CAPITULO 4.

LÓGICA DIFUSA

En este capítulo se explica uno de las metodologías empleados para tratar la incertidumbre: la
lógica difusa. Inicialmente, se explica el proceso de fusificación en donde se introducen términos
necesarios para llevar a cabo este proceso como: conjuntos difusos, variables lingüísticas y
funciones de pertenencia. Luego el proceso de inferencia difusa donde se explican cada uno de sus
pasos: establecimiento de los pesos, reglas difusas, proceso de implicación y agregación.
Finalmente, se presenta la última etapa de ésta metodología: la desfusificación.

Introducción

La lógica difusa deriva de la lógica tradicional, y es más cercana a la forma del pensamiento
humano. Se basa en el hecho de que una afirmación no tiene por qué ser ni cierta ni falsa, sino que
se verificará en un cierto grado. Esta metodología es un tipo de lógica multivalor que representa
una manera de lidiar con la incertidumbre, sirve para la cuantificación de la incertidumbre debido
a la imprecisión o falta de información de los datos. Esta teoría se asemeja más a la razón humana
en el uso aproximado de la información y en la inclusión de la incertidumbre para generar
decisiones [1].

La lógica difusa no es ajena a los temas relacionados con el riesgo, los sistemas difusos describen
fenómenos inciertos y no especificados, y sus aplicaciones en el diseño de varios sistemas inciertos
representan el alto rendimiento y el rápido crecimiento de estos sistemas. Por lo tanto, se podría
afirmar que estos sistemas predicen la situación de riesgo real, algo muy útil cuando los datos
experimentales son difíciles de recopilar. Además, el resultado proporcionado por el modelo
difuso es más adecuado para los tomadores de decisiones, ya que otorga el grado de pertenencia
para cada categoría de riesgo[2]. Sucede pues que, la aplicación de sistemas difusos se ha
ampliado en diferentes campos debido a que proporcionan un enfoque para lidiar con la
incertidumbre.

A continuación, se revisarán algunas de sus aplicaciones para evaluar el riesgo ambiental.

Para [3] los contaminantes orgánicos persistentes son sustancias químicas que tienen un efecto
negativo potencial en los ecosistemas acuáticos. En particular, el riesgo de un grupo de ellos, se ha
analizado en varios puntos de los ecosistemas acuáticos españoles y latinoamericanos. Para este
propósito, se ha utilizado una metodología basada en lógica difusa, que proporciona resultados
que son muy útiles para los procesos de toma de decisiones. El modelo predice la situación de
riesgo real del ecosistema, el modelo puede estimar el riesgo y luego comunicarlo en un lenguaje
comprensible. Otorga el grado de pertenencia para cada categoría de riesgo, mientras que la
evaluación de riesgos clásica solo proporciona un umbral que indica si la situación es riesgosa o no.
Un estudio de [4] desarrolló un enfoque de evaluación de riesgo ambiental para las nanopartículas
integrando el proceso de jerarquía analítica y modelos de lógica difusa. El enfoque se aplicó para
Ag (dos nanopartículas con recubrimiento diferente) y nanopartículas de TiO 2. La evaluación se
realizó mediante ponderaciones de prioridad utilizando números difusos que permitieron
comprender qué factor es efectivo en el riesgo y reducir la incertidumbre sobre los datos y la
información. Es así como se obtuvieron resultados precisos y útiles para determinar las estrategias
de gestión de riesgos.

Del mismo modo, [5] desarrollaron un método para evaluar la vulnerabilidad ecológica de los
hábitats en sitios de alto interés para la conservación de la biodiversidad, utilizando un conjunto
específico de métricas de paisaje relacionadas con la lógica difusa. Se obtuvó un mapa de
vulnerabilidad ecológica intrínseca utilizando lógica difusa que permitió encontrar o predecir los
hábitats más sensibles susceptibles de protección. Es así como, un modelo difuso permitió el
manejo de la incertidumbre y la imprecisión en el análisis de múltiples entradas y se convirtió en
una herramienta de apoyo en la toma de decisiones para gestión sostenible de paisajes.

Asimismo, resulta interesante la investigación desarrollada por [6] en donde se utilizó el sistema
de inferencia difusa para cubrir algunas deficiencias del número de prioridad de riesgos y la
priorización de los riesgos de medio ambiente, seguridad y salud. El sistema permitió recopilar
opiniones de expertos sobre cada uno de los factores determinantes del número de prioridad de
riesgos, es decir, para cada factor de riesgo se asignó un sistema de inferencia lógica de manera
independiente, y se le pidió a cada experto que asignara un valor para este factor. Es así como la
aplicación de este enfoque permitió priorizar los riesgos y considerar la incertidumbre, lo que
conllevó a que los gerentes de la empresa implementaran acciones preventivas y correctivas de
acuerdo con los riesgos identificados que tenían mayor prioridad.

Algunas de las razones para elegir la lógica difusa para este estudio son la escasez de datos sobre
la presencia de nanopartículas de plata en ecosistemas acuáticos y la necesidad de manejar
parámetros controvertidos, sensibles y subjetivos, como la toxicidad y el riesgo.

Desarrollo del modelo Difuso

A continuación, se explican los diferentes pasos para el desarrollo de un modelo difuso. Existen
diferentes pasos para implementar los principios de la lógica difusa [7]. La figura muestra los
pasos principales para implementar un modelo difuso.
 Figura . Esquema metodología Lógica difusa (Adaptado de González et al. 2013)

Como se ve en la figura , los pasos principales de la metodología difusa son:

1. Identificación de las variables/entradas del sistema (por ejemplo, concentración del

contaminante, toxicidad,).
2. Fuzzificación mediante establecimiento de conjuntos difusos (por ejemplo, alto, medio,
bajo), grado de pertenencia, funciones y rangos para cada variable.
3. Proceso de Inferencia difusa mediante establecimiento de reglas difusas utilizadas para
conectar las entradas del problema con la salida.
4. Desfuzzificación para la obtención de un resultado final: Evaluación de riesgos.

Existen dos tipos principales de sistemas de inferencia difusa (FIS): Mamdani y Sugeno. Estos dos
métodos varían en la forma de determinar las salidas finales del sistema de inferencia. En el caso
de un sistema Sugeno las salidas son funciones lineales o constantes, en cambio con Mamdani, las
salidas son conjuntos difusos [9].

Identificación de Variables

En primer lugar, se deben identificar las variables de entrada y salida del sistema que
generalmente son valores cuantitativos. Luego se entra en el proceso de “fusificación” que se
explica a continuación, seguido por el resto de los pasos.

Fuzzificación

Una vez seleccionadas las variables, el paso siguiente es el proceso de fuzzificación (Figura 4). Este
proceso consiste en transformar los valores de las variables en números difusos. Para el desarrollo
del proceso de fuzzificación se utilizan conjuntos difusos de diferentes tipologías por ejemplo (alto,
medio, bajo)
Funciones de Pertenencia

Continuando con el proceso de fusificación se deben de establecer las funciones de pertenencia

del sistema (Figura x), estas funciones asignan a los valores de entrada un valor en el rango 0 a 1,
en donde 0 es igual al 0% de pertenencia y 1 es igual al 100% de pertenencia. Este tipo de
funciones transforman el valor numérico de una variable en un grado de pertenencia a un
conjunto difuso.

Uno de los ejemplos más utilizados de un conjunto difuso es el conjunto de personas altas. En este
caso, el universo del discurso son todas las alturas potenciales, digamos de tres pies a nueve pies.
La palabra alto corresponde a una curva que define el grado en que una persona es alta. Si al
conjunto de personas altas se le da el límite bien definido de un conjunto clásico, se podría decir
que todas las personas que miden más de seis pies se consideran oficialmente altas. Sin embargo,
no es razonable llamar a una persona baja y a otra alta cuando difieren en altura por una pulgada.

Pero, ¿Cuál es la forma correcta de definir el conjunto de personas altas? la siguiente figura
muestra una curva que varía suavemente y que pasa de no alto a alto. El eje de salida es un
número conocido como valor de pertenencia entre 0 y 1. La curva se conoce como función de
pertenencia y, a menudo, recibe la designación de µ. Por ejemplo, la siguiente figura muestra
funciones de membresía altas nítidas y suaves.

Figura…

En la gráfica superior, las dos personas se clasifican como completamente altas o completamente
bajas. En el gráfico inferior, la transición suave permite diferentes grados de altura. Ambas
personas son altas hasta cierto punto, pero una es significativamente menos alta que la otra. La
persona más alta, con una altura de pertenencia de 0,95 es definitivamente una persona alta, pero
la persona con una altura de pertenencia de 0,3 no es muy alta.

La única condición que debe cumplir una función de pertenencia es que sus valores de pertenencia
deben variar entre 0 y 1. La función en sí puede ser arbitrariamente optimizada para la
combinación deseada de simplicidad, conveniencia, velocidad y eficiencia. Las funciones de
pertenencia más simples se forman utilizando líneas rectas. Estas funciones de pertenencia de
línea recta tienen la ventaja de la simplicidad.

trimf— Función de membresía triangular

trapmf— Función de pertenencia trapezoidal
linzmf— Función de membresía lineal en forma de z abierta a la izquierda
linsmf— Función de membresía lineal en forma de s abierta a la derecha

Figura…

De las distribuciones gaussianas se derivan dos funciones de pertenencia : una curva gaussiana
simple (gaussmf) y una combinación de dos caras de diferentes curvas gaussianas (gauss2mf). La
función de membresía generalizada en forma de campana (gbellmf) tiene una transición suave
similar entre 0 y 1. Tiene un tercer parámetro que puede usar para ajustar la pendiente de la
transición de 0 a 1. Debido a su notación suave y concisa, las funciones de membresía gaussianas y
en forma de campana son métodos populares para especificar conjuntos borrosos . Ambas curvas
tienen la ventaja de ser suaves y distintas de cero en todos los puntos.

Figura…

Aunque las curvas gaussianas y en forma de campana logran suavidad, no pueden especificar
funciones de pertenencia asimétricas, que son importantes en ciertas aplicaciones. Para ello,
puede utilizar la función de pertenencia sigmoidal (sigmf), que es una función de pertenencia
suave que está abierta a la izquierda o a la derecha. Puede crear funciones de pertenencia
asimétricas y cerradas basadas en la diferencia (dsigmf) o el producto (psigmf) de dos funciones
sigmoidales.

Figura…

También puede crear funciones de pertenencia uniformes utilizando curvas basadas en polinomios
que se nombran por sus formas.

zmf— Función de membresía en forma de Z abierta a la izquierda

smf— Función de pertenencia en forma de S abierta a la derecha
pimf— Función de pertenencia en forma de pi, que es el producto de una función de pertenencia
en forma de s y en forma de z

Figura…

Para cada tipo de función de pertenencia, se tiene que definir varios parámetros como se
especifica a continuación:

Curvas triangulares: dependen de tres parámetros a, b y c y están definidas por la siguiente

ecuación:
Curvas trapezoidales: éstas están caracterizadas por cuatro parámetros (a, b, c y d) y definidas por
la siguiente ecuación:

Curvas de forma S: están caracterizadas por dos parámetros a y b y representadas por la siguiente
ecuación:

Curvas gaussianas: también dependen de dos parámetros 𝜎𝜎 y c y están representadas por la

siguiente ecuación:

Proceso de inferencia Difusa

La inferencia difusa es el proceso de formular el mapeo de una entrada dada a una salida usando
lógica difusa. El mapeo luego proporciona una base a partir de la cual se pueden tomar decisiones
o discernir patrones. Después de la fusificación, los valores cuantitativos van a ser evaluadas
mediante reglas difusas para obtener un valor difuso. Por lo tanto, los valores de entrada del
modelo de lógica difusa ahora son variables lingüísticas explicadas por conjuntos difusos.

Reglas Difusas
El sistema de inferencia se basa en un sistema de estas reglas construidas por medio del
conocimiento humano. Estas reglas son del tipo “Si – Entonces”. Una regla difusa de este tipo es
un enunciado en donde ciertas palabras son caracterizadas por funciones de pertenencia. Estas
reglas describen en palabras las relaciones entre los datos de entrada y de salida, y conectan un
antecedente con un consecuente.

Existen dos maneras principales para obtener las reglas difusas:

1. A partir de la información derivada del conocimiento de expertos, generalmente mediante

métodos descriptivos como un cuestionario;
2. Mediante datos empíricos conseguidos por métodos cognitivos como redes neuronales.

El número de reglas de un sistema FIS puede calcularse usando la siguiente formula:

N ve Ecuación x
N reglas =N cd

Donde Nreglas es el número de reglas; Ncd es el número de conjuntos difusos y Nve es número de las
variables de entrada.

Operadores lógicos

Las reglas difusas contienen operadores. El conector “Y” representa una intersección de dos
conjuntos difusos en el antecedente y puede ser operado por dos métodos: El del mínimo y del
producto (Thole et al., 1995). También existen otros operadores como el “O” que representa la
unión de los conjuntos difusos o el “NO” que representa una negación.

Lo más importante a tener en cuenta sobre el razonamiento lógico difuso es el hecho de que si
mantiene los valores borrosos en sus extremos de 1 (completamente cierto) y 0 (completamente
falso), se mantienen las operaciones lógicas estándar. Como ejemplo, considere las siguientes
tablas de verdad estándar.
 Figura…

Teniendo en cuenta que, en lógica difusa , la verdad de cualquier enunciado es una cuestión de
grado, ¿se pueden alterar estas tablas de verdad? Los valores de entrada pueden ser números
reales entre 0 y 1. ¿Qué función conserva los resultados de la tabla de verdad AND (por ejemplo) y
también se extiende a todos los números reales entre 0 y 1?

Una respuesta es la operación min . Es decir, resuelva el enunciado A Y B, donde A y B están

limitados al rango (0,1), usando la función min(A, B). Usando el mismo razonamiento, puede
reemplazar la operación O con la función max, de modo que A Y B sea equivalente a max(A,B).
Finalmente, la operación NO A se vuelve equivalente a la operación 1 - A. La tabla de verdad
anterior no cambia por completo con esta sustitución.

Figura…

Método de Implicación

Consiste en identificar un área que se corresponda con el grado de pertenencia del consecuente a
un determinado conjunto difuso (figura ) [10]. La entrada para el proceso de implicación es un solo
número dado por el antecedente y la salida es un conjunto difuso [9]. 

La implicación se implementa para cada regla. Se admiten dos métodos integrados: min (mínimo),
que trunca el conjunto difuso de salida, y prod (producto), que escala el conjunto difuso de salida.
 Figura . Procesos de Implicación (método mínimo y producto)

Respecto las reglas, la Figura representa reglas activas e inactivas del sistema. Aquellas que
presentan un área de color azul por consiguiente son las reglas activas del punto de estudio, y el
resto son las inactivas. Para que una regla se active, en un caso concreto de estudio, debe tener
grados de pertenencia para todos los antecedentes (áreas amarillas). En este ejemplo, se puede
ver cómo se aplica el método del mínimo por la implicación (se corta el área por el valor mínimo).

Método de Agregación

Los resultados de las reglas deben combinarse de alguna manera. La agregación es el proceso
mediante el cual los conjuntos difusos que representan las salidas de cada regla se combinan en
un solo conjunto difuso [9]. Se pueden utilizar 2 métodos de agregación (Máximo y Suma).

Figura . Métodos de agregación (máximo y suma)

En la figura , se muestran los métodos de agregación máximo (agrupa las áreas máximas de cada
conjunto difuso del consecuente) y suma (suma todas las áreas de los conjuntos difusos del
consecuente). La salida del proceso de agregación es un conjunto difuso para cada variable de
salida. En este modelo, se plantea utilizar la salida difusa mediante el proceso máximo ya que se
utiliza con mayor frecuencia en el sistema Mandami [9].

Desfuzzificación

La entrada para el proceso de defuzzificación es el conjunto difuso de salida agregada que se tiene
que convertir en un solo número. Por mucho que la falta de claridad ayude a la evaluación de la
regla durante los pasos intermedios, el resultado final deseado para cada variable es
generalmente un solo número. Sin embargo, el agregado de un conjunto difuso abarca un rango
de valores de salida y, por lo tanto, debe ser defuzzificado para obtener un valor de salida único
[9]

Se admiten cinco métodos de defuzzificación: centroide, bisectriz, medio del máximo (el promedio
del valor máximo del conjunto de salida), mayor de máximo y menor de máximo. En la figura 9 se
pueden ver representados para un caso concreto los métodos: centroide, mayor de máximo (LOM
= Largest Of the Maximum), medio de máximo (MOM = Middle Of the Maximum) y menor de
máximo (SOM = Smallest Of the Maximum).

Figura . Representación valores finales de los cuatro métodos de un ejemplo genérico (Adaptado de
Cabanillas et al. 2012)

En este caso en particular, se obtienen los siguientes valores de z:

Centroide: z = 70
SOM: z = 80
MOM: z = 90
LOM: z = 100
El método de defuzzificación más popular es el cálculo del centroide, que devuelve el centro del
área debajo del conjunto difuso agregado [9]. Para el presente estudio se seleccionó este método.

Diagrama Inferencia Difusa

Finalmente, una vez obtenido el valor de Z final, se toma el valor y se introduce en el gráfico donde
están representados los conjuntos difusos de esta variable Z de salida, con el fin de observar los
grados de pertenencia finales y discutir este valor de Z final de una forma cualitativa.

Por ejemplo (ver figura ), si él valor de Z final fuera 0.379 se iría el gráfico del Riesgo (variable
salida del FIS 1) y se obtendría que la evaluación final del riesgo viene dada por una participación
del 0.47 al conjunto medio y de 0.53 en el conjunto bajo. En este caso, el riesgo en este punto es
considerado bajo-medio en función de su grado de pertenencia.

Figura . Obtención del valor final.

Desarrollo de la metodología basada en la lógica difusa

Construcción del Modelo Difuso

Existen dos tipos principales de sistemas de inferencia difusa (FIS): Mamdani y Sugeno. Estos dos
métodos varían en la forma de determinar las salidas finales del sistema de inferencia. En el caso
de un sistema Sugeno las salidas son funciones lineales o constantes, en cambio con Mamdani, las
salidas son conjuntos difusos [9]. Para el modelo desarrollado en este trabajo utilizaremos el
sistema Mandami ya que, por su fácil interpretación y amplia aceptación, es el sistema más
utilizado.

Para definir el modelo ha sido necesario investigar en bases de datos, artículos y todo tipo de
bibliografía. Finalmente, con los valores obtenidos de la revisión bibliográfica, se han seleccionado
las variables que se presentan a continuación.

Selección de Variables

Para la selección de las variables se hizo una revisión de artículos sobre el riesgo de las
nanopartículas de plata en función de sus propiedades fisicoquímicas (Ferdous and Nemmar 2020;
Akter et al. 2018). Es importante mencionar que estos investigadores se enfocaron en 2
condiciones; in vitro (caracterizan la respuesta biológica a las AgNp) e in vivo (estudian los efectos
sobre organismos al estar expuesto a AgNp). Para el desarrollo de esta investigación se hará
énfasis en los estudios in vivo dado que se busca determinar el riesgo de las nanopartículas de
plata sobre un grupo en particular de organismo acuáticos que estén vivos.

Comandella et al. 2020 desarrollaron una investigación donde indican las principales propiedades
que permiten determinar el riesgo de las nanopartículas. Estos investigadores proponen las
siguientes propiedades a tener en cuenta: composición química, tamaño, forma, superficie
específica, carga superficial y estructura cristalina. Las propiedades antes mencionadas tienen un
papel decisivo en la presencia de nanopartículas en el medio, así como el grado de toxicidad que
pueden generar.

Son muchas las propiedades que permiten determinar el riesgo de las nanopartículas, pero para el
caso concreto de las nanopartículas de plata no se cuenta con mucha información sobre algunas
de ellas. Por esta razón, para el desarrollo de esta investigación, después de una investigación
detallada y buscando resultados coherentes se seleccionaron las propiedades forma, tamaño y
recubrimiento, las cuales se explican a continuación:

Toxicidad: Se define como el nivel de daño que una sustancia puede causar en un organismo [31].
Aquí, la toxicidad es una variable de salida y depende de la forma, el tamaño y el recubrimiento de
las nanopartículas de plata. La toxicidad se ha evaluado considerando la inversa de la
concentración vinculada a los puntos finales. Si una concentración menor produce efectos sobre
un organismo, significa que esta sustancia es muy tóxica.
Forma: Varios autores coinciden en que la forma influye en la toxicidad de las nanopartículas de
plata. En sus investigaciones determinan el riesgo de las AgNp para organismos acuáticos; usan
principalmente formas esféricas, cables, cubos y placas con diferentes diámetros. Por lo general,
de todas las formas utilizadas son las placas quienes representan una mayor toxicidad en
organismos acuáticos [15–17]

Tamaño: El tamaño es una propiedad importante que influye en la absorción y el efecto de las
nanopartículas en los organismos acuáticos [18]. El tamaño de partícula es considerado uno de los
factores de mayor influencia en la toxicidad de nanopartículas. Algunos investigadores han
demostrado que las AgNP con tamaños de partículas más pequeños representan una mayor
toxicidad en comparación con AgNP de mayor tamaño [19][15][16].

Recubrimiento: Los recubrimientos son utilizados para mejorar la biocompatibilidad y estabilidad

(modifican su carga) de las nanopartículas frente a la aglomeración, lo que influye en su efecto
tóxico [20]. Los recubrimientos de Citrato y PVP (polivinilpirrolidona) son los más utilizados como
agentes estabilizantes para AgNP [18]. Existe una considerable cantidad de artículos que sugieren
que el destino y la toxicidad de las AgNP está determinada por el recubrimiento y a la vez
mencionan que el recubrimiento BPEI (polietilenimina ramificada) es más tóxico que el citrato y
éste es más toxico que el PVP [21–24]

Concentración: Representa la cantidad de nanopartículas de plata que se encuentran en el rio

provenientes de efluentes de plantas de tratamiento de aguas residuales (EDAR). Los valores de la
concentración se determinan a partir de modelos y estudios que evidencian la descarga de
nanopartículas de plata en efluentes de las EDAR hacia los ríos. Las concentraciones de AgNP por
debajo de 0,41  g L-1 parecen tener un impacto bajo en los organismos acuáticos (Tabla x). Por lo
tanto, este valor se utilizó como umbral para crear los diferentes rangos de concentración para el
modelo difuso (Tabla x).

Riesgo: En general, el riesgo general consiste en la probabilidad de liberación/derrame de

contaminantes, el potencial de exposición y el nivel de toxicidad [38]. Aquí, el riesgo se calcula en
función de la concentración de contaminantes y el nivel de toxicidad. La concentración se trata
como una variable, mientras que la toxicidad se calcula en función de la forma, el tamaño y el
recubrimiento de las AgNP.

Siguiendo el procedimiento antes descrito y teniendo claras las variables del sistema, se desarrolla
un modelo de evaluación del riesgo de nanopartículas de plata en ecosistemas acuáticos. En la
figura se muestra el esquema y relaciones de todas las variables a tener en cuenta. Hay 2 FIS o
grupos (Fuzzy Inference System) que convergen en un valor final: el riesgo. En primer lugar, para
determinar el riesgo es necesario conocer todos los valores de las variables. A partir de la forma,
tamaño y recubrimiento, se obtiene la toxicidad de salida. Finalmente, con la toxicidad y la
concentración es posible determinar el riesgo. Todo este proceso se realiza utilizando Fuzzy
Toolbox en Matlab [9]

Figura x. Definición de variables y estructura del modelo difuso.

Una vez definidas las variables ya se procede al proceso de inferencia difusa.

Fuzzificación

Una vez seleccionadas las variables, el paso siguiente es el proceso de fuzzificación (Figura 4). Este
proceso consiste en transformar los valores de las variables en números difusos. Para el desarrollo
del proceso de fuzzificación se utilizan conjuntos difusos de diferentes tipologías por ejemplo (alto,
medio, bajo) como se puede ver en la tabla x.

Tabla x. Conjuntos difusos, tipos de funciones de pertenencia y rangos de las variables del modelo.

Conjunto Difuso Rango Tipo MF

Cables 0–5 Forma Z
Forma* Esferas 2.5 – 7.5 Forma pi
Placas 5 - 10 Forma S
Muy pequeño 5 - 30 nm Forma Z
Pequeño 15 – 45 nm Forma pi
Tamaño** Mediano 35 – 75 nm Forma pi
Grande 65 – 95 nm Forma pi
Muy grande 80 – 450 nm Forma Z
PVP 0–5 Forma Z
Recubrimiento* Citrato 2.5 – 7.5 Forma pi
BPEI 5 - 10 Forma S
Toxicidad* Baja 0 – 0.5 Forma Z
 Media 0.2 – 0.8 Forma pi
Alta 0.5 – 1 Forma S
Baja 0 – 500 ng L -1
Forma Z
Concentración Media 250 – 750 ng L-1 Forma pi
Alta 500 – 1000*** ng L-1 Forma S
Muy bajo 0 – 0.25 Forma Z
Bajo 0 – 0.5 Forma pi
Riesgo* Medio 0.25 – 0.75 Forma pi
Alto 0.5 – 1 Forma pi
Muy Alto 0.75 – 1 Forma Z
* Estas variables son cualitativas (sin unidades específicas). ** Los tamaños de partículas se limitaron a <450 nm ya que
el agua las muestras se pasan, en general, a través de filtros con un tamaño de poro de 0,45 m. *** Para valores
superiores a 1000 ng L-1 los valores de la función son 1.

Esta tabla también incluye el tipo de funciones de pertenencia y los rangos seleccionados. Existen
diferentes tipos de estas funciones (triangular, trapezoidal, S, Z, PI, G, gaussiana) pero en el
presente estudio las funciones de pertenencia utilizadas fueron Z, S y PI [9]. La elección de estas
funciones se ha basado en su comportamiento y su fácil interpretación y manipulación (ver tabla
2). La figura 5 muestra la representación de cada una de ellas y muestra un ejemplo de su
aplicación en Fuzzy Toolbox de Matlab.

Figura 5. Funciones de pertenencia: Z; Pi; S

Proceso de inferencia Difusa

Para construir el sistema de inferencia, los límites e indicadores de los conjuntos difusos deben
determinarse para cada variable. Los rangos para cada conjunto difuso se presentan en la Tabla 2.
Una vez realizado el proceso de fuzzificación, es necesario conectar las variables fuzzificadas. Esto
se hace mediante el uso de reglas difusas. Estas reglas conectan varias entradas (antecedentes)
con una salida (consecuente). Estos antecedentes se vinculan mediante el uso de diferentes
operadores (es decir, no, y, [10]. Ejemplo:
 Figura . Ejemplo de conexión de reglas.

El número de reglas de un sistema FIS puede calcularse usando la siguiente formula:

N ve Ecuación 2.1
N reglas=N cd

Donde Nreglas es el número de reglas; Ncd es el número de conjuntos difusos y Nve es número de las
variables de entrada.

Dentro del conjunto de reglas de un sistema FIS, existen dos tipos:

 Reglas activas del sistema: son todas aquellas que se activan para dar el resultado final en
un caso de estudio.
 Reglas inactivas del sistema: son aquellas que en el mismo caso de estudio, no se activan
para dar el resultado final.

El modelo de riesgo desarrollado en esta investigación, como se ha visto en la Figura x, está

formado por 2 niveles o grupos. Teniendo esto en cuenta, si se calcula para cada FIS el número de
reglas tenemos:

El primer nivel (FIS 1) consta de dos variables de entrada y una de salida (Riesgo). Cada variable de
entrada tiene tres conjuntos difusos, de manera que el total de reglas para este FIS 1 es:

FIS 1: 3^2 = 9 Ecuación

El segundo grupo (FIS 2) está formado por tres variables de entrada y una de salida. En este caso
dos variables de entrada tienen 3 conjuntos difusos, pero una tiene 5. Así que esta es la que
determinará el número de reglas:

FIS 2: 3^2 *5 = 45 Ecuación

Por tanto, el sistema tiene un total 45 + 9 = 54 reglas difusas.

Una vez definidas las reglas se aplica el método de la implicación.

Método de Implicación

Este proceso representa la implicación entre el antecedente y el consecuente. Como se mencionó

en la sección xxx, existen diferentes tipos de métodos de implicación, el utilizado en este estudio
es el del “mínimo”, el cual trunca el valor de salida de la función de pertenencia de cada regla. Se
utilizó este método y no el del “producto”, porque se vió en la bibliografía que era el método más
usado [25]

Método de Agregación

Con respecto a la elección del método de agregación de entre sus diferentes opciones (ver sección
xxx), se eligió el método de “agregación por sumatorios”. Esta elección fue debida a que, después
de varios intentos con los dos tipos de agregación existentes, éste era el que daba mejores
resultados para el análisis de sensibilidad del modelo que será explicado más adelante. De acuerdo
con la Figura xx, la agregación es el último paso del proceso de inferencia difusa.

Desfuzzificación

El método escogido para el proceso de desfusificación es el método del centroide. Éste,

comparado con los otros métodos de desfusificación, representa una manera más gradual de
obtener los valores numéricos, además de ser el método más usado.

Referencias Bibliográficas

1. González, J.R.; Arnaldos, J.; Darbra, R.M. Introduction of the human factor in the
estimation of accident frequencies through fuzzy logic. Saf. Sci. 2017, 97, 134–143,
doi:10.1016/j.ssci.2015.08.012.
2. Kwolek, B.; Kepski, M. Fuzzy inference-based fall detection using kinect and body-
worn accelerometer. Appl. Soft Comput. J. 2016, 40, 305–318,
doi:10.1016/j.asoc.2015.11.031.
3. Seguí, X.; Pujolasus, E.; Betrò, S.; Àgueda, A.; Casal, J.; Ocampo-Duque, W.; Rudolph,
I.; Barra, R.; Páez, M.; Barón, E.; et al. Fuzzy model for risk assessment of persistent
organic pollutants in aquatic ecosystems. Environ. Pollut. 2013, 178, 23–32,
doi:10.1016/j.envpol.2013.02.014.
4. Topuz, E.; van Gestel, C.A.M. An approach for environmental risk assessment of
engineered nanomaterials using Analytical Hierarchy Process (AHP) and fuzzy
inference rules. Environ. Int. 2016, 92–93, 334–347,
doi:10.1016/j.envint.2016.04.022.
5. Caniani, D.; Labella, A.; Lioi, D.S.; Mancini, I.M.; Masi, S. Habitat ecological integrity
and environmental impact assessment of anthropic activities: A GIS-based fuzzy
logic model for sites of high biodiversity conservation interest. Ecol. Indic. 2016, 67,
238–249, doi:10.1016/j.ecolind.2016.02.038.
6. Jahangoshai Rezaee, M.; Yousefi, S.; Eshkevari, M.; Valipour, M.; Saberi, M. Risk
analysis of health, safety and environment in chemical industry integrating linguistic
FMEA, fuzzy inference system and fuzzy DEA. Stoch. Environ. Res. Risk Assess. 2020,
34, 201–218, doi:10.1007/s00477-019-01754-3.
7. Betrò, S. Environmental Risk Assessment of Polybrominated Diphenyl Ether (PBDE)
and Hexabromocyclododecane (HBCD) in Ebro River Basin, Universitat Politecnica
de Catalunya, Barcelona, 2011.
8. González, R.J.; Darbra, R.M.; Arnaldos, J. Using fuzzy logic to introduce the human
factor in the failure frequency estimation of storage vessels in chemical plants.
Chem. Eng. Trans. 2013, 32, 193–198, doi:10.3303/CET1332033.
9. Mathworks Get Started with Fuzzy Logic Toolbox Available online:
https://la.mathworks.com/help/fuzzy/getting-started-with-fuzzy-logic-
toolbox.html.
10. Olmo Castillo, M.A. Tutorial de Introducción de Lógica Borrosa. Available online:
http://www.dma.fi.upm.es/recursos/aplicaciones/logica_borrosa/web/
tutorial_fuzzy/contenido7ie.html?page=java/fuzzy/tutfuzzy/contenido7ie.
11. Cabanillas, J.; Ginebreda, A.; Guillén, D.; Martínez, E.; Barceló, D.; Moragas, L.;
Robusté, J.; Darbra, R.M. Fuzzy logic based risk assessment of effluents from waste-
water treatment plants. Sci. Total Environ. 2012, 439, 202–210,
doi:10.1016/j.scitotenv.2012.09.008.
12. Ferdous, Z.; Nemmar, A. Health impact of silver nanoparticles: A review of the
biodistribution and toxicity following various routes of exposure. Int. J. Mol. Sci.
2020, 21.
13. Akter, M.; Sikder, M.T.; Rahman, M.M.; Ullah, A.K.M.A.; Hossain, K.F.B.; Banik, S.;
Hosokawa, T.; Saito, T.; Kurasaki, M. A systematic review on silver nanoparticles-
induced cytotoxicity: Physicochemical properties and perspectives. J. Adv. Res.
2018, 9, 1–16, doi:10.1016/j.jare.2017.10.008.
14. Comandella, D.; Gottardo, S.; Rio-Echevarria, I.M.; Rauscher, H. Quality of
physicochemical data on nanomaterials: An assessment of data completeness and
variability. Nanoscale 2020, 12, 4695–4708, doi:10.1039/c9nr08323e.
15. Gorka, D.E.; Osterberg, J.S.; Gwin, C.A.; Colman, B.P.; Meyer, J.N.; Bernhardt, E.S.;
Gunsch, C.K.; DiGulio, R.T.; Liu, J. Reducing Environmental Toxicity of Silver
Nanoparticles through Shape Control. Environ. Sci. Technol. 2015, 49, 10093–10098,
doi:10.1021/acs.est.5b01711.
16. Cui, R.; Chae, Y.; An, Y.J. Dimension-dependent toxicity of silver nanomaterials on
the cladocerans Daphnia magna and Daphnia galeata. Chemosphere 2017, 185,
205–212, doi:10.1016/j.chemosphere.2017.07.011.
17. Nam, S.H.; An, Y.J. Size- and shape-dependent toxicity of silver nanomaterials in
green alga Chlorococcum infusionum. Ecotoxicol. Environ. Saf. 2019, 168, 388–393,
doi:10.1016/j.ecoenv.2018.10.082.
18. Tolaymat, T.M.; El Badawy, A.M.; Genaidy, A.; Scheckel, K.G.; Luxton, T.P.; Suidan,
M. An evidence-based environmental perspective of manufactured silver
nanoparticle in syntheses and applications: A systematic review and critical
appraisal of peer-reviewed scientific papers. Sci. Total Environ. 2010, 408, 999–
1006, doi:10.1016/j.scitotenv.2009.11.003.
19. Sohn, E.K.; Johari, S.A.; Kim, T.G.; Kim, J.K.; Kim, E.; Lee, J.H.; Chung, Y.S.; Yu, I.J.
Aquatic Toxicity Comparison of Silver Nanoparticles and Silver Nanowires. Biomed
Res. Int. 2015, 2015, 893049, doi:10.1155/2015/893049.
20. Jurašin, D.D.; Ćurlin, M.; Capjak, I.; Crnković, T.; Lovrić, M.; Babič, M.; Horák, D.;
Vrček, I.V.; Gajović, S. Surface coating affects behavior of metallic nanoparticles in a
biological environment. Beilstein J. Nanotechnol. 2016, 7, 246–262,
doi:10.3762/bjnano.7.23.
21. Silva, T.; Pokhrel, L.R.; Dubey, B.; Tolaymat, T.M.; Maier, K.J.; Liu, X. Particle size,
surface charge and concentration dependent ecotoxicity of three organo-coated
silver nanoparticles: Comparison between general linear model-predicted and
observed toxicity. Sci. Total Environ. 2014, 468–469, 968–976,
doi:10.1016/j.scitotenv.2013.09.006.
22. Tsiola, A.; Pitta, P.; Callol, A.J.; Kagiorgi, M.; Kalantzi, I.; Mylona, K.; Santi, I.; Toncelli,
C.; Pergantis, S.; Tsapakis, M. The impact of silver nanoparticles on marine plankton
dynamics: Dependence on coating, size and concentration. Sci. Total Environ. 2017,
601–602, 1838–1848, doi:10.1016/j.scitotenv.2017.06.042.
23. Hou, J.; Liu, H.; Wang, L.; Duan, L.; Li, S.; Wang, X. Molecular Toxicity of Metal Oxide
Nanoparticles in Danio rerio. Environ. Sci. Technol. 2018, 52, 7996–8004,
doi:10.1021/acs.est.8b01464.
24. Liu, X.; Dumitrescu, E.; Kumar, A.; Austin, D.; Goia, D.; Wallace, K.N.; Andreescu, S.
Differential lethal and sublethal effects in embryonic zebrafish exposed to different
sizes of silver nanoparticles. Environ. Pollut. 2019, 248, 627–634,
doi:10.1016/j.envpol.2019.02.085.
25. Ocampo-Duque, W.; Ferré-Huguet, N.; Domingo, J.L.; Schuhmacher, M. Assessing
water quality in rivers with fuzzy inference systems: A case study. Environ. Int. 2006,
32, 733–742, doi:10.1016/j.envint.2006.03.009.