Você está na página 1de 119

tica Aplicada Notas em Matema

Volume 17, 2012

e-ISSN 2236-5915

Editores Cassio Machiaveli Oishi


Universidade Estadual Paulista - UNESP Presidente Prudente, SP, Brasil

Fernando Rodrigo Rafaeli


Universidade Estadual Paulista - UNESP S ao Jos e do Rio Preto, SP, Brasil

Rosana Sueli da Motta Jafelice (Editor Chefe)


Universidade Federal de Uberl andia - UFU Uberl andia, MG, Brasil

Rubens de Figueiredo Camargo


Universidade Estadual Paulista - UNESP Bauru, SP, Brasil

Sezim aria de F atima P. Saramago


Universidade Federal de Uberl andia - UFU Uberl andia, MG, Brasil

Vanessa Avansini Botta Pirani (Editor Adjunto)


Universidade Estadual Paulista - UNESP Presidente Prudente, SP, Brasil

Sociedade Brasileira de Matem atica Aplicada e Computacional

2012

A Sociedade Brasileira de Matem atica Aplicada e Computacional - SBMAC publica, desde as primeiras edi c oes do evento, monograas dos cursos que s ao ministrados nos CNMAC. Para a comemora c ao dos 25 anos da SBMAC, que ocorreu durante o XXVI CNMAC em 2003, foi criada a s erie Notas em Matem atica Aplicada para publicar as monograas dos minicursos ministrados nos CNMAC, o que permaneceu at e o XXXIII CNMAC em 2010. A partir de 2011, a s erie passa a publicar, tamb em, livros nas areas de interesse da SBMAC. Os autores que submeterem textos ` a s erie Notas em Matem atica Aplicada devem estar cientes de que poder ao ser convidados a ministrarem minicursos nos eventos patrocinados pela SBMAC, em especial nos CNMAC, sobre assunto a que se refere o texto. O livro deve ser preparado em Latex (compat vel com o Miktex vers ao 2.7), as guras em eps e deve ter entre 80 e 150 p aginas. O texto deve ser redigido de forma clara, acompanhado de uma excelente revis ao bibliogr aca e de exerc cios de verica c ao de aprendizagem ao nal de cada cap tulo.

Veja todos os t tulos publicados nesta s erie na p agina http://www.sbmac.org.br/notas.php

Sociedade Brasileira de Matem atica Aplicada e Computacional

2012

TEORIA DOS CONJUNTOS FUZZY COM APLICAC OES 2a edi c ao

Rosana Sueli da Motta Jafelice


rmotta@ufu.br Faculdade de Matem atica Universidade Federal de Uberl andia

La ecio Carvalho de Barros


laeciocb@ime.unicamp.br Departamento de Matem atica Aplicada Instituto de Matem atica, Estat stica e Computa c ao Cient ca Universidade Estadual de Campinas

Rodney Carlos Bassanezi


rodney@ime.unicamp.br Centro de Matem atica, Computa c ao e Cogni c ao Universidade Federal do ABC

Sociedade Brasileira de Matem atica Aplicada e Computacional

S ao Carlos - SP, Brasil 2012

Coordena ca o Editorial: Elbert Einstein Nehrer Macau Coordena ca o Editorial da S erie: Rosana Sueli da Motta Jafelice Editora: SBMAC Capa: Matheus Botossi Trindade Patroc nio: SBMAC c 2012 by Rosana Sueli da Motta Jafelice, La Copyright ecio Carvalho de Barros e Rodney Carlos Bassanezi. Direitos reservados, 2012 pela SBMAC. A publica ca o nesta s erie n ao impede o autor de publicar parte ou a totalidade da obra por outra editora, em qualquer meio, desde que fa ca cita c ao ` a edi ca o original. Cataloga c ao elaborada pela Biblioteca do IBILCE/UNESP Bibliotec aria: Maria Luiza Fernandes Jardim Froner Jafelice, Rosana S. M. Teoria dos Conjuntos Fuzzy com Aplica c oes - S ao Carlos, SP : SBMAC, 2012, 119 p., 20.5 cm - (Notas em Matem atica Aplicada; v. 17) - 2a edi ca o e-ISBN 978-85-86883-62-0 1. Computa ca o-Matem atica 2. Conjuntos Fuzzy 3. Sistemas Difusos I. Jafelice, Rosana S. M. II. Barros, La ecio C. III. Bassanezi, Rodney C.. IV. T tulo. V. S erie CDD - 51 Esta edi ca o em formato e-book e uma edi ca o revisada do livro original do mesmo t tulo publicado em 2005 nesta mesma s erie pela SBMAC.

Conte udo
Pref acio 1 Conjuntos Fuzzy 1.1 Introdu c ao . . . . . . . . . . . . . . . . . . . 1.2 Conjuntos Fuzzy . . . . . . . . . . . . . . . 1.3 Representa c oes de Conjuntos Fuzzy . . . . . 1.4 Opera co es entre Conjuntos Fuzzy . . . . . . 1.5 Normas Triangulares . . . . . . . . . . . . . 1.6 N veis de um Conjunto Fuzzy . . . . . . . . 1.7 N umeros Fuzzy . . . . . . . . . . . . . . . . 1.8 Opera co es Aritm eticas com N umeros Fuzzy 1.9 Princ pio de Extens ao . . . . . . . . . . . . 1.10 Esperan ca Fuzzy . . . . . . . . . . . . . . . Exerc cios . . . . . . . . . . . . . . . . . . . 2 Sistema Baseado em Regras Fuzzy 2.1 Rela c oes Fuzzy . . . . . . . . . . . . 2.2 Composi ca o entre Rela c oes Fuzzy . . 2.3 Equa c oes Relacionais Fuzzy . . . . . 2.4 Regras e Infer encia Fuzzy . . . . . . 2.5 Sistemas Baseados em Regras Fuzzy . 2.6 Aplica c oes do SBRF . . . . . . . . . 2.6.1 Vitalidade das Violetas . . . . 2.6.2 Grau de Risco da Obesidade . 2.6.3 Qualidade da agua . . . . . .
5

9 11 11 13 15 19 23 26 26 27 28 30 31 33 33 34 35 37 37 43 43 44 50

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

Exerc cios . . . . . . . . . . . . . . . . . . . . . . . . .

53

3 Aplica c oes 55 3.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2 Diagn ostico M edico . . . . . . . . . . . . . . . . . . . . 55 3.2.1 Base de Conhecimentos . . . . . . . . . . . . . . 56 3.3 Modelo de Evolu c ao da AIDS . . . . . . . . . . . . . . 60 3.3.1 Informa co es M edicas sobre HIV . . . . . . . . . 61 3.3.2 Vari aveis Lingu sticas e Base de Regras . . . . . 64 3.3.3 Esperan ca Fuzzy da Popula ca o Assintom atica . 70 3.3.4 Popula c ao Assintom atica com a Taxa de Transfer encia no Valor Modal . . . . . . . . . . . . . 74 3.3.5 Esperan ca Fuzzy da Taxa de Transfer encia . . . 75 3.3.6 Compara ca o entre: Esperan ca Fuzzy da Popula ca o Assintom atica; Popula c ao Assintom atica com a Taxa de Transfer encia no Valor Modal; e Popula ca o Assintom atica com a Esperan ca Fuzzy da Taxa de Transfer encia . . . . . . . . . . . . . 78 3.3.7 Conclus ao . . . . . . . . . . . . . . . . . . . . . 78 3.4 Elimina c ao de F armacos do Organismo . . . . . . . . . 79 3.4.1 Modelo Farmacocin etico Cl assico . . . . . . . . 79 3.4.2 A Meia-Vida (t 1 ) de um F armaco . . . . . . . 80 2 3.4.3 Modelo Farmacocin etico Fuzzy . . . . . . . . . 81 3.4.4 Base de Regras . . . . . . . . . . . . . . . . . . 83 3.4.5 Insuci encia Renal e a Elimina ca o de F armacos 85 3.4.6 Conclus oes . . . . . . . . . . . . . . . . . . . . . 87 3.5 M etodo de Takagi-Sugeno-Kang em Modelos Farmacocin eticos Multicompartimentais . . . . . . . . . . . . . 89 3.5.1 Introdu ca o . . . . . . . . . . . . . . . . . . . . . 89 3.5.2 Modelagem Fuzzy . . . . . . . . . . . . . . . . . 90 3.5.3 Conclus ao . . . . . . . . . . . . . . . . . . . . . 95 3.6 Modelo p-fuzzy de Malthus . . . . . . . . . . . . . . . . 95 3.7 Modelo p-fuzzy de Transfer encia da Popula c ao HIV Assintom atica para Sintom atica . . . . . . . . . . . . . . 98 3.8 Modelo Presa-Predador Fuzzy . . . . . . . . . . . . . . 100

3.8.1

Exemplo Real stico de Presa-Predador: e Linces na Ba a de Hudson . . . . . . 3.8.2 Modelo Cl assico . . . . . . . . . . . . . 3.8.3 Modelo Fuzzy . . . . . . . . . . . . . . 3.8.4 Conclus ao . . . . . . . . . . . . . . . . Exerc cios . . . . . . . . . . . . . . . . . . . . Bibliograa

Lebres . . . . . . . . . . . . . . . . . . . . . . . . .

100 102 103 110 111 113

Pref acio
A teoria dos conjuntos fuzzy foi introduzida, em 1965, por Lot A. Zadeh, com a principal inten ca o de dar um tratamento matem atico a certos termos lingu sticos subjetivos, como aproximadamente, em torno de, dentre outros. Esse seria um primeiro passo para se representar e armazenar, em um computador, informa co es incertas, tornando poss vel o c alculo com informa c oes incertas, a exemplo do que faz o ser humano. Por exemplo, h a um consenso que adicionar uma quantia em torno de 3 a outra em torno de 2 resulta em uma terceira em torno de 5. Devido a essa possibilidade, de manipula c ao com informa co es incertas, a teoria dos conjuntos fuzzy tem se tornado uma das areas emergentes em tecnologia contempor anea. Nas engenharias, os chamados controladores fuzzy t em sido largamente utilizados em eletrodom esticos, com o objetivo imitar o homem na execu ca o de algumas tarefas. No texto apresentaremos conceitos e ferramentas b asicas desta teoria, como fun c ao de pertin encia, vari aveis lingu sticas, sistema baseado em regras fuzzy e o m etodo de infer encia de Mamdani. Em seguida, ilustraremos o poder de tais ferramentas por meio de aplica c oes em Biomatem atica. Algumas destas aplica co es s ao t picas de din amica de popula ca o, como o caso da evolu c ao da AIDS, e outras que tratam de diagn ostico m edico. Uberl andia, outubro de 2011. Rosana Sueli da Motta Jafelice La ecio Carvalho de Barros Rodney Carlos Bassanezi
9

10

Cap tulo 1

Conjuntos Fuzzy
Uma semente n ao constitui uma pilha nem duas nem tr es ...mas por outro lado todo mundo ir a concordar que 100 milh oes de sementes constitui uma pilha. Anal qual e o limite apropriado? N os podemos dizer que 325647 sementes n ao constitue uma pilha mas 325648 constitue? (Borel 1950)

1.1

Introdu c ao

A caracter stica essencial da modelagem matem atica, utilizando sistemas de equa co es determin sticas, e a precis ao obtida nas previs oes de fen omeno. Evidentemente, tais previs oes ou infer encias est ao sempre dependentes de informa co es precisas que s ao inseridas nos valores m edios dos par ametros utilizados. Por outro lado, nos modelos estoc asticos, as solu co es m edias dos modelos s ao obtidas a posteriori quando se tem alguma distribui ca o estat stica de dados referentes ao fen omeno analisado. Os modelos estoc asticos s ao freq uentemente utilizados para analisar varia co es sujeitas ` as distribui co es de dados estat sticos. Entrentanto, se pretendemos modelar alguma situa c ao onde seus elementos ou vari aveis s ao heterog eneos, relativamente a alguma caracter stica, devemos considerar o comportamento desta caracter stica no processo evolutivo. Por exemplo, se temos uma popula ca o de fumantes num

12

Conjuntos Fuzzy

instante t0 , sujeita a alguma taxa de mortalidade, podemos querer saber como estar a composta esta popula ca o no futuro. Se considerarmos que cada indiv duo desta popula c ao e simplesmente fumante ou n ao fumante o problema pode ser resolvido com um modelo determin stico, tomando separadamente ambas as popula c oes. Por outro lado, se temos inicialmente uma distribui ca o de probabilidades dos fumantes desta popula ca o, podemos usar um modelo estoc astico para estudar a evolu c ao desta distribui ca o inicial. Agora, se a caracter stica de ser fumante depender da quantidade de cigarros que se fuma diariamente, qualidade dos cigarros fumados, intermit encia do ato de fumar etc, devemos caracterizar tamb em o grau de ser fumante. Neste caso, cada indiv duo pertence ` a popula c ao de fumantes com um grau espec co de pertin encia. Se n ao fumar, seu grau de pertin encia e zero, se fumar 3 carteiras di arias podemos dizer que e uma fumante de grau 1. Agora, se o indiv duo fumar 10 cigarros por dia o quanto ele ser a fumante? Esta subjetividade, ser fumante, pode ser caracterizada pela teoria dos conjuntos fuzzy. Um subconjunto fuzzy de um conjunto e caracterizado pois por uma fun ca o uA :U [0, 1], onde uA (x) atribui o grau com que o elemento x pertence ao subconjunto fuzzy A. Os modelos cl assicos de biomatem atica, particulamente, os modelos de din amica populacional e epidemiologia s ao fundamentados em hip oteses, quase sempre, provenientes da sico-qu mica onde o encontro de duas subst ancias (vari aveis de estado) e modelado pelo produto de sua concetra ca o - lei da a c ao das massas. Isto e usado nos modelos de Lotka-Voltera de intera ca o de duas esp ecies ou nos modelos de Kermak-Mackendrick de epidemiologia. A taxa de preda c ao do modelo presa-predador ou a for ca de infec ca o dos modelos epidemiologicos s ao valores m edios obtidos empiricamente ou simulados o que nem sempre traduz corretamente o fen omeno correspondente. Por outro lado, se considerarmos a popula ca o de presas de uma determinada esp ecie, tal vari avel pode ser considerada como um subconjunto fuzzy, se associarmos a cada presa a facilidade como e predada, o que est a relacionada com a sua idade, seu estado se sa ude, habitat etc. Vari aveis deste tipo s ao muito frequentes em fen omenos biol ogicos e

Conjuntos Fuzzy

13

dif ceis de serem avaliadas como m edias de dados experimentais. Os modelos variacionais fuzzy podem comportar v arios tipos de subjetividade (fuzziness), dependendo da escolha da vari avel de estado e dos par ametros dos modelos. Temos uma fuzziness demogr aca quando a vari avel de estado e um subconjunto fuzzy, e fuzziness ambiental quando somente os par ametros s ao considerados subconjuntos fuzzy. Em geral ambos o tipos de fuzziness est ao presentes nos fen omenos biol ogicos. Esta nova maneira de modelar problemas ligados ` a realidade biol ogica, onde tanto as vari aveis de estado como os par ametros s ao empregnados de subjetividade, vem ganhando terreno na area de biomatem atica com resultados signicativos e animadores, sendo o que motivou este minicurso [6].

1.2

Conjuntos Fuzzy

Um subconjunto fuzzy do conjunto universo U e denido em termos de uma fun c ao de pertin encia u que a cada elemento x de U associa um n umero u(x), entre zero e um chamado de grau de pertin encia de x a . Assim, o conjunto fuzzy e simbolicamente indicado por sua fun ca o de pertin encia u : U [0, 1] . Os valores u (x) = 1 e u (x) = 0 indicam, respectivamente, a pertin encia plena e a n ao pertin encia do elemento x a . E interessante notar que um subconjunto cl assico A de U e um particular conjunto fuzzy para o qual a fun ca o de pertin encia e a fun ca o caracter stica de A, isto e, uA : U {0, 1}. Do ponto de vista formal, a deni c ao de subconjunto fuzzy foi obtida simplesmente ampliando-se o contra dom nio da fun ca o caracter stica, que e o conjunto {0,1}, para o intervalo [0,1]. O exemplo a seguir pode ser considerado como um caso t pico de subconjunto fuzzy.

14

Conjuntos Fuzzy

Exemplo 1 Considere o subconjunto fuzzy F dos n umeros inteiros pr oximos de zero: F={n Z : n e pr oximo de zero}. O n umero 0 (zero) pertence a esse conjunto? E o n umero 1000? Dentro do esp rito da l ogica fuzzy, poder amos dizer que ambos pertercem a F por em com diferentes graus de pertin encia, de acordo com a propriedade que caracteriza o conjunto. Ou seja, a fun ca o de pertin encia de F deve ser constru da de forma coerente com o termo pequeno que caracteriza seus elementos no conjunto universo dos n umeros naturais. Uma possibilidade para a fun ca o de pertin encia de F e 1 . (1.2.1) +1 Se esse for o caso, poder amos dizer que o n umero 0 pertence a F com grau de pertin encia uF (0) = 1, enquanto 1000 pertence a F com grau de pertin encia uF (1000) = 106 , Figura 1.1. Notemos que a escolha da fun ca o uF neste caso foi feita de mauF (n) = n2
uF(n)

10 1000 800 600 400 200 0

200

400

600

800

1000

nmeros inteiros (n)

Figura 1.1: Conjunto fuzzy dos n umeros inteiros pr oximos de zero.

neira totalmente arbitr aria, levando em conta apenas o signicado da

Representa c oes de Conjuntos Fuzzy

15

palavra pequeno. Portanto, existem innitas maneiras de modelar matematicamente o conceito de n umero natural pequeno. Uma outra maneira poss vel e n+1 . (1.2.2) n4 + 1 Claro que a escolha dessas fun co es para representar o conjunto fuzzy em quest ao depende de como tais fun c oes est ao relacionadas com o contexto do problema a ser estudado. Do ponto de vista apenas da teoria de conjuntos fuzzy, qualquer uma das duas fun co es de pertin encia (1.2.1) ou (1.2.2), pode ser representante do nosso conjunto fuzzy F . Por em, o que deve ser notado e que cada uma destas fun co es produz conjuntos fuzzy distintos. Finalmente, est a impl cito que dois conjuntos fuzzy A e B s ao iguais quando uA (x) = uB (x), para todo x U . ct Exemplo 2 O conjunto fuzzy dos fumantes dado por u(c, t) = 20+ ct em que c e proporcional ao n umero de cigarros fumados por unidade de tempo e t o tempo em que o indiv duo fumou durante sua vida [5]. A seguir apresentaremos algumas representa co es de conjuntos fuzzy. uF (n) =

1.3

Representa co es de Conjuntos Fuzzy

As representa co es das fun co es que denem os elementos de um conjunto fuzzy facilitam a visualiza ca o deste conjunto, e podem ser feitas na forma tabular (ou de lista), gracamente e na forma anal tica. Para conjuntos nitos, as fun co es podem ser representadas por tabelas. A tabela representando um conjunto fuzzy lista todos os elementos do conjunto com seus respectivos graus de pertin encia. No exemplo a seguir temos uma ilustra c ao deste caso. Os exemplos de 3 a 7 foram apresentados em [36]. Exemplo 3 Seja A o conjunto dos alunos de uma sala de aula de uma faculdade. Os alunos desta sala s ao o Fernando, o Carlos, a M arcia e o Andr e. Este conjunto A e um subconjunto do conjunto universo X com todos os alunos da faculdade. Nem todos os alunos do conjunto A estudam diligentemente, logo alguns t em um grau de

16

Conjuntos Fuzzy

mais estudioso, outros menos estudiosos variando entre os valores 0 e 1. Para os alunos citados tem-se a representa ca o na Tabela 1.1:
Estudante Carlos M arcia Fernando Andr e Grau de estudo 0.3 0.7 0.8 0.9

Tabela 1.1: Alunos e graus de estudo.

Alternativamente ` a Tabela 1, pode-se listar os pares consistindo de cada elemento com seu grau de estudo, da seguinte forma: A=0.8/Fernando + 0.3/Carlos + 0.7/M arcia + 0.9/Andr e Aqui o s mbolo / e apenas usado para associar o elemento do conjunto universo X e seu grau de pertin encia ao conjunto fuzzy A. Assim, tamb em o sinal de + n ao signica soma; simplesmente conecta os elementos do grupo. A forma geral para representar o conjunto fuzzy A quando X e nito tem a forma: A= uA (x)/x. Uma outra forma de se representar um conjunto fuzzy e feita gracamente. A representa c ao gr aca e a mais usada na literatura fuzzy por ter uma interpreta c ao mais intuitiva. No caso de se fazer representa c ao em duas dimens oes, o eixo vertical representa o grau de pertin encia no intervelo [0,1], e o eixo horizontal cont em a informa c ao a ser modelada. A seguir temos tr es exemplos de representa c ao gr aca de conjuntos fuzzy. No exemplo 4, temos uma curva que inicia em 1 (no eixo vertical) e se aproxima do eixo horizontal, ou seja, e uma curva decrescente. No exemplo 5 temos uma curva que cresce e depois decresce, na forma de sino. No exemplo 6, temos uma curva que inicia pr oxima ao eixo horizontal e vai crescendo at e o limite de 1.

Representa c oes de Conjuntos Fuzzy

17

Exemplo 4 Um conjunto fuzzy J compat vel com o conceito de jovem deve, no m nimo, indicar que, quanto menos idade um indiv duo tiver, mais jovem ser a. Sua fun ca o grau de pertin encia uJ (x) pode ser representada como na Figura 1.2.
1

uJ(x)

10

15

20

25 idade (anos)

30

35

40

45

Figura 1.2: Fun c ao de pertin encia de jovens.

Exemplo 5 O conjunto fuzzy de pessoas de meia idade poderia ser representado pela fun ca o uA (x) ilustrada na Figura 1.3. Neste exemplo, a curva tem a forma de sino, crescendo da esquerda para a direita at e uma certa idade, e depois decrescendo com a idade. Que a curva deva ter esta forma acreditamos que e consenso. As controv ersias talvez apare cam a respeito da idade, onde h a mudan ca do crescimento da curva. Exemplo 6 Suponha que a universidade dena n veis de experi encia acad emica, de acordo com o n umero de cr editos feitos pelos alunos, conforme a Tabela 1.2. Ao contr ario da teoria cl assica de conjuntos que deniriam precisamente os n veis de experi encia, o termo vago grau de experi encia acad emica corresponde a um genu no conjunto fuzzy. Os cr editos (em horas) e que classicam os n veis dos indiv duos, por em h a diferen cas de cr editos dentro de cada n vel. Por exemplo, o ind viduo

18

Conjuntos Fuzzy

uA(x)

10

20

30

40

50 idade (anos)

60

70

80

90

Figura 1.3: Fun c ao de pertin encia de pessoas de meia idade.

N vel Iniciante Segundanista J unior S enior

Cr editos (em horas) 0 - 42 43 - 82 83 - 114 115 - 146

Tabela 1.2: N veis de experi encia acad emica.

com 126 cr editos e mais s enior que aquele que tem 95 cr editos. Uma representa c ao gr aca para este exemplo pode ser a Figura 1.4. Nesta fase, em que os conjuntos fuzzy est ao sendo denidos, e de fundamental import ancia as informa co es fornecidas pelo especialista da area do fen omeno estudado. A representa c ao anal tica e tamb em bastante utilizada em teoria dos conjuntos fuzzy. Veja o exemplo 7: Exemplo 7 O conjunto fuzzy A dos n umeros reais em torno de 6, (Figura 1.5) pode ser representado analiticamente da seguinte forma:

Opera c oes entre Conjuntos Fuzzy


1

19

uA(x)

10

20

30

40

50

60

70

80

90

100 110 120 130 140 150 160 170 creditos (em horas)

Figura 1.4: Fun c ao de pertin encia para o N vel S enior.

x 5 se 5 x < 6 7 x se 6 x 7 uA (x) = 0 caso contr ario.

(1.3.3)

Para conjuntos fuzzy triangulares usamos a nota ca o A(x; a, b, c) onde a, b e c s ao as abscissas dos v ertices do tri angulo. No exemplo acima, temos A(x; 5, 6, 7). Na pr oxima se c ao, deniremos as opera c oes entre os conjuntos fuzzy.

1.4

Opera c oes entre Conjuntos Fuzzy

Sejam A e B subconjuntos cl assicos de U representados pelas fun c oes caracter sticas uA e uB , respectivamente. Os conjuntos A B = {x U ; x A ou x B }, A B = {x U ; x A e x B }, A = {x U ; x A}

20
1

Conjuntos Fuzzy

uA(x)

5 nmeros reais (x)

Figura 1.5: Conjunto fuzzy dos n umeros reais em torno de 6.

t em respectivamente as fun co es caracter sticas, x U , uAB (x) = max{uA (x), uB (x)}, uAB (x) = min{uA (x), uB (x)}, uA (x) = 1 uA (x). Pensando novamente em conjuntos fuzzy como sendo caracterizados pelas fun c oes de pertin encias que s ao extens oes de fun c oes caracter sticas, podemos denir uni ao, intersec ca o e complementar de conjuntos fuzzy trocando a fun c ao caracter stica pela fun c ao grau de pertin encia. Deni c ao 1.1. Sejam A e B conjuntos fuzzy. As fun c oes de pertin encia que representam os conjuntos fuzzy uni ao (Figura 1.6), intersec c ao (Figura 1.7) e complementar (Figura 1.8) de conjuntos fuzzy s ao dadas por, x U , uAB (x) = max{uA (x), uB (x)}, uAB (x) = min{uA (x), uB (x)},

Opera c oes entre Conjuntos Fuzzy

21

uA (x) = 1 uA (x). respectivamente.

A
1

AB

Figura 1.6: Uni ao dos conjuntos fuzzy.

A
1

AB

Figura 1.7: Intersec c ao dos conjuntos fuzzy.

22

Conjuntos Fuzzy

A 1

Figura 1.8: Complementar dos conjuntos fuzzy.

Particulamente, se A e B forem conjuntos cl assicos, ent ao as fun co es caracter sticas das respectivas opera c oes, acima denidas, satisfazem estas igualdades, mostrando a coer encia destas deni c oes. Por exemplo, se A e um subconjunto (cl assico) de U, ent ao a fun ca o carac ter stica do seu complementar e tal que uA (x) = 0 se uA (x) = 1 (i.e. x A) e uA (x) = 1 se uA (x) = 0 (i. e. x A). Neste caso, ou x A ou x A. Na teoria fuzzy n ao temos necessariamente essa dicotomia, nem sempre e verdade que A A = assim como n ao e verdade que A A = U . O exemplo a seguir ilustra tais fatos. Exemplo 8 Suponha que o conjunto universo U seja composto pelos pacientes de uma cl nica, identicados pelos n umeros 1, 2, 3, 4 e 5 . Sejam A e B os conjuntos fuzzy que representam os pacientes com febre e dor, respectivamente. A Tabela 1.3 ilustra a uni ao, intersec ca o e o complemento. Os valores das colunas, exceto os da primeira, indicam os graus com que cada paciente pertence aos conjuntos fuzzy A, B , A B , A B , A , A A , respectivamente, onde A e B s ao supostamente dados. Na coluna A A , o valor 0.3 indica que o paciente 1 est a tanto no grupo

Normas Triangulares P aciente 1 2 3 4 5 F ebre(uA ) 0.7 1.0 0.4 0.5 1.0 Dor(uB ) 0.6 1.0 0.2 0.5 0.2 uAB 0.7 1.0 0.4 0.5 1.0 uAB 0.6 1.0 0.2 0.5 0.2 uA 0.3 0.0 0.6 0.5 0.0 uAA 0.3 0.0 0.4 0.5 0.0

23

Tabela 1.3: Uni ao, intersec c ao e complementar dos conjuntos A e B .

dos febris como dos n ao febris. Como dissemos antes, este e um fato inadmiss vel na teoria cl assica de conjuntos na qual temos a lei do terceiro exclu do (A A = ).

1.5

Normas Triangulares

As normas triangulares s ao generaliza co es dos operadores uni ao e intersec ca o. Formalmente elas s ao denidas abaixo: Deni c ao 1.2. Uma co-norma triangular (snorma) e uma opera c ao bin aria s : [0, 1] [0, 1] [0, 1] satisfazendo as seguintes condi c oes: Comutatividade: xsy = ysx. Associatividade: xs(ysz ) = (xsy )sz . Monotonicidade: Se x y e w z ent ao xsw ysz . Condi c oes de fronteira: xs0 = x, xs1 = 1. Claramente, o operador max e uma snorma. Exemplos: 1. Uni ao Padr ao: s : [0, 1] [0, 1] [0, 1] com xsy = max(x, y ), Figura 1.9. 2. Soma Alg ebrica: s : [0, 1] [0, 1] [0, 1] com xsy = x + y xy , Figura 1.10.

24

Conjuntos Fuzzy

0.8

0.8

xsy

0.6

xsy

0.6

0.4

0.4

0.2

0.2

0 1 0.8 0.6 0.8 0.4 0.2 0 0 0.4 0.2 0.6 1

0 1 0.8 1

0.6 0.4 0.2 0 0 0.4 0.2 0.6

0.8

Figura 1.9: s-norma Uni ao Padr ao.

Figura 1.10: s-nor. Soma Alg ebrica.

1
1

0.8
0.8

xsy

0.6
0.6 xsy

0.4

0.4

0.2

0.2

0 1 0.8 0.6 0.8 0.4 0.2 0 0 0.4 0.2 0.6 1

0 1 0.8 0.6 0.4 0.2 0.4 0.2 0 0 x 0.6 0.8 1

x
y

Figura 1.11: s-nor. Soma Limitada.

Figura 1.12: s-nor. Uni ao Dr astica.

3. Soma Limitada: s : [0, 1] [0, 1] [0, 1] com xsy = min(1, x + y ) Figura 1.11. 4. Uni ao Dr astica: s : [0, 1] [0, 1] [0, 1] com x se y = 0 y se x = 0 xsy = 1 caso contr ario, F igura 1.12. Deni c ao 1.3. Uma norma triangular (tnorma) e uma opera c ao bin aria t : [0, 1] [0, 1] [0, 1] satisfazendo as seguintes condi c oes: Comutatividade: xty = ytx.

Normas Triangulares

25

0.8

0.8

0.6

0.6

xsy
0.4

xsy
0.4

0.2

0.2

0 1 0.8 0.6 0.8 0.4 0.2 0 0 0.4 0.2 0.6 1

0 1 0.8 0.6 0.8 0.4 0.2 0 0 0.4 0.2 0.6 1

Figura 1.13: Padr ao.

t-norma Intersec c ao

Figura 1.14: Alg ebrico.

t-norma

Produto

1
1

0.8
0.8

xsy

0.6
0.6 xty 0.4

0.4

0.2

0.2

0 1 0.8 0.6 0.8 0.4 0.2 0 0 0.4 0.2 0.6 1

0 1 0.8 0.6 0.4 0.2 y 0 0 0.4 0.2 x 0.6 0.8 1

Figura 1.15: t-norma Diferen ca Limitada.

Figura 1.16: Dr astica.

t-norma Intersec c ao

Associatividade: xt(ytz ) = (xty )tz . Monotonicidade: Se x y e w z ent ao xtw ytz . Condi c oes de fronteira: 0tx = 0, 1tx = x. O operador min e uma tnorma. Exemplos: 1. Intersec c ao Padr ao: t : [0, 1] [0, 1] [0, 1] com xty = min(x, y ), Figura 1.13.

26

Conjuntos Fuzzy

2. Produto Alg ebrico: t : [0, 1] [0, 1] [0, 1] com xty = xy , Figura 1.14. 3. Diferen ca Limitada: t : [0, 1] [0, 1] [0, 1] com xty = max(0, x + y 1), Figura 1.15. 4. Intersec c ao Dr astica: t : [0, 1] [0, 1] [0, 1] com x se y = 1 y se x = 1 xty = 0 caso contr ario, F igura 1.16. Na pr oxima se ca o deniremos o conceito de n vel de um conjunto fuzzy que e de fundamental import ancia na teoria de conjuntos fuzzy.

1.6

N veis de um Conjunto Fuzzy

Deni c ao 1.4. Sejam A um conjunto fuzzy e [0, 1]. Denimos como -n vel de A o conjunto [A] = {x U ; uA (x) }. Deni c ao 1.5. Suporte de um conjunto fuzzy A s ao todos os elementos de U que t em grau de pertin encia diferente de zero em A e denotamos por supp(A). supp(A)= {x U ; uA (x) > 0}. Denotaremos por F (U ) o conjunto de todos os conjuntos fuzzy de U .

1.7

N umeros Fuzzy

Assim como no caso cl assico, aqui tamb em temos o objetivo de fazer contas. A diferen ca e que aqui pretendemos calcular quantidades imprecisas. Por exemplo, todos n os somos un animes em dizer que o dobro de uma quantidade em torno de 5 resulta em outra em torno

Opera c oes Aritm eticas com N umeros Fuzzy

27

de 10. Para isto, criaremos objetos que generalizam os n umeros reais. Tais objetos ser ao chamados de n umeros fuzzy [20]. Inicialmente, denimos o supremo de um conjunto. Deni c ao 1.6. Um conjunto fuzzy N e chamado n umero fuzzy quando o conjunto universo, onde N est a denido, e o conjunto dos n umeros reais R e a fun c ao de pertin encia uN : R [0, 1] e tal que: 1. uN (x) = 1 para pelo menos um valor x do supp(N ). 2. [N ] e um intervalo fechado, (0, 1]. 3. O suporte de N e limitado. Observamos que, com a Deni c ao 1.6, todo n umero real r e um caso particular de n umero fuzzy cuja fun ca o de pertin encia e sua fun c ao caracter stica: { 1 se x = r ur (x) = . (1.7.4) 0 se x = r

1.8

Opera c oes Aritm eticas com N umeros Fuzzy

Deni c ao 1.7. Sejam A e B dois n umeros fuzzy, e um n umero real. 1. A soma de n umeros fuzzy A e B e o n umero fuzzy, A + B , cuja fun c ao de pertin encia e uA+B (x) = supx=y+z min[uA (y ), uB (z )]. (1.8.5)

2. A multiplica c ao de por A e o n umero fuzzy, A, cuja fun c ao de pertin encia e { uA ( 1 x) se = 0 uA (x) = (1.8.6) 0 se = 0 { 1 se x = 0 onde 0 = . Uma maneira alternativa, e mais pr atica de 0 se x = 0 se fazer estas opera co es e por meio dos -n veis dos conjuntos fuzzy envolvidos, de acordo com o Teorema 1.1 [20].

28

Conjuntos Fuzzy

Teorema 1.1. Se M e N s ao dois n umeros fuzzy e um n umero real, ent ao para todo [0, 1] tem-se [M + N ] = [M ] + [N ] = {a + b;a [M ] e b [N ] } e [N ] = [N ] = {a; a [N ] }. (1.8.7)

Outras opera co es alg ebricas com n umeros fuzzy s ao denidas de modo an alogo. Na pr oxima se c ao deniremos o Princ pio de Extens ao.

1.9

Princ pio de Extens ao

Essencialmente, o princ pio da extens ao e utilizado para obter a imagem de conjuntos fuzzy atrav es de uma fun c ao cl assica. Sejam X e Y conjuntos e f uma aplica c ao de X em Y : f : X Y . Seja A um conjunto fuzzy em X . O princ pio de extens ao arma que a imagem de A pela fun ca o f e um conjunto fuzzy B = f (A) em Y , cuja fun ca o de pertin encia e dada por uB (y ) = sup uA (x)
x

(1.9.8)

para x X e y = f (x), como e ilustrado na Figura 1.17. O princ pio de extens ao pode ser descrito da seguinte forma: O grau de pertin encia de um valor do contradomin o e denido diretamente pelo grau de pertin encia de sua pr e-imagem. Quando um valor do contradom nio e mapeado por v arios do dom nio, o seu grau de pertin encia e obtido pelo sup dos graus de pertin encia dos valores da entrada. O princ pio de extens ao pode ser facilmente generalizado para fun co es de v arias vari aveis. Sejam X = X1 X2 ... Xn e Y conjuntos universos. Considere os conjuntos fuzzy Ai em Xi , i = 1, ..., n, e uma

Princ pio de Extens ao

29

uB

uA

Figura 1.17: Princ pio de extens ao [31].

fun ca o f : X Y . Os conjuntos fuzzy A1 , A2 ,...,An s ao ent ao transformados pela f produzindo o conjunto fuzzy B = f (A1 , A2 , ..., An ) em Y , cuja fun ca o de pertin encia e uB (y ) = sup min[uA1 (x1 ), uA2 (x2 ), ..., uAn (xn )],
x

(1.9.9)

para x X , x = (x1 , ..., xn ) X1 X2 ... Xn e y = f (x). Exemplo: Suponhamos que estamos trabalhando com uma popula ca o de HIV positivos e sabemos que, ao atingir a corrente sang u nea, o HIV lan ca seu ataque principalmente contra os linf ocitos T, do tipo CD4+. Se conhecemos o conjunto fuzzy do n vel de CD4+ e temos uma fun ca o da popula c ao assintom atica em fun c ao do n vel de CD4+, atrav es do Princ pio de Extens ao determinamos o grau de pertin encia da popula c ao assintom atica no instante t [15], Figura 1.18. t se c < 200 e (c)t xt (c) = e se 200 c 500 1 se c > 500

(1.9.10)

30

Conjuntos Fuzzy

c em que (c) = 500 , Ct e o conjunto fuzzy do n vel de CD4+ em t 300 cuja a fun ca o de pertin encia e uCt e Wt e o correspondente conjunto fuzzy em t com a fun c ao de pertin encia uWt . Mais especicamente, a partir do Pr ncipio de Extens ao temos, para cada instante t:

uWt (xt (c)) = sup uCt (c).


c

(1.9.11)

xt(c)

Wt

xt(c)

uW

Nivel de CD4+ ( c)

Ct

uC

Figura 1.18: Wt em t = 3.

1.10

Esperan ca Fuzzy

A m de usar um m etodo de defuzzica ca o para obter um valor real, isto e, um n umero real representativo de um conjunto fuzzy, necessitaremos dos conceitos de nmo de um conjunto e medida fuzzy. Seja A um subconjunto n ao vazio do conjunto parcialmente ordenado E . Ao maior dos limites inferiores de A d a-se o nome de nmo de A que e indicado por inf A. Seja um conjunto n ao vazio e P () o conjunto das partes de . A fun ca o : P () [0, 1] e uma medida fuzzy [7], [29] e [34] se: a) () = 0 e () = 1

Exerc cios

31

b) (A) (B ) se A B . Seja um conjunto fuzzy de R com fun ca o de pertin encia u. O valor esperado do conjunto fuzzy, denotado por F EV [u], e denido pela integral fuzzy F EV [u] = sup inf[, {u }] (1.10.12)
01

onde e uma medida fuzzy e {u } = {x R : u(x) }, [0, 1]. Observa ca o: Se H () = {u } ent ao o c alculo de F EV [u], consiste em determinar o ponto xo de H , que pode ser dado pela intersec c ao de y = com g = H (), 0 1 [19]. Em nosso trabalho F EV [u] tamb em ser a usado como o defuzicador do conjunto fuzzy u. No pr oximo cap tulo introduziremos as vari aveis lingu sticas e o sistema baseado em regras fuzzy.

Exerc cios
Considere dois conjuntos fuzzy com fun c oes de pertin encia triangulares A(x; 1, 2, 3) e B (x; 2, 2, 4). 1. Encontre a intersec c ao e a uni ao dos conjuntos A e B e expresseas analiticamente, usando os operadores min e max. 2. Determine a intersec ca o com a tnorma Produto Alg ebrico xty = xy e a uni ao com a s norma Soma Alg ebrica xsy = x + y xy . 3. Encontre o complementar de A e B e intersec c ao destes conjuntos com os conjuntos originais usando as t normas Intersec c ao Padr ao xty = min(x, y ) e Produto Alg ebrico xty = xy . Repita o mesmo com a opera ca o uni ao usando as s normas Uni ao Padr ao xsy = max(x, y ) e Soma Alg ebrica xsy = x + y xy .

32

Conjuntos Fuzzy

Cap tulo 2

Sistema Baseado em Regras Fuzzy


2.1 Rela co es Fuzzy

Estudos de associa c oes, rela co es ou intera c oes entre os elementos de diversas classes e de grande interesse na an alise e compreens ao de muitos fen omenos do mundo real. Matematicamente, o conceito de rela ca o e formalizado a partir da teoria de conjuntos. Desta forma, intuitivamente pode-se dizer que uma rela ca o ser a fuzzy quando optamos pela teoria dos conjuntos fuzzy e ser a cl assica quando optamos pela teoria cl assica de conjuntos para conceituar a rela c ao em estudo. Qual dos modelos adotar, entre estes dois, depende muito do fen omeno estudado. Por em, a op c ao pela teoria de conjuntos fuzzy sempre tem maior robustez no sentido de que esta inclui a teoria cl assica de conjuntos [4]. Deniremos a seguir rela c oes fuzzy. Deni c ao 2.1. Uma rela c ao fuzzy R, sobre U1 U2 ... Un , e qualquer subconjunto fuzzy do produto cartesiano U1 U2 ... Un . Se o produto cartesiano for formado por apenas dois conjuntos, U1 U2 , a rela c ao e chamada de fuzzy bin aria sobre U1 U2 . A principal vantagem na op c ao pela rela c ao fuzzy e que a rela ca o cl assica indica apenas se h a ou n ao rela ca o entre dois objetos, enquanto
33

34

Sistema Baseado em Regras Fuzzy

uma rela c ao fuzzy al em de indicar se existe ou n ao rela ca o, indica tamb em o grau desta rela c ao. Uma no c ao que ser a muito importante para o nosso trabalho eo produto cartesiano entre conjuntos fuzzy. Deni c ao 2.2. O produto cartesiano fuzzy A1 A2 ... An dos subconjuntos fuzzy A1 , A2 ,..., An de U1 , U2 ,..., Un , e a rela c ao fuzzy R cuja fun c ao de pertin encia e uR (x1 , x2 , ..., xn ) = uA1 (x1 ) uA2 (x2 ) ... uAn (xn ) onde e a t-norma min. A no ca o e utiliza c ao de produto cartesiano fuzzy car a mais clara quando introduzirmos o conceito de sistemas baseados em regras fuzzy, que s ao sistemas compostos de regras da forma Se...ent ao..., pois estas regras podem ser interpretadas como produtos cartesianos de conjuntos fuzzy. (2.1.1)

2.2

Composi c ao entre Rela c oes Fuzzy

Considere R e S duas rela co es fuzzy bin arias em U1 U2 e U2 U3 , respectivamente. Deni c ao 2.3. A composi c ao RoS e uma rela c ao fuzzy bin aria em U1 U3 , com fun c ao de pertin encia dada por uRoS (x1 , x3 ) = max [min(uR (x1 , x2 ), uS (x2 , x3 ))].
x2 U2

(2.2.2)

Quando os conjuntos U1 , U2 e U3 s ao nitos, ent ao a forma matricial da rela c ao RoS , dada pela composi ca o max-min, e obtida como uma multiplica ca o de matrizes substituindo-se o produto pelo m nimo e a soma pelo m aximo. Deniremos um caso especial da composi c ao max-min, que ser a utilizada no Cap tulo 3 em uma importante aplica ca o: diagn ostico m edico.

Equa c oes Relacionais Fuzzy

35

Deni c ao 2.4. Sejam U1 e U2 dois conjuntos, F (U ) e F (U ) as classes dos conjuntos fuzzy de U1 e U2 , respectivamente, e R uma rela c ao fuzzy bin aria sobre U1 U2 . Ent ao a rela c ao R dene um funcional de F (U ) em F (U ) que a cada elemento A1 F (U ), faz corresponder o elemento A2 F (U ) cuja fun c ao de pertin encia e dada por: uA2 (x2 ) = uR(A1 ) (x2 ) = max [min(uA1 (x1 ), uR (x1 , x2 ))].
x1 U1

(2.2.3)

2.3

Equa co es Relacionais Fuzzy

As equa c oes relacionais fuzzy foram primeiramente citadas em Diagn ostico M edico [37]. Vamos apresentar um resumo da formula ca o matem atica das mesmas. Uma equa ca o relacional tem a forma: SX =D (2.3.4)

onde S , X e D s ao rela co es fuzzy e e uma opera c ao entre rela c oes fuzzy, como por exemplo a da f ormula (2.2.3). A f ormula (2.3.4) e uma equa c ao relacional porque uma, dentre as tr es rela c oes, ser a inc ognita dependendo do problema em quest ao. Quando forem conhecidas S e X , a inc ognita ser a a rela c ao D, que e obtida diretamente da opera c ao entre S e X . Esta ser a a abordagem enfatizada neste texto. Quando forem conhecidas S e D, sendo X a inc ognita, ent ao estamos diantes de um problema que faz parte da area de pesquisa chamada Problemas Inversos. Um exemplo desta area e a resolu ca o de sistemas lineares Ax = b, cuja solu ca o e x = A 1 b quando A tem inversa. O leitor interessado nas equa c oes relacionais fuzzy ligadas a problemas inversos pode consultar [8], [20] e [31]. Nosso objetivo e propor um sistema fuzzy a partir das equa c oes relacionais fuzzy que imite a atua ca o de um m edico no diagn ostico de seus pacientes. Apenas para constar, no contexto o problema inverso seria adotado se tiv essemos um banco de dados de pacientes j a diagnosticados.

36

Sistema Baseado em Regras Fuzzy

Nesse caso, o objetivo seria encontrar a matriz X que produziu esses diagn osticos. Intuitivamente, X faria o papel do m edico que produziu os diagn osticos do banco de dados. As opera co es entre as rela co es fuzzy de nosso interesse s ao = e = w como denidas a seguir: Considere P e Q duas rela co es bin arias denidas sobre U V e V W , respectivamente, as rela c oes de composi ca o P Q e P w Q, denidas sobre U W por (P Q)(x, z ) = supyV [inf (P (x, y ), Q(y, z ))] e (P w Q)(x, z ) = infyV [w(P (x, y ), Q(y, z ))], sendo w uma opera c ao em [0, 1] [0, 1] como, por exemplo, a implica ca o fuzzy de G odel g : [0, 1] [0, 1] [0, 1] onde (a b) = g (a, b) = { 1 se a b b se a > b.

O teorema a seguir tem grande utilidade no estudo das equa c oes relacionais fuzzy e aqui enunciaremos o resultado. Teorema 2.1. Dadas as rela c oes fuzzy S e D denidas U V e U W , respectivamente, seja A = {X : X e rela c ao fuzzy em V W 1 e S X = D}. Ent ao se A = , tem-se S g D como elemento maximal de A. Note que o teorema anterior fornece S 1 g D como solu ca o da equa ca o relacional S X = D. Deste modo, este teorema indica uma maneira de se construir uma rela ca o fuzzy que, quando composta com uma primeira (no caso S ), produz um resultado pr e-estabelecido que, neste caso, e uma rela ca o fuzzy D. Bem, como j a dissemos s o iremos explorar o caso de equa c oes na forma em que S e X s ao conhecidas. As equa co es relacionais fuzzy foram apresentadas aqui, por em sua aplica ca o aparecer a s o no

Regras e Infer encia Fuzzy

37

cap tulo 3. Na pr oxima se c ao ser a apresentado um outro tema que envolve rela co es onde o sistema fuzzy e dado por uma cole c ao de regras fuzzy o qual e utilizado na teoria de controladores fuzzy [8], [20] e [31].

2.4

Regras e Infer encia Fuzzy

Uma regra fuzzy e uma senten ca da forma Se X e A ent ao Y e B , onde A e B s ao conjuntos fuzzy em X e Y , respectivamente. Tal regra pode ser interpretada como uma rela ca o fuzzy R entre A e B cuja fun c ao de pertin encia uR (x, y ) depende de uA (x) e uB (x) para cada (x, y ) X Y . Nesse texto, utilizamos a fun c ao m nimo para essa depend encia, ou seja, uR (x, y )=uA (x) uB (y ). Desta forma, R = A B . Essa foi a modelagem dada por Mamdani para representar a regra Se X e A ent ao Y e B . Na teoria de racioc nio aproximado, essas senten cas s ao modeladas por implica co es fuzzy [8]. Para uma cole ca o de regras fuzzy, usa-se um operador sconorma para conect a-los, como por exemplo m aximo. Ver o M etodo de Mamdani na se ca o 2.5. Uma vari avel lingu stica e uma vari avel cujo valor e expresso qualitativamente por termos ling u sticos (que fornece um conceito ` a vari avel) e quantativamente por uma fun ca o de pertin encia, Figura 2.1.

2.5

Sistemas Baseados em Regras Fuzzy

Sistemas baseados em regras fuzzy (SBRF) cont em quatro componentes: um processador de entrada que realiza a fuzzica c ao dos dados de entrada, uma cole c ao de regras nebulosas chamada base de regras, uma m aquina de infer encia fuzzy e um processador de sa da que fornece um n umero real como sa da [15]. Estes componentes est ao conectados conforme indicado na Figura 2.2.

38

Sistema Baseado em Regras Fuzzy

Varivel Lingstica

Temperatura

Termos Lingsticos

Baixa

Mdia

Alta

Figura 2.1: Vari aveis Lingu sticas.

Figura 2.2: Sistemas baseados em regras fuzzy.

Sistemas Baseados em Regras Fuzzy

39

Uma vez estabelecida uma base de regras, isto e, como relacionamos os conjuntos fuzzy pela forma Se...ent ao..., um SBRF pode ser visto como um mapeamento entre a entrada e a sa da da forma y = f (x), n m x R e y R (trajet oria em negrito na Figura 2.2). Esta classe de sistema e amplamente utilizada em problemas de modelagem, controle e classica ca o. Os componentes do SBRF s ao descritos a seguir: Processador de Entrada (Fuzzica c ao) Neste componente as entradas do sistema s ao traduzidas em conjuntos fuzzy em seus respectivos dom nios. A atua c ao de um especialista na area do fen omeno a ser modelado e de fundamental import ancia para colaborar na constru c ao das fun co es de pertin encias para a descri c ao das entradas. Base de Regras Este componente, juntamente com a m aquina de infer encia, pode ser considerado o n ucleo dos sistemas baseados em regras fuzzy. Ele e composto por uma cole ca o de proposi co es fuzzy na forma Se...ent ao.... Cada uma destas proposi c oes pode, por exemplo, ser descrita linguisticamente de acordo com o conhecimento de um especialista. A base de regras descreve rela co es entre as vari aveis lingu sticas, para serem utilizadas na m aquina de infer encia fuzzy que descreveremos no pr oximo item. M aquina de Infer encia Fuzzy neste componente que cada proposi E c ao fuzzy e traduzida matematicamente por meio das t ecnicas de racioc nio aproximado. Os operadores matem aticos ser ao selecionados para denir a rela c ao fuzzy que modela a base de regras. Desta forma, a m aquina de infer encia fuzzy e de fundamental import ancia para o sucesso do sistema fuzzy, j a que fornece a sa da a partir de cada entrada fuzzy e da rela c ao denida pela base de regras. Apresentaremos dois m etodos particulares de Infer encia Fuzzy: o M etodo de

40

Sistema Baseado em Regras Fuzzy

Mamdani e o M etodo de Takagi-Sugeno. A diferen ca b asica entre esses m etodos recai no tipo de conseq uente e no procedimento de defuzzica ca o. Para simplicidade, somente modelos de regras com duas entradas e uma sa da ser ao ilustradas. M etodo de Mamdani Uma regra Se (antecedente) ent ao (consequente) e denida pelo produto cartesiano fuzzy dos conjuntos fuzzy que comp oem o antecedente e o conseq uente da regra. O m etodo de Mamdani agrega as regras atrav es do operador l ogico OU, que e modelado pelo operador m aximo e, em cada regra, o operador l ogico E e modelado pelo operador m nimo. Veja as regras a seguir: Regra 1: Se (x e A1 e y e B1 ) ent ao (z e C1 ). Regra 2: Se (x e A2 e y e B2 ) ent ao (z e C2 ). A Figura 2.3 ilustra como uma sa da real z de um sistema de infer encia do tipo Mamdani e gerada a partir das entradas x e y reais e a regra de composi ca o max-min. A sa da z R e obtida pela defuzzica c ao do conjunto fuzzy de sa da C = C1 C2 da Figura 2.3. M etodo de Takagi-Sugeno Neste caso, o conseq uente de cada regra e uma fun ca o das vari aveis de entrada. Por exemplo, podemos supor que a fun c ao que mapeia a entrada e sa da para cada regra e uma combina ca o linear das entradas, isto e, z = px1 + qx2 + r. Veja as regras a seguir: Regra 1 : Se (x e A1 e y e B1 ) ent ao z = f1 (x, y ). Regra 2 : Se (x e A2 e y e B2 ) ent ao z = f2 (x, y ). A Figura 2.4 a seguir, ilustra como uma sa da z de um sistema do m etodo de Takagi-Sugeno e gerada a partir das entradas reais x e y . Esta sa da do sistema e obtida pela m edia ponderada (procedimento de defuzzica ca o) das sa das de cada

Sistemas Baseados em Regras Fuzzy

41

Figura 2.3: M etodo de Mamdani com composi c ao max-min.

regra, usando-se o grau de ativa c ao destas regras como pondera c ao. No caso em que p = q = 0, ent ao z = r (conjunto unit ario fuzzy), os modelos de Mandani e de Takagi-Sugeno produzem os mesmos valores de sa da, porque a defuzzica c ao no m etodo de Mamdani, pelo centro de gravidade, e igual ` a m edia ponderada no m etodo de Takagi-Sugeno. Como z1 e z2 s ao conjuntos fuzzy unit arios ent ao w1 e w2 s ao os graus de pertin encias de z1 e z2 , respectivamente. Processador de Sa da (Defuzzica c ao) Na teoria dos conjuntos fuzzy pode-se dizer que a defuzzica c ao e um processo de se representar um conjunto fuzzy por um n umero real. Em sistemas fuzzy, em geral a sa da e um conjunto fuzzy. Assim, devemos escolher um m etodo para defuzzicar a sa da e obter um n umero real que a represente. A seguir, relacionaremos o m etodo mais comum de defuzzica ca o.

42

Sistema Baseado em Regras Fuzzy

w1

w2

Figura 2.4: M etodo de Takagi-Sugeno.

Centro de gravidade Este m etodo de defuzzica ca o e semelhante ` a m edia ponderada para distribui c ao de dados, com a diferen ca que os pesos s ao os valores C (zi ) que indicam o grau de compatibilidade do valor zi com o conceito modelado pelo conjunto fuzzy C . Para um dom nio discreto tem-se n i=0 ui C (zi ) G(C ) = . n i=0 C (zi ) Para um dom nio cont nuo tem-se uC (u)du R G(C ) = C (u)du R onde R e a regi ao de integra c ao.

(2.5.5)

(2.5.6)

Aplica c oes do SBRF

43

2.6

Aplica co es do SBRF

Nesta se ca o apresentaremos tr es exemplos de aplica c oes do SBRF, os tr es primeiros elaborados pelos alunos Fl avia Cristina Queiroz, Eder L ucio da Fonseca e Edinei Leandro dos Reis, respectivamente, do Curso de Gradua c ao em Matem atica da Universidade Federal de Uberl andia. 2.6.1 Vitalidade das Violetas

Violeta e um tipo de or muito apreciada pelos apaixonados por plantas. Possui folhas grandes e ores mi udas. Para que tenha vida longa pequenos cuidados di arios s ao necess arios. Por exemplo: Ser exposta de meia ` a uma hora ao Sol da manh a ou ao da tarde (pois o Sol e mais fraco nestas horas). Ser aguada com aproximadamente 33 ml. Assim, dados os valores da quantidade de agua (ml) e da quantidade de Sol (minutos), tem-se como resultado a vitalidade da violeta. Neste exemplo, as vari aveis lingu sticas s ao: Quantidade de agua (ml), com dom nio [0,66], representando as faixas < 26, 33 53 e > 40, com os termos ling u sticos: pequena, m edia e grande. As fun c oes de pertin encia s ao triangulares, como mostra a Figura 2.5. Tempo de exposi ca o no Sol (min), [0,95], representando as faixas < 35, 20 70 e > 55, com os termos ling u sticos: pequeno, m edio e grande, respectivamente; tamb em as fun c oes de pertin encia triangulares, Figura 2.6 . O dom nio da v ariavel de sa da vitalidade da violeta e [0,1] e os termos ling u sticos: ruim, m edia e boa, como mostra a Figura 2.7 .

44

Sistema Baseado em Regras Fuzzy

A Tabela 2.1 apresenta as classica co es da vitalidade da violeta como fun ca o da quantidade da agua A (ml) e tempo de exposi ca o no Sol S (min). As regras fuzzy s ao apresentadadas na Tabela 2.2. Assim, dados os valores da quantidade de agua e tempo de exposi ca o, tem-se como resultado a infer encia de um valor, no intervalo [0,1] que representa a vitalidade das violetas V. Neste sentido, e poss vel obter uma sa da do sistema de infer encia. Por exemplo, com quantidade de agua 40 ml e tempo de exposi c ao do Sol 60 min, ap os a defuzzica ca o encontramos um valor igual 0.68, orientando que esta quantidade de agua e tempo de exposi c ao no Sol geram uma vitalidade de 0.68 numa escala de 0 a 1 para as violetas [2] .

pequena

mdia

grande

0.8

0.6

0.4

0.2

10

20

30 40 Quantidade de gua (A)

50

60

Figura 2.5: Fun c oes de pertin encia da quantidade de agua (A).

2.6.2

Grau de Risco da Obesidade

Denomina-se obesidade uma enfermidade caracterizada pelo ac umulo excessivo de gordura corporal, associada a problemas de sa ude, ou seja, que traz preju zos ` a sa ude do indiv duo. O excesso de gordura corporal n ao provoca sinais e sintomas diretos,

Aplica c oes do SBRF

45

pequeno

mdio

grande

0.8

0.6

0.4

0.2

10

20

30 40 50 60 70 Tempo de exposio no Sol ( S)

80

90

Figura 2.6: Fun c oes de pertin encia do tempo de exposi c ao do sol (S ).

XXX (A) XX Agua XXX Sol(S ) X X < 35 20 - 70 > 55

< 26 m edia m edia ruim

13 - 53 boa boa m edia

> 40 ruim ruim ruim

Tabela 2.1: Classica c oes da vitalidade da violeta como fun c ao da quantidade de agua A (ml) e tempo de exposi c ao no Sol S.

XXX Agua (A) XXX XXX pequena Sol(S ) X pequena m edia m edia m edia grande ruim

m edia boa boa m edia

grande ruim ruim ruim

Tabela 2.2: Regras fuzzy.

46

Sistema Baseado em Regras Fuzzy

ruim 1

mdia

boa

0.8

0.6

0.4

0.2

0.2

0.4 0.6 Vitalidade das violetas ( V)

0.8

Figura 2.7: Fun c oes de pertin encia da vitalidade das violetas (V ).

salvo quando atinge valores extremos. Independente da severidade, o paciente apresenta importantes limita co es est eticas, acentuadas pelo padr ao atual de beleza, que exige uma massa corporal at e menor do que o aceit avel como normal. Pacientes obesos apresentam limita co es de movimento, tendem a ser contaminados com fungos e outras infec co es de pele em suas dobras de gordura, com diversas complica c oes, podendo ser algumas vezes graves. Al em disso, sobrecarregam sua coluna e membros inferiores, apresentando a longo prazo degenera co es (artroses) de articula co es da coluna, quadril, joelhos e tornozelos, al em de doen ca varicosa supercial e profunda (varizes) com u lceras de repeti ca o e erisipela. Como o m edico faz o diagn ostico? A forma mais amplamente recomendada para avalia c ao da massa corporal em adultos e o IMC ( ndice de massa corporal), recomendado inclusive pela Organiza ca o Mundial da Sa ude. Esse ndice e calculado dividindo-se a massa do paciente em quilogramas (kg) pela sua altura em metros elevada ao quadrado (quadrado de sua altura) [1]. O valor assim obtido estabelece o diagn ostico da obesidade e caracteriza tamb em os riscos associados

Aplica c oes do SBRF

47

conforme apresentado na Tabela 2.3:


IMC (kg/m2 ) 18 a 24,9 25 a 29,9 30 a 34,9 35 a 39,9 40 ou mais Grau de Risco Saud avel Moderado Alto Muito Alto Extremo Tipo de obesidade Ausente Sobrepeso (Pr e-Obesidade ) Obesidade Grau I Obesidade Grau II Obesidade Grau III (M orbida)

Tabela 2.3: Diagn ostico da Obesidade.

Conforme pode ser observado, o peso normal, no indiv duo adulto, com mais de 20 anos de idade, varia conforme sua altura, o que faz com que possamos tamb em estabelecer os limites inferiores e superiores da massa corporal para as diversas alturas conforme a Tabela 2.4 :
Altura (cm) 145 150 155 160 165 170 175 180 185 190 Massa Inferior (kg) 38 41 44 47 50 53 56 59 62 65 Massa Superior (kg) 52 56 60 64 68 72 77 81 85 91

Tabela 2.4: Altura X Massa.

Neste exemplo, as vari aveis ling u sticas s ao: Massa (kg), com dom nio [47,81], considerando as faixas 47 64, 50 68, 53 72, 56 77 e 59 81, com os termos ling u sticos: baixa,m edia baixa, m edia , m edia alta e alta. As fun c oes de pertin encia s ao triangulares, como mostra a Figura 2.8. Altura (cm), [157,183], considerando as faixas 57 163, 162 168, 167 173, 172 178 e 177 183, com os termos ling u sticos: baixa,

48

Sistema Baseado em Regras Fuzzy

baixa 1

mdia baixa mdia mdia alta

alta

0.8
Grau de pertinncia

0.6

0.4

0.2

50

55

60

65 Massa (M)

70

75

80

Figura 2.8: Fun c oes de pertin encia da massa (M ).

baixa 1

mdia baixa

mdia

mdia alta

alta

0.8
Grau de pertinncia

0.6

0.4

0.2

160

165

170 Altura (A)

175

180

Figura 2.9: Fun c oes de pertin encia da altura (A).

Aplica c oes do SBRF

49

Saudvel 1

Moderado

Alto

0.8
Grau de pertinncia

0.6

0.4

0.2

0 18

20

22

24

26 28 Grau de Risco (R)

30

32

34

Figura 2.10: Fun c oes de pertin encia do grau de risco (R ).

m edia baixa , m edia , m edia alta e alta, respectivamente; tamb em as fun co es de pertin encia triangulares, Figura 2.9 . O dom nio da v ariavel de sa da Grau de Risco e o intervalo [18,35] e considerando os termos ling u sticos: saud avel, moderado e alto, com fun co es de pertin encias trapezoidais como mostra a Figura 2.10 . As regras fuzzy s ao apresentadadas na Tabela 2.5. Assim, dados os valores da altura e a massa de uma pessoa, temse como resultado a infer encia de um valor, no intervalo [15,40] que representa o grau de risco R. Neste sentido, e poss vel obter uma sa da do sistema de infer encia, por exemplo, com altura 164 cm e peso 59 kg, ap os a defuzzica c ao encontramos um valor igual 23.9, orientando que a pessoa esta sa udavel.

50 ``` ``` Massa (M ) ``` ``` Altura (A) baixa m edia baixa m edia m edia alta alta baixa saud avel saud avel saud avel saud avel saud avel

Sistema Baseado em Regras Fuzzy m edia baixa moderado saud avel saud avel saud avel saud avel m edia moderado moderado saud avel saud avel saud avel m edia alta moderado moderado moderado saud avel saud avel alta alto moderado moderado moderado saud avel

Tabela 2.5: Regras fuzzy.

2.6.3

Qualidade da agua

O objetivo deste exemplo e analisar a qualidade da agua abordando tr es aspectos de potabilidade da agua. Para a fuzzica c ao foram utilizadas informa co es da SABESP (Companhia de Saneamento B asico do Estado de S ao Paulo) que regulamenta e scaliza a qualidade da agua para o consumo humano no estado de S ao Paulo. As vari aveis de entrada escolhidas para garantir a potabilidade da agua s ao: cor aparente (medida em UH - unidade Hazen), pH (potencial hidrogeni onico, ou seja, concentra ca o de ons de Hidrog enio - onde os valores variam de 0 a 14), e a turbidez (causada pela presen ca de subst ancias suspensas e coloidais - e determinada pela quantidade de luz dispersada quando ela passa atrav es de uma amostra e e medida em UT, ou seja, unidades de cor). Al em dessas tr es vari aveis da agua que vamos analisar, poder amos utilizar outras, tais como: odor e sabor, n vel de uor, n vel de cloro residual, quantidade de coliformes fecais e totais. A vari avel de sa da e a qualidade da agua com os termos lingu sticos: boa, adequada e inadequada para o consumo, Figura 2.14. As vari aveis de entrada s ao classicadas a seguir, suas fun c oes de pertin encias s ao trapezodais, Figuras 2.11, 2.12 e 2.13. Cor aparente: Menor ou igual a 5UH - boa Maior que 5UH e menor ou igual a 15UH - adequada Maior que 15UH - inadequada

Aplica c oes do SBRF

51

pH De 6,5 a 8,5 - bom De 6 a 10 - adequado Menor que 6 ou Maior que 10 - inadequado Turbidez Menor ou igual a 1UT - boa Maior que 1UT e menor que 5UT - adequada Maior que 5UT - inadequada

boa 1

adequada

inadequada

0.8
Grau de pertinncia

0.6

0.4

0.2

10

15 Aparncia (A)

20

25

30

Figura 2.11: Fun c oes de pertin encia da apar encia de agua (A).

Atrav es das informa co es da SABESP, podemos constatar que a qualidade da agua e boa para o consumo quando a cor aparente e a turbidez se aproximam de zero e o pH se manter em torno de 7. Desta forma, o controle da qualidade da agua para o consumo humano, deve ser cuidadoso, com o intuito de evitarmos doen cas posteriores. As Tabelas 3.7, 3.8 e 3.9 fornecem a base de regras quando a apar encia da agua e boa, adequada e inadequada, respectivamente,

52

Sistema Baseado em Regras Fuzzy

inadequado baixo adequado baixo bom adequado alto inadequado alto 1

0.8
Grau de pertinncia

0.6

0.4

0.2

6 pH (H)

10

12

14

Figura 2.12: Fun c oes de pertin encia do pH (H ).

boa 1

adequada

inadequada

0.8
Grau de pertinncia

0.6

0.4

0.2

4 Turbidez (T)

10

Figura 2.13: Fun c oes de pertin encia da turbidez (T ).

Exerc cios

53

inadequada 1

adequada

boa

0.8
Grau de pertinncia

0.6

0.4

0.2

0.2

0.4 0.6 Qualidade da gua (Q)

0.8

Figura 2.14: Fun c oes de pertin encia da qualidade da agua (Q ). ``` ```Turbidez (T ) ``` boa ``` pH(H ) inadequado baixo inadequada adequado adequada bom boa inadequado alto inadequada adequada inadequada adequada boa inadequada inadequada inadequada inadequada inadequada inadequada

Tabela 2.6: Regras fuzzy quando a apar encia da agua e boa.

estas regras foram feitas utilizando as informa co es da SABESP e o bom senso. Assim, e poss vel obter uma sa da do sistema de infer encia. Por exemplo, quando a apar encia da agua e 15 UH, o pH e 7 e a turbidez e 0 UT , ap os a defuzzica ca o encontramos um valor igual 0.5, orientando que a qualidade da agua e adequada. O pr oximo cap tulo e dedicado a aplica co es da teoria dos conjuntos fuzzy aliada a outras ferramentas matem aticas, como as equa c oes diferenciais.

54 ``` ```Turbidez (T ) ``` boa ``` pH(H ) inadequado baixo inadequada adequado adequada bom boa inadequado alto inadequada

Sistema Baseado em Regras Fuzzy adequada inadequada adequada adequada inadequada inadequada inadequada inadequada inadequada inadequada

Tabela 2.7: Regras fuzzy quando a apar encia da agua e adequada. ``` ```Turbidez (T ) ``` boa ``` pH(H ) inadequado baixo inadequada adequado inadequada bom adequada inadequado alto inadequada adequada inadequada inadequada adequada inadequada inadequada inadequada inadequada inadequada inadequada

Tabela 2.8: Regras fuzzy quando a apar encia da agua e inadequada.

Exerc cios
1. Assuma que voc e est a dirigindo em uma rodovia com velocidade m axima de 100km/h. Como voc e caracteriza descri co es tal como baixa, m edia, alta em termos de vari aveis lingu sticas? E sobre n ao baixa e n ao alta? 2. Considere as regras R1 : Se x e baixo entao y1 = x + 2. R2 : Se x e alto entao y2 = 2x. onde x [0, 4]. Determine a sa da do M etodo de Infer encia de Takagi-Sugeno [8]. 3. Refa ca o exerc cio 2, inclusive as representa co es gr acas, trocando os consequentes por y1 = x + 2 e y2 = 4 x [8].

Cap tulo 3

Aplica co es
3.1 Introdu c ao

A literatura matem atica que trata de fen omenos imprecisos tem crescido consideravelmente, principalmente no tocante ` a teoria dos conjuntos fuzzy, utilizada com sucesso nas areas de Engenharia. As primeiras aplica co es desta teoria em Biomatem atica foi em diagn ostico m edico [37] e [38]. Mais recentemente outros autores t em utilizado esta abordagem em problemas de epidemiologia [7], [10], [14], [16], [17], [24] e [30]. Na se c ao 3.2 apresentaremos uma aplica c ao de diagn ostico m edico, nas se co es 3.3 e 3.4, sistemas de equa co es diferenciais ordin arias com par ametro fuzzy; na se c ao 3.5 uma aplica ca o do m etodo de Takagi-Sugeno e nas se co es 3.6, 3.7 e 3.8 apresentaremos o modelo de Malthus, modelo de evolu ca o da AIDS e o modelo presa-predador atrav es de regras fuzzy.

3.2

Diagn ostico M edico

A aplica c ao que veremos trata de estabelecer diagn ostico para doen cas infantis. Tal estudo foi desenvolvido pelas alunas Mariana Fernandes dos Santos Villela e Patr cia Borges dos Santos do Curso de Gradua ca o em Matem atica da Universidade Federal de Uberl andia [40], apresentado na 7a Semana da Matem atica da Universidade Federal de
55

56

Aplica c oes

Uberl andia [41]. 3.2.1 Base de Conhecimentos

O objetivo e utilizar equa co es relacionais fuzzy da forma (2.3.4) em que as rela co es fuzzy sintomas dos pacientes e das doen cas, com esses sinais, captem os poss veis diagn osticos dos pacientes. Para isto, foi preciso consultar um especialista na area. Neste caso consultamos dois pediatras. A id eia basica e relacionar os sintomas ou sinais de pacientes com as poss veis doen cas. Tais doen cas s ao catapora, caxumba, coqueluche e meningite. Considere os seguintes conjuntos universais: U1 = conjuntos dos pacientes do especialista 1; U2 = conjuntos dos pacientes do especialista 2; V = conjunto dos sintomas; W = conjunto das doen cas. Foram analisadas as informa c oes de dois diferentes m edicos, dos quais obtivemos conhecimento de sete pacientes P1 , P2 , P3 , P4 , P5 , P6 e P7 : sintomas s1 , s2 , s3 , s4 , s5 , s6 , s7 , s8 , s9 , s10 , s11 , s12 , s13 , s14 , s15 , s16 , s17 e s18 que apresentaram os diagn osticos d1 , d2 , d3 e d4 , onde: s10 = infec c ao gl andulas saliva s1 = pintas vermelhas no corpo res s2 = coceira s11 = tosse seca s3 = febre s12 = coriza s4 s5 s6 s7 = = = = cansa co cefal eia perda de apetite rigidez na nuca s13 = dor muscular s14 = fraqueza s15 = dor ao mastigar ou engolir s16 = mal estar

s8 = calafrios s9 = confus ao mental

s17 = v omito s18 = dor de garganta

Diagn ostico M edico

57

d1 = catapora d2 = caxumba

d3 = coqueluche d4 = meningite

Esses dados ir ao compor a base de conhecimentos que ser ao expressos por meio de rela c oes fuzzy. A Tabela 3.1 representa a rela ca o fuzzy R onde seus valores indicam o grau com que cada sintoma est a relacionado com cada doen ca. Esses valores s ao as m edias aritm eticas obtidas atrav es de informa c oes de dois especialistas. As colunas s ao os sintomas considerados e as linhas s ao as doen cas.
HH s HH d H
d1 d2 d3 d4

s1
1 0 0 0.2

s2
1 0 0 0

s3
0.45 0.3 0.9 0.95

s4
0.4 0.15 0.45 0.5

s5
0.5 0.7 0.25 0.8

s6
0.4 0.5 0.25 0.8

s7
0 0 0 1

s8
0.1 0.25 0.15 0.75

s9
0 0 0 0.4

s10
0 0.8 0 0

HH s HH d H
d1 d2 d3 d4

s11
0.2 0.1 1 0

s12
0.3 0 0.55 0

s13
0.05 0.4 0.1 0.3

s14
0.2 0.4 0.1 0.1

s15
0 0.9 0 0

s16
0.1 0.3 0.6 0.85

s17
0 0.05 0.05 0.8

s18
0 0.75 0 0

Tabela 3.1: Rela c ao fuzzy sintomas doen cas (R).

As Tabelas 3.2 e 3.4 indicam os graus com que cada sintoma se manifestou nos pacientes, dados por especialistas. A partir da rela ca o fuzzy R e poss vel obter o diagn ostico m edico de cada paciente, ou seja, o grau da doen ca para cada paciente, por meio de uma form ula: uR(Pj ) (dk ) = max [min[uR (dk , si ), uPj (si )]]
1i18

(3.2.1)

onde j = 1, . . . , 7 e k = 1, . . . , 4. Por exemplo, o diagn ostico m edico do paciente P1 , via rela c ao fuzzy R, e facilmente obtido atrav es da equa ca o (3.2.1). O paciente P1 pode ter a doen cas dk , k = 1, . . . , 4 com os respectivos graus de possibilidades dados pelo especialista 1 (da Tabela 3.2):

58 H HH s H H
P1 P2 P3 P4 P5 P6 P7

Aplica c oes

s1
0 0 0 1 1 0 0

s2
0 0 0 0.8 0.5 0 0

s3
0.7 0.5 0.5 0.9 0.9 0.2 0.1

s4
0.5 0.7 0.3 0.3 0.2 0.2 0.1

s5
0.1 0.9 0.8 0 0 0.1 0.1

s6
0.2 0.5 0.7 0.7 0.1 0.1 0.1

s7
0 0.9 0 0 0 0 0

s8
0.5 0.3 0.2 0.3 0.5 0.1 0.1

s9
0 0.9 0 0 0 0 0

s10
0 0 1 0 0 0 0

HH s HH P H
P1 P2 P3 P4 P5 P6 P7

s11
1 0.5 0.5 0 0 1 1

s12
0.5 0.1 0.2 0 0.5 0.3 0.5

s13
0.1 0.6 0.3 0.2 0.1 0.1 0.1

s14
0.5 0.5 0.5 0.3 0.2 0.1 0.1

s15
0 0 0.9 0 0 0 0

s16
0 0.8 0.7 0.1 0 0.1 0.1

s17
0 0.7 0.3 0 0 0 0.3

s18
0 0 0.8 0 0 0 0

Tabela 3.2: Rela c ao fuzzy pacientes sintomas elaborados pelo especialista 1 (S ) [40].

uR(P1 ) (d1 ) = max [min[uR (d1 , si ), uP1 (si )]] = 0.45


1i18

uR(P1 ) (d2 ) = max [min[uR (d2 , si ), uP1 (si )]] = 0.4


1i18

uR(P1 ) (d3 ) = max [min[uR (d3 , si ), uP1 (si )]] = 1


1i18

uR(P1 ) (d4 ) = max [min[uR (d4 , si ), uP1 (si )]] = 0.7.


1i18

A form ula (2.3.4) pode ser aplicada na forma matricial e obter os diagn osticos de todos os pacientes de uma s o vez. Para isto, basta fazer o produto fuzzy (troca-se produto por min e soma por sup da multiplica c ao tradicional de matrizes) da matriz S por X = Rt na equa ca o (2.3.4). Assim, S Rt = D (que indica o diagn ostico de cada paciente), onde D e dada pela Tabela 3.3.

Modelo de Evolu c ao da AIDS H HH d H P H


P1 P2 P3 P4 P5 P6 P7

59

d1
0.45 0.5 0.6 1.0 1.0 0.3 0.3

d2
0.4 0.7 0.9 0.5 0.3 0.3 0.3

d3
1.0 0.6 0.6 0.9 0.9 1.0 1.0

d4
0.7 0.9 0.8 0.9 0.9 0.3 0.5

Tabela 3.3: Rela c ao fuzzy pacientes doen ca (D).

A Tabela 3.3 representa a rela ca o fuzzy D onde seus valores indicam o grau com que cada paciente est a relacionado com cada doen ca. As linhas s ao os pacientes considerados e as colunas s ao as doen cas. Portanto, notamos que o paciente P1 , pela teoria aplicada, tem maior possibilidade de estar com coqueluche (d3 ). O paciente P2 pode estar com meningite (d4 ), P3 pode estar com caxumba (d1 ), P4 e P5 podem estar com catapora (d1 ) e, P6 e P7 podem estar com coqueluche (d3 ). Segundo o especialista, os pacientes realmente possu am as respectivas doen cas. O mesmo ocorreu com os pacientes do especialista 2, a doen ca que teve maior possibilidade de ocorrer para cada paciente na rela ca o fuzzy D, que ser a feita pelo leitor como exerc cio, tamb em foi a doen ca que os pacientes possu am. Note que a resposta da composi ca o e tamb em um conjunto fuzzy, ou seja, a composi ca o nem sempre responde qual doen ca o paciente possui, por em fornece a distribui ca o de possibilidades do paciente no conjunto de doen cas dado que ele apresenta uma certa distribui c ao de possibilidades no conjunto de sintomas [23]. Outra propriedade importante da rela c ao fuzzy e que ` a medida que tem-se diagn osticos de novos pacientes, estes podem ser inclu dos na base de conhecimentos e assim aumentar a capacidade de se obter mais diagn osticos por meio de rela co es fuzzy, tal como faz o m edico. Na pr oxima se ca o estudaremos um modelo de evolu ca o da AIDS com par ametro fuzzy.

60 H HH s H H
P1 P2 P3 P4 P5 P6 P7

Aplica c oes

s1
1.0 0 1.0 0 0 1.0 1.0

s2
0.5 0 0.7 0 0.7 0.5 0.9

s3
0.9 1.0 1.0 1.0 0 1.0 0.9

s4
0 0 0.9 0 0 0 0

s5
0 1.0 0 0 1.0 0 0.5

s6
0 0 0 1.0 1.0 0 0

s7
0 1.0 0 0 1.0 0 0.5

s8
0 0 0 0 0 0 0.5

s9
0 0 0 0 1.0 0 0.3

s10
0 0 0 0 0 0 0

HH s HH P H
P1 P2 P3 P4 P5 P6 P7

s11
0 0 0 1.0 0.9 0 0.4

s12
0 0 0 0 0 0 0.5

s13
0 0 0 0 0 0 0

s14
0 0 0.9 0 0 0.5 0.4

s15
0 0 0 0 0 0 0

s16
0 0 0 0 0 0 0.5

s17
0 1.0 0 1.0 1.0 1.0 0.7

s18
0 0 0 0 0 1.0 0

Tabela 3.4: Rela c ao fuzzy pacientes sintomas elaborados pelo especialista 2 [40].

3.3

Modelo de Evolu c ao da AIDS

A Sa ude P ublica considera importante para o controle da popula ca o HIV-positivos a contagem de c elulas CD4+ e da carga viral. Neste cap tulo, iniciaremos tratando a taxa de transfer encia de assintom atico para sintom atico dependendo da carga viral v e do n vel de CD4+. N ao e raro ocorrer discrep ancia entre a contagem de c elulas de CD4+ e de carga viral, ou seja, diminui ca o da carga viral e do CD4+, ou eleva c ao da carga viral e do CD4+. Nestes casos, a contagem CD4+ e o melhor determinador para indica c ao terap eutica. Assim, posteriormente trataremos a taxa de transfer encia de assintom atico para sintom atico dependendo do n vel de CD4+. Neste modelo n ao estamos levando em conta tratamento com terapia antiretroviral para a popula ca o [15].

Modelo de Evolu c ao da AIDS

61

3.3.1

Informa co es M edicas sobre HIV

Inicialmente se acreditava que a AIDS tinha um longo per odo de lat encia cl nica entre a infec ca o e o desenvolvimento da doen ca manifesta. Contr aria a essa vis ao, recente pesquisa sobre as contagens de c elulas CD4+ e a replica ca o viral revela que o est agio intermedi ario da doen ca e, na verdade, altamente din amico. Essa pesquisa demonstrou, atrav es da an alise da meia-vida das c elulas, da taxa de replica ca o viral e da vida m edia do HIV, que diariamente sobrevive uma quantidade de v rus maior do que as de c elulas CD4+ (o HIV possui uma 10 replica ca o de 10 v rus/dia e a produ ca o de CD4+ e, no m aximo, 2x109 unidades/dia). Ao longo do tempo essa diferen ca confere um desequil brio em favor do HIV, levando a apresenta ca o cl nica dos sintomas relacionados ` a AIDS. Assim, a AIDS e uma conseq u encia dos altos n veis de replica c ao cont nua do HIV em detrimento da menor velocidade de produ ca o de c elulas de defesa, que leva ` a inutiliza ca o e destrui ca o dos linf ocitos CD4+, mediadas pelo pr oprio v rus ou por mecanismos imunol ogicos. A contagem de c elulas CD4+ em sangue perif erico tem implica c oes progn osticas na evolu ca o da infec ca o pelo HIV, pois e a marca registrada de d ecit imunol ogico e pode ser associada a certos par ametros a medida de imunocompet cl nicos. E encia celular mais u til clinicamente no acompanhamento de pacientes infectados pelo HIV e a mais amplamente aceita, embora n ao seja a u nica. De maneira did atica, pode-se dividir a contagem de c elulas CD4+ por mililitro do sangue perif erico em quatro faixas [27]: CD 4+ > 0.5 c elulas/ml: Est agio da infec ca o pelo HIV com baixo risco de doen ca. Neste est agio, h a boa resposta ` as imuniza c oes de rotina e boa conabilidade nos testes cut aneos de hipersensibilidade tardia como o PPD1 . Casos de infec c ao aguda podem ter estes n veis de CD4+, embora, de modo geral, esses pacientes tenham n veis mais baixos. CD4+ entre 0.2 e 0.5 c elulas/ml: Est agio caracterizado por
1 PPD (Derivado Prot eico Puricado) teste recomendado de rotina anual para avalia ca o da necessidade de quimioprolaxia para tuberculose.

62

Aplica c oes

surgimento de sinais e sintomas menores ou altera co es constitucionais. Risco moderado de desenvolvimento de doen cas oportunistas. Nesta fase podem aparecer candid ase oral, herpes simples recorrente, herpes z oster, tuberculose, leucoplasia pilosa oral, pneumonia bacteriana. CD4+ entre 0.05 e 0.2 c elulas/ml: Est agio com alta probabilidade de surgimento de doen cas oportunistas como pneumocistose, toxoplasmose de SNC, neurocriptococose, histoplasmose, citomegalovirose localizada. Est a associado ` a s ndrome consumptiva, leucoencefalopatia multifocal progressiva, candid ase esofagiana, etc. CD 4+ < 0.05 c elulas/ml : Est agio com grave comprometimento de resposta imunit aria. Alto risco de surgimento de doen cas oportunistas como citomegalovirose disseminada, sarcoma de Kaposi, linfoma n ao-Hodgkin e infec c ao por microbact erias do complexo Avium-Intracellulare. Alto risco de morte com baixa sobrevida. A quantica c ao da carga viral e a contagem de CD4+ s ao utilizadas para iniciar ou alterar a terap eutica antiretroviral. Quando n ao h a disponibilidade de quantica ca o da carga viral pode-se basear na contagem de c elulas CD4+. Em caso de in cio ou mudan ca de terapia antiretroviral, alguns autores recomendam uma medida de acompanhamento da carga viral ap os 1 a 2 meses para avaliar o tratamento. Os resultados devem ser interpretados da seguinte maneira: Carga viral abaixo de 10.000 c opias de RNA por ml: baixo risco de progress ao ou piora da doen ca. Carga viral entre 10.000 e 100.000 c opias de RNA por ml: risco moderado de progress ao ou piora da doen ca. Carga viral acima de 100.000 c opias de RNA por ml: alto risco de progress ao ou piora da doen ca.

Modelo de Evolu c ao da AIDS

63

Em 2000 o Minist erio da Sa ude organizou um documento com o t tulo: Recomenda co es para terapia antiretroviral em adultos e adolescentes infectados pelo HIV, que cont em a Tabelas 3.5.
Situa c ao Cl nica Assintom atico Assintom atico Assintom atico Contagem de CD4+(c elulas/ml) Contagem de CD4+ n ao dispon vel 0.5 0.35 < 0.5 Carga Viral (c opias/ml) Carga viral n ao dispon vel Independente da carga viral < 30000 30000 Assintom atico Assintom atico 0.2 < 0.35 < 0.2 Independente carga viral Independente carga viral de de Recomenda c oes N ao tratar N ao tratar Considerar tratamento Considerar tratamento Tratamento antiretroviral Tratar e iniciar prolaxia para infec c oes oportunistas Tratar e iniciar prolaxia para infec c oes oportunistas

Sintom atico

Independente da Contagem de CD4+

Independente carga viral

da

Tabela 3.5: Recomenda c oes para in cio da terapia antiretroviral.

A convers ao do portador assintom atico para portador sintom atico depende das caracter sticas individuais, conforme a contagem da carga viral v e do n vel de CD4+. Consideramos o modelo fuzzy como um sistema de equa c oes diferenciais, com as vari aveis de interesse, n vel de CD4+ (c) e carga viral (v ) incertas. dx = (v, c)x dt dy = (v, c)x = (v, c)(1 y ) dt x(0) = 1 y (0) = 0. (3.3.2)

Do ponto de vista matem atico, podemos pensar em (3.7.36) como

64

Aplica c oes

uma fam lia de sistemas de equa c oes diferenciais ordin arias dependendo dos par ametros. No caso, dependendo de , que por sua vez, depende de v e c. Assim, nos parece razo avel que o controle de , e conseq uentemente da popula ca o y (sintom aticos), possa ser feito a partir de v e c. Resolvendo a primeira equa c ao de (3.7.36) para cada par (v, c), temos: x(t) = x0 e(v,c)t . (3.3.3) Com a condi ca o inicial x0 = x(0) = 1, temos: x(t) = e(v,c)t y (t) = 1 e(v,c)t , t > 0. (3.3.4)

3.3.2

Vari aveis Lingu sticas e Base de Regras

Como zemos anteriormente, vamos estimar a taxa de transfer encia = (v, c) baseada nas informa co es m edicas. Adotamos a base de regras fuzzy assumindo como antecedentes a carga viral V e o n vel de CD4+, e como conseq uente. Os termos ling u sticos para V s ao baixa, m edia e alta e para o n vel de CD4+ muito baixo, baixo, m edio, m edio alto e alto. Para a taxa de transfer encia os termos lingu sticos s ao f raca, m edia f raca, m edia e f orte. A Tabela 3.5 relata uma fase importante da transfer encia de assintom atico para sintom atico, quando o n vel de CD4+ est a entre 0.2 e 0.5 cels/ml, assim, dividimos a contagem de CD4+ em duas faixas: de 0.35 a 0.5 cels/ml n ao considerar tratamento; e de 0.2 a 0.35 cels/ml considerar tratamento. O m etodo de infer encia utilizado foi Takagi-Sugeno. As fun co es de pertin encia da carga viral e do n vel de CD4+ s ao trapezoidais, Figuras 3.1 e 3.2; e as da taxa de transfer encia s ao conjuntos unit arios, Figura 3.3. Observamos que dividimos os valores da carga viral por 200000 c opias de RNA/ml e com informa c oes m edicas constru mos a

Modelo de Evolu c ao da AIDS PP V PP baixa CD4+ PPP P muito baixo z4 = 1 baixo z3 = 0.65 m edio z3 = 0.65 m edio alto z2 = 0.15 alto z1 = 0 m edia z4 = 1 z4 = 1 z3 = 0.65 z2 = 0.15 z1 = 0 alta z4 = 1 z4 = 1 z3 = 0.65 z3 = 0.65 z3 = 0.65

65

Tabela 3.6: Base de regras fuzzy.

Figura 3.6. Por exemplo: Se V e baixa e CD4+ e muito baixo ent ao e f orte.

baixa 1

mdia

alta

0.8

0.6

0.4

0.2

0.2

0.4 0.6 Carga Viral (V)

0.8

1 v

Figura 3.1: Fun c oes de pertin encia da carga viral (V ).

Simulamos 60 valores para a carga viral e o n vel de CD4+ em um ind viduo HIV-positivo, e determinamos os valores de , utilizando o SBRF. Constru mos a superf cie mostrada na Figura 3.4. Fazendo um corte na superf cie paralela ao eixo do n vel de CD4+, obtemos a curva da Figura 3.5. Propomos uma express ao anal tica para a taxa de transfer encia como fun ca o do n vel de CD4+ com propriedades qualitativas seme-

66

Aplica c oes

muito mdio mdio baixo baixo alto

alto

0.8

0.6

0.4

0.2

0.2

0.4 0.6 Nvel de (CD4+)

0.8

Figura 3.2: Fun c oes de pertin encia do n vel de CD4+ .

z1=0

z2=0.15

z3=0.65

z =1
4

0.8

0.6

0.4

0.2

0.2

0.4 0.6 Taxa de Transferencia ()

0.8

Figura 3.3: Fun c oes de pertin encia da taxa de transfer encia ().

Modelo de Evolu c ao da AIDS

67

1 0.9 0.8 Taxa de transferencia () 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.2 0.4 0.6 Nivel de CD4+ (c) 0.8 1 1 0.8 Carga viral (v) 0.6 0.4 0.2

Figura 3.4: Valores da taxa de transfer encia defuzzicados.

0.9

0.8

0.7 Taxa de transferencia ()

0.6

0.5

0.4

0.3

0.2

0.1

0.1

0.2

0.3

0.4

0.5 0.6 Nivel de CD4+ (c)

0.7

0.8

0.9

Figura 3.5: como fun c ao do CD4+ (v = 0.1).

68

Aplica c oes

lhantes ` a Figura 3.5. Assim, escolhemos um conjunto fuzzy com a seguinte fun ca o de pertin encia se c < cmin 1 cM c cmin c cM (3.3.5) (c) = cM cmin 0 se cM < c < cmax em que cmin representa o menor n vel de CD4+ na qual a chance do indiv duo se tornar sintom atico e m axima e cM representa o n vel de CD4+ na qual a chance de se tornar sintom atico e min ma, e cmax e o maior n vel de CD4+ poss vel, Figura 3.6. A partir da Figura 3.5, podemos obter os valores aproximados para cmin e cM , isto e, cmin e aproximadamente 0.05 cels/ml e cM e aproximadamente 0.5 cels/ml. Estes valores s ao compat veis com as informa co es do Minist erio da Sa ude, se o n vel de CD4+ e menor que 0.05 cels/ml a tend encia e o ind viduo ser sintom atico e quando o n vel de CD4+ e maior que 0.5 cels/ml a tend encia e que o indiv duo seja assintom atico.

cmin

cM

cmax

Figura 3.6: Taxa de transfer encia em fun c ao de c.

Para calcular a esperan ca fuzzy da popula c ao assintom atica, vamos

Modelo de Evolu c ao da AIDS

69

considerar o CD4+ do grupo HIV-positivo estudado (C), Figura 3.7, como uma vari avel lingu stica com valores baixo, m edio e alto, sendo cada um desses valores caracterizados por conjuntos fuzzy triangulares, de acordo com a fun ca o de pertin encia: se c c ( c c + ) c <cc (c) = . 1 (c c ) c < c c + 0 se c > c + 0 1

(3.3.6)

c- -

c+-

Figura 3.7: Fun c ao de pertin encia adotada para c.

O par ametro c e um valor modal e e a dispers ao dos conjuntos fuzzy assumidos pela vari avel lingu stica. Estes conjuntos fuzzy ser ao denidos a partir dos valores cmin , cM e cmax que aparecem na deni c ao de . A seguir, vamos calcular a esperan ca fuzzy da popula ca o assintom atica em um determinado grupo da popula ca o.

70

Aplica c oes

3.3.3

Esperan ca Fuzzy da Popula c ao Assintom atica

Como vimos no Cap tulo 1, a esperan ca fuzzy e um defuzzicador. O valor da esperan ca fuzzy para popula ca o assintom atica x = x(c) e F EV [x] = sup inf[, {x }]
01

(3.3.7)

em que {x } = {c : x(c) } e e uma medida fuzzy. Como vimos no Cap tulo 1, o ponto xo da fun c ao H2 () = {c | x(c) }, para cada t > 0 fornece a F EV [x]. Para = 0 e = 1, temos: H2 (0) = {c | x(c) 0} = [0, 1] = 1 e H2 (1) = {c | x(c) 1} = [cM , cmax ]. Para 0 < < 1, temos H2 () = {c | x(c) } = {c | e(c)t } = {c | (c) [cM , cmax ] = [a2 , cmax ] 1 [cM , cmax ] [a2 , cmax ] = 1 em que a2 = cM (cM cmin )( ln ), t (3.3.8) se ln 0 t se 0 < ln 1 t se ln > 1 t se = 1 se et < 1 se < et ln }= t

desta forma cmin < a2 cM . Vamos denir a medida fuzzy por { supcA (c) se A = (A) = 0 se A = para A R. A e uma medida otimista, pois o n vel de CD4+ em um grupo est a sendo avaliado no indiv duo com o melhor n vel de

Modelo de Evolu c ao da AIDS

71

CD4+. Para estudar a F EV [x] n os vamos considerar tr es diferentes casos, de acordo com as vari aveis lingu sticas c, e seus valores baixo, m edio e alto, com cada um destes valores sendo um n umero fuzzy que depende dos valores cmin , cM e cmax que aparecem na deni c ao de . 1. Caso: N vel de CD4+ baixo (C ). Neste caso, tomamos cmin > c + , Figura 3.8.

1
U

cmin

cM

cmax c

Figura 3.8: N vel de CD4+ baixo.

Como a2 > cmin , temos que [cM , cmax ] = 0 e [a2 , cmax ] = 0. Logo, { 0 se et 1 H2 () = . 1 se < et Portanto, F EV [x] = et . 2. Caso: N vel de CD4+ alto (C+ ). Neste caso, tomamos cM c e c + cmax . A Figura 3.9 mostra que a2 cM e obtemos [cM , cmax ] = 1 e [a2 , cmax ] = 1, logo H2 () = 1 se 0 1. Portanto, F EV [x] = 1.

72

Aplica c oes
+ 3. Caso: N vel de CD4+ m edio (C ). Neste caso, tomamos c > cmin e c + < cM e [cM , cmax ] = 0, Figura 3.10. Fazendo alguns c alculos, obtemos: ( ) c+c c c M t se 0 < e ) M min ( 1 ( ) c+c c +cM c c M t H2 () = (a2 ) se e M min < < e cM cmin t (3.3.9) ( ) c +c c c M t 0 se e M min < 1

em que (a2 ) = 1 [cM (cM cmin )( lnt ) + c + ]. A partir de (3.3.9), conclu mos que H2 () e cont nua e uma fun c ao decrescente com H2 (0) = 1 e H2 (1) = 0. Entretanto, H2 tem um u nico ponto xo que coincide com F EV [x], Figura 3.11. Portanto, e(c)t F EV [x] e(c+)t . (3.3.10)

Observamos que derivando em rela ca o a t a express ao = (a2 ) d de (3.3.9), determinamos , dada por: dt d (cM cmin ) ln() = . dt t[t + (cM cmin )] (3.3.11)

O sinal de (3.3.11) e negativo, pois 0 < < 1. Assim, = F EV [x] e decrescente com t. A partir de 3.3.10, temos a seguinte proposi ca o. Proposi c ao 5.1. Para cada t) > 0, existe um u nico c(t) (c, c + ) ( para o qual F EV [x] = e cM cmin . Prova: A fun c ao H2 () e cont nua, decrescente e tem F EV [x] como seu ponto xo. A desigualdade (3.3.10) fornece o intervalo que cont em F EV [x]. Portanto, pelo Teorema do Valor Intermedi ario, existe um u nico c(t) no intervalo (c, c + ). Tal que
(
c(t)cM

F EV [x] = e

c(t)cM cM cmin

) t

(3.3.12)

Modelo de Evolu c ao da AIDS

73

cmin

cM

cmax c

Figura 3.9: N vel de CD4+ alto.

1
U

cmin

cM

cmax

Figura 3.10: N vel de CD4+ m edio.

74

Aplica c oes

H2()

Figura 3.11: A fun c ao H2 ().

Consequentemente, a esperan ca fuzzy n ao e solu c ao de (3.7.36). A Proposi ca o 5.1 mostra que, para cada instante t, existe uma solu ca o de (3.7.36) em t que coincide com a F EV [x]. A F EV [x] e diferenci avel e satisfaz a seguinte equa ca o diferencial com o par ametro c(t) dependendo do tempo: [ ] dx d dc = (c(t)) + t (c(t)) (t) x. (3.3.13) dt dt dt Na pr oxima se c ao, vamos calcular a propor ca o da popula ca o assintom atica considerando a taxa de transfer encia do valor modal c, para compararmos com a desigualdade (3.3.10). 3.3.4 Popula c ao Assintom atica com a Taxa de Transfer encia no Valor Modal

Nesta se c ao vamos calcular a propor ca o da popula ca o assintom atica considerando a taxa de transfer encia correspondente ao valor modal

Modelo de Evolu c ao da AIDS

75

c. Para comparar com o valor da F EV [x], em tr es casos diferentes, de acordo com a vari avel ling u stica CD4+, que s ao baixo, m edio e alto com cada uma destas sendo um n umero fuzzy baseado nos valores cmin , cM e cmax que aparecem na deni ca o de . 1. Caso: N vel de CD4+ baixo (C ). Neste caso, tomamos cmin > c + . Temos que (c) = 1, logo, x(t) = et . Portanto, igual a F EV [x]. 2. Caso: N vel de CD4+ alto (C+ ). Neste caso, tomamos cM c e c + cmax . Temos que (c) = 0, logo, x(t) = 1. Portanto, igual a F EV [x].
+ 3. Caso: N vel de CD4+ m edio (C ). Neste caso, tomamos c > (cmin e c ) + < cM . Temos que

(c) = Assim,

c+cM , cM cmin

logo, x(t) = e e
( (

ccM cM cmin

ccM cM cmin

) t

< F EV [x].

Destes tr es casos, conclu mos que: e 3.3.5

ccM cM cmin

) t

F EV [x].

(3.3.14)

Esperan ca Fuzzy da Taxa de Transfer encia

A esperan ca fuzzy de , interpretada como a taxa m edia de transfer encia associada ao conjunto fuzzy , e dada por: F EV [] = sup inf[, { }]
01

em que { } = {c R : (c) } e e uma medida fuzzy. f Seja H3 () = {c | (v ) }. E acil ver que, se = 0 e = 1, ent ao H3 (0) = 1 e H3 (1) = [0, cmin ]. Para 0 < < 1, temos se = 0 1 [0, a3 ] se 0 < < 1 . H3 () = [0, cmin ] se = 1

76

Aplica c oes

onde a3 = cM (cM cmin ). Para comparar com os resultados das se c oes anteriores, vamos considerar os tr es diferentes casos, de acordo com os valores ling u sticos de c, baixo, m edio e alto onde cada um deles e um n umero fuzzy baseado nos valores cmin , cM e cmax que aparecem na deni c ao de . 1. Caso: CD4+ baixo (C ). Neste caso, tomamos cmin > c + , Figura 3.8, como a3 > cmin , temos que [0, cmin ] = 1 e [0, a3 ] = 1. H3 () = { 1 se 0 1 .

Desta forma, F EV [] = 1, logo, eF EV []t = et . Coincide com os primeiros itens das sec co es anteriores. 2. Caso: N vel de CD4+ alto (C+ ). Neste caso, tomamos cM c e c + cmax , a Figura 3.9, mostra que a3 vM e obtemos [0, cmin ] = 0 e [0, a3 ] = 0. Portanto, { 1 se = 0 H3 ( ) = 0 se 0 < 1 Desta forma, F EV [] = 1, logo, eF EV []t = et . Coincide com os segundos itens das sec co es anteriores.
+ 3. Caso: N vel de CD4+ m edio (C ). Neste caso, tomamos c > cmin e c + < cM , Figura 3.10, fazendo alguns c alculos, obtemos: c+cM se 0 cM 1 cmin c+cM c+ + cM ( a ) se < H3 () = (3.3.15) 1 3 cM cmin cM cmin c+ +cM 0 se cM cmin < < 1

onde 1 (a3 ) = 1 [c (cM cmin ) c + ]. A partir da express ao M acima, conclu mos que H3 () e cont nua e uma fun ca o decrescente com H3 (0) = 1 e H3 (1) = 0. Entretanto, H3 tem um u nico ponto xo que coincide com F EV [], Figura 3.11.

Modelo de Evolu c ao da AIDS


c+cM Assim, cM < F EV cmin ( ) c+cM c c t F EV []t

77

[] <

c+ +cM . cM cmin

Logo, e

c+ +cM cM cmin

) t

<

<e

min

. Podemos concluir que: (3.3.16)

eF EV []t < e(c)t .

Determinamos o valor de F EV [], que e o ponto xo de 1 (a3 ), resolvendo a seguinte equa c ao: 1 (3.3.17) [cM (cM cmin ) c + ] = c + + cM = . (3.3.18) cM cmin + c + + c M Portanto, F EV [] = . Observamos que eF EV []t e cM cmin + solu ca o do sistema de equa co es diferenciais (3.3.19) apenas para c dado em (3.3.20). dx = (c)x dt dy = (c)x = (c)(1 y ) dt c = x(0) = 1 y (0) = 0 (3.3.19)

(c cM )(cM cmin) + cM . (3.3.20) cM cmin + Fazendo alguns c alculos, vericamos que (c ) = F EV [] e, de 3.3.16, conclu mos que: e(c

)t

< e(c)t .

(3.3.21)

Logo, (c ) > (c) e, como e decrescente, temos que c < c. Por outro lado, sabemos que cM cmin < 1. cM cmin (3.3.22)

Ap os alguns c alculos obtemos c > c > cmin . Logo, conclu mos que cmin < c < c.

78

Aplica c oes

3.3.6

Compara c ao entre: Esperan ca Fuzzy da Popula c ao Assintom atica; Popula c ao Assintom atica com a Taxa de Transfer encia no Valor Modal; e Popula c ao Assintom atica com a Esperan ca Fuzzy da Taxa de Transfer encia

Comparando o n vel da CD4+ m edio, a esperan ca fuzzy da popula ca o assintom atica (3.3.10), a propor ca o da popula ca o assintom atica com a taxa de transfer encia no valor modal c (3.3.14) e a propor ca o da popula ca o assintom atica com a esperan ca fuzzy da taxa de transfer encia (3.3.16), e tamb em os niv eis de CD4+ baixo e alto, conclu mos que eF EV []t e(c)t F EV [x]. Das desigualdades (3.3.10) e (3.3.23), temos que: eF EV []t e(c)t F EV [x] e(c+)t . (3.3.24) (3.3.23)

3.3.7

Conclus ao

Para o modelo que trata da taxa de transfer encia dependendo de c, a solu ca o do modelo determin stico considerando o valor de c, e x(t) = (c)t (c+ )t e . A F EV [x] e menor que e como mostra (3.3.10) e assim depende da dispers ao populacional do n vel de CD4+ do grupo (c)t estudado. Quando 0, F EV [x] e , isto e, depende somente do CD4+. Isto indica que, para uma popula c ao homog enea, isto e, para uma popula ca o com o n vel de CD4+ ao redor do valor modal do conjunto fuzzy triangular, o n umero m edio da popula ca o assintom atica aproxima-se de e(c)t . Na pr oxima se c ao apresentaremos uma parte da monograa da aluna Wanda Aparecida Lopes que foi desenvolvida no VII Curso de Especializa ca o em Matem atica da Universidade Federal de Uberl andia [21] e foi apresentado no BIOMAT2005 [22].

Elimina c ao de F armacos do Organismo

79

3.4

Elimina c ao de F armacos do Organismo

O objetivo desta se ca o e o estudo da elimina c ao de f armacos na corrente sangu nea. Primeiro estudaremos o modelo cl assico e, em seguida, faremos o modelo fuzzy. 3.4.1 Modelo Farmacocin etico Cl assico

Um problema fundamental em Farmacologia e saber como cai a concentra c ao de um f armaco no sangue de um indiv duo. O conhecimento deste fato permite estabelecer qual a dosagem a ser inserida e o intervalo de tempo que cada aplica c ao deve ser feita. O modelo mais simples para descrever a elimina c ao do f armaco de um certo compartimento e obtido quando supomos que a concentra c ao (y ) de um f armaco decai a uma velocidade que e proporcional, em cada instante, a sua pr opria concentra ca o [9]. Em termos matem aticos isto pode ser dado pela equa ca o diferencial: dy = ky (3.4.25) dt onde k e a constante de velocidade de elimina c ao do f armaco. Suponha que seja dada ao indiv duo uma dose inicial y0 , absorvida pelo sangue instantaneamente, no instante t = 0. A solu c ao geral da equa ca o (3.4.25) e dada por: y = y0 ekt . (3.4.26)

Quando um conjunto de doses e dado em intervalos de tempos espa cados igualmente, obtemos (3.4.27) a qual representa o n vel de satura ca o da droga para o indiv duo considerado. ys = onde: k e a constante de velocidade de elimina c ao do f armaco; y0 1 ekt (3.4.27)

80

Aplica c oes

y0 e uma dose inicial do f armaco; t e o intervalo entre as doses administradas; ys e a concentra c ao m axima de f armaco tolerada pelo organismo, na qual se atinge n veis t oxicos para o organismo. A equa c ao (3.4.27) pode ser representada na Figura 3.12. Nesta gura, pode ser vericado que ap os a administra c ao de quatro doses a concentra c ao m axima do f armaco tolerada e atingida pelo organismo, e que a partir da quinta dose, temos uma estabilidade da concentra ca o m axima atingida.

ys

y0

t0

t1

t2

t3

Figura 3.12: Curva de concentra c ao de um f armaco no tempo.

3.4.2

A Meia-Vida (t 1 ) de um F armaco
2

A meia-vida e o tempo necess ario para que a concentra ca o plasm atica de determinado f armaco seja reduzida pela metade. A meia-vida plasm atica dos f armacos e um dos ndices b asicos da farmacocin etica, colaborando para a interpreta c ao dos efeitos terap euticos ou t oxicos dos f armacos, como a dura c ao do efeito farmacol ogico e do regime posol ogico adequado. O conhecimento da meia vida e u til para se conseguir a concentra c ao m axima plasm atica m edia constante. Esse

Elimina c ao de F armacos do Organismo

81

plat o da concentra ca o constante e mantido pela repeti ca o das doses com nalidade de substituir a parte do f armaco que e eliminada. Partindo da equa c ao (3.4.26) determinemos a rela c ao entre a meiavida e a constante de velocidade de elimina c ao (k ) de uma f armaco: y = y0 ekt (3.4.28) y0 Quando t = t 1 (tempo de meia-vida dos f armacos) ent ao y = , 2 2 assim substituindo em (3.4.28) temos; k= 0, 693 . t1
2

ln y = ln y0 kt.

(3.4.29)

3.4.3

Modelo Farmacocin etico Fuzzy

Nosso interesse principal e modelar a velocidade de elimina ca o de f armacos no organismo do indiv duo, segundo informa co es fornecidas pelo especialista. Consideramos que a velocidade de elimina ca o depende fortemente da fun c ao renal. Para isso, consideramos como um par ametro fuzzy que depende das vari aveis volume urin ario (v ), da clearance de creatinina (clcr) e do pH s erico (p). Esta constante pode variar de um indiv duo para outro, pois os f armacos que s ao excretados pelo rim, sem serem transformados metabolicamente, como por exemplo, a digoxina2 e muitos antibi oticos, depende do estado funcional desse org ao [13]. Ent ao, a mesma dose de medicamento pode produzir as mais diferentes constantes de elimina ca o. Depois de absorvidos e distribu dos no organismo, segundo as informa co es m edicas, os f armacos s ao eliminados por diferentes vias, consideramos apenas o sistema renal que e respons avel pela principal via de excre ca o de f armacos. Com as informa co es do especialista na area em [21], as vari aveis que mais inuenciam a velocidade de elimina ca o k de um f armaco s ao:
2 digoxina e um medicamento cardiot onico (subst ancias que refor cam a energia do cora c ao), e antiarr tmico (que controla os batimentos do cora c ao).

82

Aplica c oes

1. Volume Urin ario: Consideramos como sendo a produ c ao de urina em um indiv duo a cada 24 hs, e classicado da seguinte maneira dependendo da quantidade; an uria: para um volume entre 0 e 100 ml. olig uria: para um volume entre 100 e 300 ml. diurese normal: para um volume entre 300 e 1500 ml. poli uria: para um volume > 1500 ml. 2. Clearance de Creatinina: o teste de clearance de creatinina3 determina a eci encia com que os rins eliminam a creatinina do sangue. A taxa de clearance e expressa em termos de volume de sangue (medido em mililitros) que pode car livre de creatinina em 1 minuto. Os n veis de creatinina tornam-se anormais quando mais de 50% dos n efrons4 tenham sido danicados. O clearance de creatinina foi classicado da seguinte maneira dependendo da quantidade; muito baixo: entre 0 e 10 ml/min. baixo: entre 10 e 50 ml/min. m edio baixo: entre 50 e 90 ml/min. normal: entre 90 e 120 ml/min. alto: > 120 ml/min. o pH do sangue, classicado da seguinte maneira; 3. pH S erico: E b asico: < 7.35. normal: entre 7.35 e 7.45. acido: > 7.45.
creatinina e um produto nal do metabolismo da creatina (creatina e um composto produzido naturalmente pelo nosso organismo para fornecer a energia necess aria aos nossos m usculos. Creatina e produzida pelo f gado e em seguida e levada pelo sangue para as c elulas dos m usculos) que aparece no soro em quantidades proporcionais ` a massa muscular corp orea. 4 os n efrons s ao unidades ltrantes dos rins; cada rim cont em 1 milh ao de n efrons o que torna esse org ao capaz de ltrar as excretas que circulam no sangue.
3a

Elimina c ao de F armacos do Organismo

83

Consideramos a velocidade de elimina c ao do f armaco (k ) como um par ametro fuzzy que depende das vari aveis volume urin ario (v ), clearance de creatinina (clcr) e pH s erico (p) [22], o modelo (3.4.25) vem a ser: dy = k (v, clcr, p)y, dt cuja solu ca o da equa ca o e dada por: y = y0 ek(v,clcr,p)t , t > 0. (3.4.30)

(3.4.31)

A principal diferen ca entre o modelo (3.4.30) e o modelo (3.4.25) eo fato que o par ametro (k ) e fun ca o do volume urin ario (v ), do clearance de creatinina (clcr) e do pH s erico (p), que permite incorporar as informa co es m edicas, citadas anteriormente. Na subse c ao seguinte faremos um estudo dessa depend encia por meio de um sistema baseado em regras fuzzy. 3.4.4 Base de Regras

A base de regras fuzzy tem como antecedentes o volume urin ario (v ), clearance de creatinina (clcr) e pH s erico (p), e a velocidade de elimina ca o (k ) como conseq uente. Os termos ling u sticos para v s ao: an uria, olig uria, diurese normal e poli uria, para o clcr s ao: muito baixo, baixo, m edio baixo, normal e alto; e para p s ao: b asico, normal e acido. Para a velocidade de elimina ca o k consideramos o dom nio entre 0 e 0.693, pois a partir da equa c ao (3.4.29) e consultando bulas de f armacos observamos que podemos considerar o menor tempo de meia-vida do f armaco igual a uma hora. Assim, a maior velocidade de elimina ca o e 0.693. Os termos ling u sticos para k s ao: muito baixa, baixa e normal. No modelo via SBRF utilizamos o m etodo de infer encia de Mamdani para obter o comportamento de k , ou seja simulamos alguns valores para v , clcr, p, e determinamos os valores de k , onde os valores assumidos s ao traduzidos pelas fun co es de pertin encia ilustradas nas Figuras 3.13, 3.14, 3.15, 3.16. As Tabelas 3.7, 3.8, 3.10 e 3.9 fornecem a base de regras quando

84

Aplica c oes

o volume urin ario est a classicado em an uria, olig uria, diurese normal e poli uria, respectivamente. Estas regras foram feitas a partir de informa co es do especialista na area [21].
PP PP (p ) acido (clcr ) PPP P muito baixa muito baixa baixa muito baixa m edia baixa muito baixa normal normal alta normal normal muito baixa baixa baixa normal normal b asico muito baixa baixa baixa normal normal

Tabela 3.7: Regras fuzzy quando o volume urin ario e an uria.

PP PP (p ) acido (clcr ) PPP P muito baixa muito baixa baixa muito baixa m edia baixa baixa normal baixa alta normal

normal muito baixa baixa normal normal normal

b asico muito baixa baixa normal normal normal

Tabela 3.8: Regras fuzzy quando o volume urin ario e olig uria.

PP PP (p ) acido (clcr ) PPP P muito baixa muito baixa baixa normal m edia baixa normal normal normal alta normal

normal muito baixa baixa normal normal normal

b asico muito baixa baixa normal normal normal

Tabela 3.9: Regras fuzzy quando o volume urin ario e diurese normal.

Assim, a partir do SBRF com o m etodo de infer encia de Mamdani e a defuzzica ca o pelo centro de gravidade, podemos determinar k = k (v, clcr, p).

Elimina c ao de F armacos do Organismo PP PP (p ) acido (clcr ) PPP P muito baixa muito baixa baixa normal m edia baixa normal normal normal alta normal normal muito baixa baixa normal normal normal b asico muito baixa baixa normal normal normal

85

Tabela 3.10: Regras fuzzy quando o volume urin ario e poli uria.

anria oligria normal


1,0

poliria

mto baixa baixa md.baixa normal


1,0

alta

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0,0 0 500 1000 1500 2000 2500 3000

0,0 0 20 40 60 80 100 120 140 160 180

volume urinrio

clearance de creatinina

Figura 3.13: Fun c oes de pertin encia de volume urin ario.

Figura 3.14: Fun. de pert. de clearance de creatinina.

3.4.5

Insuci encia Renal e a Elimina c ao de F armacos

Nesta se c ao apresentamos a concentra ca o de f armaco de tr es indiv duos a partir do volume urin ario (v ), da clearance de creatinina (clcr) e do pH s erico (p), utilizamos o Sistema Baseado em Regras Fuzzy para determinar a velocidade de elimina c ao (k ) do f armaco, Tabela 3.11. Assim, com uma prescri ca o de 500mg de um certo f armaco de oito em oito horas para tr es indiv duos, obtemos a velocidade de elimina ca o do f armaco para cada indiv duo, veja Tabela 3.11.

86

Aplica c oes

1,0

bsico

normal

c ido
1,0

mto baixa

baixa

normal

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

0,0 6,6 6,8 7,0 7,2 7,4 7,6 7,8 8,0

0,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7

pH srico

velocidade de eliminao

Figura 3.15: Fun c oes de pertin encia de pH s erico.

Figura 3.16: Fun. de pert. de velocidade de elimina c ao. clcr 100 ml/min 10 ml/min 35 ml/min p 7.4 7.35 7.25 k (v, clcr, p) 0.6032 0.0860 0.2308

Indiv duo 1 (I1 ) Indiv duo 2 (I2 ) Indiv duo 3 (I3 )

v 1500ml di ario 100 ml di ario 300 ml di ario

Tabela 3.11: Velocidade de elimina c ao do f armaco para cada indiv duo.

Para os valores de k (v, clcr, p) obtidos na Tabela 3.11 e atrav es das equa c oes (3.4.31) e (3.4.27), obtemos os gr acos da Figura 3.17, que ilustram como est ao a concentra ca o m axima de f armaco tolerada pelo organismo e a elimina ca o do f armaco dos indiv duos 1 e 2, analogamente, obtemos os gr acos da Figura 3.18 para os indiv duos 1 e 3. O n vel de satura ca o (ys1 ) do indiv duo 1, que est a com fun c ao renal normal, e em torno de 500 mg . O n vel de satura ca o (ys2 ) do indiv duo 2, que est a com fun ca o renal compremetida, e em torno de 1000 mg , Figura 3.17. O indiv duo 3 tamb em tem fun ca o renal comprometida. Por em, o n vel de satura c ao do f armaco (ys3 ) e mais baixo e encontra-se em torno de 600 mg , Figura 3.18. O n vel de concentra c ao

Elimina c ao de F armacos do Organismo

87

do indiv duo 2 e muito maior do que o indiv duo 3 porque o volume urin ario, o o clearance de creatinina e o pH s erico do indiv duo 2 s ao muito baixos em rela c ao ao indiv duo 3, Tabela 3.11. Mas, os dois indiv duos est ao com o n vel de satura c ao acima do normal, porque est ao com a fun c ao renal comprometida e eliminam pouco f armaco. Logo, e necess ario mudar a prescri ca o do indiv duo 2 e do indiv duo 3, pois, caso contr ario, provavelmente ter ao uma intoxica c ao medicamentosa. A Figura 3.19 mostra a concentra ca o do indiv duo 1 e 2, ambos, com a mesma dose de 500 mg de f armaco. Para o individuo 2 mudamos o intervalo entre as doses. As doses est ao sendo administradas a cada 24 horas. Isto resultou em um n vel de satura ca o em torno de 600 mg , mais pr oximo do n vel de satura c ao do indiv duo 1 cuja fun c ao renal e normal. A Figura 3.20, ilustra a concentra c ao dos indiv duos 1 e 2, por em mantemos o intervalo de 8 horas entre as doses e mudamos a dose administrada do f armaco do indiv duo 2 para 250 mg , o resultado mostrou a mesma satura ca o de 500 mg para os dois indiv duos. O procedimento indicado pelo modelo fuzzy de diminuir a dose do medicamento para que n ao ocorra uma intoxica ca o do paciente est a de acordo com o especialista. Pois, segundo o prossional da area quando os pacientes est ao com fun ca o renal comprometida, o procedimento e diminuir a dose do medicamento, isto e, mudar a prescri ca o do f armaco. 3.4.6 Conclus oes

Nesta se ca o foram apresentados modelos envolvendo a elimina ca o de f armacos do organismo. Exploramos a teoria dos conjuntos fuzzy para modelar a constante de velocidade de elimina ca o (k ), considera-a como um par ametro fuzzy que depende da fun c ao renal de um indiv duo. Desta forma podemos obter este par ametro variando de indiv duo para indiv duo como a bibliograa da area arma [43]. Assim, por meio de uma base de regras fuzzy, estudamos a inu encia do volume urin ario (v ), da clearance de creatinina (clcr) e do pH s erico (p) que s ao as principais vari aveis m edicas que indicam a eci encia renal de um in-

88
1200

Aplica c oes
700

yS2 1000 I
2

600

YS3
I
3

YS1 500 I
1

800

400
600 Y
S1

300
I
1

400

200

200

100

10

15

20

25

30

35

0 0 5 10 15 20 25 30 35 intervalo entre as doses

intervalo entre as doses

Figura 3.17: Concentra c ao de f armaco dos indiv duos 1 e 2 com a mesma prescri c ao.
600 yS2 YS1 500 I
1

Figura 3.18: Concentra c ao de f armaco dos indiv duos 1 e 3 com a mesma prescri c ao.
600

I2

YS1 = Y = 504.042 S2 500

400
400

I2

300
300

200

200

100

100

I1

0
0 10 20 30 40 50 60 70 80 90 100

10

15

20

25

30

35

intervalo entre as doses


Intervalo entre as doses

Figura 3.19: Concentra c ao de f armaco dos indiv duos 1 e 2 alterando o intervalo entre as doses.

Figura 3.20: Concentra c ao de f armaco dos indiv duos 1 e 2 alterando a dose prescrita.

div duo. A grande vantagem do modelo fuzzy (3.4.30) sobre o cl assico (3.4.25) e incluir as vari aveis m edicas no modelo, j a que e a partir delas que o m edico indica a manuten ca o ou diminui ca o das doses dos f armacos. No modelo consideramos a prescri ca o de certo f armaco para alguns indiv duos e deteminamos as curvas de concentra ca o de f armaco destes indiv duos. Conclu mos que para os indiv duos com comprometimento

M etodo de Takagi-Sugeno-Kang em Modelos Farmacocin eticos Multicompartimentais89

renal, deve-se diminuir a dose prescrita para evitar qualquer risco de intoxica c ao medicamentosa. Na pr oxima se c ao apresentaremos uma parte da disserta ca o da aluna Juliana Menegotto que foi desenvolvida no Mestrado em Matem atica Aplicada da Universidade Estadual de Campinas [25] e foi publicada na Revista da Biomatem atica [26]. O modelo apresentado nesta se ca o estima o par ametro de decaimento do f armaco atrav es do M etodo de Infer encia de Mamdani e o modelo a seguir trata de um modelo de Takagi-Sugeno-Kang que modela a din amica da pr opria vari avel de estado (concentra c ao do f armaco em fun ca o do tempo).

3.5

M etodo de Takagi-Sugeno-Kang em Modelos Farmacocin eticos Multicompartimentais

Para estudar a concentra ca o do f armaco no organismo utiliza-se modelos farmacocin eticos multicompartimentais que, via de regra, s ao dados por um sistema de equa co es diferenciais ordin arias (EDO). Neste trabalho propomos um modelo para descrever a din amica da concentra ca o a partir de um sistema baseado em regras fuzzy. Para obter a curva da concentra ca o, utilizamos o m etodo de Takagi-Sugeno-Kang (TSK) e as curvas via TSK e EDO s ao comparadas. Quando o f armaco e administrado em doses m ultiplas, o ndice de ac umulo do f armaco no organismo e avaliado atrav es da raz ao entre as areas sob a curva referente ` a dose dada, ap os atingir o estado estacion ario, e a curva da primeira dose. Simula co es s ao feitas em ambiente Matlab e os ndices de ac umulo obtidos em ambas curvas s ao comparados. 3.5.1 Introdu c ao

A farmacocin etica e uma area da farmacologia que estuda a concentra ca o do f armaco no sangue no decurso do tempo ap os administra ca o de uma ou sucessivas doses. O estudo da cin etica do f armaco e realizado por meio de modelos farmacocin eticos multicompartimentais. Os estudos cin eticos podem ser descritos por modelos matem aticos, em que a movimenta c ao dos

90

Aplica c oes

f armacos de um compartimento para outro modica sua concentra ca o nesses compartimentos, supondo que o corpo pode ser interpretado como uma s erie de compartimentos interconectados [12]. Atrav es de modelos e c alculos matem aticos, pode-se quanticar os principais processos farmacocin eticos: a absor ca o, a distribui c ao e a elimina c ao de f armacos. Quando o f armaco e administrado intravenosamente dois processos s ao estudados por estes modelos. Neste caso, a absor ca o do f armaco e completa e est a dispon vel na corrente sangu nea para ser distribu do pelo corpo inteiro, em todos os tecidos vascularizados, bem como para ser eliminado. Desta forma, os modelos matem aticos procuram descrever os processos de distribui c ao e de elimina ca o por meio de compartimentos [39]. Neste trabalho desenvolvemos um modelo matem atico, para descrever a cin etica no f armaco no organismo ap os uma administra ca o intravenosa, a partir de um sistema fuzzy. 3.5.2 Modelagem Fuzzy

O tratamento matem atico para modelos farmacocin eticos multicompartimentais e, via de regra, dado por um sistema de equa c oes diferenciais ordin arias (EDO). O n umero de equa co es e determinado pela quantidade de compartimentos (fases) do modelo. Do ponto de vista pr atico, o n umero de fases e observado a partir do conjunto de dados: atrav es de estudos locais, determina-se o n umero de retas que ajustam esses dados, em uma escala semilogar tmica [18]. Na pr atica cl nica, a aplica ca o da teoria de equa c oes diferenciais ordin arias em modelos farmacocin eticos compartimentais nem sempre e f acil. A complexidade desses sistemas come ca a surgir na medida que aumenta o n umero dos compartimentos, onde o n umero de par ametros e taxas de transfer encias entre os compartimentos aumentam consideravelmente. Al em disso, os farmacocin eticos utilizam curvas obtidas a partir das solu co es de EDO para ajustar os seus dados experimentais. O estudo farmacocin etico via EDO e uma caixa preta para estes prossionais, fazendo com que aceitem essas solu co es como verdadeiras restando-lhes apenas aprender a explorar os par ametros

M etodo de Takagi-Sugeno-Kang em Modelos Farmacocin eticos Multicompartimentais91

nas equa co es. Nosso interesse e obter um modelo de decaimento para a concentra ca o a partir de um sistema de base de regras fuzzy [8]. O n umero de regras e dado pela quantidade de fases (que coincide com o n umero de retas) do modelo multicompartimental. Nesse sentido, o sistema fuzzy e composto por 2 regras fuzzy, pois o conjunto de dados ajustase em um modelo bicompartimental e foram extra dos de [18]. Assim, duas fases s ao analisadas: a fase da distribui c ao (fase ) e a fase da elimina ca o (fase ) [39]. Para a base de regras fuzzy consideramos a vari avel de entrada tempo em horas (t) composta pelos termos lingu sticos fuzzy baixo e n ao-baixo. Tais termos foram modelados por n umeros fuzzy. A sa da de cada regra fuzzy e a concentra c ao plasm atica do f armaco que, numa escala semilogar tmica, e dada pelas retas das fases e (Tabela 3.12). Para determinar as retas em escala semilog, utilizamos o m etodo de quadrados m nimos. As retas (consequentes de cada regra fuzzy) de cada fase s ao: Fase : y (t) = 0.11394 0.0751t Fase : y (t) = 0.08618 0.003995t. Ressaltamos que na metodologia tradicional, via EDO, a reta da fase utilizada para obter a equa ca o (3.5.33) difere da reta aqui utilizada para o modelo fuzzy. Desta forma, se usarmos a reta da fase aqui obtida, obteremos uma express ao ligeiramente diferente da que aparece em (3.5.33). As meias-vidas de cada fase s ao determinadas pela raz ao entre log 2 e o coeciente angular de cada reta, elas s ao: t 1 12h e t 1 75h. 2 2 Na Figura 3.21 encontram-se os dados experimentais e as retas correspondentes ` a cada fase, y e y e a Figura 3.22 ilustra as fun c oes de pertin encia adotadas nesta modelagem em que os n umeros fuzzy s ao do tipo trapezoidais. Como as retas da Figura 3.21 est ao em escala semilogar tmica, temos respectivamente para as fases e : y = log C C = 10y

92

Aplica c oes

Figura 3.21:

Retas em escala semilog.

Figura 3.22:

Fun c oes de pertin encia.

y = log C

C = 10y .

Assim, as sa das de cada regra s ao dadas por fun c oes exponenciais (veja Tabela 3.12). Na modelagem assumimos a base de regras, conforme Tabela 3.12.
R1 : se (t) e baixo (A1 ), ent ao y = a1 .t C = 10y (fase ). C = 10y (fase ). R2 : se (t) e n ao-baixo (A2 ), ent ao y = a2 .t

Tabela 3.12:

Base de regras do modelo farmacocin etico fuzzy.

Para obter a curva da concentra c ao sangu nea em um indiv duo como fun ca o do tempo, usamos o m etodo de infer encia de TakagiSugeno-Kang (TSK) [8]. A sa da geral do sistema pelo m etodo TSK e a curva de concentra ca o sangu nea: A1 (t).10y + A2 (t).10y A1 (t) + A2 (t)

C (t) =

(3.5.32)

onde C (t) e a concentra ca o do f armaco no sangue do indiv duo e os pesos (denido pelo operador t-norma m nimo) s ao obtidos pelos pr oprios n umeros fuzzy A1 e A2 , pois temos apenas uma vari avel de entrada [8]. Assim, estes pesos s ao as fun co es de pertin encia (Figura 3.22) que retratam a contribui c ao de cada fase na din amica da vari avel modelada.

M etodo de Takagi-Sugeno-Kang em Modelos Farmacocin eticos Multicompartimentais93

A Figura 3.23 e a curva obtida pelo m etodo TSK. Como podemos perceber, a curva ajusta bem os dados e o m etodo de TSK foi eciente para determinar uma curva em um modelo bicompartimental. Para a modelagem cl assica, a solu c ao anal tica e: C (t) = 1.3e0.173t + 0.82e0.0092t . (3.5.33)

A t tulo de compara ca o, a Figura 3.24 mostra que os gr acos das solu co es via EDO (equa ca o (3.5.33)) e via TSK (equa ca o (3.5.32)) ajustaram-se num modelo bicompartimental.
2.2 2 Concentrao Plasmtica (mg/L) 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 10 20 30 40 50 60 Tempo (horas) 70 80 90 100

Figura 3.23: Curva TSK e os dados extra dos de [18].

Figura 3.24: Curvas via EDO e via


TSK.

Ao compararmos as curvas via EDO e via TSK constatamos que ambas ajustam satisfatoriamente os dados experimentais bem como apresentam o mesmo comportamento qualitativo. A partir da curva da concentra c ao plasm atica podemos estudar o ndice de ac umulo do f armaco (R) e a concentra c ao m axima (Cmax ) tolerada pelo organismo, quando o medicamento e administrado em doses m ultiplas. O ndice R e um par ametro que indica a extens ao de ac umulo do f armaco no corpo ap os administrar sucessivas doses. Tal ndice e obtido atrav es da raz ao entre as areas sob a curva referente ` a dose dada, ap os atingir o estado estacion ario, e a curva da primeira dose. Considerando T o intervalo entre as doses; n o n umero de doses repetidas e [Tn , Tn+1 ] o intervalo da n- esima dose repetida, a area sob

94

Aplica c oes

a curva para doses m ultiplas e dada por: A=


Tn Tn+1

n i=0

C (t iT )]dt

(3.5.34)

onde nT t < (n + 1)T e C (t iT ) refere-se ` a curva que descreve a concentra c ao no sangue na n- esima dose repetida. Quando R = 1 n ao h a ac umulo de f armaco no organismo, pois o medicamento e todo eliminado antes da administra ca o subsequente. Para R > 1 h a ac umulo de f armaco no organismo e R aumenta conforme reduzimos o intervalo de dosagem. A partir da equa c ao (3.5.34), das curvas EDO e TSK obtemos para cada modelagem os valores R e Cmax . Simula c oes s ao feitas em ambiente Matlab. Nas simula c oes, consideramos o intervalo entre as doses igual a meia-vida de elimina c ao, a saber, T = 75h.

Figura 3.25:

Curva via EDO.

Figura 3.26:

Curva via TSK.

Informa c oes obtidas a partir das simula c oes representadas nas Fi.19 ee guras 3.25 e 3.26: via EDO Cmax = 2.93 e R = A = 96 = 1.85 e A1 51.93 via TSK Cmaxf = 2.94 e Rf =
Aeef A1f

96.93 52.02

= 1.86.

Atrav es de representa c oes gr acas (Figuras 3.25 e 3.26), de R e Cmax , podemos constatar que as duas modelagens s ao semelhantes e ambas fornecem a mesma interpreta ca o cl nica.

Modelo p-fuzzy de Malthus

95

3.5.3

Conclus ao

Na modelagem fuzzy, o estudo da cin etica consiste praticamente atrav es das retas na escala semilog e do conhecimento de um especialista da area para modelar cada fase com as fun co es de pertin encia. Ao compararmos com a modelagem cl assica, as representa c oes gr acas (Figuras 3.24, 3.25 e 3.26) mostram a semelhan ca entre ambas modelagens. Comprovando desta forma, que ambas modelagens s ao ecientes para modelar a cin etica do f armaco no corpo. As vantagens do modelo TSK sobre cl assico residem na redu c ao do n umero de constantes e par ametros; n ao exige conhecimento algum de teoria de equa co es diferenciais ordin arias; descreve os processos de distribui c ao e elimina ca o por meio de conjuntos fuzzy (fun co es de pertin encia) de forma intuitiva. Por se tratar de um modelo lingu stico, a nosso ver, esse procedimento facilita a modelagem do fen omeno uma vez que o especialista participa diretamente da constru ca o do modelo matem atico. A pr oxima se ca o e dedicada ao estudo de sistemas din amicos em que a formula ca o e dada por um sistema baseado em regras fuzzy. Intuitivamente, tal abordagem e sugerida para substituir o campo de dire co es de uma equa ca o diferencial. A nota c ao p-fuzzy se refere ` a parcialmente fuzzy, j a que nos utilizamos da l ogica fuzzy. Por em, a solu ca o e tipicamente, uma trajet oria cl assica.

3.6

Modelo p-fuzzy de Malthus

A proposta de utiliza c ao da matem atica para estabelecer um modelo para o crescimento de uma popula ca o humana come cou com o economista ingl es T.R. Malthus (1798). Malthus arma que a capacidade de reprodu c ao do homem e superior ` a capacidade da terra produzir meios para sua subsist encia e, a inibi c ao do crescimento populacional e devida ` a disponibilidade de alimentos. A popula ca o quando n ao obstaculizada, aumenta a uma raz ao geom etrica. Os meios de subsist encia aumentam apenas a uma raz ao aritm etica. Pela lei de nossa natureza, que torna o alimento necess ario ` a vida do homem, os efeitos dessas duas diferentes capacidades devem ser mantidos costantes.

96

Aplica c oes

Atualmente, em din amica populacional, o que se convencionou chamar de modelo de Malthus assume que o crescimento de uma popula ca o e proporcional ` a popula ca o em cada instante, e desta forma, a popula ca o humana deveria crescer sem inibi ca o. A formula ca o deste modelo em termos de uma equa ca o diferencial n ao foi feita por Malthus, apesar de ser muito simples, mesmo para epoca em que foi postulado [11]. O modelo cont nuo de Malthus e dado por: { dP = P (t) (3.6.35) dt P (0) = P0 cuja solu ca o e dada por P (t) = P0 et , onde e uma taxa de crescimento constante. O modelo p-fuzzy e constru do a partir de um sistema baseado em regras fuzzy, onde a entrada e a popula ca o (P ) e a sa da a varia ca o da ( ) dP popula ca o . As fun c oes de pertin encia s ao do tipo trapezoidais dt (veja Figuras 3.27 e 3.28), o m etodo de infer encia utilizado e o M etodo de Mamdani e o de defuzzica c ao e o Centro de Gravidade. A base de regras fuzzy utilizada e: Se popula ca o e muito baixa ent ao Se popula ca o is baixa ent ao dP muito baixa. dt

dP e baixa. dt dP Se popula ca o e m edia ent ao e m edia. dt dP Se popula ca o is alta ent ao e alta. dt E utilizando o sistema baseado em regras fuzzy apresentado antedP riormente, determinamos o valor de no pr oximo instante. Assim, dt calculamos o pr oximo valor de P , com integra ca o num erica, especicamente o m etodo e o da regra do trap ezio. Repetimos o mesmo ra-

Modelo p-fuzzy de Transfer encia da Popula c ao HIV Assintom atica para Sintom atica 97

muitobaixa 1

baixa

mdia

alta 1

muito baixa

baixa

mdia

alta

0.8 grau de pertinncia grau de pertinncia 0 50 100 populao 150 200 250

0.8

0.6

0.6

0.4

0.4

0.2

0.2

20

40 dP/dt

60

80

100

Figura 3.27: Fun c oes de pertin encia da popula c ao.

Figura 3.28: Fun c oes de pertin encia da varia c ao da popula c ao.

cioc nio em 100 itera c oes obtendo a trajet oria da popula c ao no tempo como mostra a Figura 3.29.
250 Malthus pfuzzy Malthus deterministico 200

150

100

50

4 tempo (t)

10

Figura 3.29: Trajet orias do modelo p-fuzzy cont nuo com x0 = 2.

A seguir apresentaremos um trabalho desenvolvidos pelas alunas Mariana Fernandes dos Santos Villela e Karla Barbosa de Freitas do Curso de Gradua c ao em Matem atica da Universidade Federal de Uberl andia, que foi apresentado no XIV Congresso Latino-Americano de Biomatem atica [42].

98

Aplica c oes

3.7

Modelo p-fuzzy de Transfer encia da Popula c ao HIV Assintom atica para Sintom atica

O objetivo deste trabalho e utilizar um sistema baseado em regras fuzzy para elaborar um modelo da convers ao de uma popula ca o HIV assintom atica para uma sintom atica, sem tratamento com antiretrovirais. Este tipo de modelo e denominado p-fuzzy, isto e, parcialmente fuzzy [8]. O modelo estudado e baseado no modelo cl assico proposto por Anderson (1986) [3], o qual estabelece que a taxa de convers ao ( ) da infec ca o para a AIDS est a em fun ca o do tempo. Na hist oria natural do HIV, seria a transfer encia entre a fase assintom atica e sintom atica com x + y = 1; este modelo e descrito a seguir: dx = (t)x dt dy = (t)x = (t)(1 y ) dt x(0) = 1 y (0) = 0 (3.7.36)

em que x representa a fra c ao de indiv duos infectados, mas que ainda n ao desenvolveram a doen ca, enquanto y representa a fra ca o de indiv duos infectados que j a desenvolveram a doen ca. O modelo p-fuzzy e constru do a partir de um sistema baseado em regras fuzzy, onde a entrada e a fra ca o da popula o atica (y ) e a sa da a varia ca o ( ca )sintom dy da popula c ao sintom atica . As fun c oes de pertin encia s ao do dt tipo trapezoidais (veja Figuras 3.30 e 3.31), o m etodo de infer encia utilizado e o M etodo de Mamdani e o de defuzzica c ao e o Centro de Gravidade. A base de regras fuzzy utilizada e: Se a popula c ao e baixa ent ao a varia ca o dy e m edia positiva. dt

dy Se a popula ca o e m edia baixa ent ao a varia ca o e m edia posidt tiva. Se a popula c ao e m edia ent ao a varia c ao dy e alta positiva. dt

Modelo p-fuzzy de Transfer encia da Popula c ao HIV Assintom atica para Sintom atica 99

dy e baixa. dt dy Se a Popula ca o e alt ssima ent ao a varia ca o e baixa negativa. dt dy Se a Popula ca o e m edia alta ent ao a varia ca o e baixa positiva. dt Se a popula c ao e alta ent ao a varia ca o
baixa 1 mdia baixa mdia mdia alta alta altssima 1 baixa neg baixa pos

mdia pos

alta pos

0.8 grau de pertinncia grau de pertinncia 0 0.2 0.4 0.6 populao 0.8 1

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0.1

0.1

0.2 dy/dt

0.3

0.4

Figura 3.30: Fun c oes de pertin encia da popula c ao.

Figura 3.31: Fun c oes de pertin encia da varia c ao da popula c ao.

As simula co es num ericas apresentadas nas Figuras 3.32 e 3.33 s ao realizadas a partir de uma fra c ao inicial da popula ca o sintom atica y (t0 ), por integra ca o num erica utilizando a regra do trap ezio, e repetindo o processo para 800 itera co es obtemos o comportamento de uma popula ca o HIV sintom atica. A popula c ao assintom atica (x(t)) e calculada atrav es da equa ca o x(t) = 1 y (t). As Figuras 3.32 e 3.33 mostram que as curvas obtidas pelo modelo p-fuzzy est ao pr oximas dos dados de Peterman (1985) [33], que foram apresentados no modelo cl assico proposto por Anderson (1986) [3] para popula ca o sintom atica. Assim, atrav es de um sistema baseado em regras fuzzy modelamos o comportamento da popula c ao HIV assintom atica e sintom atica, sem o uso de equa co es diferenciais. Os dois exemplos de sistemas p-fuzzy ilustram o grande potencial da modelagem de sistemas din amicos por meio da teoria de controlador fuzzy. Mais especicamente, o potencial em modelar equa co es

100
1 0.9 0.8 0.7 0.6 x(t) 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 tempo (t) 5 6 7 8 y(t) populao assintomtica dados de Peterman(1985) 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 tempo (t)

Aplica c oes

populao sintomtica dados de Peterman(1985) 5 6 7 8

Figura 3.32: Evolu c ao no tempo da popula c ao HIV assintom atica.

Figura 3.33: Evolu c ao no tempo da popula c ao HIV sintom atica.

diferenciais aut onomas em que a taxa de varia c ao das vari aveis de estado s ao modeladas por meio de uma base de regras fuzzy.

3.8

Modelo Presa-Predador Fuzzy

O modelo presa-predador cl assico de Lotka-Volterra pressup oe que tanto presas como os predadores est ao distribu dos uniformemente num habitat comum onde todos os predadores t em a mesma chance de encontrar e comer cada presa. Isto signica que n ao existe distin ca o entre os predadores, isto e, todos os predadores s ao identicados com o mesmo atributo de preda ca o e, da mesma forma podemos dizer que as presas s ao id enticas, isto e, n ao existe distin c ao entre as presas. Inicialmente, mostraremos um comportamento real de presa-predador. 3.8.1 Exemplo Real stico de Presa-Predador: Lebres e Linces na Ba a de Hudson

Por alguma raz ao funcion arios da Hudsons Bay Company registraram o n umero de lebres e linces que cavam presos em suas armadilhas. Por poder aceitar-se que o n umero de animais capturados e proporcional as suas popula c oes, pesquisadores conseguiram uma estat stica

Modelo Presa-Predador Fuzzy

101

populacional para ambas esp ecies de animais por um per odo de mais de 50 anos [35]. O interessante e que as lebres s ao a base alimentar dos linces, pois s ao sua comida favorita. A rela ca o entre estas duas esp ecies foi primeiramente constatada por ca cadores de pele. A Hudsons Bay Company no Canad a manteve registros detalhados do n umero de peles trazidos a cada ano de 1850 at e a d ecada de 30. Em 1924, o ecologista Charles Elton analisou estes dados, que podem ser observado na Figura 3.34.

Figura 3.34: Popula c oes de lebres e linces em fun c ao do tempo [35].

Como podemos observar, existe uma oscila c ao bem regular nos n umeros de ambas esp ecies: O per odo da oscila c ao e de aproximadamente 10 anos. A amplitude da oscila ca o e enorme: o n umero de ambas esp ecies muda dobrando de 50 para mais de 100, durante o ciclo. No modelo fuzzy podemos constatar este comportamento irregular das esp ecies, enquanto o modelo cl assico apresenta curvas regulares e o plano de fase e um ciclo perfeito, estes modelos ser ao apresentados nas pr oximas se co es.

102

Aplica c oes

Existem outros ciclos presa-predador na oresta boreal, como por exemplo: popula co es de pequenas presas mam feras est ao no ciclo de 4 anos, juntamente com seus maiores predadores: Presas: arganazes (ratos silvestres) e pequenos roedores. Predadores: raposas articas, falc oes e corujas da neve. O gr aco do plano de fase de um per odo de 30 anos, iniciado em 1875, obtidos a partir das popula c oes, ser a apresentado na Figura 3.35 :

Figura 3.35: Plano de fases de lebres e linces real [28].

3.8.2

Modelo Cl assico

Para formular a intera c ao entre presas e predadores foi usado o modelo determin stico, que se tornou cl assico, dado pelo sistema de equa co es diferenciais: dx = ax xy dt dy = by + xy. (3.8.37) dt

Modelo Presa-Predador Fuzzy

103

Neste modelo, as vari aveis de estado x e y s ao, respectivamente, a quantidade de presas e de predadores em cada instante t. Os par ametros s ao: a: taxa de crescimento relativo das presas; : taxa de preda c ao (probabilidade de um predador matar a presa em cada encontro entre eles); b taxa de mortalidade de predadores na aus encia de presas; taxa de convers ao de presas em predadores. Resolvendo a equa ca o diferencial com os par ametros a = 0.1, = 0.01, b = 0.05 e = 0.001, obtemos o gr aco da Figura 3.36 e o plano de fase, Figura 3.37.
90 presa predador

80

70

60

populaao

50

40

30

20

10

20

40

60

80

100 tempo

120

140

160

180

200

Figura 3.36: Solu c ao do sistema de equa c oes diferenciais.

3.8.3

Modelo Fuzzy

Nosso objetivo e estudar o comportamento das presas e dos predadores de forma mais complexa, isto e, com popula co es diferenciadas, usando

104
15

Aplica c oes

14

13

12

predador

11

10

6 20

30

40

50 presa

60

70

80

90

Figura 3.37: Plano de fase.

apenas um sistema de base de regras fuzzy para o qual as vari aveis de estado s ao as potencialidades das presas, para serem predadas, e a dos predadores predarem, que est ao diretamente ligadas com suas respectivas idades. A presa pode ser caracterizada pela sua idade, isto e, um lhote pode ser mais facilmente predado que seus pais. Ainda, um animal velho ou doente pode ser preferido na escolha de um predador. Desta forma, podemos caracterizar o conjunto das presas pelo grau de serem predadas, sendo tal grau determinado pela sua idade. Podemos caracterizar uma presa, pelas fun c oes de pertin encia (3.8.38), Figura 3.38: r1 se 0 a a1 r2 se a1 < a a2 . ux (a) = (3.8.38) r3 se a2 < a Os predadores tamb em podem ser caracterizados pela idade. Um lhote e pouco predador no sentido que a ca ca e realizada por seus pais, que est ao na idade adulta e s ao os maiores predadores. Os in-

Modelo Presa-Predador Fuzzy

105

Figura 3.38: Fun c oes de pertin encia das presas.

div duos velhos predam menos que os adultos, denimos as fun c oes de pertin encia em (3.8.39), Figura 3.39: s1 se 0 b b1 s2 se b1 < b b2 . (3.8.39) uy (b) = s3 se b2 < b

Figura 3.39: Fun c oes de pertin encia dos predadores.

Uma popula c ao x de presas tem como caracter stica principal sua potencialidade como presa, denida por (3.8.40), no caso discreto e (3.8.41) no caso cont nuo.

106
n i=1 xmax

Aplica c oes

Px = Px =

xi uxi xux dx

(3.8.40) (3.8.41)

A potencialidade de uma popula ca o de predadores e denida de maneira an aloga. Por exemplo, suponhamos uma fam lia de 18 predadores onde 5 s ao lhotes, 10 s ao adultos e 3 s ao velhos. Vamos estabelecer que o grau de preda c ao de um lhote seja 0.2; do adulto seja 0.9 e do velho 0.3. Neste caso, temos: Py =
n i=1

yi uyi = 5 0.2 + 10 0.9 + 3 0.3 = 10.9.

(3.8.42)

f E acil vericar que popula co es de mesmo tamanho podem ter diferentes potencialidades. Em casos mais gerais, onde se tem intera c oes de diversas esp ecies, uma dada popula c ao pode ter potencialidades de preda ca o e de presa ao mesmo tempo. O modelo que vamos propor para a intera c ao presa-predador e baseado simplesmente em regras dadas por vari aveis lingu sticas. Adotamos a base de regras fuzzy assumindo como antecedentes potencialidades das presas Px , Figura 3.40 e potencialidades dos predadores Py , Figura 3.41 e como conseq uentes Px e Py , Figuras 3.42 e 3.43, respectivamente. Os termos ling u sticos para Px e Py s ao baixa, m edia e alta. Para a Px e Py os termos ling u sticos s ao diminui e aumenta. A seguir apresentamos a base de regras fuzzy utilizada. 1. Se Px e baixa e Py e baixa ent ao Px aumenta e Py aumenta. 2. Se Px e m edia e Py e baixa ent ao Px aumenta e Py aumenta. 3. Se Px e alta e Py e baixa ent ao Px diminui e Py aumenta. 4. Se Px e baixa e Py e m edia ent ao Px aumenta e Py diminui. 5. Se Px e alta e Py e m edia ent ao Px diminui e Py aumenta.

Modelo Presa-Predador Fuzzy

107

6. Se Px e baixa e Py e alta ent ao Px aumenta e Py diminui. 7. Se Px e m edia e Py e alta ent ao Px diminui e Py diminui. 8. Se Px e alta e Py e alta ent ao Px diminui e Py diminui.

Figura 3.40: Fun c oes de pertin encia da potencialidade das presas (Px ).

A partir das potencialidades das presas e dos predadores calculadas conforme as equa co es (3.8.40) e (3.8.42), respectivamente, e supondo que os valores iniciais de Px e Py sejam iguais a zero. E utilizando o sistema baseado em regras fuzzy apresentado anteriormente, com o m etodo de infer encia de Mamdani determinamos os valores de Px e Py no pr oximo instante. Assim, calculamos os pr oximos valores de Px e Py , com integra c ao num erica, especicamente o m etodo eo da regra do trap ezio. Repetimos o mesmo racioc nio em 50 itera co es obtendo o comportamento das potencialidades das presas e dos predadores no tempo e o plano de fase destas potencialidades, como mostram as Figuras 3.44 e 3.45, respectivamente.

108

Aplica c oes

Figura 3.41: Fun c oes de pertin encia da potencialidade dos predadores Py .

Figura 3.42: Fun c oes de pertin encia da varia c ao de Px (Px ).

Modelo Presa-Predador Fuzzy

109

Figura 3.43: Fun c oes de pertin encia da varia c ao de Py (Py ).

Figura 3.44: Comportamento das potencialidades das popula c oes de presas e predadores.

110

Aplica c oes

Figura 3.45: Plano de fase.

3.8.4

Conclus ao

Os gr acos das Figuras 3.44 e 3.45 apresentam similaridade com os do modelo de Lotka-Volterra, Figuras 3.36 e 3.37. Por em, as Figuras 3.44 e 3.45 do modelo fuzzy t em certa irregularidade vis vel, pelo fato de termos considerado o grau de preda c ao das esp ecies heterog eneo. Estes chegam mais pr oximos da realidade, que os gr acos de LotkaVolterra comparados com os gr acos das Figuras 3.34 e 3.35. O leitor com interesse nesse tipo de modelo pode consultar [32].

Exerc cios

111

Exerc cios
1. Determine a rela ca o fuzzy (D) dos graus de pertin encia dos pacientes com as doen cas utilizando as Tabelas 3.1 e 3.4. 2. Problema Inverso: Determine a rela ca o fuzzy (X ) dos graus de pertin encia dos sintomas com as doen cas utlilizando as Tabelas 3.2 e 3.3. 3. Projeto: Competi c ao entre Esp ecies Quando duas ou mais esp ecies vivem em proximidade e dividem as mesmas exig encias b asicas, elas usualmente competem por recursos, habitat, ou territ orio. Algumas vezes somente a mais forte prevalece, conduzindo o competidor mais fraco para extin ca o. Uma esp ecie vence porque seus membros s ao mais ecientes para encontrar e explorar recursos, o que leva para um crescimento da popula ca o. Indiretamente isto signica que a popula c ao de competidores encontra menos dos mesmos recursos e n ao pode crescer at e sua capacidade m axima [12]. O modelo de Lotka-Volterra para competi ca o de esp ecies e dado pelas equa co es: dN1 k1 N1 12 N2 = r1 N1 dt k1 dN2 k2 N2 21 N1 = r2 N2 dt k2 (3.8.1)

onde N1 e N2 s ao as densidades das popula co es das esp ecies 1 e 2. Construir o modelo fuzzy para competi ca o entre esp ecies, utilizando o sistema baseado em regras fuzzy, como vimos na se ca o anterior.

112

Aplica c oes

Bibliograa
[1] ABCsaude, 2004. http://www.abcsaude.com.br. [2] M. Amendola, A.L. Souza e L.C. Barros, Manual do uso da teoria dos conjuntos fuzzy no Matlab 6.5, 2005. http://www.ime.unicamp.br/laeciocb. [3] R.M. Anderson, G.F. Medley, R.M. May e A.M. Johnson, A Preliminary Study of the Transmission Dynamics of the Human Immunodeciency Virus (HIV), the Causative Agent of AIDS, Journal of Mathematics Applied in Medicine & Biology, 3(1986), 229-263. [4] F.M. Bando, Sistemas fuzzy e aproxima ca o universal, Tese de Mestrado, IMECC, Universidade Estadual de Campinas, Campinas, SP, 2002. [5] L.C. Barros, Modelos Determin sticos com Par ametros Subjetivos, Tese de Doutorado, IMECC, Universidade Estadual de Campinas, Campinas, SP, 1992. [6] L.C. Barros e R.C. Bassanezi, Introdu c ao ` a teoria fuzzy aplica c oes em biomatem atica. In Minicurso, Campinas, Brasil, (2001), 1-46, Congresso Latino Americano de Biomatem atica. [7] L.C. Barros, R.C. Bassanezi e M.L. Leite, The epidemiological models SI with fuzzy parameter of transmission, Computers and Mathematics with Applications, 45(2003), 1619-1628.
113

114

[8] L.C. Barros e R.C. Bassanezi, T opicos de L ogica Fuzzy e Biomatem atica, Cole c ao IMECC - Textos Did aticos, 5, 2a Edi ca o, 2010. [9] R.C. Bassanezi e W.C. Ferreira, Equa co es Diferenciais com Aplica c oes, Editora Harbra Ltda, 1988. [10] R.C. Bassanezi e H.E. Roman, Relaciones Fuzzy: Optimizacion de Diagnostico Medico, IMECC-UNICAMP, 1989. [11] R.C. Bassanezi, Ensino-Aprendizagem com Modelagem Matem atica, Editora Contexto, 2002. [12] L. Edelstein-Keshet, Mathematical Models in Biology, Birkh auser Mathematics Series, McGraw-Hill, 1988. [13] J.G. Hardman e A.G. Gilman, As Bases Farmacol ogicas da a Terap eutica, McGraw-Hill, 9 Edi c ao, 1994. [14] R.M. Jafelice, L.C. Barros, R.C. Bassanezi e F.Gomide, Fuzzy rules in asymptomatic HIV virus infected individuals model. In Frontiers in Articial Intelligence and Applications, 85 (2002), 208-215, IOS Press Ohmsha, Amsterdam,Holanda. [15] R.M. Jafelice, Modelagem Fuzzy para Din amica de Transfer encia de Soropositivos para HIV em Doen ca Plenamente Manifesta, Tese de Doutorado, FEEC, Universidade Estadual de Campinas, Campinas, SP, 2003. [16] R.M. Jafelice, L.C. Barros, R.C. Bassanezi e F.Gomide, Fuzzy modeling in asymptomatic HIV virus infected population, Bulletin of Mathematical Biology, 66 (2004), 1597-1620. [17] R.M. Jafelice, L.C. Barros, R.C. Bassanezi e F.Gomide, Methodology to determine the evolution of asymptomatic HIV population using fuzzy set theory, International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 13 (2005), 39-58. [18] F. Jamili, Clinical pharmocokinetics of selected classes of drugs: Pharmacokinetic Compartments, 2010. http://www.pharmacy.ualberta.ca/pharm415pharmaco.htm.

115

[19] A. Kandel, Fuzzy Mathematical Techniques with Applications, Addilson-Wesley Publishing Company, 1986. [20] G.J. Klir e B. Yuan, Fuzzy Sets and Fuzzy Logic Theory and Applications, Prentice-Hall PTR, New Jersey, EUA, 1995. [21] W.A. Lopes e R.M. Jafelice, Modelagem Fuzzy na Sa ude, FAMAT em Revista, 5 (2005) 85-125. [22] W.A. Lopes e R.M. Jafelice, Fuzzy Modeling in the Elimination of Drugs, In Proccedings of the 2005 International Symposium on Mathematical and Computational Biology - BIOMAT 2005, (2005), 339-355. [23] E. Massad, R. Menezes, P. Silveira e N.R.S. Ortega, M etodos Quantitativos em Medicina, Manole, Barueri, SP, 2004. [24] E. Massad, N.R.S. Ortega, L.C. Barros e C.J. Struchiner, Fuzzy Logic in Action: Applications in Epidemiology and Beyond, Springer-Verlag Berlin, 2008. [25] J. Menegotto,Aplica ca o da Teoria dos Conjuntos Fuzzy em Modelos Farmacocin eticos Multicompartimentais, Disserta ca o de Mestrado, IMECC, Unicamp, Campinas, SP, 2011. [26] J. Menegotto e L.C. Barros, Aplica ca o de sistemas fuzzy em modelos farmacocin eticos multicompartamentais, Biomatem atica, 21 (2011), 23-46. [27] Minist erio da Sa ude, 2003. http://www.aids.gov.br. [28] J.D. Murray, Mathematical Biology: An Introduction, Springer-Verlag, New York, 3a edition, 2001. [29] H. Nguyen e E. Walker, A First Course in Fuzzy Logic, Chapman e Hall/CRC, 2000. [30] N.R.S. Ortega, Aplica ca o da Teoria de L ogica Fuzzy a Problemas da Biomedicina, Tese de Doutorado, Instituto de F sica, Universidade de S ao Paulo, S ao Paulo, SP, 2001.

116

[31] W. Pedrycz e F. Gomide, An Introduction to Fuzzy Sets: Analysis and Design, MIT Press, Cambridge, EUA, 1998. [32] M.S. Peixoto, Sistemas Din amicos e Controladores Fuzzy: um estudo da dispers ao da morte s ubita dos citros em S ao Paulo, Tese de Doutorado, IMECC, Universidade Estadual de Campinas, Campinas, SP , 2005. [33] T. Peterman, D. Drotman e J. Curran, Epidemiology of the acquired immunodeciency syndrome AIDS, Epidemiology Reviews, 7 (1985) 7-21. [34] D. Ralescu, Y. Ogura, e S. Li, Set defuzzication e Choquet integral, International Journal of Uncertainty, Fuzziness e Knowledge-Based Systems, 9 (2001), 1-12. [35] C. Renning, Collective Behaviour: Emergent Dynamics in Populations of Interacting Agents, In Seminar Articial Life (1999/2000). [36] F. Ribacionka, Sistemas computacionais baseados em l ogica fuzzy, Tese de Mestrado, Universidade Mackenzie, S ao Paulo, SP, 1999. [37] E. Sanchez, Solutions in composite fuzzy relation equations: application to medical diagnosis in brouwerian logic. In Fuzzy Automata and Decision Processes, (1977), 221-234, M.M. Gupta, North-Holland, Amsterdam. [38] E. Sanchez e R. Bartolin, Fuzzy inference and medical diagnosis, a case study,Int. J. Biom. Fuzzy Systems Ass., 1 (1990), 4-21. [39] L.B.S. Valle, F.R.M. Oliveira, R. De Luca e S. Olga, Farmacologia integrada e farmacologia b asica, 1, Editora Atheneu, 1988. [40] M.F.S. Villela, P.B. Santos e R.S.M. Jafelice, Diagn ostico M edico Fuzzy de Doen cas Infantis, FAMAT em Revista 9 (2007), 329-346.

117

[41] M.F.S. Villela, P.B. Santos e R.S.M. Jafelice, Diagn ostico a M edico Fuzzy de Doen cas Infantis, In Anais da 7 Semana da Matem atica da Universidade Federal de Uberl andia (2007), 94-95. [42] M.F.S. Villela, K.B. Freitas e R.S.M. Jafelice, Modelo p-fuzzy de Transfer encia da Popula ca o HIV Assintom atica para Sintom atica, In Anais do XIV do Congresso Latino-Americano de Biomatem atica, (2007), 39. [43] A.C. Zanini e S. Olga, Farmacologia Aplicada, Editora Atheneu, 5a Edi c ao, 1998.

Indice
N veis conjunto fuzzy, 26 Base de regras, 39, 66, 85 Centro de Gravidade, 42 Clearance de Creatinina, 84 Conjunto fuzzy, 13 complementar, 20 intersec ca o, 20 uni ao, 20 Defuzzi ca o, 41 Diagn ostico m edico, 57 Diferen ca limitada, 26 Elimina ca o de f armaco, 81 Equa co es dif. ordin arias, 66, 105 Esperan ca fuzzy, 31, 72, 77 Evolu c ao AIDS, 62 Linf ocito T CD4+, 29, 63 M etodo de Mamdani, 40 M etodo de Takagi-Sugeno, 40, 91 Malthus, 97 Medida fuzzy, 31 Meia-vida f armaco, 82 N umero fuzzy, 27 multiplica ca o escalar, 27 soma, 27 p-fuzzy, 97, 100 pH s erico, 84 Presa-Predador, 102 Princ pio de Extens ao, 28 Produto alg ebrico, 26 Qualidade da agua, 50

Regras fuzzy, 37 Fun co es de Pertin encia, 105 c ao fuzzy, 33 Fun co es de pertin encia, 13, 44, 49, Rela composi c ao, 34 50, 66, 67, 98 Risco de obesidade, 46 Fuzzica ca o, 38 HIV, 29, 65, 100 Intersec c ao dr astica, 26 Intersec c ao padr ao, 25 S-norma triangular, 23 Sistema baseado regras fuzzy, 37 Soma alg ebrica, 23 Soma limitada, 24
118

119

T-norma triangular, 24 Taxa de transfer encia, 66, 76 Taxa de transfer encia , 77 Uni ao dr astica, 24 Uni ao padr ao, 23 Vari aveis lingu sticas, 37, 43, 66 Vitalidade das violetas, 43 Volume urin ario, 83