Se propone en este trabajo una comparación de diferentes T-normas y S-normas para los pesos de números difusos tipo-2 en intervalos. Los pesos de números difusos tipo-2 en intervalos se utilizan en una red neuronal con un método de aprendizaje de retropropagación en intervalos mejorado para el ajuste de pesos. Se presentan los resultados de experimentos y una investigación comparativa entre redes neuronales tradicionales y la red neuronal con pesos de números difusos tipo-2 en intervalos con diferentes T-normas y S-normas para demostrar los beneficios del enfoque propuesto. En esta investigación, se presentan las definiciones de los números difusos tipo-2 en intervalos inferior y superior con valores iniciales aleatorios; este intervalo representa la huella de la incertidumbre (FOU). El trabajo propuesto se basa en trabajos recientes que han considerado la adaptación de pesos utilizando números difusos tipo-2. Para confirmar la eficiencia del método propuesto, se aplica un caso de predicción de datos, en particular para la serie temporal de Mackey-Glass (para = 17). Se aplicó ruido de tipo gaussiano a los datos de prueba de la serie temporal de Mackey-Glass para demostrar que la red neuronal que utiliza un método de números difusos tipo-2 en intervalos logra una menor susceptibilidad al ruido que otros métodos.