un plano). Si uno de los exponentes φ,ϕ es
mayor que uno, los valores cercanos a cero de la entrada
correspondiente se atenúan, tal como se observa en la Figura 4.3.
Por el contrario, si uno de los exponentes φ,ϕ es mayor que
uno, los valores cercanos a cero de la entrada correspondiente se
atenúan, tal como se observa en la Figura 4.4. El parámetro β se
emplea para modificar el peso que tienen las dos entradas en el
cálculo de la salida; valores mayores que 0.5 dan más peso a la
Importancia Media que a la Calidad Neta (como en la Figura 4.5),
mientras que valores menores que 0.5 dan más peso a la Calidad
Neta que a la Importancia Media.
Figura 4.2 fra para el cálculo del Valor con β=0.5 φ=1.0 ϕ=1.0
123
124
4.2.5 Valor del impacto total

El Impacto Ambiental difuso Total, IAT se calcula mediante
un sistema de computación con palabras basado en aritmética difusa,
cuyas entradas (n, suponiendo un entorno con n factores) son los
Valores de los impactos de los factores. Tanto las entradas como la
salida se definen sobre el intervalo [-1,1].Se sugiere emplear una
variable lingüística a la salida con cinco etiquetas: Muy Malo, Malo,
Regular, Bueno y Muy Bueno.
La fra que se emplea en este sistema es una suma ponderada
de los valores de impacto de cada factor.
n
fra : y = ∑ Pi x i
i =1
Vale la pena recordar que el peso Pi de cada factor es un

número entre 0 y 1, que representa su importancia en el entorno, y
que la suma de todos los pesos es 1, es decir,
n
∑P =1
i =1
i
125
4.3 Determinación de medidas correctoras s egún la
valoración aproximada
El propósito de este apartado es el de mostrar una estrategia
para calcular cómo debe ser la Importancia de un conjunto de
impactos individuales, para que un Indice (como los de la Tabla 4.3)
esté incluido dentro de unos límites “aceptables”, establecidos por el
usuario de la metodología.
Dicho de otra forma, se busca caracterizar las medidas
correctoras que deben tomarse para poder “aprobar” un proyecto,
según la valoración aproximada. Esta caracterización se realiza
mediante la estimación de la Importancia del impacto corregido;
corresponderá al grupo de expertos el determinar si es técnica y
económicamente posible efectuar esa corrección.
Los Indices de la valoración aproximada se obtienen
mediante Sistemas de Computación con Palabras basados en
aritmética difusa; se propone efectuar la caracterización de las
medidas correctoras aprovechando que con estos sistemas se puede
efectuar razonamiento inverso, tal como se explica en el apartado
3.2.
El razonamiento inverso emplea el algoritmo de Extensión
Necesaria presentado en el apartado 2.3.2, por lo cual es
indispensable que la fra del sistema de computación con palabras sea
estríctamente monótono. Esta condición la cumplen todos los indices
mostrados en la Tabla 4.3, salvo los dos últimos, la Importancia
máxima (optimista) y la Importancia mínima (pesimista).
Estos dos indicadores carecen de interés a la hora de estimar
medidas correctoras, pues las correcciones que inducen son obvias:
por ejemplo, es obvio que para aumentar la importancia máxima,
basta con aumentar la importancia de uno sólo de los impactos el
valor deseado (aquel que tiene asociada la importancia máxima);
igualmente, es obvio que para aumentar la importancia mínima es
necesario asegurar que las importancias de todos los impactos estén
por encima del valor deseado.
126
Para la estimación de las medidas correctoras se cuenta con
[
un vector de importancias difusas IMP = # I1 # I 2 ]
# I q , con
los que se ha calculado un cierto indice y el resultado ha sido #IND.
Se desea ahora, modificar algunos de los componentes del vector
IMP, para que el nuevo índice sea #IND*.
En primera instancia se presenta la estrategia a seguir para
estimar las medidas correctoras, cuando sólo se desea modificar un
impacto, y luego se amplia al caso más general en que se modifican
varios impactos. La estrategia es la siguiente:
Seleccionar el impacto que desea modificarse. Se
denominará su importancia antes de la corrección como
#Ic, y despues de la corrección como #Ic*, dando a
entender que corresponde al elemento número c del
vector IMP.
Construir un sistema de razonamiento inverso como el
que se muestra en la Figura 3.3 basado en la fra del índice
correspondiente, y para el elemento c.
Especificar el valor que se desea que tome el índice
seleccionado #IND*. Este valor podrá ser especificado
mediante un número crisp, un intervalo, un número
difuso, o mediante palabras.
Obtener el valor de #I * empleando como entradas del
c
sistema de razonamiento inverso el vector IMP sin la
componente #Ic y el valor deseado del Indice #IND*.
Verificar cuál es el valor del índice que se obtiene con la
modificación. Este valor no necesariamente es #IND*, ya
que el algoritmo de extensión necesaria puede modificarlo
(es la salida y en la Figura 3.3).
El procedimiento anterior supone que sólo se desea modificar
uno de los impactos que intervienen en el cálculo del índice; sin
embargo, es posible que se deseen modificar varios de ellos; a
continuación se supone que se desean modificar t impactos. En este
caso, es posible proceder de la siguiente forma:
127
Organizar el vector IMP en dos subvectores, formados
respectivamente por las importancias de los impactos que
no se desean modificar y los que si:
[
IMP = IMPFijo IMPmod ificable ]
Calcular los coeficientes de la fra (coeficientes de las
sumas o promedios) considerendo los q elementos de
IMP.
Crear un nuevo vector IMP* formado por los elementos
del subvector IMPFijo y una nueva importancia #Iag.
[
IMP* = IMPFijo # I ag ]
Estimar las medidas correctoras suponiendo que se desea
modificar un único impacto, cuya importancia se
representa por #Iag. Para ello, se empleará el
procedimiento descrito anteriormente, considerando que
el coeficiente de la fra correspondiente a este impacto es
la suma de los coeficientes de los impactos incluidos en
IMPmodificable. El resultado de esta estimación será #Iag*.
Descomponer #I ag*
en las t importancias que deberán
tener los impactos modificables. La descomposición
puede efecutarse asi: Sea #Ik* la importancia corregida
del impacto número k.Los α-cortes de #Ik* se obtendrán
así:
(# I )
*
k α [ ag ag
]
= β k D# I * ( α ,1 ),β k D# I * ( α ,−1 )
donde D#Iag*(α,d) es la función D(α,d) del número difuso

#Iag*, y βk es un factor de descomposición cuyo valor
está entre 0 y 1; la suma de todos los factores βk debe ser
1:
t
∑β
k =1
k =1
128
βk puede calcularse siguiendo distintas estrategias, como
por ejemplo:
- descomposición homogénea : β k = 1
t
- descomposición relativa al entorno : β k = Pk

t
∑P
j =1
j
donde Pk es el peso del factor sobre el que actúa el

k-ésimo impacto corrector.
129
130
5 EJEMPLO DE APLICACIÓN
En este capítulo se muestra mediante ejemplos cómo se aplica

la metodología difusa de Estudios de Impacto Ambiental presentada
en el Capítulo 4. Debido a que en esta metodología, como en las
demás, se manipula información de muy diversa índole y de
considerable volumen, se ha considerado necesario desarrollar un
software “amigable” que facilite el empleo de la metodología.
Este software, al que se ha denominado TDEIA (Técnicas
Difusas de Evaluación de Impacto Ambiental), y cuyo ícono se
muestra en la Figura 5.1. Se ha elaborado en lenguaje C++, siguiendo
una estrategia Orientada a Objetos, y mediante la herramienta de
desarrollo de Borland 4.52. El resultado es un programa ejecutable
en ambiente Windows de 32 bits cuyas principales características y
posibilidades del software se presentan en el apartado 5.1.
Figura 5.1 Ícono del software TDEIA
Empleando este software se ha analizado un caso real de

Impacto Ambiental relacionado con la construcción de carreteras: el
correspondiente al estudio del “Desdoblamiento de la variante de
Cártama en la carretera A-357”; este estudio se presenta en el
apartado 5.2, analizado con una metodología crisp, y con la
metodología difusa. Este ejemplo ha sido estudiado por GIASA-
Dirección General de Carreteras (ver [45a]).
131
5.1 TDEIA - Software para la evaluación de impacto
ambiental mediante técnicas difusas
Tal como se ha dicho anteriormente, el propósito fundamental
del sofware TDEIA es el de facilitar al usuario la utilización de la
metodología difusa para estudios de impacto ambiental presentada en
el Capítulo 4. Al ejecutar TDEIA, se despliega una ventana como la
que se muestra en la Figura 5.2. En esa ventana se destaca una
matriz, que contiene un resumen del Estudio de Impacto Ambiental.
En la primera columna de la matriz se relacionan los Factores
Ambientales, y en la primera fila las Acciones del Proyecto, mientras
que la segunda fila muestra la importancia de cada factor respecto al
entorno. Si una acción Aj impacta sobre un factor Fi, la celda
correspondiente en la matriz refleja la Importancia de ese impacto.
En la última columna y en la última fila se muestra el
resultado del cálculo de un Índice, para todos los impactos recibidos
por un factor y para todos los impactos producidos por una acción,
respectivamente. La celda inferior derecha muestra el cálculo de ese
índice para todo el proyecto. El tipo de índice calculado aparece
como encabezado de la matriz (Importancia media en el ejemplo de
la Figura 5.2). En la parte inferior de la ventana, debajo de la matriz,
se muestra gráficamente la variable lingüística asociada al índice
calculado.
132
Figura 5.2 Ventana principal de TDEIA
Las celdas que contienen la importancia de un impacto, o el

resultado del cálculo de un índice, están mostrando la salida de un
Sistema de Computación con Palabras. Esta salida, que es un número
difuso A, se puede mostrar de tres formas diferentes:
Mediante una palabra, que corresponde a la etiqueta de la
variable lingüística de salida que tiene una mayor
consistencia con el número difuso A.
Mediante un número crisp, que refleja el valor
representativo de A (ver el apartado 4.2.4).
Mediante una pareja de números crisp, que reflejan el
valor representativo y la ambigüedad de A (ver el
Apéndice A).
Mediante una gráfica de la función de pertenencia de A,
tal como se muestra en la Figura 5.3.
133
Mediante un cuadro de diálogo con información más
detallada, como el que se muestra en la Figura 5.4.
Figura 5.3 Representación gráfica en las celdas de la matriz
Figura 5.4 Cuadro de diálogo con información sobre un número difuso
Según la metodología difusa, los factores y las acciones

pueden organizarse en una estructura jerárquica cuyo número de
niveles puede variar, tal como se muestra en la Figura 4.1. El número
de niveles empleados se visualizan en la ventana principal de TDEIA
mediante unos cuadrados de color celeste o rojo, conectados entre sí,
a la izquierda y encima de la matriz, de la siguiente forma:
134
El número de cuadrados a la izquierda de la matriz reflejan el
número de niveles empleados en la jerarquía de los factores y el
cuadrado de color rojo indica cuál de esos niveles se esta presentando
en la matriz (ver Figura 5.5). Los resultados incluidos en la matriz
variarán según el nivel analizado. De forma análoga, los cuadrados
ubicados encima de la matriz ayudan a visualizar el árbol de las
acciones.
Figura 5.5 Visualización de los niveles en el árbol de factores
Los índices que se pueden calcular con TDEIA son los

siguientes:
Importancia media
Importancia relativa al entorno
Importancia absoluta
Importancia media ponderada
Importancia máxima (optimista)
Importancia mínima (pesimista)
Magnitud del Impacto
Calidad Ambiental con el proyecto
Calidad Ambiental neta
Valor del Impacto ambiental
135
Además, mediante TDEIA se puede obtener una
caracterización de las medidas correctoras para cualquiera de los
índices de la valoración aproximada (cualquiera de las importancias
del listado anterior) siguiendo la metodología expuesta en el apartado
4.3. Una característica adicional de TDEIA es que permite crear y
recuperar librerias de Factores, Acciones, Variables Lingüísticas e
Indicadores de Importancia.
5.2 Evaluación del proyecto “Desdoblamien to de la

variante de Cártama”
El primero de los ejemplos que se presentan corresponde al
estudio del impacto ambiental del “proyecto de trazado y
desdoblamiento de la variante de Cártama en la A-357, entre el
enlace de Cártama Oeste y Casapalma”. GIASA ha elaborado un
estudio de impacto ambiental siguiendo una metodología crisp, que
se presenta detalladamente en [45a], y de la que aqui tomamos sus
principales puntos.
5.2.1 Identificación de factores

Los factores identificados se consignan en la Tabla 5.1. A
cada factor se le ha asignado un identificador de la forma Fi para
poder referirse a ellos en forma abreviada. Vale la pena destacar que
la metodología crisp empleada no contempla el concepto de unidades
de Importancia.
136
Tabla 5.1 Identificación de factores
Medio Identificador
Sistema
Factor
Medio Inerte
Aguas
Agua subterránea F1
Agua superficial F2
Gea
Suelo F3
Geomorfología F4
Erosión F5
Atmósfera
Inmisión de gases y partículas F6
Inmisión sonora F7
Medio Biótico
Flora
Vegetación F8
Fauna
Hábitats faunísticos F9
Ecosistemas
Ecosistemas singulares F10
Medio Perceptual
Paisaje
Calidad de paisaje F11
Medio Socioeconómico
Población
Demografía y empleo F12
Sector primario F13
Sectores secundario y terciario F14
Socio-cultural
F15
Vías pecuarias F16
Yacimientos
Territorio F17
Planeamiento F18
Carreteras F19
Caminos rurales F20
Servicios
137
5.2.2 Identificación de acciones
Las acciones identificadas se consignan en la Tabla 5.2. Al
igual que con los factores, a cada acción se le ha asignado un
identificador de la forma Aj para poder referirse a ellas en forma
abreviada.
Tabla 5.2 Identificación de acciones
Actividad Identificador
Acción
Expropiaciones
Sector primario A1
Uso residencial A2
Ocupación temporal
Ocupación temporal A3
Movimientos de tierras
Movimientos de tierras A4
Taludes A5
Canteras A6
Transporte de materiales
Transporte de materiales A7
Movimiento de maquinaria
Movimiento de maquinaria A8
Estabilización de ladera
Estabilización de laderas A9
Desvío de caminos
Desvío temporal A10
Obras de drenaje
Drenaje transversal A11
Interrupción de servicios
Interrupción de servicios A12
Demanda de mano de obra
Empleo A13
Ocupación del suelo por la vía
Ocupación del suelo A14
Asfaltado y hormigonado
Asfaltado y hormigonado A15
Préstamos y vertederos
Préstamos y vertederos A16
Presencia de la infraestructura
Presencia A17
Caminos rurales A18
Red viaria A19
Pasos y vías de servicio
138
Pasos y vías A20
Tráfico
Tráfico A21
Emisiones gaseosas A22
Emisiones sonoras A23
Efectos secundarios A24
Accesibilidad
Accesibilidad A25
Superficies revegetadas
Superficies revegetadas A26
Despeje y desbroce
Desbroce y tala A27
Efecto Sustitución A28
5.2.3 Identificación y valoración de impactos según l a

metodología crisp
La metodología crisp empleada calcula la Importancia de un
impacto según la expresión:
I = ± (3In + 2 Ex + Mo + Pe + RV + PR ) / 3
donde los términos involucrados en esa expresión, y los valores que
pueden tomar, se consignan en la Tabla 5.3. La Magnitud de un
impacto se expresa cualitativamente como Elevada, Moderada,
Reducida e Inapreciable (E,M,R e I en la última columna de la Tabla
5.4). La Tabla 5.4 resume los impactos identificados, y la valoración
que se ha hecho de cada uno de ellos.
139
Tabla 5.3 Cálculo de la importancia de un impacto
Sg: SIGNO In: INTENSIDAD
- Beneficioso + - Baja 1
- Perjudicial - - Media 2
- Alta 3
- Total 4
Ex: EXTENSIÓN Mo: MOMENTO
- Puntual 1 - Largo Plazo 1
- Parcial 2 - Medio Plazo 2
- Extenso 3 - Inmediato 4
- Total 4
Pe: PERSISTENCIA RV: REVERSIBILIDAD
- Fugaz 1 - Corto Plazo 1
- Temporal 2 - Medio Plazo 2
- Permanente 4 - Irreversible 4
PR: PERIODICIDAD I: IMPORTANCIA
- Irregular 1 I = ± (3 In + 2 Ex + Mo + Pe + RV + PR ) / 3
- Periódico 2
- Contínuo 4
Tabla 5.4 Identificación y valoración de impactos
Fi Aj Sg In Ex Mo Pe RV PR I Mg
F3 A3 - 3 2 4 4 4 4 -10 M
F3 A14 - 4 2 4 4 4 4 -11 M
F5 A5 - 3 2 4 4 4 4 -10 R
F4 A4 - 3 2 4 4 4 4 -10 M
F8 A27 - 3 2 4 4 4 4 -10 R
F8 A23 - 1 2 2 4 2 4 -6 I
F9 A28 - 4 2 4 4 4 4 -11 I
F11 A4 - 3 2 4 2 1 4 -8 R
F11 A16 - 3 1 4 2 4 4 -8 M
F11 A17 - 3 2 4 4 4 4 -10 M
F12 A13 + 2 2 4 2 1 4 +7 I
F13 A1 - 3 2 4 4 4 4 -10 M
F14 A2 - 4 1 4 4 4 4 -10 E
140
F20 A25 + 4 2 4 4 4 4 +11 E+
F16 A4 - 4 2 4 4 4 4 -11 ??
F19 A18 + 2 2 4 4 4 4 +9 M+
F18 A19 + 3 2 4 4 4 4 +10 M+
F20 A12 - 1 1 4 1 1 4 -5 R
F6 A4 - 2 1 4 1 1 1 -5 R
F6 A7 - 1 2 4 1 1 2 -5 I
F6 A8 - 1 1 4 1 1 2 -4 I
F6 A22 - 1 2 4 4 1 4 -7 I
F7 A7 - 1 2 4 1 1 2 -5 R
F7 A6 - 2 1 4 1 1 1 -5 R
F7 A23 - 2 2 4 4 1 1 -7 R
F2 A11 - 2 1 4 4 4 4 -8 R
F2 A4 - 2 1 4 1 1 1 -5 R
F2 A21 - 1 2 4 4 1 4 -7 R
5.2.4 Análisis de los impactos según la metodología crisp

La metodología crisp de este ejemplo propone efectuar un
diagnóstico de los impactos siguiendo la siguiente escala:
Impacto Positivo
Impacto Neutro
Impacto Compatible
Impacto Leve
Impacto Moderado
Impacto Severo
Impacto Crítico
A partir de la información consignada en la Tabla 5.4, el
estudio efectuado con la metodología crisp concluye que ([45a]):
141
“Se producen impactos de carácter leve sobre el suelo,
geomorfología, los niveles de inmisión sonora, aguas superficiales y
paisaje, necesitando la implementación de medidas correctoras
suaves. Son compatibles en cambio los que se producen sobre el
medio biótico (la vegetación y fauna) y aguas superficiales. Se
producen impactos moderados sobre el sector primario (pérdida de
superficie agraria), suelos y geomorfología. Lo más destacable es la
expropiación para su demolición de viviendas, que se valora como
severo. Es además un impacto no minimizable. Igualmente, el riesgo
de encontrar yacimientos arqueológicos en la zona del enlace de
Casapalma, aunque es un impacto indeterminado, se considera
severo. A partir de la puesta en servicio de la carretera
acondicionada, se producen impactos positivos sobre algunos
factores relacionados con el medio socioeconómico, como el empleo,
el sector servicios e industria, y la funcionalidad de las
infraestructuras”.
Con estas conclusiones se puede elaborar la Tabla 5.5, que

muestra la valoración de los impactos por factor. Es necesario aclarar
que en la memoria del estudio efectuado con la metodología crisp
([45a]) no se especifica qué procedimiento se ha empleado para
obtener las anteriores conclusiones a partir de los datos de la Tabla
5.4.
142
Tabla 5.5 Valoración de los impactos por factor con la metodología crisp
Factor Valoración de los Impactos

F1 Compatible
F2 Leve
F3 Leve y Moderado
F4 Leve y Moderado
F5 Sin Calificar
F6 Sin Calificar
F7 Leve
F8 Compatible
F9 Compatible
F10 Sin Calificar
F11 Leve
F12 Positivo
F13 Moderado y Severo
F14 Sin Calificar
F15 Sin Calificar
F16 Severo
F17 Sin Calificar
F18 Positivo
F19 Positivo
F20 Positivo
5.2.5 Identificación y valoración de impactos según l a

metodología difusa
Empleando las ideas consignadas en el Capítulo 4 se ha
extendido la metodología crisp empleada en el presente ejemplo, y se
ha empleado para analizarlo. La Tabla 5.6 muestra cómo se han
143
definido las variables lingüísticas involucradas en el cálculo de la
Importancia de cada impacto, a partir de la información consignada
en la Tabla 5.3. En la misma tabla se muestra la variable lingüística
empleada para la Magnitud de los impactos
Tabla 5.6 Variables lingüísticas para el cálculo de la importancia
Variable Rango Peso Etiquetas Número difuso

T(a,b,c,d)
Intensidad [0,1] 3/9 Baja (0.0,0.0,0.14,0.29)
Media (0.14,0.29,0.43,0.57)
Alta (0.43,0.57,0.71,0.86)
Total (0.71,0.86,1.0,1.0)
13
Extensión [0,100] 2/9 Puntual (0,0,14,29)
(%)
Parcial (14,29,43,57)
Extensa (43,57,71,86)
Total (71,86,100,100)
Momento14 [0,180] 1/9 Inmediato (0,0,9,15)
Largo Plazo (108,144,180,180)
Persistencia [0,180] 1/9 Fugaz (0,0,9,15)
(meses) Temporal (9,15,108,144)
Permanente (108,144,180,180)
Reversibilidad [0,180] 1/9 Corto Plazo (0,0,9,15)
Irreversible (108,144,180,180)
13
Esta variable se mide como porcentaje del area afectada, pero también
puede medirse directamente en unidades de área (Hectáreas, por ejemplo)
14
La Importancia depende del Momento en forma decreciente, ya que un
efecto es más importante si ocurre inmediatamente, y es menos importante si
ocurre a largo plazo.
144
Periodicidad [0,1] 1/9 Irregular (0.0,0.0,0.2,0.4)
Periódico (0.2,0.4,0.6,0.8)
Contínuo (0.6,0.8,1.0,1.0)
Importancia [0,1] - Irrelevante (0.0,0.0,0.14,0.29)
Moderada (0.14,0.29,0.43,0.57)
Severa (0.43,0.57,0.71,0.86)
Crítica (0.71,.86,1.0,1.0)
Magnitud [-1,1] - Elevada – (-1.0,-1.0,-0.89,-0.69)
Moderada – (-0.84,-0.69,-0.53,-0.38)
Reducida – (-0.53,-0.38,-0.23,-0.07)
Inapreciable (-0.23,-0.07,0.07,0.23)
Reducida + (0.07,0.23,0.38,0.53)
Moderada + (0.38,0.53,0.69,0.87)
Elevada + (0.69,0.87,1.0,10.0)
Para el cálculo de la Importancia de cada impacto se ha
empleado la información de la Tabla 5.4. Sin embargo, no se ha
asignado a cada propiedad un número crisp, sino la etiqueta
correspondiente: por ejemplo, en la Tabla 5.4 se muestra que la
Intensidad del primer impacto se ha valorado en la metodología crisp
como “3”, que según la Tabla 5.3 corresponde a la etiqueta “Alta”;
por esta razón, en la metodología difusa se valora la intensidad de ese
impacto con la etiqueta “Alta” (a la que le corresponde un conjunto
difuso trapezoidal T(0.43,0.57,0.71,0.86) según la Tabla 5.6).
Utilizando el software presentado en el apartado 5.1 se ha
calculado la Importancia Media del impacto recibido por cada factor.
Los resultados se han consignado en la Tabla 5.7 de la siguiente
forma: el número que aparece en la tabla corresponde a la
consistencia de la Importancia Media con la etiqueta marcada en la
primera fila de la tabla. También se ha calculado el Valor del
impacto recibido por cada factor, y el resultado se ha consignado de
forma similar en la Tabla 5.8.
145
Tabla 5.7 Importancias Medias por factor
Factor Crítico Severo Mode- Leve Compa- Neutro Positivo

rado tible
F1 1.0
F2 0.66 1.0 0.67
F3 0.47 1.0 1.0 0.33
F4 0.27 1.0 1.0 0.50
F5 0.27 1.0 1.0 0.50
F6 0.95 1.0
F7 0.90 1.0
F8 0.61 1.0 1.0 0.34
F9 0.75 1.0 0.85 0.16
F10 1.0
F11 0.71 1.0 0.82
F12 1.0
F13 0.27 1.0 1.0 0.50
F14 0.25 1.0 1.0 0.31
F15 1.0
F16 0.75 1.0 0.85 0.16
F17 1.0
F18 1.0
F19 1.0
F20 0.42 1.0
146
Tabla 5.8 Valores de los impactos recibidos por factor
Factor Crítico Severo Mode- Leve Compa- Neutro Positivo

rado tible
F1 1.0
F2 0.84 1.0 0.62
F3 0.58 1.0 0.48
F4 0.12 1.0 1.0 0.20
F5 0.78 1.0 0.54
F6 0.14 0.93 1.0 0.82 0.13
F7 0.19 1.0 0.84
F8 0.60 1.0 1.0 0.23
F9 0.55 1.0 0.67
F10 1.0
F11 1.0 0.72
F12 1.0
F13 0.12 1.0 1.0 0.20
F14 0.47 1.0 0.61
F15 1.0
F16 0.75 1.0 1.0 0.67
F17 1.0
F18 1.0
F19 1.0
F20 0.34 1.0
La información numérica contenida tanto en la Tabla 5.7

como en la Tabla 5.8 puede interpretarse lingüísticamente, según se
explica en el apartado 3.2. La Tabla 5.9 muestra un ejemplo de esta
interpretación lingüística: para ello se han calculado los Valores de
147
los impactos recibidos por cada uno de los Medios en que se describe
el Entorno.
Tabla 5.9 Interpretación lingüística de los valores de los impactos recibidos por
cada Medio Ambiental
Medio Valor del Impacto recibido

Inerte Posiblemente (0.80) Moderado
Muy posiblemente (1.0) Leve
Posiblemente (0.51) Compatible
Biótico Muy posiblemente (1.0) Severo
Muy posiblemente (1.0) Moderado
Perceptual Muy posiblemente (0.71) Severo
Muy posiblemente (1.0) Moderado
Socioeconómico Muy Posiblemente (0.75) Compatible
Posiblemente (1.0) Neutro
Muy posiblemente (0.81) Positivo
Para evaluar la influencia de los parámetros β, δ, ϕ en la

función que calcula el valor de los impactos se ha calculado el Valor
del Impacto Total del proyecto sobre todo el entorno con diferentes
condiciones.
El primer experimento ha consistido en mantener fijos los
valores de δ=1.0, ϕ=1.0, y variar β. La Tabla 5.10 muestra la forma
en que ha variado la consistencia del Valor del Impacto Total con las
distintas etiquetas. Esta variación también se puede visualizar
mediante la gráfica del valor y la ambigüedad del número difuso
resultante, que se muestran en la Figura 5.6 y en la Figura 5.7
respectivamente.
Vale la pena recordar que el parámetro β permite modificar el
peso que tienen la Importancia Media y la Calidad Neta en el cálculo
del Valor del Impacto; en otras palabras, β permite modificar el peso
148
de las Valoraciones Aproximada y Detallada en el cálculo del valor
del Impacto. Al incrementar β se le otorga más peso a la Valoración
Aproximada y menos a la Detallada, y viceversa.
Observando la Figura 5.6 y la Tabla 5.10 podemos notar que
al darle más peso a la Valoración Aproximada (al incrementar β) el
Valor del Impacto es más perjudicial, lo que nos permite concluir
que en éste ejemplo la Valoración Aproximada ha sido más pesimista
que la Valoración Detallada.
Por otra parte, la Figura 5.7 muestra que la ambigüedad del
resultado aumenta al darle más peso a la Valoración Aproximada (al
incrementar β), con lo que podemos concluir que en este ejemplo la
incertidumbre de la Valoración Aproximada es mayor que la de la
Valoración Detallada.
parámetro β
β Crítico Severo Mode- Leve Compa- Neutro Positivo

rado tible
0.0 0.37 1.0 0.42
0.1 0.52 1.0 0.35
0.2 0.67 1.0 0.28
0.3 0.81 1.0 0.22
0.4 0.94 1.0 0.16
0.5 1.0 1.0 0.1
0.6 1.0 1.0
0.7 0.14 1.0 0.93
0.8 0.28 1.0 0.87
0.9 0.41 1.0 0.80
1.0 0.54 1.0 0.74
149
Impacto Total, en función del parámetro β
Figura 5.7 Variación de la ambigüedad del número difuso que representa el Valor
del Impacto Total, en función del parámetro β
150
El segundo experimento ha consistido en mantener el valor de
β fijo, y variar δ, ϕ simultáneamente, es decir que ambos valores
siempre serán iguales entre sí en este experimento. La Tabla 5.11
muestra la forma en que ha variado la consistencia del Valor del
Impacto Total con las distintas etiquetas. Esta variación también se
puede visualizar mediante la gráfica del valor y la ambigüedad del
número difuso resultante, que se muestran en la Figura 5.8 y en la
Figura 5.9 respectivamente. En ambas figuras el eje horizontal, que
representa a los parámetros δ, ϕ , está en escala logarítmica.
parámetros δ, ϕ
δ, ϕ Crítico Severo Mode- Leve Compa- Neutro Positivo

rado tible
0.01 0.30 1.0 0.76
0.05 0.68 1.0 0.57
0.1 0.82 1.0 0.41
0.2 0.95 1.0 0.37
0.3 0.81 1.0 0.41
0.5 0.5 1.0 0.59
1.0 1.0 1.0 0.10
2.0 0.25 1.0 0.63
4.0 0.74 1.0
8.0 0.15 1.0
151
Impacto Total, en función de los parámetros δ, ϕ
Figura 5.9 Variación de la ambigüedad del número difuso que representa el Valor
del Impacto Total, en función de los parámetros δ, ϕ
152
5.2.6 Comparación de los resultados de las dos met odologías
Para comparar los resultados obtenidos con las dos
metodologías se ha construido la Tabla 5.12, en la que se muestra la
valoración de los impactos por factor según cada una de las
metodologías. La columna correspondiente a la metodología crisp
reproduce el contenido de la Tabla 5.5, mientras que la columna
correspondiente a la metodología difusa se han incluido aquellas
etiquetas cuya consistencia con el número difuso resultante de
calcular el Valor del Impacto (consignado en la Tabla 5.8) es mayor
que 2/3, es decir, aquellas etiquetas calificadas como “muy
posiblemente”.
Tabla 5.12 Comparación de los resultados de las dos metodologías
Factor Metodología crisp Metodología difusa

F1 Compatible Neutro
F2 Leve Leve – Compatible
F3 Moderado – Leve Moderado
F4 Moderado – Leve Moderado – Leve
F5 Sin Calificar Moderado – Leve
F6 Sin Calificar Leve – Compatible – Neutro
F7 Leve Leve – Compatible
F8 Compatible Leve – Compatible
F9 Compatible Leve – Compatible
F10 Sin Calificar Neutro
F11 Leve Moderado – Leve
F12 Positivo Positivo
F13 Severo – Moderado Moderado – Leve
F14 Sin Calificar Moderado
F16 Severo Severo – Moderado – Leve – Compatible
153
Sobre la Tabla 5.12 pueden hacerse las siguientes
observaciones:
Pese a que las dos metodologías utilizan la misma
información de partida (consignada en las tablas 5.1, 5.2 y
5.4), se han empleado dos caminos diferentes para
obtener los resultados que aparecen en la Tabla 5.12.
Para todos los factores, salvo para F , al menos una de las
1
etiquetas asignadas por la metodología crisp está incluida
dentro del conjunto de etiquetas “muy posibles”
asignadas por la metodología difusa. En este sentido, los
resultados de la metodología crisp están contenidos dentro
de los resultados de la metodología difusa.
Algunos de los resultados de la metodología crisp no
pueden explicarse a partir de los datos de la Tabla 5.4:
- No puede explicarse por qué razón el factor F1 recibe
un impacto Compatible, cuando no hay ningún
impacto que actúe sobre él, y por tanto la calificación
adecuada sería de Neutro.
- No puede explicarse por qué razón los impactos sobre
los factores F5, F6 y F14 no se califican, pese a que
existen efectos que actúan sobre ellos.
La metodología difusa asigna más etiquetas posibles a
cada factor que la metodología crisp. Este resultado es
esperable, ya que la metodología crisp modela la
incertidumbre en las predicciones, y la vaguedad en la
definición de las etiquetas. Un claro ejemplo se observa
en el factor F16, que corresponde a los yacimientos
arqueológicos, y cuyo impacto puede ser desde
Compatible hasta Severo, debido a que no se puede saber
154
de antemano si aparecerán o no yacimientos
arqueológicos en las excavaciones. Pese a esto, la
metodología crisp cataloga el impacto como Severo,
mientras que los resultados de la metodología difusa
ponen de manifiesto que no hay certeza sobre este valor.
5.2.7 Caracterización de medidas correctoras

Tal como se presenta en el apartado 4.3, la metodología
difusa incluye una estrategia que permite caracterizar la importancia
de las medidas correctoras que deben tomarse en el proyecto. Como
ejemplo ilustrativo de esta estrategia, en este apartado se analizan las
medidas correctoras a tomar para disminuir el impacto sobre el
Medio Perceptual.
Para estudiar ese impacto se selecciona el indicador de
Importancia Media del medio perceptual. Sin las medidas
correctoras el impacto sobre el medio perceptual según este indicador
es “muy posiblemente leve (0.82), moderado (1.0) o severo (0.71)”
(ver Tabla 5.9). Se desea caracterizar las medidas correctoras
necesarias para que el impacto sea compatible.
Con este fin se adiciona en el proyecto una nueva actividad,
con la denominación “restauración paisajística” y un impacto de esa
actividad sobre el factor “calidad de paisaje” (F11), que es el único
factor ambiental incluido en el Medio Perceptual. Empleando la
herramienta de software presentada en el apartado 5.1 se ha
calculado la importancia que debe tener ese impacto para que el
indicador seleccionado sea compatible. El resultado es que la
importancia de ese impacto debe ser Extremadamente Benéfica.
Con la finalidad de enriquecer este ejemplo, se ha supuesto
que los expertos han decidido que no es viable (técnica o
económicamente) implementar un impacto Extremadamente
Benéfico. Por esta razón se propone incorporar una nueva actividad
denominada “corrección en vertederos”, que impacta sobre el
mismo factor. Al calcular la importancias que deben tener los
impactos de las dos actividades correctoras se obtiene como
resultado que éstas deben ser Benéficas.
155
156
6 CONCLUSIONES Y TRABAJO S
FUTUROS
En este capítulo se recogen las principales conclusiones,

algunas de las cuales ya han sido enunciadas previamente en esta
memoria. Además, se proponen posibles trabajos para desarrollar en
un futuro, que complementen los resultados aqui obtenidos, tanto a
nivel teórico en el área de las ciencias de la computación, como en el
empleo de las tecnicas difusas en las Evaluaciones de Impacto
Ambiental.
6.1 Conclusiones
6.1.1 Respecto a la metodología crisp

El análisis que se ha hecho de la metodología crisp en el
apartado 1.5 revela algunas de sus carencias, que podemos resumir
en dos aspectos fundamentales:
En primer lugar, la estrategia empleada para combinar
información cualitativa y cuantitativa (presente en toda Evaluaciones
de Impacto Ambiental) no es adecuada. La metodología crisp intenta
separar los dos tipos de información, y luego mezclarla en la variable
Valor de Impacto Ambiental; sin embargo, como se muestra en el
apartado 1.5, ni la valoración cualitativa es estrictamente cualitativa,
ni la valoración cuantitativa es realmente cualitativa.
En segundo lugar, la metodología crisp no considera en
ningún momento la incertidumbre que inevitablemente se presenta al
intentar predecir el impacto ambiental. Este hecho se pone de
157
manifiesto en el ejemplo de aplicación presentado en el apartado
5.2.4, en donde en el estudio efectuado con la metodología crisp
(véase [45a]) se concluye que
“el riesgo de encontrar yacimientos arqueológicos
en la zona del enlace de Casapalma, aunque es un
impacto indeterminado, se considera severo.”
6.1.2 Respecto a los algoritmos de extensión

Los algoritmos presentados en el capítulo 2 permiten
extender funciones crisp estrictamente monótonas y sus inversas a
números difusos. Un aspecto importante de estos algoritmos consiste
en la diferenciación que se hace entre la extensión posible y la
extensión necesaria de las funciones inversas; a partir de esta
diferenciación se genera una familia de extensiones intermedias, y se
define una medida de la existencia de la función inversa extendida.
Una de las características de estos algoritmos que los hace
muy funcionales, consiste en que para su utilización no es necesario
modificar la función crisp que se desea extender. De esta forma,
cualquier modelo crisp (estrictamente monótono) puede extenderse a
números difusos, tal como se ha hecho en el ejemplo del cálculo de
la Tasa Interna de Retorno que se consigne en el apartado 2.5.
6.1.3 Respecto a los sistemas de computación con p alabras

basados en aritmética difusa
La principal novedad de los sistemas de computación con
palabras presentados en el apartado 3.2 consiste en la forma en que
se efectúa la inferencia: mediante la extensión a números difusos de
una función crisp, en lugar de la inferencia “tradicional” que emplea
lógica difusa para interpretar una base de reglas. Como consecuencia
de esta nueva forma de efectuar inferencia sucede que:
El conocimiento de los expertos no se consigna en una
base de reglas del tipo Si-Entonces, sino en la función de
razonamiento aproximado.
158
La salida de la máquina de inferencia es un único número
difuso, en contraposición a la salida de los sistemas
basados en lógica difusa, que son un conjunto (crisp) de
conjuntos difusos (uno por cada regla).
El coste computacional de la inferencia crece linealmente
con el número de entradas, mientras que en los sistemas
basados en lógica difusa, crece exponencialmente con el
número de entradas y de etiquetas.
Si la función de razonamiento aproximado es
estrictamente monótona, entonces pueden emplearse los
algoritmos de extensión de funciones inversas para
efectuar razonamiento inverso, es decir, para deducir
alguna de las entradas a partir de la salida y de las demás
entradas.
Estas consecuencias hacen que los sistemas de computación
con palabras basados en aritmética difusa sean más atractivos que
aquellos basados en lógica difusa para aquellos casos en los que
sucede al menos una de las siguientes situaciones:
El número de entradas es muy elevado, ya que por una
parte el coste computacional puede ser excesivo, y por
otra parte las reglas If-Then pueden dejar de ser
inteligibles.
El conocimiento que se tiene del sistema es muy pobre
como para ser representado mediante reglas.
Es necesario (o al menos deseable) poder efectuar
razonamiento inverso.
Es importante resaltar que, pese a que la inferencia efectuada
mediante aritmética difusa y mediante lógica difusa produce
resultados diferentes (una produce un número difuso y otra un
conjunto de conjuntos difusos), los resultados totales de los sistemas
de computación con palabras basados en estas dos inferencias, son
muy similares, tal como lo pone de manifiesto los ejemplos del
apartado 3.4.
159
6.1.4 Respecto a la metodología difusa de Evaluació n de
Impacto Ambiental
La utilización de técnicas difusas en la Evaluación de
Impacto Ambiental enriquece las metodologías crisp conocidas en
varios aspectos:
Permite definir de una manera más adecuada conceptos
vagos tales como Impacto leve o impacto moderado.
Permite representar la incertidumbre de las predicciones
efectuadas en la evaluación.
Brinda un único marco conceptual para el manejo
simultáneo de variables lingüísticas y numéricas, es decir,
para la combinación de información cualitativa y
cuantitativa.
Facilita la labor de equipos interdisciplinarios, ya que
cada experto, o grupo de expertos, puede caracterizar los
impactos según las propiedades que estime necesarias, sin
que necesariamente sean las mismas empleadas por los
otros expertos. Lo anterior se debe a que cada impacto se
puede calcular con un sistema de computación con
palabras diferente.
Pueden manejarse simultáneamente variables definidas
con distinta granularidad, de tal manera que los distintos
impactos pueden estudiarse con diferente nivel de detalle.
Permite caracterizar las medidas correctoras a tomar,
gracias a la utilización del razonamiento inverso en los
sistemas de computación con palabras.
La metodología difusa abarca varias metodologías crisp.
6.1.5 Respecto al software y al ejemplo de aplicació n
La herramienta de software que se ha desarrollado es una
implementación de la metodología difusa presentada en el capítulo 4.
Se ha procurado que la herramienta posea una interfaz gráfica
160
“amigable” al usuario y que esté dotada de una eficaz ayuda en línea
contextual.
La utilidad del software se ha puesto de manifiesto en el
desarrollo del ejemplo de aplicación real presentado en el apartado
5.2. Los resultados obtenidos en este ejemplo ponen de manifiesto la
forma en que se ha enriquecido la metodología crisp al incluir
técnicas difusas.
6.2 trabajos futuros
6.2.1 Respecto a la teoría de números difusos

Uno de los trabajos que a nivel teórico pueden plantearse en
un futuro inmediato, está el estudio de algoritmos que permitan
extender funciones crisp más complejas, es decir funciones no
monótonas de más de una variable, y sus funciones inversas.
También resulta interesante plantear un estudio más detallado
sobre la medida de la existencia de la función extendida difusa.
Dicho estudio debería enfocarse principalmente en tres sentidos:
Hacia una mejor comprensión del significado de esta
medida.
Hacia la búsqueda de las propiedades matemáticas de esta
medida.
Hacia la búsqueda de aplicaciones de este concepto.
6.2.2 Respecto a la inferencia basada en aritmética difusa
La inferencia basada en aritmética difusa se ha empleado
exitosamente en esta tesis como el vehículo para efectuar
razonamiento aproximado en sistemas de computación con palabras.
Estos resultados sugieren la conveniencia de explorar su utilización
en otro tipo de sistemas, como por ejemplo en controladores difusos,
y especialmente en sistemas de clasificación.
Uno de los aspectos que pueden resultar más interesantes a la
hora de evaluar controladores difusos basados en aritmética difusa es
161
el relacionado con el proceso de concreción (“defuzzyficación”), ya
que la mayoría de métodos empleados funcionan adecuadamente
cuando la inferencia produce conjuntos difusos no normales
(conjuntos recortados), pero la inferencia basada en aritmética difusa
produce números difusos, es decir conjuntos normales.
Igualmente interesante puede resultar el diseño de sistemas de
clasificación basados en inferencia difusa, ya que los parámetros de
la función de razonamiento aproximado pueden ser ajustados
mediante técnicas de optimización, como por ejemplo mediante el
uso de algoritmos genéticos.
6.2.3 Respecto a la aplicación de técnicas difusas en la

Evaluación de Impacto Ambiental
En esta tesis se ha extendido una metodología crisp al campo
de los números difusos. No obstante, es posible explorar otras formas
de aplicar las técnicas difusas (y en general las técnicas de
Inteligencia Artificial) en las Evaluaciones de Impacto Ambiental.
Por ejemplo, es posible explorar la posibilidad de calcular la
Calidad Ambiental y el Valor del Impacto Ambiental mediante
sistemas basados en lógica difusa, ya que se trata de sistemas con
pocas entradas, y en los que la relación entre entradas y salidas puede
expresarse mediante reglas.
Resulta también intersante explorar las posibles relaciones
que existan entre conceptos aparentemente independientes como son
la Importancia de un impacto, la variación en la Calidad Ambiental
que éste produce, y su Valor.
La metodología propuesta parte del analisis de cada impacto,
que es realizado por un grupo de expertos. Es importante estudiar en
qué casos estos análisis pueden ser facilitados mediante la
implementación de sistemas expertos (basados o no en lógica difusa)
que permitan un mayor nivel de automatización en el desarrollo de la
Evaluación de Impacto Ambiental.
162
6.2.4 Respecto al software y las aplicaciones
El software desarrollado debe ser considerado como un
primer prototipo que ha de ser evaluado por los usuarios reales: los
expertos en Estudios medioambientales. Particularmente, una
herramienta de uso comercial deberá tener en cuenta dos enfoques
complementarios de usuarios antagónicos: La administración pública
que exige la evaluación, y el grupo de expertos que realiza esa
evaluación.
El ejemplo de aplicación mostrado en el apartado 5.2 debe
entenderse como una primera evaluación “real” de la metodología
difusa, pues lo que se ha hecho ha sido tomar los datos de una
evaluación desarrollada con una metodología crisp, y extenderlos a la
metodología difusa.
Una evaluación más exacta de las bondades y defectos de la
metodología difusa debe llevarse a cabo hombro a hombro con un
grupo interdisciplinar que esté realizando una Evaluación de Impacto
Ambiental sin información crisp previa. Sólo de esta forma podrán
detectarse vacíos en la metodología, y dificultades en su
interpretación por parte de los usuarios finales.
163
164
REFERENCIAS BIBLIOGRÁFICAS
[1] Álvarez H.D. Control Difuso y Sistemas de Control Inteligentes
Memorias del Segundo Congreso de la Asociación
Colombiana de Automática, Bucaramanga, Colombia, marzo
de 1997, pp 331-340
[2] Anile A.M., Deodato S. & Privitera, G. Implementing fuzzy
arithmetic (application to environmental impact analysis) Fuzzy
Sets and Systems Vol: 72 Iss: 2 p. 239-50, June 1995.
[3] Avouris N. M. Cooperating knowledge-based systems for
environmental decision support Knowledge-Based Systems,
08 (01), page 39-54 (1995).
[4] Ayala Carcedo F.J. Evaluación y correción de impactos
ambientales Madrid : Instituto Tecnologico Geominero de
España, 1992.
[5] Baas S.M. & Kwakernaak H. Rating and ranking of multiple aspect
alternatives using fuzzy sets Automatica 3 (1977) 47-58
[6]
Baumewerd-Ahlmann A., Scholles F., Schwabl A. & Simon K.H. &
Waschkowski R. Integrated computer support for
environmental impact assessment IFIP Transactions B
[Applications in Technology] Vol: B-16 p. 289-99, 1994
[7] Bouchon-Meunier B., Kosheleva O., Kreinovich V. & Nguyen H.T.
Fuzzy Numbers are the only fuzzy sets that keep invertible
operations invertible Fuzzy Sets and Systems 2 (1997) 155-
164
[8] Canter L. Manual de Impacto Ambiental (Título original
Environmental Impact Assessment) Mc. GrawHill Ed. segunda
edición . Madrid, 1998
[8a] Carlson C. & Fuller R. Capital budgeting problems with fuzzy
cashflows Mathware & soft computing Vol VI, No. 1, 1999
[9] Centro de Estudios Municipales y de Cooperación Interprovincial
Curso de evaluación del impacto ambiental Granada : Centro
de Estudios Municipales y de Cooperación Interprovincial,
1991.
[10] Chambers G.C., VanLandingham R.D. & Cox D.G. Partnering to
165
create a standardized environmental management tool: the
Environmental Product Design (EPD) database Proceedings of
the 1997 IEEE International Symposium on
Electronics and the Environment. ISEE - 1997 , p. 303-8. 1997.
[11]
Coenen F., Beattie B., Diaz B., Benchcapon T.J.M. & Shave
M.J.R. Temporal Reasoning Using Tesseral Addressing -
Towards an Intelligent Environmental-Impact Assessment
System En: Knowledge-based Systems Vol 9, Iss 5, pp 287-
300. 1996.
[12] Conesa Fernández-Vítora V. Guía metodológica para la
evaluación del impacto ambiental Ediciones Mundi-Prensa,
tercera edición, Madrid 1997.
[13] Conesa Fernández Vítora V. & Conesa Ripoll V. Auditorías
medioambientales : guía metodológica Madrid : Mundi-Prensa,
1995.
[14] Cosemans G. Environmental Software Conference Report -
Workshop on Operational short-range atmospheric dispersion
models for environmental impact assesment in Europe, Mol,
Belgium, 21-24 November 1994. Environmental Software.
10(1):65-71, 1995.
[15] Delgado M., Verdegay J.L. & Vila M.A. Ranking fuzzy numbers
using fuzzy relations Fuzzy Sets and Systems 26, p.49-62
(1988)
[16]
Delgado M., Vila M.A. & Voxman W. On a canonical
representation of fuzzy numbers Fuzzy Sets and Systems 93
p.125-135 (1998)
[17] Delgado M., Vila M.A. & Voxman W. A fuzziness measurefor
fuzzy numbers: Applications Fuzzy Sets and Systems 94
p.205-216 (1998)
[18] Denzer R. Graphics for Environmental Decision Making IEEE
Computer Graphics and Applications, 13 (02), page 58-67
(1993).
[19] Domínech X. Química ambiental : el impacto ambiental de los
residuos Madrid : Miraguano, 1994.
[20] Dong W. & Shaa H.C. Vertex Method for computing functions of
fuzzy numbers en fuzzy sets and sysrtems 24, p. 65-78. 1987
[21] Driankov, D. & otros. “An Introduction to Fuzzy Control” Springer
Verlag, Berlin, 1993
[22] Dubois, D. & Prade H. Fuzzy sets and fuzzy sytems: theory and
166
application Academic Press Inc, 1980
[23] Duarte O. UNFUZZY Software para el análisis, diseño,,
simulación e implementación de sistemas de lógica difusa
tesis de maestría en Automatización Industrial. Universidad
Nacional de Colombia Bogotá, 1997.
[24] Duarte O. Circuitos DC con resistores no lineales Facultad de
Ingeniería de la Universidad Nacional de Colombia. Bogotá,
1997.
Duarte O. Aplicaciones de Lógica Difusa en Ingeniería e
[25]
Investigación. Bogotá, Agosto 1999
[26] Duarte O. Sistemas de Lógica Difusa - Fundamentos en
Ingeniería e Investigación. Próximo a aparecer" Bogotá,
Octubre 1999
[27] Dubois D. & Prade H. Operations on fuzzy numbers, Int. J.
Systems Sci. 9 (1978) 613-626
[28] Dubois D. & Prade H. Fuzzy real algebra: some results, Fuzzy
Sets and Systems 2 (1979) 327-348
[29] Dubois D. & Prade, Addition of interactive fuzzy numbers, IEEE
Trans. Automat. Control. (1981) 926-936.
[30] Embleton K.M., Jones D.D. & Engel BA. Comparative risk
assessment primer Environmental Software. 11(4):203-207,
1996.
[31]
Enríquez Agós F. & Berenguer Pérez J.M. Evaluación
metodológica del impacto ambiental de las obras de defensa
de costas Madrid : Centro de Estudios y Experimentación de
Obras Públicas, 1986.
[32] Enríquez Agós F. & Berenguer Pérez J.M. Evaluación
metodológica del impacto ambiental de un puerto deportivo
Madrid : Centro de Estudios y Experimentación de Obras
Públicas, 1987 .
[33] Escuela Técnica Superior de Ingenieros de Montes.
Departamento de Proyectos y Planificación Rural Casos
prácticos en planificación física y evaluación de impactos
Madrid : Fundacion Conde del Valle de Salazar, 1994.
[34] España Titulo [Leyes, etc. de medio ambiente] - Legislación sobre
actividades clasificadas e impacto ambiental : normativa
general y autonómica Madrid : Tecnos, 1997.
[35] España. Dirección General de Medio Ambiente Guías
metodológicas para la elaboración de estudios de impacto
167
ambiental Madrid : Ministerio de Obras Públicas y Urbanismo, .
[36]
Estevan Bolea M. T. Evaluación del impacto ambiental Madrid :
Mapfre, 1984.
[37] Estevan Bolea M. T. Las evaluaciones del impacto ambiental
Madrid : Centro Internacional de Formación en Ciencias
Ambientales, 1980 .[2 ed.];
[38] Estevan Bolea M. T., Conesa Fernández Vítora V., Ros Garro V.,
Conesa Ripoll, L. A. & Conesa Ripoll, L.A.T. Guía
metodológica para la evaluación del impacto ambiental
Valencia : Colegio Oficial de Ingenieros Agrónomos de
Levante, 1995.
[39] Estudios y Proyectos Mineros, S.A. (Madrid) Manual de
restauración de terrenos y evaluación de impactos
ambientales en minería Madrid : Instituto Tecnologico
Geominero de Espa±a, 1996 .[3 ed.];
[40] Evaluación de Recursos Naturales, S.A. (Valencia) La evaluación
de impacto ambiental en el planeamiento urbanístico Valencia
: Conselleria d’Obres Públiques, Urbanisme i Transportesd,
1992.
[41]
Ewing R.E. Multidisciplinary interactions in energy and
environmental modeling Journal of Computational and Applied
Mathematics, 74 (01), page 193-216 (1996).
[42] Fedra K., Winkelbauer L. MEXSES: an expert system for
environmental screening Proceedings. Seventh IEEE
Conference on Artificial Intelligence Applications .1991. p. 294-
8. IEEE Comput. Soc. Press Ubicación: IEEE Electronic
Library
[43] Fortlage C. A. Environmental assessment : a practical guide
Aldershot : Gower, 1990.
[44] García Alvarez, A. Guía práctica de evaluación de impacto
ambiental : (proyectos y actividades afectados) Salamanca :
Amar·, 1994 .
[45] Giachetti R., Evaluating Engineering functions with imprecise
quantities 7 IFSA World Congress Prague (1997) vol II 150-
155
[45a]
Giasa – Dirección General de carreteras Desdoblamiento de la
variante de Cártama Anejo 16: Estudio Ambiental sin publicar
[46]
Gómez Orea, D. Evaluación de impacto ambiental. Editorial
168
Agrícola Española, tercera edición, 1998.
[47] Gómez Orea, D. Evaluación del impacto ambiental de proyectos
agrarios Madrid : Instituto de Reforma y Desarrollo Agrario,
1988.
[48] Gómez Orea, D. Impro : modelo informatizado para la evaluación
del impacto ambiental Madrid : Editorial Agrícola Española,
1991.
[49] González A., Vila M.A. & de Campos L.M. On subjective order
relations between fuzzy numbers BUSEFAL 33 p.9-18 (1987)
[50] Graber W.K., Siegwolf R.T.W., Nater W. & Leonardi S. Mapping
the impact of anthropogenic depositions on high elevated
Alpine Forests Environmental Software. 11(1-3):59-64, 1996.
[51]
Guariso G., Werthner, H.A. Software Base for Environmental
Studies En: Computer Journal, 31 (06), page 550-552 (1988).
[52] Guipúzcoa. Diputación Foral - Simposio sobre Impacto Ambiental
de las carreteras (1988. San Sebastián) - Asociación Técnica
de Carreteras (Madrid) Simposio sobre Impacto Ambiental de
las Carreteras : San Sebastián, 19 a 21 de Octubre de 1988
Madrid :Gráficas Topacio , 1989 .
[53] Gunther O., Lamberts J. Object-Oriented Techniques for the
Management of Geographical and Environmental Data
Computer Journal, 37 (01), page 16-25 (1994).
[54] Gregersen H.M. Análisis de impactos de proyectos forestales :
problemas y estrategias Roma : FAO, 1995.
[55] Harris P.J. & Heburn G.W. Intelligent tools for environmental
tactical decision aids Proceedings. Sixth International
Conference on Tools with Artificial Intelligence p. 530-3.
[56]
Hernández del Águila R. El conflicto sociedad-naturaleza: algunos
planteamientos sobre su génesis y consecuencias.
Presupuestos teóricos y éticos sobre la paz. Ana Rubio (Ed).
Eirene. Seminario de Estudios sobre la paz y los conflictos.
Universidad de Granada 1993
[57] Hernandez Fernandez, S. Ecología para ingenieros, el impacto
ambiental Madrid : Colegio de Ingenieros de Caminos,
Canales y Puertos, 1995 .
[58] Hromadka T.V. & Yen C.C. Using cost-to-benefit index (CBI) to
set priorities for a city master plan drainage system
Environmental Software. 10(1):1-9, 1995.
169
[59] Jain R., Tolerance analysis using fuzzy sets, J. Systems Sci. 12
(1976) 1393-1401
[60] Jansen D. Jakeman A. Special Issue - MODSIM 95 - A selection
of papers presented at the International Congress on
Modelling and Simulation Environmental Software. 11(1-3):R
5, 1996.
[61]
Janssen R. Multiobjective decision support for environmental
management Dordrecht : Kluwer Academic, 1996 .
[62] Jennings A.A. & Nagarkar P.A. Automating probabilistic
environmental decision analysis Environmental Software.
10(4):251-262, 1995.
Klir G. & Yuan B. Fuzzy Sets and Fuzzy Logic Prentice Hall, New
[63]
Jersey, 1995
Kreinkovich V., Lakeyev A., Rohn J. & Kahl P. Computational
[64]
complexity and feasibility of data processing and interval
computations Kluwer Academic Publishers 1998
Lee Ch. Ch. Fuzzy Logic in Control Systems: Fuzzy Logic
[65]
Controller-Part I IEEE Transactions on Systems, Man, and
Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 404-418
[66] Lee Ch. Ch. Fuzzy Logic in Control Systems: Fuzzy Logic
Controller-Part II IEEE Transactions on Systems, Man, and
Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 419-435
[67] Leff E. Medio ambiente y desarrollos alternativos Paz y
prospectiva: problemas globales y futuro de la humanidad.
Sánchez y otros (Eds.) Eirene. Seminario de Estudios sobre la
paz y los conflictos. Universidad de Granada 1994
[68] López Taracena A. Evaluaciones de impacto ambiental y deslinde
competencial Madrid : Ministerio de Obras P·blicas,
Transportes y Medio Ambiente, 1995.
[69] Mac Cluskey J. Parking : manual de diseño ambiental Barcelona :
Gustavo Gili, 1990.
[70] Mapfre Estudio del estado del sector medioambiental en España
Madrid : Fundación Mapfre Vida, 1994.
[71]
Mares M. Weak arithmetics if fuzzy numbers, Fuzzy Sets and
Systems 2 (1997) 143-154
[72] Mariani P., Tiscornia D. & Turchi, F. Contributions towards a
method of representing legal knowledge: two methods of
handling environmental standards Informatica e Diritto Iss:
no.1 p. 305-26, 1993.
170
[73] Martens D.M. & Dibiase J.F. TCM-MANAGER - A PC-based total
catchment management decision support system
Environmental Software. 11(1-3):1-7, 1996.
[74] Masters G. M. Introduction to environmental engineering and
science Englewood Cliffs, New Jersey : Prentice-Hall, 1991.
[75] Mason C. & Matwin S. Guest Editors' Introduction: Environmental
Applications of Al IEEE Expert, 10 (06), page 12-13 (1995).
[76] Mendel J. Fuzzy Logic Systems for Engineering: A Tutorial
Procceedingos of the IEEE, V 83, No. 3 Marzo 1995, pp 345-
377
[77] Menéndez Arias M. J. & Lavilla Rubira, J.J. Todo sobre el medio
ambiente Barcelona : Praxis, 1996.
[78] Mizumoto M. & Tanaka H. Algebraic properties of fuzzy numbers,
Int. Conf. Cybernetic Soc. Washington DC (1976)
[79] Mizumoto M. & Tanaka H. Some properties of fuzzy numbers, in:
M.M. Gupta, R.K. Ragade - R.R. Yager eds., Advances in
Fuzzy Sets and Theory and Applications (North-Holland,
Amsterdam 1979) 153-164
[80] Murthy, K.S. National Environmental Policy Act (NEPA) process
Boca Raton, Florida : CRC Press, 1988.
[81]
Oates, W. The economics of environmental regulation
Cheltenham, [etc.] : Edward Elgar, 1996. Ubicación:
Fac.Emprs.(Gra.) FEG/81 1 23423484
[82] Parsons S. Dohnal M. The qualitative and semiqualitative
analysis of environmental problems Environmental Software.
10(2):75-85, 1995.
Passino K. Intelligent Control The Control Handbook, IEEE pp
[83]
994-1001
Passino K. Fuzzy Control The Control Handbook, IEEE pp 1001-
[84]
1017
Passino K. Intelligent Control for Autonomous Systems IEEE
[85]
Spectrum, Junio 1995 pp 55-62
[86]
Punthakey J.F., Prathapar S.A., Somaratne N.M., Merrick N.P.,
Lawson S. & Williams RM. Assesing impacts of basin
management and environmental change in the eastern Murray
basin Environmental Software. 11(1-3):135-142, 1996.
[87] Ramos A., Alonso S. G. & Aguilo, M. Directrices y técnicas para la
estimación de impactos : implicaciones ecológicas y
paisajísticas de las implantaciones industriales, criterios para
171
el establecimiento de una normativa Madrid : Universidad
Politécnica de Madrid, Cátedra de planificación, 1995 .[3ª ed.].
[88] Reznik L. Fuzzy Controllers Ed. Nesnes 1997
[89] Riebau A.R. Wilderness monitoring and Data mangment
Environmental Software. 9(4):227-232, 1994.
[90] Roadknight C.M, Balls G.R. & Palmer-Brown D. Modeling
Complex Environmental Data IEEE Transactions on Neural
Networks, 08 (04), page 852-862 (1997).
[91]
Robertson P.K. & Abel D.J. Guest Editors' Introduction. Graphics
and Environmental Decision Making IEEE Computer Graphics
and Applications, 13 (02), page 25-27 (1993).
[92] Rodriguez García E.B. Evaluación del impacto ambiental Granada
: Centro de Estudios Municipales y de Cooperaci_n
Interprovincial, 1991 .
[93] Rodríguez Muñoz I. & Ortega Domínguez R. Manual de gestión
del medio ambiente Madrid : Fundación Mapfre Vida, 1994.
[94] Rosa Moreno J. Régimen jurídico de la evaluación de impacto
ambiental Madrid : Trivium, 1993.
[95] Rubio A. (Ed.) Presupuestos teóricos y éticos sobre la paz Eirene.
Seminario de Estudios sobre la Paz y los Conflictos.
Universidad de Granada. 1993
[96]
Sanchez E. Solution of fuzzy equations with extended operations,
Fuzzy Sets and systems 11 (1983) 163-184
[97] Sanchez E.Non standard fuzzy arithmetics, Tech. report, Univ.of
California, Berkeley, 1985
[98] Sánchez J.A., Muñoz F.A., Rodríguez F.J. & Jiménez F. (Eds.)
Paz y prospectiva: problemas globales y futuro de la
humanidad. Eirene. Seminario de Estudios sobre la Paz y los
Conflictos. Universidad de Granada. 1994
[99] Seminario sobre las Evaluaciones del Impacto Ambiental como
Instrumento de Gestión del Medio Ambiente. Situación y
Perspectivas en América Latina y el Caribe (1989. Cartagena
de Indias, Colombia) Evaluaciones del impacto ambiental en
América Latina y el Caribe : [Seminario sobre Evaluaciones
del Impacto Ambiental... : celebrado en Cartagena de Indias,
Colombia, del 3 al 7 de abril de 1989] Santiago de Chile :
Naciones Unidas, Comisión Econímica para América Latina y
el Caribe, 1991 .
172
[100] Serrano Moreno J.L. & Peña Freire, A. M. Ecología y derecho : la
evaluación ambiental Granada : Comares, 1994.
[101]
Shrader Frechette K.S. Science policy, ethics, and economic
methodology : some problems of technology assessment and
environmental-impact analysis Dordrecht : Reidel, 1985.
[102] Shary S.P. A new class of algorithms for optimal solution of
interval linear systems Interval computations 2 p18-29 1992
[103] Simposio Nacional sobre Carreteras y Medio Ambiente (2º. 1992.
Las Palmas de Gran Canaria) / Asociación Técnica de
Carreteras (Madrid). Comité Técnico de Carreteras y Medio
Ambiente / España. Secretaría de Estado para las Políticas del
Agua y el Medio Ambiente / Canarias. Consejería de Obras
Públicas, Vivienda y Aguas II Simposio Nacional sobre
Carreteras y Medio Ambiente : Las Palmas de Gran Canaria, 3
al 6 de Noviembre de 1992 Asociación Técnica de Carreteras,
1993.
[104] Simposio Nacional sobre Carreteras y Medio Ambiente (3º. 1995.
Pamplona) / Viveros y Repoblaciones de Navarra III Simposio
Nacional sobre Carreteras y Medio Ambiente : [desarrollo
sostenible y avances tecnológicos] Asociación Técnica de
Carreteras, 1996.
[105] Soler Manuel, M.A. Manual de gestión del medio ambiente
Barcelona : Ariel, 1997.
[106]
Strickland R.M., Luecht D.W., Allen S.D., Ferrence, L.M. & Loper,
N.A. Environmental assessment case studies software En:
Sixth International Conference on Computers in Agriculture p.
357-64. 1996.
[107] Tamura N. & Horiuchi K. VSOP fuzzy numbers and fuzzy
comparison relations, second IEEE Int. Conf. Fuzzy Systems
San Francisco (1993)
[108] Touma J.S., Eltgroth M.W., Paik T.K. & Chikhliwala E.D. Expert
Interface for modelling air quality impacts from superfund sites
En: Environmental Software. 10(4):223-239, 1995.
[109] Walker D.H. & Johnson A.K.L. NRM TOOLS - A flexible decision
support environment for integrated catchment managment En:
Environmental Software. 11(1-3):19-24, 1996.
[110] Vitoria Las evaluaciones de impacto ambiental Vitoria :
Departamento de Urbanismo, Vivienda y Medio Ambiente,
1991.
173
Wang, L.X. Adaptative Fuzzy Systems and Control. Design and
[111]
Stability Analysis Prentice Hall, New Jersey, 1994
[112] Wathern, P. Environmental impact assessment : theory and
practice London [etc.] : Routledge, 1994 .Repr. 1994.
[113] Yager R.R., On the lack of inverses in fuzzy arithmetic, Fuzzy
Sets ans Systems (1980) 73-82
[114] Yang H.Q., Yao H. & Jones J.D. Calculating functions of fuzzy
numbers Fuzzy Sets and Systems 55 p. 273-283 . 1993.
[115] Young W. & Gu K. Using a computer model to assist in teaching
the interaction between land use, transport and the
environment 1994 IEEE First International Conference on
Multi-Media Engineering Education Proceedings p.
231-9. 1994.
[116] Zadeh L.A. Fuzzy sets Information and control vol 8. p 338-353.
1965
[117] Zadeh L.A. The concept of linguistic variable and its applications
to approximate reasoning, Part I, Inform. Sci. 8 (1975) 199-
249; Part II, Inform. Sci. 8 (1976) 301-357; Part III, Inform. Sci.
9 (1976) 43-80.
[118] Zadeh L.A. What is Computing with words? Computing with words
in Information/Intelligent Systems 1. Physica Verlag 1999
[119] Zhang L., Oneill AL. & Lacey S. Modelling approaches to the
prediction of soil erosion in catchments En: Environmental
Software. 11(1-3):123-133, 1996.
174
APÉNDICE A. FUNDAMENTOS DE
LAS TÉCNICAS DIFUSAS
A.1. INTRODUCCIÓN
El término Técnicas difusas hace referencia a todas aquellas
estrategias de representación del conocimiento y/o análisis de la
información basadas en la teoría de conjuntos difusos propuesta por
Zadeh. En este apéndice se resumen los conceptos fundamentales en
los que éstas técnicas se fundamentan.
Existen numerosos documentos que presentan con gran rigor
matemático los fundamentos de las técnicas difusas (vease, por
ejemplo las referencias [], [] y []). En contraposición, este apéndice
se ha escrito buscando un lenguaje de fácil comprensión, haciendo
énfasis en las explicaciones verbales acompañadas de figuras, más
que en las expresiones matemáticas, pensando siempre en que el
contenido de esta tesis puede ser de interés para un amplio espectro
de lectores, algunos de los cuales quizás no estén familiarizados con
el lenguaje matemático. No obstante, se incluyen también varios
recuadros en los que se precisa en lenguaje matemático lo que se ha
explicado previamente con palabras y figuras.
A.2. CONJUNTOS DIFUSOS

Como se ha anotado arriba, las técnicas difusas se basan en el
concepto de conjunto difuso, cuyo autor es Lotfi Zadeh. Para
presentar este concepto, es conveniente hablar primero de otro
concepto más difundido, y por tanto más sencillo de abordar: el
concepto de Conjunto.
Generalmente se entiende por conjunto una colección de
cosas que comparten entre sí alguna característica común; de hecho,
una de las acepciones que presenta el Diccionario de la Real
Academia de la Lengua Española para este término es:
175
“La totalidad de los elementos o cosas poseedores de
una propiedad común, que los distingue de otros. Por
ejemplo, los números pares”.
La teoría de conjuntos es una de las ramas de la matemática
que se encarga de formalizar y estudiar los conjuntos. A partir de ella
se ha podido construir todo el andamiaje que soporta el resto de las
ramas de la matemática.
El concepto de conjunto es, sin duda, tremendamente útil, y
lo utilizamos tan a menudo que ni siquiera nos percatamos de ello:
por ejemplo, en un supermercado las mercancias están organizadas
en grandes conjuntos (Artículos de aseo, Comestibles, etc. ) que a su
vez se organizan en conjuntos más pequeños o subconjuntos (La
sección de Comestibles puede organizarse en Verduras, Carnes,
etc.).
Un rasgo determinante de estos conjuntos es que, para cada
conjunto, un elemento sólo tiene dos posibilidades: pertenecer al
conjunto o no pertenecer a él. En nuestro ejemplo del supermercado,
una determinada mercancia (una caja de leche, por ejemplo)
pertenece al conjunto de las carnes, o no pertenece a él (la caja de
leche claramente no pertenece al conjunto de las carnes).
Tomando las palabras del Diccionario de la Real Academia,
puede decirse que un elemento pertenece al conjunto si posee la
propiedad común que caracteriza al conjunto. De lo contrario no
pertenece al conjunto. Esta propiedad se conoce como el Principio
del tercer excluido (sólo hay dos opciones, pertenecer o no
pertenecer; cualquiera tercera opción está excluida).
Sin embargo, en algunas ocasiones no es fácil determinar si
un determinado elemento posee o no la propiedad común del
conjunto, ya que la propiedad puede poseerse parcialmente. Por
ejemplo, supóngase que se desea construir el conjunto de las
ciudades populosas de un cierto país. Para ello deberiamos
determinar cuáles de las ciudades de ese país poseen la propiedad ser
populosa, y podriamos, por ejemplo, decidir que lo son aquellas cuyo
último censo alcance o sobrepase una cierta cifra, digamos 500.000
176
habitantes. No obstante, esta solución presenta algunas dificultades
como las siguientes:
• Dos ciudades cuyos censos hayan sido de 500.000 y
3’000.000 de habitantes serán consideradas como
ciudades populosas, y sin embargo la primera no lo es
tanto como la segunda.
• Dos ciudades cuyos censos hayan sido de 499.999 y
500.000 habitantes, pese a tener una población muy
semejante, son catalogadas de forma diferente: la primera
no pertenece al conjunto de las ciudades populosas, y la
segunda sí. Supongase que, en el país del ejemplo, de este
criterio depende el monto de las ayudas que el gobierno
central destina a las ciudades ¿aceptarían los ciudadanos
de la primera recibir menos dinero que los de la segunda
por un único habitante de diferencia?
Con este ejemplo se pone de manifiesto que existen ocasiones
en las que es conveniente tener en cuenta que la propiedad que define
al conjunto puede cumplirse en cierto grado (hay ciudades más
populosas que otras), y que por lo tanto no es posible establecer
tajantemente si un elemento pertenece o no al conjunto. Este hecho
ha inspirado la aparición de los Conjuntos difusos.
Un Conjunto difuso es un conjunto en el que los elementos
pueden pertenecer parcialmente a él. Cada elemento tendrá un grado
de pertenencia al conjunto, que puede expresarse en porcentaje, o
como un número comprendido entre 0 y 1; de esta manera, se dice
que un elemento pertenece a un conjunto difuso con un cierto grado
de pertenencia. Para distinguir los conjuntos difusos de lo que hasta
este momento hemos denominado simplemente conjuntos, a partir
ahora se denominarán a estos últimos en estas notas como Conjuntos
Crisp
Si un elemento pertenece parcialmente a un conjunto
(digamos en un 70%), entonces a la vez no pertenece a él (digamos
en un 30%). En los conjuntos difusos se rompe con el principio del
tercer excluido, porque ahora un mismo elemento puede pertenecer
(parcialmente) y no pertenecer simultáneamente a un conjunto.
177
Retomando el ejemplo de las ciudades populosas, se puede
proponer la construcción de un conjunto difuso, para lo cual se debe
establecer qué tanto pertenece cada ciudad a dicho conjunto. Dicho
de otra forma, se debe establecer en qué grado cada ciudad cumple
con la propiedad de ser populosa. Por ejemplo, podriamos decir que
aquellas ciudades con menos de 250.000 habitantes no cumplen en
absoluto la propiedad, que aquellas con más de 1’000.000 la cumplen
totalmente, y que aquellas con una población comprendida entre
250.000 y 1’000.000 de habitantes la cumplen parcialmente, más
cuanto mayor sea el número de habitantes. En la Figura A1 en la se
muestra el grado de pertenecia al conjunto difuso ciudades populosas
como una función del número de habitantes.
Figura A1Conjunto difuso Ciudad Populosa

Dado un Universo de Discurso U, un Conjunto difuso se identifica por su
función de pertenencia, o función característica, μA(u) que asigna a cada
elemento x del Universo de Discurso un grado de pertenencia al conjunto
difuso:
μ A : U → [0,1]
Un conjunto difuso es el conjunto de parejas (u,μA(u)) para todos los
elementos del universo de discurso U:
A = {(u , μ A (u )) | u ∈ U }
A.3. ALFA-CORTES
Al establecer un grado de pertenecia a los conjuntos difusos
se está admitiendo que algunos de los elementos del conjunto
178
cumplen más o mejor la propiedad común del conjunto. En nuestro
ejemplo, una ciudad de 750.000 habitantes es más populosa que una
de 500.000, porque sus grados de pertenencia al conjunto son 66% y
33% respectivamente.
Es posible que en algún momento se desee conocer cuáles
son los elementos del conjunto que cumplen la propiedad bastante
bien, es decir que tienen un grado de pertenencia igual o mayor que
un cierto umbral; por ejemplo, podemos deear saber cuáles son las
ciudades que cumplen la propiedad de ser populosas en, por lo
menos un 66%.
En la Figura A1 se observa que todas aquellas ciudades cuya
población sea de 750.000 habitantes o más tienen un grado de
pertenecia de al menos 66%; Se dice entonces, que el conjunto de las
ciudades con 750.000 habitantes o más es el el α-corte (pronunciado
como el alfa-corte) del conjunto difuso de las ciudades populosas,
para un valor de α igual al 66%. Vale la pena resaltar que un α-corte
es un conjunto crisp, es decir no es difuso.
Un Conjunto Difuso A definido sobre el Universo de Discurso U, cuya
función de pertenecia sea μA(x) se puede caracterizar tambiñen por sus α-
cortes Aα:
Aα = {x | μ A ( x ) ≥ α}
Nota: Una definición alternativa se obtiene al remplazar el signo ≥ por el
signo >. En esta tesis se ha adoptado la convención según la cual el
α-corte para α=0 es el soporte del conjunto difuso:
⎧ {x | μ A ( x ) ≥ α} α ∈ (0,1]
Aα = ⎨
[ ]
⎩ limα →0 + (inf ( Aα )) , limα→0 + (sup ( Aα )) α=0
A.4. PRINCIPO DE EXTENSIÓN

La principal diferencia entre los conjuntos crisp y los
conjuntos difusos consiste en que para los primeros los elementos
sólo tienen dos posibilidades, pertenecer o no pertenecer, mientras
que para los segundos se puede pertenecer en algún grado.
179
Esto mismo puede decirse de otra forma: Mientras que en los
conjuntos difusos los elementos pueden tener cualquier grado de
pertenencia (entre 0% y 100%), en los conjuntos crisp sólo hay dos
posibilidades: tener grado de pertenencia del 0% (no pertenecer) o
del 100% (pertenecer). Visto asi, los conjuntos crisp son un caso
particular de los conjuntos difusos, y por esta razón, se dice que los
conjuntos difusos son una extensión de los conjuntos crisp.
Lo anterior es muy útil a la hora de trabajar con conjuntos
difusos, ya que se conocen muy bien muchas funciones sobre
conjuntos crisp. La forma usual de encontrar una función sobre
conjuntos difusos es buscar cuál es la que serviría si se tratase de
conjuntos crisp, y extenderla al caso de los conjuntos difusos.
Si A es un conjunto difuso definido sobre el Universo de Discurso U, y f es
una función de U en V, v=f(u) entonces el Principio de Extensión permite
definir un conjunto difuso B en Y como:
B = f ( A) = {(v, μ B (v ) ) | v = f (u ),u∈U }
donde
−1
⎧sup −1 (u (u )) si f ( v) ≠ ∅
μ B (v ) = ⎨ u∈ f ( v ) A
⎩ 0 si f −1 (v ) = ∅
A.5. VARIABLES LINGÜÍSTICAS

Una variable lingüística es una variable que representamos
con palabras en lugar de hacerlo con números. Como veremos a
continuación, los conjuntos difusos permiten representar
adecuadamente algunas de esta s variables.
Mientras que los ordenadores están diseñados para trabajar
con números, los seres humanos generalmente razonamos empleando
palabras; por ejemplo, si tenemos que enseñar a alguien cómo
conducir un coche, preferiremos decir “acelera suavemente” que
“acelera a 0.7 m/s2”.
180
Un ejemplo títpico de variable lingüística es la edad de las
personas. Para hablar de la edad de alguien, usalmente le asignamos
una Etiqueta como la de bebé, niño, adolescente, joven, adulto, viejo
o anciano. Sin embargo, no existen fronteras exactas entre esas
etiquetas (¿cuándo se pasa de niño a adolescente?), y por lo tanto
podemos pensar en describirlas mediante conjuntos difusos.
La figura A2 muestra un ejemplo de cómo se podría defnir la
variable lingüística Edad, empleando sólo tres etiquetas Joven, Edad
Media y Viejo. Por supuesto, el número de etiquetas, y el conjunto
difuso asociado a cada una de ellas dependerá de la aplicación que se
vaya a efectuar de la Variable Lingüística.
Figura A2 Variable lingüística Edad

Una Variable Lingüística se caracteriza por un conjunto de cinco elementos
{Ψ,T(Ψ),U,G,M}
donde Ψ es el nombre de la variable; T(Ψ) es el conjunto de términos de
Ψ, es decir la colección de los valores lingüísticos; U es el universo de
discurso; G es una regla sintáctica que genera los términos en T(Ψ); M es
una regla semántica que asocia a cada valor lingïístico X su significado
M(X), que es un conjunto difuso sobre U.
A.6. NÚMEROS DIFUSOS

“-¿Qué hora es? -Más o menos las tres y media”. “-¿Cuánto
crees que cueste ese coche? -Cerca de millón y medio”. Este tipo de
diálogos, comunes en nuestra vida diaria, muestran que en ocasiones
las cantidades numéricas (la hora y el precio en estos ejemplos) no
siempre están claramente definidas. Por esta razón puede ser
conveniente represntarlos en forma difusa
181
Un número difuso es un conjunto difuso con algunas
particularidades, de las cuales destacamos las siguinettes: primero, el
universo de discurso es el conjunto de los números reales; segundo,
al menos uno de los números reales tiene un grado de pertenecia del
100%; además, debe cumplir otras propiedades matemáticas que
aseguran que la forma del conjunto difuso no es “demasiado
extraña”15, de tal manera que los α-cortes siempre son intervalos
cerrados.
Un tipo de número difuso muy empleado es el que se conoce
como número difuso trapezoidal, debido a la forma de su función de
pertenencia. En el contexto de esta tesis se usa la nomenclatura según
la cual un conjunto difuso trapezoidal con una función de pertenecia
como la de la Figura A3 se representa por T(a,b,c,d).
Figura A3 Número difuso trapezoidal

Un número difuso es un conjunto difuso definido sobre R, normal, convexo
y semicontínuo superiormente.
La función de pertenecia μT(x) de un número difuso trapezoidal T(a,b,c,d)
es
⎧ 0 si x <= a
⎪ ( x − a)
⎪ (b − a ) si a < x <= b
⎪
μ T ( x) = ⎨ 1 si b < x <= c
⎪(d − x )
⎪ si c < x <= d
( d − c)
⎪⎩ 0 si d < x
15
Si se desea más precisión sobre esta expresión tan difusa, véase el
recuadro al final de este apartado
182
A.7. ARITMÉTICA DIFUSA
La aritmética difusa es el conjunto de estrategias empleadas
para operar con números difusos. En otras palabras, mediante la
aritmética difusa podemos sumar “más o menos 3” con “un poco
menos de 2”. En general, se emplea el principio de extensión para
definir las operaciones básicas (suma, resta, etc.) a partir de las
operaciones sobre números reales convencionales.
Al trabajar con números trapezoidales se pueden obtener
algunas expresiones sencillas, por ejemplo, si A=T(a,b,c,d) y
B=T(e,f,g,h) son dos números trapezoidales, su suma y su resta son
otros números trapezoidales que se pueden calcular como:
A+B=T(a+e, b+f, c+g, d+h)
A-B=T(a-h, b-g, c-f, d-e)
En la figura A4 se muestra el resultado de sumar y restar dos
números difusos (“más o menos 2” y “más o menos 3”). Es muy
importante resaltar que el resultado es en ambos casos más ancho
que los número originales, es decir que hay más incertidumbre en el
resultado. La incertidumbre se acumula en cada operación
matemática.
El inverso de la resta entre números difusos no es la suma:
si A=T(a,b,c,d) y B=T(e,f,g,h) son dos números trapezoidales, entonces
C=A-B=T(a-h, b-g, c-f, d-e)
pero
A=T(a,b,c,d) ≠ C+B=T(a+e-h, b+f-g, c+g-f, d+h-e)
A.8. LÓGICA DIFUSA Y

RAZONAMIENTO APROXIMADO
Aunque en ocasiones se utiliza el término Lógica Difusa, para
designar todas aquellas estrategias que emplean de alguna u otra
183
manera el concepto de conjunto difuso, en esta notas se ha preferido
emplear para ello el término de Técnicas difusas, reservando el de
lógica difusa para algo menos amplio: la extensión de la lógica
clásica al terreno de los conjuntos difusos.
Por ejemplo, la Inferencia lógica clásica consiste en la
combinación de proposiciones para producir nuevas proposiciones.
Así, al combinar la proposición "X es A" con la proposición "Si X es
A Entonces Y es B", se puede inferir la proposición "Y es B" (ver
figura A4).
Una inferencia como la presentada en el párrafo anterior sólo
es posible en la lógica tradicional si la primera proposición ("X es
A") es idéntica a la primera parte de la segunda proposición ("(IF) X
es A"); sin embargo, en la lógica difusa estas dos proposiciones no
necesariamente deben ser idénticas, debido a que las fronteras de los
conjuntos no son precisas. Así, al combinar la proposición "X es A*"
con la proposición "IF X es A THEN Y es B", puede obtenerse la
proposición "Y es B*" (ver Figura A5). La Figura A6 muestra
gráficamente cómo puede interpretarse esta inferencia
Figura A4 Inferencia en Lógica Figura A6 Inferencia en Lógica Difusa

Tradicional
Figura A6. Representación gráfica de los mecanismos de Inferencia en Lógica

Difusa
184
A.9. SISTEMAS DE LÓGICA DIFUSA
Los mecanismos de Inferencia presentados en el apartado
anterior permiten obtener Conjuntos difusos a partir de la
combinación de Conjuntos difusos con reglas de la forma SI...
ENTONCES...; Un Sistema de Lógica Difusa aprovecha esos
mecanismos como el motor de cálculo de un sistema cuyas entradas
y salidas son números concretos.
La estructura básica de un Sistema de Lógica Difusa se
muestra en la figura A7. El sistema recibe varias entradas numéricas
y entrega varias salidas numéricas. El bloque Difusor se encarga de
convertir las entradas en conjuntos difusos, que son entregados al
bloque Máquina de Inferencia; este bloque, apoyado en un conjunto
de reglas de la forma SI... ENTONCES... almacenadas en la Base de
Reglas, produce varios conjuntos difusos para que el bloque
Concresor los tome y los convierta en salidas numéricas concretas.
Figura A7 Estructura de un Sistema de Lógica Difusa

Cada una de las variables de entrada y de salida tiene una
representación dentro del Sistema de Lógica Difusa en forma de
Variables Lingüísticas. Debido a que un Sistema de Lógica Difusa
puede, en general, tener varias entradas y varias salidas, la forma
genérica de las reglas presentes en la Base de Reglas es la siguiente:
SI X1 es A1 AND X2 es A2 AND ... AND Xm es Am
ENTONCES Y1 es B! AND Y2 es B2 AND... AND Yn es Bn
En estas reglas, A1,A2,..., Am,B!,B2,...,Bn son Valores
Lingüísticos de las Variables Lingüísticas respectivas.
185
El siguiente ejemplo sencillo quizás ayude a entender la
estructura de un Sistema de Lógica Difusa: Una entidad financiera
necesita determinar qué tanto dinero puede prestarle a sus clientes.
Para ello quiere utilizar como únicos criterios de evaluación los
ingresos mensuales y el promedio de ahorro mensual de cada cliente.
Se propone como solución un Sistema de Lógica Difusa con las
siguientes características:
Figura A8 Sistema del ejemplo

El Sistema recibe dos entradas, el Ingreso Mensual y el
Promedio Mensual de Ahorro y entrega una salida, el monto máximo
del Préstamo (ver figura A8). Estas tres variables se representan
internamente por las Variables Lingüísticas Ingreso, Ahorro y
Préstamo, cuyos Valores Lingüísticos se muestran en la figura A9, y
se han consignado en la Tabla A1
Tabla A1. valores lingüísticos del ejemplo
Ingreso Ahorro Préstamo
Muy Bajo Bajo Muy Pequeño
Bajo Medio Pequeño
Medio Alto Poco Pequeño
Alto Normal
Muy Alto Poco Grande
Grande
Muy Grande
Figura A9 . valores lingüísticos del ejemplo
186
Las reglas que deben existir en la Base se pueden obtener con
un poco de sentido común; por ejemplo, si el Ingreso es Muy Bajo y
el Ahorro es Bajo, el Préstamo debe ser Muy Pequeño, mientras que
si el Ingreso es Muy Alto y el Ahorro es Alto, el Préstamo debe ser
Muy Grande. Lo anterior significa que deben existir por lo menos las
dos reglas siguientes:
SI Ingreso es Muy Bajo AND Ahorro es Bajo ENTONCES
Préstamo es Muy Pequeño.
SI Ingreso es Muy Alto AND Ahorro es Alto ENTONCES
Préstamo es Muy Grande.
En forma similar pueden obtenerse las demás reglas, que se
presentan en forma resumida en la Tabla 4.
Tabla A2 . Reglas del ejemplo
AHORRO INGRESOS
Muy Bajo Bajo Medio Alto Muy Alto
Bajo Muy Pequeño Pequeño Poco Pequeño Normal Poco Grande

Medio Pequeño Poco Pequeño Normal Poco Grande Grande
Alto Poco Pequeño Normal Poco Grande Grande Muy Grande
Nótese que el diseño de las Variables Lingüísticas y de la

Base de Reglas ha seguido criterios subjetivos, pero extraidos del
sentido común, y no ha sido necesario plantear complejos modelos
matemáticos. Aún así, el sistema diseñado permite solucionar el
problema planteado, con algunas características interesantes: por
ejemplo, si las políticas crediticias de la entidad cambian para
restringir los préstamos, basta con modificar algunas casillas de la
tabla A2 para adecuar el sistema, o bien se pueden modificar las
funciones de pertenencia de la figura A9.
La figura A10 muestra los resultados producidos por el
sistema del ejemplo con algunas de las opciones matemáticas más
utilizadas. Se ha graficado el Monto Máximo del Préstamo en
función del Ingreso Mensual, bajo tres condiciones distintas de
Ahorro Medio Mensual.
187
Figura A10 Resultados del sistema del ejemplo 3
El Motor de Inferencia recibe los p conjuntos difusos producidos por el
Difusor, y los aplica a cada una de las m reglas de la Base de Reglas, para
producir m*q Conjuntos Difusos (un conjunto difuso por cada variable de
salida en cada una de las reglas) definidos sobre los Universos de
Discurso de la Variables Lingüísticas de salida.
La forma en que se define la función de pertenencia de cada uno de los
m*q Conjuntos Difusos producidos es la siguiente:
Supóngase que el Difusor produce p conjuntos difusos Dif 1, Dif2,... Difp, ,
con funciones de pertenencia
uDif1(x1), uDif2(x2), ...uDifp(xp),
Supóngase ademas que la regla número i es de la forma
SI ( entrada 1 es ci1 AND entrada 2 es ci2 AND....AND entrada p es cip )
ENTONCES (salida 1 es di1 AND salida 2 es di2 AND......AND salida q es
diq)
En donde los conjuntos cik y dij tienen funciones de pertenencia
uci1(x1), uci2(x2), ...ucip(xp),
udi1(y1), udi2(y2), ...udiq(yq),
Supóngase que el conjunto Bij es uno de los m*q conjuntos difusos
generados por el Motor de Inferencia, correspondiente a la regla i y a la
variable de salida j. Dicho conjunto Bij tiene por funcion de pertenencia:
uBij(yj)=composicion( uDif(x), uImp(x,yj))
uBij(yj)=maxx( uDif(x) (*) uImp(x,yj))
En donde x corresponde a un vector de las p variables de entrada x1, x2,
...xp; (*) corresponde a un operador T-Norma, y uDif(x), uImp(x,yj) se definen
a continuación:
188
uDif(x) = uDif1(x1)ANDuDif2(x2) AND ... ANDuDifp(xp)
uImp(x,yj) = (uAntecedente(x) ⇒ uConsecuente(yj))
uAntecedente(x)= uci1(x1)ANDuci2(x2) AND ... ANDucip(xp)
uConsecuente(yj) = udij(xj)
En donde el operador AND corresponde a un operador T-Norma, y el
operador ⇒ corresponde a una Implicación.
En caso de que la regla i sea de la forma
SI ( entrada 1 es [muy/poco(mod1)] ci1 AND entrada 2 es [muy/poco(mod2)]
ci2 AND....AND entrada p es [muy/poco(modp)] cip )
ENTONCES (salida 1 es di1 AND salida 2 es di2 AND......AND salida q es
diq)
el único cambio que debe hacerse para la determinación de las funciones
de pertenencia es el siguiente:
uAntecedente(x)= (uci1(x1))mod1AND(uci2(x2)) mod2AND ... AND(ucip(xp)) modp
A.10. SISTEMAS DE COMPUTACIÓN

CON PALABRAS
Los sistemas de computación con palabras se asemejan
mucho a los del apartado anterior. La principal diferencia radica en
que tanto las entradas como las salidas son palabras en lugar de
números. Por esta razón, los bloques difusor y concresor son
diferentes:
El bloque difusor recibe palabras y produce números difusos,
mientras que el bloque concresor recibe números difusos y produce
palabras. La primera de las tareas se conoce como la Interpretación
lingüística, mientras que la segunda es la Aproximación lingüística.
189
190
APÉNDICE B. EJEMPLOS
AMPLIADOS DEL CAPÍTULO 2
El propósito de este apéndice es presentar en detalle cómo se

han obtenido los resultados que se consignan en los principales
ejemplos del capítulo 2. Para ello en la mayoría de los casos se
mostrarán en tablas los α-cortes de varios números difusos. Aunque
las figuras presentadas en el capítulo 2 se han obtenido con una
representación discreta usando Alfa={0, 0.01, 0.02,..., 0.99, 1.00},
por simplicidad en la presentación de los tablas, los valores
consignados en éstas se han obtenido con una representación discreta
usando Alfa={0, 0.1, 0.2,..., 0.9, 1.0}.
A menos que se especifique lo contrario, en los ejemplos
numéricos de este capítulo, se utilizará la función de varias entradas
x12
y = f ( x1 , x2 ) =
x2
definida con x1, x2, y números reales positivos de (x2 es estrictamente
positivo) y sus funciones inversas
x1 = f 1−1 ( y , x 2 ) = yx 2
−1
x12
x2 = f 2 ( y , x1 ) =
y
De acuerdo con las definiciones presentadas en 2.1.4
tenemos:
La función está definida con dos argumentos: n=2
Las variables de entrada y salida se han definido para cualquier
+
valor real estrictamente positivo : U =U =V=R -{0}
1 2
La función es monótonamente creciente con x : d (1)=1 1 f
La función es monótonamente decreciente con x : d (2)=-1 2 f
191
B.1. EJEMPLO 2.1 : EXTENSIÓN DE
FUNCIONES DIRECTAS
Si x1,x2 se representan por los números difusos trapezoidales
x1=T(1.0,1.8,2.2,3.0) x2=T(0.5,0.9,1.1,1.5) entonces y puede
obtenerse mediante la aplicación del algoritmo 1. La tabla B1
muestra los α-cortes de los números difusos x1, x2, y. Puede
observarse que, de acuerdo con el algoritmo 1, los α-cortes de y se
han calculado así:
yα = [ Lyα , Ryα ]
Lyα = f ( DX (α , d f ) )
Ryα = f ( DX (α ,− d f ) )
DX ( α,d f ) =
[D A1 ( α , d f ( 1 )) D A 2 ( α , d f ( 2 )) ]
D An ( α , d f ( n ))
D X ( α ,− d f ) =
[D A1 ( α ,−d f ( 1 )) D A 2 ( α ,− d f ( 2 )) D An ( α ,−d f ( n ))]
Al remplazar en estas expresiones los valores
correspondientes a este ejemplo, n=2, df(1)=1, df(2)=-1 se tiene
D X (α , d f ) = [D A1 (α ,1) D A2 (α ,−1) ]
D X (α ,−d f ) = [D A1 (α ,−1) D A 2 (α ,1) ]
Además, de acuerdo con la definición 2:
⎧ L A (α ) s i d=1
DA (α , d ) = ⎨
⎩ R A (α ) s i d= − 1
Por lo tanto,
192
(Lx1 ( α ))
2
Ly( α ) = f (Lx1 ( α ), Rx2 ( α )) =

Rx 2 ( α )
Ry( α ) = f (Rx1 ( α ), Lx 2 ( α )) =
(Rx1 ( α ))2
Lx 2 ( α )
Tabla B1 Valores del ejemplo 2.1.
α Lx1(α) Rx1(α) Lx2(α) Rx2(α) Ly(α) Ry(α)

0.0 1.000 3.000 0.500 1.500 0.667 18.000
0.1 1.080 2.920 0.540 1.460 0.799 15.790
0.2 1.160 2.840 0.580 1.420 0.948 13.906
0.3 1.240 2.760 0.620 1.380 1.114 12.286
0.4 1.320 2.680 0.660 1.340 1.300 10.882
0.5 1.400 2.600 0.700 1.300 1.508 9.657
0.6 1.480 2.520 0.740 1.260 1.738 8.582
0.7 1.560 2.440 0.780 1.220 1.995 7.633
0.8 1.640 2.360 0.820 1.180 2.279 6.792
0.9 1.720 2.280 0.860 1.140 2.595 6.045
1.0 1.800 2.200 0.900 1.100 2.945 5.378
B.2. EJEMPLO 2.2 : EXTENSIÓN

POSIBLE DE FUNCIONES INVERSAS
c) Empleando las mismas condiciones del Ejemplo 2.1. , si se sabe
valores que puede tomar x1 se pueden obtener usando la
extensión posible de x1=f1-1(y,x2) mediante el algoritmo 2. La
tabla B2 muestra los α-cortes de los números difusos x1, x2, y.
Puede observarse que, de acuerdo con el algoritmo 2, los α-
cortes de xpos1 se han calculado así:
193
[
Lx kpos (α ) = f k−1 ( DY (α , d f (k )), D Xk (α ,− d fk ))
Rx kpos (α ) = f k−1 ( DY (α , −d f ( k )), D Xk (α , d fk ))
) = [ D (α ,− d (k ) d (i )) ] i = 1,2...k − 1, k + 1,...n
Ai f f
Al remplazar por los valores del ejemplo, n=2, df(1)=1,

df(2)=-1, k=1 se tiene:
[
x1pos (α ) = Lx1pos (α ), Rx1pos (α ) ]
Lx1pos (α ) = f 1−1 ( DY (α , d f (1)), D X 1 (α ,−d f 1 ))
Rx1pos (α ) = f 1−1 ( DY (α ,− d f (1)), D X 1 (α , d f 1 ))
D X 1 (α , d f 1 ) = [ D A 2 (α , d f (1) d f ( 2)) ]
D X 1 (α ,−d f 1 ) = [ D A 2 (α ,−d f (1) d f ( 2)) ]
es decir,
[
x1pos (α ) = Lx1pos (α ), Rx1pos (α ) ]
Lx1pos (α ) = f 1−1 ( DY (α ,1), D X 1 (α ,− d f 1 ))
Rx1pos (α ) = f 1−1 ( DY (α ,−1), D X 1 (α , d f 1 ))
D X 1 (α , d f 1 ) = [D A 2 (α , (1)(−1))] = [D A 2 (α ,−1)]
D X 1 (α ,− d f 1 ) = [D A 2 (α ,−(1)(−1))] = [D A 2 (α ,1) ]
⎧ L A (α ) s i d=1
DA (α , d ) = ⎨
⎩ R A (α ) s i d= − 1
Lx1pos (α ) = f 1−1 (Ly (α ), Lx 2 (α ) ) = Ly (α ) Lx 2 (α )
Rx1pos (α ) = f 1−1 (Ry (α ), Rx 2 (α )) = Ry (α ) Rx 2 (α )
194
Tabla B2 Valores del ejemplo 2.2.a.
α Lxpos1(α) Rxpos1(α) Lx2(α) Rx2(α) Ly(α) Ry(α)

0.707 1.225 0.500 1.500 1.000 1.000
0.0
0.735 1.208 0.540 1.460 1.000 1.000
0.1
0.762 1.192 0.580 1.420 1.000 1.000
0.2
0.787 1.175 0.620 1.380 1.000 1.000
0.3
0.812 1.158 0.660 1.340 1.000 1.000
0.4
0.837 1.140 0.700 1.300 1.000 1.000
0.5
0.860 1.122 0.740 1.260 1.000 1.000
0.6
0.883 1.105 0.780 1.220 1.000 1.000
0.7
0.906 1.086 0.820 1.180 1.000 1.000
0.8
0.927 1.068 0.860 1.140 1.000 1.000
0.9
0.949 1.049 0.900 1.100 1.000 1.000
1.0
d) Por otra parte, si si se sabe que los valores de x1 e y se pueden

representar por los números trapezoidales x1=T(1.0,1.8,2.2,3.0),
y=T(1,1,1,1), entonces los valores que puede tomar x2 se pueden
obtener usando la extensión posible de x2=f2-1(y,x1) mediante el
algoritmo 2. La tabla B3 muestra los α-cortes de los números
difusos x1, x2, y. Puede observarse que, de acuerdo con el
algoritmo 2, los α-cortes de xpos2 se han calculado así:
[
−1
Lx pos
k (α ) = f k ( DY (α , d f (k )), D Xk (α ,− d fk ))
Rx kpos (α ) = f k−1 ( DY (α , −d f ( k )), D Xk (α , d fk ))
) = [ D (α ,− d (k ) d (i )) ] i = 1,2...k − 1, k + 1,...n
Ai f f
Al remplazar por los valores del ejemplo, n=2, df(1)=1,

df(2)=-1, k=2 se tiene:
195
[
x 2pos (α ) = Lx 2pos (α ), Rx 2pos (α ) ]
Lx 2pos (α ) = f 2−1 ( DY (α , d f ( 2)), D X 2 (α ,− d f 2 ))
Rx 2pos (α ) = f 2−1 ( DY (α ,− d f (2)), D X 2 (α , d f 2 ))
D X 2 (α , d f 2 ) = [ D A1 (α , d f ( 2) d f (1)) ]
D X 2 (α ,− d f 2 ) = [ D A1 (α ,− d f ( 2)d f (1)) ]
es decir,
[
x 2pos (α ) = Lx 2pos (α ), Rx 2pos (α ) ]
−1
Lx pos
2 (α ) = f 2 ( DY (α ,−1), D X 2 (α ,− d f 2 ))
Rx 2pos (α ) = f 2−1 ( DY (α ,1), D X 2 (α , d f 2 ))
D X 2 (α , d f 2 ) = [D A1 (α , (−1)(1))] = [D A1 (α ,−1)]
D X 2 (α ,− d f 2 ) = [D A1 (α ,−( −1)(1))] = [D A1 (α ,1) ]
⎧ L A (α ) s i d=1
DA (α , d ) = ⎨
⎩ R A (α ) s i d= − 1
(Lx1 (α ) )
2
Lx pos
(α ) = f −1
(Ry (α ), Lx1 (α ) )=
Ry(α )
2 2
(Rx1 (α ))2
Rx 2pos (α ) = f 2 1 (Ly (α ), Rx1 (α ) ) =
−
Ly (α )
196
Tabla B3 Valores del ejemplo 2.2.b.
α Lx1(α) Rx1(α) Lxpos2(α) Rxpos2(α) Ly(α) Ry(α)

1.000 3.000 1.000 9.000 1.000 1.000
0.0
1.080 2.920 1.166 8.526 1.000 1.000
0.1
1.160 2.840 1.346 8.066 1.000 1.000
0.2
1.240 2.760 1.538 7.618 1.000 1.000
0.3
1.320 2.680 1.742 7.182 1.000 1.000
0.4
1.400 2.600 1.960 6.760 1.000 1.000
0.5
1.480 2.520 2.190 6.350 1.000 1.000
0.6
1.560 2.440 2.434 5.954 1.000 1.000
0.7
1.640 2.360 2.690 5.570 1.000 1.000
0.8
1.720 2.280 2.958 5.198 1.000 1.000
0.9
1.800 2.200 3.240 4.840 1.000 1.000
1.0

NECESARIA DE FUNCIONES
INVERSAS
que los valores de x2 se pueden representar por el número
trapezoidal x2=T(0.5,0.9,1.1,1.5), y se desea asegurar que la
salida tenga unos valores representables por el número
trapezoidal y=T(1,1,1,1), entonces los valores que debe tomar x1
se pueden obtener usando la extensión necesaria de x1=f1-1(y,x2)
mediante el algoritmo 3. La tabla B4 muestra los α-cortes de los
números difusos x1, x2, y, y* (y* es el valor de y modificado por
el algoritmo 3). Puede observarse que gracias al algoritmo 4 se
han encontrado unos número difusos x1, y* tales que y*=f(x1,x2) ,
siendo y* un número parecido a y, ya que se ha obtenido
197
ensanchando y . Para constatar que y*=f(x1,x2) basta con observar
que los α-cortes de y* verifican lo siguiente
Ly * ( α ) = f (Lx1 ( α ), Rx 2 ( α )) =
(Lx1 ( α ))2
Rx2 ( α )
(Rx1 ( α ))
2
Ry * ( α ) = f (Rx1 ( α ), Lx 2 ( α ) )=
Lx 2 ( α )
α Lx1(α) Rx1(α) Lx2(α) Rx2(α) Ly(α) Ry(α) Ly*(α) Ry*(α)
0.995 0.996 0.500 1.500 1.000 1.000 0.660 1.983
0.0
0.995 0.996 0.540 1.460 1.000 1.000 0.678 1.836
0.1
0.995 0.996 0.580 1.420 1.000 1.000 0.697 1.709
0.2
0.995 0.996 0.620 1.380 1.000 1.000 0.717 1.599
0.3
0.995 0.996 0.660 1.340 1.000 1.000 0.738 1.502
0.4
0.995 0.996 0.700 1.300 1.000 1.000 0.761 1.416
0.5
0.995 0.996 0.740 1.260 1.000 1.000 0.785 1.340
0.6
0.995 0.996 0.780 1.220 1.000 1.000 0.811 1.271
0.7
0.995 0.996 0.820 1.180 1.000 1.000 0.839 1.209
0.8
0.995 0.996 0.860 1.140 1.000 1.000 0.868 1.153
0.9
0.995 0.996 0.900 1.100 1.000 1.000 0.899 1.102
1.0
b) Por otra parte, , si se sabe que los valores de x1 se pueden

representar por el número trapezoidal x1=T(1.0,1.8,2.2,3.0), y se
desea asegurar que la salida tenga unos valores representables por
el número trapezoidal y=T(1,1,1,1), entonces los valores que
debe tomar x2 se pueden obtener usando la extensión necesaria de
x2=f2-1(y,x1) mediante el algoritmo 3. La tabla B4 muestra los α-
cortes de los números difusos x1, x2, y, y* (y* es el valor de y
modificado por el algoritmo 3). Puede observarse que gracias al
algoritmo 4 se han encontrado unos número difusos x2, y* tales
que y*=f(x1,x2) , siendo y* un número parecido a y, ya que se ha
198
obtenido ensanchando y . Para constatar que y*=f(x1,x2) basta con
observar que los α-cortes de y* verifican lo siguiente
Ly * ( α ) = f (Lx1 ( α ), Rx2 ( α )) =
(Lx1 ( α ))2
Rx2 ( α )
(Rx1 ( α ))
2
Ry * ( α ) = f (Rx1 ( α ), Lx 2 ( α ) )=
Lx 2 ( α )
α Lx1(α) Rx1(α) Lx2(α) Rx2(α) Ly(α) Ry(α) Ly*(α) Ry*(α)
1.000 3.000 4.033 4.041 1.000 1.000 0.247 2.232
0.0
1.080 2.920 4.033 4.041 1.000 1.000 0.289 2.114
0.1
1.160 2.840 4.033 4.041 1.000 1.000 0.333 2.000
0.2
1.240 2.760 4.033 4.041 1.000 1.000 0.381 1.889
0.3
1.320 2.680 4.033 4.041 1.000 1.000 0.431 1.781
0.4
1.400 2.600 4.033 4.041 1.000 1.000 0.485 1.676
0.5
1.480 2.520 4.033 4.041 1.000 1.000 0.542 1.575
0.6
1.560 2.440 4.033 4.041 1.000 1.000 0.602 1.476
0.7
1.640 2.360 4.033 4.041 1.000 1.000 0.666 1.381
0.8
1.720 2.280 4.033 4.041 1.000 1.000 0.732 1.289
0.9
1.800 2.200 4.033 4.041 1.000 1.000 0.802 1.200
1.0

NECESARIA DE FUNCIONES
INVERSAS
Los ejemplos 2.4. son semejantes a los ejemplos 2.3., salvo porque el
valor deseado de y es y=T(0.5,1,1,2.5), en lugar de
y=T(1.0,1.0,1.0,1.0). Las Tablas B6 y B7 muestran los resultados de
los ejemplos 2.4.a. y 2.4.b. respectivamante. Ahora y no es un
199
singleton, sino que tiene alguna incertidumbre, y para algunos de los
α-cortes esta incertidumbre es coherente con la de los α-cortes de x1,
x2. Por esta razón, no ha sido necesario en todos α-cortes modificar
ambos extremos de y, como puede comprobarse al comparar, en la
tabla B6 los valores de Ly(α) y Ly*(α) para α=0.0, 0.1, 0.2, 0.3, 0.4,
0.5, los de Ry(α) y Ry*(α) para α=0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8; y
en la tabla B7 los valores de Ry(α) y Ry*(α) para α=0.0, 0.1, 0.2,
0.3, 0.4, 0.5, 0.6.
Puede comprobarse que los α-cortes de xnec1, xnec2 se han
calculado así:
[
x knec (α ) = Lx knec (α ), Rx knec (α ) ]
−1
Lx nec
k (α ) = f k ( DY (α , d f ( k )), D Xk (α , d fk ))
−1
Rx nec
(α ) = f ( DY (α ,−d f (k )), D Xk (α ,−d fk )
[ D (α , d (k )d (i)) ] i = 1,2...k − 1, k + 1,...n
k k
D Xk (α , d fk ) =
) = [ D (α ,− d (k ) d (i )) ] i = 1,2...k − 1, k + 1,...n
Ai f f
Para los casos de la tabla B6, al remplazar por los valores del
ejemplo, n=2, df(1)=1, df(2)=-1, k=1 se tiene:
[
x1nec (α ) = Lx1nec (α ), Rx1nec (α ) ]
Lx1nec (α ) = f 1−1 ( DY (α , d f (1)), D X 1 (α , d f 1 ))
Rx1nec (α ) = f 1−1 ( DY (α ,−d f (1)), D X 2 (α ,− d f 1 )
[ ]
D X 1 (α , d f 1 ) = D A 2 (α , d f (1)d f (2)) = [D A 2 (α , (1)( −1))]
[ ]
D X 1 (α ,− d f 1 ) = D A 2 (α ,− d f (1)d f (2)) = [D A 2 (α ,−(1)( −1))]
⎧ L A (α ) s i d=1
DA (α , d ) = ⎨
⎩ R A (α ) s i d= − 1
Lx1nec (α ) = f 1−1 (Ly (α ), Rx 2 (α ) ) = Ly (α ) Rx2 (α )
Rx1nec (α ) = f1−1 (Ry (α ), Lx 2 (α ) ) = Ry(α ) Lx 2 (α )
200
Los valores de Ly(α) y Ry(α) que deben emplearse son los
correspondientes a y*, que, como se ha dicho anteriormente, en
ocasiones son iguales a los de y.
α Lx 1(α)
nec
Rx 1(α)
nec
Lx2(α) Rx2(α) Ly(α) Ry(α) Ly*(α) Ry*(α)
0.866 1.130 0.500 1.500 0.500 2.500 0.500 2.552
0.0
0.896 1.130 0.540 1.460 0.550 2.350 0.550 2.363
0.1
0.923 1.130 0.580 1.420 0.600 2.200 0.600 2.200
0.2
0.947 1.127 0.620 1.380 0.650 2.050 0.650 2.050
0.3
0.969 1.120 0.660 1.340 0.700 1.900 0.700 1.900
0.4
0.987 1.107 0.700 1.300 0.750 1.750 0.750 1.750
0.5
0.995 1.088 0.740 1.260 0.800 1.600 0.785 1.600
0.6
0.995 1.063 0.780 1.220 0.850 1.450 0.811 1.450
0.7
0.995 1.032 0.820 1.180 0.900 1.300 0.839 1.300
0.8
0.995 0.996 0.860 1.140 0.950 1.150 0.868 1.153
0.9
0.995 0.996 0.900 1.100 1.000 1.000 0.899 1.102
1.0
Por su parte, para los casos de la tabla B6, al remplazar por
los valores del ejemplo, n=2, df(1)=1, df(2)=-1, k=2 se tiene:
[
x 2nec (α ) = Lx 2nec (α ), Rx 2nec (α ) ]
−1
Lx nec
2 (α ) = f ( DY (α , d f ( 2)), D X 2 (α , d f 2 ))
2
Rx 2nec (α ) = f 2−1 ( DY (α ,−d f (2)), D X 2 (α ,−d f 2 )

[ ]
D X 2 (α , d f 2 ) = D A1 (α , d f (2)d f (1)) = [D A1 (α , (−1)(1))]
[ ]
D X 2 (α ,−d f 2 ) = D A1 (α ,−d f (2)d f (1)) = [D A1 (α ,−(−1)(1))]
⎧ L A (α ) s i d=1
DA (α , d ) = ⎨
⎩ R A (α ) s i d= − 1
201
−1
(Ry(α ), Rx 2 (α ) ) = (Rx2 (α ) )
2
Lx nec
(α ) = f
Ry (α )
2 2
Rx 2nec (α ) = f 2−1 (Ly (α ), Lx 2 (α ) ) =

(Lx 2 (α ) )2
Ly (α )
Los valores de Ly(α) y Ry(α) que deben emplearse son los
correspondientes a y*, que, como se ha dicho anteriormente, en
ocasiones son iguales a los de y.
α Lx1(α) Rx1(α) Lxnec2(α) Rxnec2(α) Ly(α) Ry(α) Ly*(α) Ry*(α)
1.000 3.000 3.600 4.041 0.500 2.500 0.247 2.500
0.0
1.080 2.920 3.628 4.041 0.550 2.350 0.289 2.350
0.1
1.160 2.840 3.666 4.041 0.600 2.200 0.333 2.200
0.2
1.240 2.760 3.716 4.041 0.650 2.050 0.381 2.050
0.3
1.320 2.680 3.780 4.041 0.700 1.900 0.431 1.900
0.4
1.400 2.600 3.863 4.041 0.750 1.750 0.485 1.750
0.5
1.480 2.520 3.969 4.041 0.800 1.600 0.542 1.600
0.6
1.560 2.440 4.033 4.041 0.850 1.450 0.602 1.476
0.7
1.640 2.360 4.033 4.041 0.900 1.300 0.666 1.381
0.8
1.720 2.280 4.033 4.041 0.950 1.150 0.732 1.289
0.9
1.800 2.200 4.033 4.041 1.000 1.000 0.802 1.200
1.0
202
B.5. EJEMPLO 2.7 : EXTENSIÓN DE
FUNCIONES NO MONÓTONAS DE
UNA VARIABLE
Supóngase la función y=c(x)
⎧2 x − 1 si x < 1
⎪
y = ⎨ 2 − x si 1 ≤ x < 2
⎪3 x − 6 si x ≥ 2
⎩
Se desea extender y=c(x) a números difusos, usando como
entradas números trapezoidales:
d) T(0.0,0.4,0.6,1.0). Ver Tabla B8
e) T(0.0,1.0,2.0,3.0). Ver Tabla B9
f) T(0.0,1.0,1.0,2.0). Ver Tabla B10

α Lx1(α) Rx1(α) Ly*(α) Ry*(α)
0.000 1.000 -1.000 1.000
0.0
0.040 0.960 -0.920 0.920
0.1
0.080 0.920 -0.840 0.840
0.2
0.120 0.880 -0.760 0.760
0.3
0.160 0.840 -0.680 0.680
0.4
0.200 0.800 -0.600 0.600
0.5
0.240 0.760 -0.520 0.520
0.6
0.280 0.720 -0.440 0.440
0.7
0.320 0.680 -0.360 0.360
0.8
0.360 0.640 -0.280 0.280
0.9
0.400 0.600 -0.200 0.200
1.0
203
0.000 3.000 -1.000 3.000
0.0
0.100 2.900 -0.800 2.700
0.1
0.200 2.800 -0.600 2.400
0.2
0.300 2.700 -0.400 2.100
0.3
0.400 2.600 -0.200 1.800
0.4
0.500 2.500 0.000 1.500
0.5
0.600 2.400 0.000 1.200
0.6
0.700 2.300 0.000 1.000
0.7
0.800 2.200 0.000 1.000
0.8
0.900 2.100 0.000 1.000
0.9
1.000 2.000 0.000 1.000
1.0
Tabla B10 Valores del ejemplo 2.7.c.

0.000 2.000 -1.000 1.000
0.0
0.100 1.900 -0.800 1.000
0.1
0.200 1.800 -0.600 1.000
0.2
0.300 1.700 -0.400 1.000
0.3
0.400 1.600 -0.200 1.000
0.4
0.500 1.500 0.000 1.000
0.5
0.600 1.400 0.200 1.000
0.6
0.700 1.300 0.400 1.000
0.7
0.800 1.200 0.600 1.000
0.8
0.900 1.100 0.800 1.000
0.9
1.000 1.000 1.000 1.000
1.0
204
205
APÉNDICE C. REPORTE “MÍNIMO”
EJEMPLO DEL APARTADO 5.2.
Con el propósito de dar una idea sobre el tipo de reportes que

genera el programa, se muestra aqui el reporte Mínimo, creado en
formato HTML relativo al ejemplo del apartado 5.2.
El Contenido y tamaño de los reportes varía
considerablemente con las opciones Completa, Típica y Mínima. En
la Tabla D.1. se muestra el tamaño (en Kilobytes) de los tres tipos de
reporte para el mismo ejemplo de este apéndice, en formato HTML.
Los tres reportes se han incluido en el CD-ROM en los ficheros que
tienen por nombre RepCom.htm, RepTip.htm y RepMin.htm
respectivamente.
Tabla D.1. Comparación de los tipos de reporte
Tipo de Reporte Tamaño (Kb)

Completo 859
Típico 229
Mínimo 29
206
TABLA DE CONTENIDO
1. Entorno ambiental
1.1. Descripción resumida
2. Acciones del proyecto

3. Efectos del proyecto sobre el

entorno
3.1. Suelo - Ocupación temporal
3.2. Suelo - Ocupación del suelo por la vía
3.3. Erosión - Taludes
3.4. Geomorfología - Movimiento de tierras
3.5. Vegetación - Desbroce y tala
3.6. Vegetación - Efectos secundarios
3.7. Habitats faunísticos - Efecto
sustitución
3.8. Calidad de paisaje - Movimiento de
tierras
207
3.9. Calidad de paisaje - Préstamos y
vertederos
3.10. Calidad de paisaje - Presencia
3.11. Demografía y empleo - Empleo
3.12. Sector primario - Sector primario
3.13. Sectores 2-ario y 3-ario - Uso
residencial
3.14. Servicios - Accesibilidad
3.15. Yacimientos - Movimiento de tierras
3.16. Servicios - Interrupción de servicios
3.17. inmisión de gases y partículas -
Movimiento de tierras
Transporte
Emisiones gaseosas
3.21. inmisión sonora - Transporte
208
3.22. inmisión sonora - Canteras
3.23. inmisión sonora - Emisiones sonoras
3.24. Agua Superficial - Drenaje
transversal
3.25. Agua Superficial - Movimiento de
tierras
3.26. Agua Superficial - Tráfico
3.27. Caminos rurales - Caminos rurales
3.28. Carreteras - Red viaria
4. Evaluación Aproximada
Global
5. Evaluación Detallada Global
209
1. Entorno ambiental
Medio Ambiente: Entorno (100.00%)

• Medio: Medio Inerte (25.00%)
• Sistema: Aguas (8.25%)
• Factor: Agua Subterránea (4.13%)
• Factor: Agua Superficial (4.13%)
• Sistema: Gea (8.25%)
• Factor: Suelo (2.75%)
• Factor: Geomorfología (2.75%)
• Factor: Erosión (2.75%)
• Sistema: Atmósfera (8.33%)
• Factor: inmisión de gases y partículas (4.17%)
• Factor: inmisión sonora (4.17%)
• Medio: Medio Biótico (25.00%)
• Sistema: Flora (8.33%)
• Factor: Vegetación (8.33%)
• Sistema: Fauna (8.33%)
• Factor: Habitats faunísticos (8.33%)
• Sistema: Ecosistemas (8.33%)
210
• Factor: Ecosistemas singulares (8.33%)
• Medio: Medio Perceptual (25.00%)
• Sistema: Paisaje (25.00%)
• Factor: Calidad de paisaje (25.00%)
• Medio: Medio Socioeconómico (25.00%)
• Sistema: Población (8.33%)
• Factor: Demografía y empleo (2.78%)
• Factor: Sector primario (2.78%)
• Factor: Sectores 2-ario y 3-ario (2.78%)
• Sistema: Socio-cultural (8.33%)
• Factor: Vías pecuarias (4.17%)
• Factor: Yacimientos (4.17%)
• Sistema: Territorio (8.33%)
• Factor: Planeamiento (2.08%)
• Factor: Carreteras (2.08%)
• Factor: Caminos rurales (2.08%)
• Factor: Servicios (2.08%)
2. Acciones del proyecto
Proyecto: Proyecto
• Actividad: Expropiaciones
211
• Acción: Sector primario
• Acción: Uso residencial
• Actividad: Ocupacion temporal
• Acción: Ocupación temporal
• Actividad: Movimientos de tierras
• Acción: Movimiento de tierras
• Acción: Taludes
• Acción: Canteras
• Actividad: Transporte de materiales
• Acción: Transporte
• Actividad: Movimiento de maquinaria
• Acción: Movimiento de maquinaria
• Actividad: Estabilización de laderas
• Acción: Estabilización de laderas
• Actividad: Desvío de caminos
• Acción: Desvío temporal
• Actividad: Obras de drenaje
• Acción: Drenaje transversal
• Actividad: Interrupción de servicios
• Acción: Interrupción de servicios
• Actividad: Demanda de mano de obra
• Acción: Empleo
• Actividad: Ocupación del suelo por la vía
• Acción: Ocupación del suelo por la vía
• Actividad: Asfaltado y hormigonado
212
• Acción: Asfaltado y hormigonado
• Actividad: Préstamos y vertederos
• Acción: Préstamos y vertederos
• Actividad: Presencia de la infraestructura
• Acción: Presencia
• Acción: Caminos rurales
• Acción: Red viaria
• Actividad: Pasos y vías de servicios
• Acción: Pasos y vías
• Actividad: Tráfico
• Acción: Tráfico
• Acción: Emisiones gaseosas
• Acción: Emisiones sonoras
• Acción: Efectos secundarios
• Actividad: Accesibilidad
• Acción: Accesibilidad
• Actividad: Superficies revegetadas
• Acción: Superficies revegetadas
• Actividad: Despeje y desbroce
• Acción: Desbroce y tala
• Acción: Efecto sustitución
213
3. Efectos del proyecto sobre el
entorno
• Suelo - Ocupación temporal

• Suelo - Ocupación del suelo por la vía
• Erosión - Taludes
• Geomorfología - Movimiento de tierras
• Vegetación - Desbroce y tala
• Vegetación - Efectos secundarios
• Habitats faunísticos - Efecto sustitución
• Calidad de paisaje - Movimiento de tierras
• Calidad de paisaje - Préstamos y vertederos
• Calidad de paisaje - Presencia
• Demografía y empleo - Empleo
• Sector primario - Sector primario
• Sectores 2-ario y 3-ario - Uso residencial
• Servicios - Accesibilidad
• Yacimientos - Movimiento de tierras
• Servicios - Interrupción de servicios
• inmisión de gases y partículas - Movimiento de tierras
• inmisión de gases y partículas - Transporte
• inmisión de gases y partículas - Movimiento de maquinaria
• inmisión de gases y partículas - Emisiones gaseosas
• inmisión sonora - Transporte
214
• inmisión sonora - Canteras
• inmisión sonora - Emisiones sonoras
• Agua Superficial - Drenaje transversal
• Agua Superficial - Movimiento de tierras
• Agua Superficial - Tráfico
• Caminos rurales - Caminos rurales
• Carreteras - Red viaria
3.1. Suelo - Ocupación temporal
• Factor Impactado: Suelo

• Factor Impactante: Ocupación temporal
• Importancia:
• ValorRepresentativo: -0.656
• Interpretación Lingüística Resumida:
• Baja
• Magnitud:
• Moderada -
3.2. Suelo - Ocupación del suelo por la vía
• Factor Impactado: Suelo
215
• Factor Impactante: Ocupación del suelo por la vía
• Importancia:
• Baja
• Magnitud:
• Moderada -
3.3. Erosión - Taludes
• Factor Impactado: Erosión

• Factor Impactante: Taludes
• Importancia:
• Baja
• Magnitud:
• Reducida -
216
3.4. Geomorfología - Movimiento de tierras
• Factor Impactado: Geomorfología

• Factor Impactante: Movimiento de tierras
• Importancia:
• Baja
• Magnitud:
• Moderada -
3.5. Vegetación - Desbroce y tala
• Factor Impactado: Vegetación

• Factor Impactante: Desbroce y tala
• Importancia:
• Baja
• Magnitud:
217
• Reducida -
3.6. Vegetación - Efectos secundarios
• Factor Impactado: Vegetación

• Factor Impactante: Efectos secundarios
• Importancia:
• Baja
• Magnitud:
• ValorRepresentativo: 0.000
• Inapreciable
3.7. Habitats faunísticos - Efecto

sustitución
• Factor Impactado: Habitats faunísticos

• Factor Impactante: Efecto sustitución
• Importancia:
• Baja
218
• Magnitud:
• Inapreciable
3.8. Calidad de paisaje - Movimiento de

tierras
• Factor Impactado: Calidad de paisaje

• Importancia:
• Baja
• Magnitud:
• Reducida -
3.9. Calidad de paisaje - Préstamos y

vertederos

• Factor Impactante: Préstamos y vertederos
219
• Importancia:
• Baja
• Magnitud:
• Moderada -
3.10. Calidad de paisaje - Presencia

• Factor Impactante: Presencia
• Importancia:
• Baja
• Magnitud:
• Moderada -
3.11. Demografía y empleo - Empleo
220
• Factor Impactado: Demografía y empleo
• Factor Impactante: Empleo
• Importancia:
• Media
• Magnitud:
• Inapreciable
3.12. Sector primario - Sector primario
• Factor Impactado: Sector primario

• Factor Impactante: Sector primario
• Importancia:
• Baja
• Magnitud:
• Moderada -
221
3.13. Sectores 2-ario y 3-ario - Uso
residencial
• Factor Impactado: Sectores 2-ario y 3-ario

• Factor Impactante: Uso residencial
• Importancia:
• Baja
• Magnitud:
• Elevada -
3.14. Servicios - Accesibilidad
• Factor Impactado: Servicios

• Factor Impactante: Accesibilidad
• Importancia:
• Alta
• Magnitud:
222
• Elevada +
3.15. Yacimientos - Movimiento de tierras
• Factor Impactado: Yacimientos

• Importancia:
• Baja
• Magnitud:
• Elevada -
3.16. Servicios - Interrupción de servicios
• Factor Impactado: Servicios

• Factor Impactante: Interrupción de servicios
• Importancia:
• Baja
223
• Magnitud:
• Reducida -

Movimiento de tierras
• Factor Impactado: inmisión de gases y partículas

• Importancia:
• Baja
• Magnitud:
• Reducida -

Transporte

• Factor Impactante: Transporte
224
• Importancia:
• Baja
• Magnitud:
• Inapreciable


• Factor Impactante: Movimiento de maquinaria
• Importancia:
• Baja
• Magnitud:
• Inapreciable
225
Emisiones gaseosas

• Factor Impactante: Emisiones gaseosas
• Importancia:
• Baja
• Magnitud:
• Inapreciable
3.21. inmisión sonora - Transporte
• Factor Impactado: inmisión sonora

• Factor Impactante: Transporte
• Importancia:
• Baja
• Magnitud:
226
• Reducida -
3.22. inmisión sonora - Canteras

• Factor Impactante: Canteras
• Importancia:
• Baja
• Magnitud:
• Reducida -
3.23. inmisión sonora - Emisiones sonoras

• Factor Impactante: Emisiones sonoras
• Importancia:
• Baja
• Magnitud:
227
• Reducida -
3.24. Agua Superficial - Drenaje

transversal
• Factor Impactado: Agua Superficial

• Factor Impactante: Drenaje transversal
• Importancia:
• Baja
• Magnitud:
• Reducida -
3.25. Agua Superficial - Movimiento de

tierras

• Importancia:
228
• Baja
• Magnitud:
• Reducida -
3.26. Agua Superficial - Tráfico

• Factor Impactante: Tráfico
• Importancia:
• Baja
• Magnitud:
• Reducida -
3.27. Caminos rurales - Caminos rurales
• Factor Impactado: Caminos rurales
229
• Factor Impactante: Caminos rurales
• Importancia:
• Media
• Magnitud:
• Moderada +
3.28. Carreteras - Red viaria
• Factor Impactado: Carreteras

• Factor Impactante: Red viaria
• Importancia:
• Media
• Magnitud:
• Moderada +
4. Evaluación Aproximada
230
Global
• Indicadores de Impacto:
• Importancia Media:
• Número Difuso:
• Leve
• Importancia Absoluta:
• Número Difuso:
• Muy Perjudicial
• Importancia Relativa:
• Número Difuso:
• Perjudicial
• Importancia Ponderada:
• Número Difuso:
• Muy Perjudicial
• Importancia Máxima:
231
• Número Difuso:
• Muy Benéfica
• Importancia Mínima:
• Número Difuso:
• Ext. Perjudicial
5. Evaluación Detallada Global
• Indicadores de Impacto:
• Magnitud Con el Proyecto:
• Número Difuso:
• Baja
• Calidad Ambiental Con el Proyecto:
• Número Difuso:
• Baja
• Calidad Ambiental Neta:
232
• Número Difuso:
• No cambia
• Valor Ambiental:
• Número Difuso:
• Leve
233

Duarte (2000)

Cargado por

Copyright:

Formatos disponibles

Duarte (2000)

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Duarte (2000)

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE GRANADA

Técnicas Difusas en la Evaluación de

Oscar Germán Duarte Velasco

Granada, Mayo del 2000

MEMORIA QUE PRESENTA

DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN E

E.T.S. de INGENIERÍA INFORMÁTICA UNIVERSIDAD DE GRANADA

Granada, Mayo del 2000

Miguel Delgado Calvo-Flores Ignacio Requena Ramos

Agradezco sinceramente a mis directores, Dr. D. Miguel

1 ESTUDIOS DE IMPACTO AMBIENTAL............................. 15

1.2 Estudios de Impacto Ambiental..................................................................20

1.3 Otras metodologías .....................................................................................39

1.4 Una metodología crisp genérica .................................................................41

1.5 Comentarios a las metodologías crisp ........................................................43

1.6 Incorporación de técnicas difusas...............................................................45

2 ALGORITMOS DE EXTENSIÓN DE FUNCIONES CRISP Y

2.2 Extensión de funciones crisp monótonas a números difusos......................56

2.3 Extensión de funciones inversas crisp monótonas a números difusos........61

2.4 Extensión de funciones no monótonas de una variable ..............................82

3 COMPUTACIÓN CON PALABRAS ....................................94

3.2 Computación con palabras mediante aritmética difusa ............................ 97

3.3 Construcción de sistemas de computación con palabras basados en

3.4 Ejemplos comparativos ............................................................................ 107

4 UN MODELO DIFUSO PARA LA EVALUACIÓN DE

4.2 Valoración Difusa Detallada .................................................................... 127

4.3 Determinación de medidas correctoras según la valoración aproximada134

5.2 Evaluación del proyecto “Desdoblamiento de la variante de Cártama”. 144

6 CONCLUSIONES Y TRABAJOS FUTUROS ................... 165

6.2 trabajos futuros ........................................................................................169

APÉNDICE A. FUNDAMENTOS DE LAS TÉCNICAS

A.2. Conjuntos difusos....................................................................................183

A.4. Principo de Extensión .............................................................................187

A.5. Variables Lingüísticas.............................................................................188

A.6. Números difusos......................................................................................189

A.7. Aritmética difusa.....................................................................................191

A.8. Lógica difusa y razonamiento aproximado.............................................191

A.9. Sistemas de lógica difusa.........................................................................193

APÉNDICE B. EJEMPLOS AMPLIADOS DEL CAPÍTULO 2

B.2. Ejemplo 2.2 : Extensión posible de funciones inversas ......................... 201

B.3. Ejemplo 2.3 : Extensión necesaria de funciones inversas ...................... 205

B.4. Ejemplo 2.4 : Extensión necesaria de funciones inversas ...................... 207

APÉNDICE C. REPORTE “MÍNIMO” EJEMPLO DEL

Figura 1.1 Estructura General de una Evaluación de Impacto Ambiental .....17

Tabla 1.1 Ejemplo 1 de identificación de factores medioambientales 23

Los avances tecnológicos (cada vez más acelerados) y la

por gente no versada en la materia; subjetividad de determinadas valoraciones,

Una Evaluación de Impacto Ambiental puede entenderse

1.1 Evaluación de Impacto Ambiental

1.2 Estudios de Impacto Ambiental

1.2.1 Valoración Cualitativa

1.2.1.1 Identificación de Factores Ambientales

Figura 1.2 Modelo del entorno medioambiental

A cada factor medioambiental se le asigna una medida de su

Tabla 1.1 Ejemplo 1 de identificación de factores medioambientales

Figura 1.3 Modelo de las actuaciones sobre el entorno

1.2.1.3 Identificación de los Efectos sobre el Medio Am biente.

FACTORES ACCIONES TOTALES

Fi Pi Ii1 Iij Iim

Fn Pn In1 Inj Inm

X = [x x x x ] que calcula el valor de

Lx knec ( α ) = f k−1 (Dy( α ,1 ), D A1 ( α , d f ( 1 )) D ( α,d ( n )))

Lx knec ( α ) = f k−1 (Dy( α ,−1 ), D A1 ( α ,− d f ( 1 )) D An ( α ,− d f ( n )))