Você está na página 1de 54

Introduo Teoria de Conjuntos Nebulosos Osvaldo R.

Saavedra -GSP-DEE UFMA























Osvaldo R. Saavedra
GSP DEE UFMA
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Introduo

O filsofo grego Aristteles (384 - 322 a.C.), considerado o pai da cincia da lgica,
e estabeleceu um conjunto de regras rgidas para que concluses pudessem ser aceitas
como logicamente vlidas. O emprego da lgica de Aristteles levou a uma linha de
raciocnio lgico, baseado em premissas e concluses. Considere-se, por exemplo, as
seguintes premissas: i) observado que "todo ser vivo mortal" ; ii) constata-se que
"Maria um ser vivo". Como concluso, temos que "Maria mortal". Esta lgica,
tambm chamada de Ocidental, tem sido de essncia binria, onde uma declarao
falsa ou verdadeira, no podendo ser ao mesmo tempo parcialmente verdadeira e
parcialmente falsa.
A Lgica Difusa (Fuzzy Logic) no atende estas suposies. O conceito de dualidade,
estabelecendo que algo pode e deve coexistir com o seu oposto, faz a lgica difusa
parecer natural, at mesmo inevitvel. A lgica Ocidental trata binariamente
afirmaes, classificando-as como verdadeiras ou falsas. No obstante, muitas das
experincias do mundo real no podem ser classificadas simplesmente como
verdadeiras ou falsas, sim ou no, branco ou preto. Por exemplo, aquele homem alto
ou baixo? A taxa de risco para aquele empreendimento grande ou pequena? Um sim
ou um no como resposta a estas questes , na maioria das vezes, incompleta. Na
verdade, entre a certeza de ser e a certeza de no ser, existem infinitos graus de
incerteza. Esta imperfeio intrnseca informao representada numa linguagem
natural, tem sido tratada matematicamente no passado com o uso da teoria das
probabilidades.

Por outro lado, a Lgica Nebulosa, com base na teoria dos Conjuntos Nebulosos (Fuzzy
Set), tem se mostrado mais adequada para tratar imperfeies da informao do que a
teoria das probabilidades. De forma mais objetiva e preliminar, podemos definir Lgica
Nebulosa como sendo uma ferramenta capaz de capturar informaes vagas, em geral
descritas em uma linguagem natural e convert-las para um formato numrico, de fcil
manipulao pelos computadores de hoje em dia. Considere a seguinte afirmativa: Se o
tempo de um investimento longo e o sistema financeiro tem sido no muito estvel,
ento a taxa de risco do investimento muito alta. Os termos "longo", "no muito
estvel" e "muito alta" trazem consigo informaes vagas. A extrao (representao)
destas informaes vagas se d atravs do uso de conjuntos nebulosos. Devido a esta
propriedade e a capacidade de realizar inferncias, a Lgica Difusa tem encontrado
grandes aplicaes nas seguintes reas: Sistemas Especialistas; Computao com
Palavras; Raciocnio Aproximado; Linguagem Natural; Controle de Processos;
Robtica; Modelamento de Sistemas Parcialmente Abertos; Reconhecimento de
Padres; Processos de Tomada de Deciso (decision making).

A Lgica Nebulosa, tambm pode ser definida, como a lgica que suporta os modos de
raciocnio que so aproximados, ao invs de exatos, como estamos naturalmente
acostumados a trabalhar. Ela est baseada na teoria dos conjuntos nebulosos e difere dos
sistemas lgicos tradicionais em suas caractersticas e detalhes.
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Nesta lgica, o raciocnio exato corresponde a um caso limite do raciocnio aproximado,
sendo interpretado como um processo de composio nebulosa.

A Lgica Nebulosa foi desenvolvida por Lofti A. Zadeh da Universidade da Califrnia
em Berkeley na dcada de 60 e combina lgica multivalorada, teoria probabilstica,
inteligncia artificial e redes neurais para que possa representar o pensamento humano, ou
seja, ligar a lingustica e a inteligncia humana, pois muitos conceitos so melhores
definidos por palavras do que pela matemtica.

1.1 Conjuntos Nebulosos

Uma conversa cotidiana contm muitas palavras vagas tal como a declarao A
menina da casa ao lado bonita, ou a declarao de um economista que O dlar est se
mostrando relativamente forte. Conjuntos nebulosos foram propostos para lidar com
palavras e expresses que contenham incertezas. Os conjuntos nebulosos podem lidar com
conceitos vagos tais como um conjunto de pessoas altas e as pessoas que vivem
prximo a Tkio, que no podem tratadas pela teoria dos conjuntos convencional. Nas
expresses anteriores, as palavras altas e prximo do idias ambguas. Estas
expresses vagas no so permitidas na teoria dos conjuntos convencionais e temos que
definir condies precisas tais como o conjunto de pessoas com altura superior a 190 cm,
ou as pessoas que moram em Tquio. A medida da altura de uma pessoa mostrar se esta
pessoa pertence ao conjunto. Estes conjuntos convencionais, que so definidos exatamente,
so denominados conjuntos Crisp.
A teoria dos conjuntos Crisp ser descrita antes de introduzirmos a teoria dos conjuntos
fuzzy. A teoria dos conjuntos fuzzy uma extenso dos primeiros e a compreenso dos
conjuntos fuzzy ser difcil sem o conhecimento da teoria dos conjuntos Crisp. Porm,
como o objetivo desta apostila a aplicao da Lgica fuzzy, limitar-nos-emos a mostrar
apenas os conceitos bsicos dos conjuntos Crisp.

2.1.1 Conjuntos Crisp e Funes Caractersticas

Na teoria dos conjuntos Crisp, unio, interseo, e complementos so definidos como
segue.



Unio, interseco e complemento dos conjuntos crisp
Sejam A, B representando subconjuntos do universo X. A unio, interseco e
complemento so definidos como.
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Unio dos conjuntos Crisp A e B: B}. x or A x | {x B A = (1.1)
Interseco dos conjuntos A e B: B}. x e A x | {x B A = (1.2)
O complemento do conjunto Crisp A: A}. x | {x A = (1.3)

As definies anteriores de unio, interseco e complemento, esto ilustrados na
figura 1.1. Estas figuras so chamadas de diagramas de Venn ou diagramas de Euler.
Vamos representar A e B como subconjuntos do universo X tal que X A
e X B . Quando dizemos A subconjunto de X significa que qualquer elemento do
conjunto A pertence a X. Por exemplo, temos;

}. 3 , 0 , 3 {
} 10 , 8 , 6 , 4 , 2 {
} 10 , 9 , 8 , 7 , 6 , 5 , 4 , 3 , 2 , 1 {
=
=
=
B
A
X


Ento X A mas X B . Aqui, X B indica que B no um subconjunto de X.


Figura 1.1: (a) unio, (b) interseco e (c) complemento de conjuntos






Unio: ) ( ), ( B A B B A A
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Interseco: B B A A B A ) ( , ) (
Complemento:
) (
) (
o contradi da lei A A
excluda metade da lei X A A
=
=

Onde o conjunto vazio.
Estas propriedades podem ser verificadas atravs dos diagramas de Venn. Outras
propriedades so resumidas como segue.


Propriedades dos conjuntos Crisp
Lei da Idempotncia
. , A A A A A A = =
Comutativa:
. , A B B A A B B A = =
Associativa:

. ) ( ) (
, ) ( ) (
C B A C B A
C B A C B A
=
=

Distributiva:

). ( ) ( ) (
), ( ) ( ) (
C A B A C B A
C A B A C B A
=
=

Dupla negao:
. A A =
Lei de De Morgan:

. B A B A
B A B A
=
=


(1.4)

(1.5)


(1.6)


(1.7)



(1.8)

(1.9)

EXEMPLO 1.1. Unio, interseco e complemento de conjuntos Crisp
Um clube de tnis do qual Bob pertence inclui seis membros. Vamos imaginar um
conjunto de mulheres e estudantes. O universo neste caso o conjunto de todos os
membros, o qual definido como:
membros = {Anne, Bob, Cathy, Jhon, Linda, Tom}.
Vamos formar um conjunto de mulheres a partir do conjunto anterior.
membros mulheres = {Anne, Cathy, Linda}.
Tambm, o conjunto dos estudantes ser:
Membros estudantes = {Bob, John, Linda}.
Aqui, se ns designarmos os conjuntos anteriores como
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

X: membros,
A: membros femininos, e
B: membros estudantes,
o relacionamento dos conjuntos pode ser ilustrado na figura 1.2.
Unio, interseo e complemento de A e B so como segue:

Linda} John, Cathy, Bob, {Anne, B A =
{Linda} B A =
Tom} John, {Bob, A =
Tom} Cathy, {Anne, B =
Aqui A U B o conjunto dos membros femininos ou estudantes, AB o conjunto
dos membros estudantes femininos, A o conjunto dos membros que no so femininos
(masculinos), e B o conjunto dos membros que no so estudantes.
Observamos tambm que:
Tom} John, Cathy, Bob, {Anne, B A B A
{Tom} B A B A
= =
= =

Confirmando a lei de De Morgan.
No h problema em escrever os elementos dos conjuntos se, como neste exemplo, o
nmero de elementos pequeno. Entretanto, pode ser um incmodo se houver muitos
elementos. Por exemplo, fcil escrever.

A = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}

mas se
A = {1, 2, 3, ..., 98, 99, 100},
mais conveniente escrever
inteiro} x e 100 x 1 | {x A =




Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 1.2: diagramas de Venn dos membros do clube de tnis


Em geral, conjuntos Crisp so definidos por funes caractersticas como segue.

Funes caractersticas
Sendo A representando um conjunto Crisp de um universo X. Sua funo caracterstica
A

pode ser definida como:

A
: X {0, 1} (1.10)
com

=
X x se 0
X x se 1
(x)
A
. (1.11)
(1.11) indica que se o elemento x pertence a A,
A
igual a1, e se no pertence a A,
A
0.


Funes caractersticas so raramente usadas em aplicaes dos conjuntos Crisp. Porm,
quando estendemos esta idia para conjuntos fuzzy a regra de funes caractersticas torna-
se significativa como se mostra na seo seguinte.

1.2.2 Conjuntos Fuzzy e funes de Pertinncia

Enquanto os conjuntos crisp podem ser definidos por funes caractersticas, os
conjuntos fuzzy podem ser caracterizados por funes de pertinncia (membership). Antes
de irmos para a definio de funes de pertinncia, revisaremos o caso dado no exemplo
1.1.


Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


EXEMPLO 1.2. Conjuntos fuzzy e conjuntos crisp
Os conjuntos usados no exemplo anterior so:
X: membros,
A: membros femininos, e
B: membros estudantes,
Neste exemplo, substituiremos os conjuntos crisp A e B pelos seguintes conjuntos fuzzy
~
A e
~
B:
~
A: conjunto das pessoas gordas;
~
B: conjunto das pessoas de altura moderada.
conveniente expressar estes conjuntos fuzzy por diagramas de Venn porque a idia
de gordas e altura moderada so diferentes de pessoa para pessoa e depende da
situao. No prtico dividir as pessoas em um grupo gordas e outras no gordas. O
grau de pessoas gordas pode variar de pouco pesado at extremamente pesado.
Portanto necessrio expressar um grau de as pessoas serem gordas. Neste exemplo,
atribuiremos um nmero real entre 0 e 1 para definir o grau de pertinncia. Grau 1 significa
que a pessoa pertence completamente ao conjunto de pessoas gordas e 0 denota que a
pessoa no faz parte do conjunto. Neste caso, suponha que ns podemos expressar o grau
de gordas e altura moderada como na tabela 1.1.

TABELA 1.1. Grau de gordas e altura moderada
Conjunto das pessoas Anne Bob Cathy John Linda Tom
Gordas 0.5 0.9 0.3 0.4 0.7 0.6
Altura moderada 0.4 0.1 0.5 0.7 0.9 0.8

Funes de pertinncia dos conjuntos fuzzy definem o grau mostrado na tabela. Na funo
caracterstica dos conjuntos crisp devemos decidir o grau, 0 ou 1, enquanto que as funes
de pertinncia nos permitem escolher um valor real arbitrrio entre 0 e 1.
No exemplo anterior, os conjuntos fuzzy foram distinguidos como
~
A e
~
B usando o
sinal ~ . Daqui em diante, no ser usado o sinal ~ a menos que tenhamos que distinguir
conjuntos fuzzy de conjuntos crisp.
Conjuntos fuzzy podem ser assumidos como uma ampliao dos conjuntos crisp.
Conseqentemente, funes de pertinncia so uma extenso de funes caractersticas.



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Conjuntos fuzzy e funes de pertinncia
Um conjunto ou subconjunto fuzzy A de um universo X um conjunto definido por uma
funo de pertinncia
A
representando um mapeamento
{0,1} X :
A
(1.12)
Aqui o valor de
A
(x) para o conjunto fuzzy chamado de valor de pertinncia ou grau de
pertinncia de X x . O valor de pertinncia representa o grau com que x faz parte do
conjunto fuzzy A.

O valor da funo caracterstica para os conjuntos crisp definido em (1.11) ou era 0
ou 1. Porm, o valor de pertinncia de um conjunto fuzzy pode ser um real arbitrrio entre 0
e 1 como indicado por (1.12). Um valor de
A
(x) prximo de 1, indica um alto grau de
pertinncia de um elemento x em um conjunto fuzzy A. Se
A
(x) = 1, o elemento x
pertence completamente ao conjunto fuzzy A. Se
A
(x) = 0, o elemento x no pertence do
conjunto A.

EXEMPLO 1.3. Funes de pertinncia e funes caractersticas.
Neste exemplo comparam-se as funes de pertinncia com as funes caractersticas
para demonstrar as propriedades dos conjuntos fuzzy. Existem vrios exemplos de
conjuntos fuzzy baseados na altura das pessoas. As figuras 1.3 e 1.4 mostram as funes
caractersticas e de pertinncia, respectivamente, para estaturas baixa, mdia e alta.
Suponha que a altura de trs pessoas A, B e C dada como:
A: 179 cm
B: 171 cm
C: 169 cm.


Figura 1.3: conjuntos Crisp da altura.



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 1.4: conjuntos fuzzy da altura.

Se compararmos a altura individual com o conjunto crisp definido na figura 1.3, podemos
obter os valores da funo caracterstica como na tabela 1.2.

Tabela 1.2. Valor da funo
caracterstica em conjuntos crisp
Altura Baixa mdia Alta
A 179 cm 0 1 0
B 171 cm 0 1 0
C 168 cm 1 0 0



O valor da funo caracterstica indica que A e B pertencem ao conjunto de altura mdia,
e C pertence ao conjunto de altura baixa. Porm, A ou B pode se sentir incmodos com
relao a esta diviso, j que a diferena de altura entre B e C somente 3 cm, enquanto
que a diferena ente A e B 8 cm e eles esto no mesmo grupo. Isto devido diviso do
conjunto de altura mdia estar entre 170 cm e 180 cm.
Por outro lado, obtemos o valor de pertinncia da altura do indivduo comparando os
conjuntos fuzzy mostrados na figura 1.4 e o valor da altura atual. A tabela 1.3 mostra tais
valores de pertinncia. Esta tabela mostra, por exemplo, que A pertence ao conjunto
mdio em um grau de 0.6, enquanto que A no pertence ao conjunto baixo. Se
queremos expressar as alturas lingisticamente, as expresses podem ser as seguintes:
A: alto mdio
B: baixo mdio
C: relativamente baixo

Tabela 1.3. Valor da funo de
transferncia em conjuntos fuzzy.
Altura baixa mdia alta
A 179 cm 0 0.4 0.6
B 171 cm 0.4 0.6 0
C 168 cm 0.7 0.3 0

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Quando expressamos a altura em conjuntos fuzzy, a diviso no resultar em uma
diferena constrangedora como no caso dos conjuntos crisp, e cada indivduo ficar
satisfeito com o resultado. Conjuntos fuzzy podem, portanto, dar oportunidades para
expressar aspectos sensveis de maneira que fique mais prximo do sentimento humano,
que no caso dos conjuntos crisp.
Os conjuntos fuzzy precisam ser definidos corretamente para refletir a situao. Por
exemplo, o significado de rpido e mdio podem ser diferentes dependendo da
situao. Vamos discutir a apropriada definio de conjuntos fuzzy no exemplo seguinte.

EXEMPLO 1.4. Definio de conjuntos fuzzy dependentes da situao
Quando pensamos na velocidade de um carro, a interpretao de quanto veloz o
carro est indo diferente se est rodando em uma estrada normal ou em uma rodovia. A
figura 1.5 mostra a diferena de definio do conjunto fuzzy velocidade. A velocidade de
80 km/h pode provavelmente ser considerada rpida em uma estrada normal mas poder
no ser considerada rpida em uma rodovia.


Figura 1.5: Diferena na velocidade de um carro dependendo da situao


Um outro exemplo o conjunto fuzzy que representa a altura moderada. A
interpretao de altura moderada diferente, por exemplo, de um pas para outro e
tambm varia de um esporte para outro. A altura mdia de um homem americano maior
que a de um homem japons, e a altura mdia de um jogador de voleibol maior que de um
jockey. A figura 1.6 mostra tais diferenas na definio do conjunto fuzzy altura
moderada.






Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA



Figura 1.6: Conjuntos fuzzy representando altura moderada: (a)
diferena na nacionalidade; (b) diferena em esportes.

1.1.3 A Notao de Conjuntos Fuzzy

Foi mostrado em 1.1.2 que os conjuntos fuzzy podem ser expressos como uma extenso
dos conjuntos clssicos. Contudo, devemos tomar cuidado com a notao dos conjuntos
fuzzy porque eles fazem uso especial de smbolos que aparecem na matemtica normal.
Muitos estudiosos iniciais ficaram confusos com a notao especial dos conjuntos fuzzy.
Os mtodos de expressar os conjuntos fuzzy podem ser divididos em dois, de acordo
as seguintes definies.

Expresses de conjuntos fuzzy
Expresses discretas (quando o universo finito): Considere-se o universo X como
} x ..., , x , {x X
n 2 1
= .
Ento, um conjunto fuzzy A em X pode ser representado como segue:

=
= + + + =
N
1 I
i i A n n A 2 2 A 1 1 A
)/x (x )/x (x )/x (x )/x (x A L (1.13)
Expresses contnuas (quando o universo infinito): quando o universo X um
conjunto infinito, um conjunto fuzzy pode ser representado como segue.

=
x
)/x (x A
i i A
(1.14)
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


O smbolo / em (1.13) e (1.14) chamado de separador. direita do separador
aparece o elemento do universo enquanto que no lado esquerdo, seu valor de pertinncia no
conjunto definido. Cada elemento descrito da mesma forma, sendo conectados atravs do
smbolo +. Na matemtica normal os smbolos / e + significam diviso e adio,
respectivamente, mas eles tm diferente definio em conjuntos fuzzy. Se precisarmos
juntar termos em expresses discretas, utiliza-se o smbolo mas cujo significado tambm
diferente do smbolo normal em matemtica.
Existem duas outras regras para expresses discretas:
i. Quando o grau de pertinncia de um elemento x

zero, isto 0 ) (
'
= x
A
, no
escrevemos 0/x

; o termo omitido.
ii. Se existem vrios valores atribudos a um elemento do universo, podemos tomar
o valor mximo para representar o valor de pertinncia. Por exemplo, para x

. /x . /x . /x . /x .
' ' ' '
7 0 3 0 7 0 6 0 > + +

Por outro lado, em uma expresso contnua, o smbolo usado como
generalizao de para o mundo contnuo, e no tem nenhuma conexo com integral. No
lado inferior direito do smbolo ns escrevemos o nome do universo de forma que
indique em qual universo o conjunto fuzzy est representado. Numa expresso contnua,
existe um nmero infinito de elementos e no podemos escrever os elementos e seus
valores de pertinncia. Conseqentemente, colocamos os elementos como uma varivel x
direita do separador, e a funo de pertinncia no lado esquerdo.
Reescrevendo a definio da expresso dos conjuntos fuzzy em uma forma mais geral:

Expresses dos conjuntos fuzzy
Expresses discretas:
(Valor de pertinncia do primeiro elemento) / (o valor do primeiro elemento)
+ (valor de pertinncia do segundo elemento) / (o valor do segundo elemento)
+ . . .
+ (valor do n-simo elemento) / (o n-simo elemento)
=

=

n
1 i
elemento) simo i o valor (o / elemento) simo i do a pertinnci de (valor
Expresses contnuas:

universo
varivel) a/elemento pertinnci de (funo



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Pode haver um nmero infinito de variaes nos conjuntos fuzzy mas tipos prticos
so limitados. Introduziremos no prximo exemplo alguns conjuntos fuzzy populares.

EXEMPLO 1.5. Conjuntos fuzzy populares
Neste exemplo introduziremos trs diferentes tipos de conjuntos fuzzy triangular,
trapezoidal, e exponencial.
EXEMPLO 1.5.i. Conjuntos fuzzy triangulares
As figuras 1.7 e 1.8 mostram conjuntos fuzzy triangulares com expresses contnua
e discreta, respectivamente, com base 4 e mximo em x = 0.
A expresso contnua dos conjuntos fuzzy na figura 1.7

.
2
2
2
2
2
0
0
2

|
.
|

\
|
+ |
.
|

\
| +
=

x
x
x
x
A


Figura 1.7: expresso infinita (triangular).

Vamos reescrever esta expresso por uma expresso finita.
Caso 1.
Se o universo X dado como
} 2 , 1 , 0 , 1 , 2 { = X ,
. 1 / 5 . 0 0 / 0 . 1 1 / 5 . 0 + + = A
Isto est mostrado na figura 1.8.



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 1.8: expresso finita (caso 1).

Caso 2.
Se o universo X mais complicado como
}, 2 , 5 . 1 , 1 , 5 . 0 , 0 , 5 . 0 , 1 , 5 . 1 , 2 { = X
. 5 . 1 / 25 . 0 1 / 5 . 0 5 . 0 / 75 . 0 0 / 0 . 1 5 . 0 / 75 . 0 1 / 5 . 0 5 . 1 / 25 . 0 + + + + + + = A
Isto caso est mostrado na figura 1.9.


Figura 1.9: expresso finita (caso 2).

EXEMPLO 1.5.ii. Conjuntos fuzzy trapezoidais
A figura 1.10 mostra um exemplo de conjunto fuzzy trapezoidal. Esse conjunto pode
ser expresso por uma expresso infinita:

.
2
4
/ 1
2
4
2
2
4
2
2
4

|
.
|

\
|
+ + |
.
|

\
| +
= x
x
x x
x
B

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 1.10: conjunto fuzzy trapezoidal.

A seguir, vamos imaginar uma expresso finita. Se o universo X dado como
}, 5 , 4 , 3 , 2 , 1 , 0 , 1 , 2 , 3 , 4 , 5 { = X
a expresso finita do conjunto fuzzy B ser
. 3 / 5 . 0 2 / 1 1 / 1 0 / 1 1 / 1 2 / 1 3 / 5 . 0 + + + + + + = B
EXEMPLO 1.5.iii. Conjuntos fuzzy exponenciais
A figura 1.11 mostra um exemplo de um conjunto fuzzy exponencial. A funo de
pertinncia deste tipo de conjunto fuzzy expressa por uma funo exponencial. A
expresso infinita deste tipo de conjunto fuzzy pode ser


=
x
x
x e D . /
2
) 5 ( 5 . 0


vamos agora considerar uma expresso finita do conjunto fuzzy exponencial. Se o universo
X dado como
}, 10 , 8 , 6 , 4 , 2 , 0 { = X
ento a expresso finita de D ser
. 8 / 11 . 0 6 / 607 . 0 4 / 607 . 0 2 / 11 . 0 + + + = D


Figura 1.11: conjunto fuzzy exponencial.
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Os valores de pertinncia do elemento 0 e 10 so muitos pequenos e
aproximadamente 0, conseqentemente eles podem ser omitidos da expresso:
. 0 10 73 . 3 ) 10 ( ) 0 (
6
= =

D D

A seguir, o mtodo de representao dos conjuntos fuzzy em programas
computacionais ser introduzido. A expresso discreta mais apropriada que expresso
contnua para representao computacional, devido que os conjuntos fuzzy so
representados por vetores, como ser mostrado mais frente. Expresses contnuas de
conjuntos fuzzy so freqentemente aproximadas por expresses discretas.
O problema da expresso discreta para o conjunto fuzzy original quantos elementos
devem ser especificados para a expresso discreta. Se designarmos poucos elementos, a
preciso da aproximao do conjunto fuzzy no muito boa. Por outro lado, com muitos
elementos h um consumo grande de memria. Conseqentemente, precisamos selecionar
um nmero apropriado de elementos para a expresso discreta.
Foi mencionado que os vetores so eficazes para a representao de conjuntos fuzzy
discretos em computadores. Existem muitas outras tcnicas aplicveis para representao
semelhante. Entretanto, cada mtodo basicamente idntico na sua funo. Logo aqui
focalizaremos apenas a representao via vetores.
Suponha um conjunto fuzzy A definido como
. )/X (x )/X (x )/X (x )/X (x )/X (x A
5 5 A 4 4 A 3 3 A 2 2 A 1 1 A
+ + + + =
Se colocarmos o valor de pertinncia deste conjunto fuzzy em um vetor semelhante
linguagem C, obtemos


O dado precedente representa um vetor para A em um computador.
A relao entre os elementos do vetor e o valor de pertinncia
. 5 , 4 , 3 , 2 , 1 ), ( ] 1 [ = = i x i A
i A

EXEMPLO 1.6. Representao de conjuntos fuzzy em computadores.
Neste exemplo vamos representar o conjunto fuzzy exponencial introduzido no
exemplo 1.5.iii usando vetores.
O universo X dado por
}, 10 , 8 , 6 , 4 , 2 , 0 { = X
e o conjunto fuzzy
. 8 / 11 . 0 6 / 607 . 0 4 / 607 . 0 2 / 11 . 0 + + + = D
Substituindo os valores de pertinncia nos elementos do vetor um por um, obtemos:
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Como no exemplo anterior, os ndices do vetor e os elementos do universo em geral no
so iguais. Em tal caso, devemos notar a correspondncia dos ndices e dos elementos do
universo. Neste exemplo, para D existem as seguintes relaes entre os ndices do vetor e
os elementos do universo.

ndice Elementos do universo
0 0
1 2
2 4
3 6
4 8
5 10
generalizando a 2a


Se especificarmos a como ndice, o correspondente elemento do universo 2 a . Por
exemplo, o ndice 3 do vetor corresponde ao elemento 6 do universo. Igualmente, o
elemento 8 do universo corresponde ao ndice 4. Se escrevemos tal correspondncia em
uma equao geral, temos:

) 1 /( ) (
min max min
+ = n x x i x universo do elemento O

onde
min
x : o valor mnimo dos elementos do universo;
max
x : o valor mximo dos elementos do universo;
i : o ndice dos elementos do vetor; e
n : o nmero de elementos do universo.
Para que a equao acima seja vlida, os elementos do universo precisam estar separados
igualmente. Por exemplo, se o universo X dado por:
}, 10 , 7 , 6 , 3 , 2 , 0 { = X

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

os elementos no esto distanciados igualmente um do outro, e ns no podemos aplicar a
equao anterior.
Vamos aplicar a equao apresentada acima para o vetor D, ento. Antes de tudo,
encontramos

6
; 10
; 0
max
min
=
=
=
n
x
x


Se o ndice i = 0, o elemento correspondente do universo pode ser obtido como

0
5
10
0 0 = +
similarmente, se i = 2, o elemento correspondente do universo ser

4
5
10
2 0 = +

1.1.4 Conjuntos fuzzy Normal, Convexo e Cardinalidade
Nesta seo, descreveremos os conjuntos fuzzy Normal, Convexo e a sua
Cardinalidade.

Normal, convexo e cardinalidade.
Seja A um conjunto fuzzy do universo X. Os conjuntos fuzzy normal, convexo e a
cardinalidade so definidos como segue.
Conjunto fuzzy normal: o conjunto fuzzy A normal se
1. (x)
A
X x
max
=

(1.15)
Conjunto fuzzy convexo: o conjunto fuzzy A convexo se

)). ( ), ( min( ) ) 1 ( (
] 1 , 0 [ , ,
2 1 2 1
2 1
x x x x
X x X x para
A A A


+

(1.16)



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Cardinalidade: quando X um conjunto finito, a cardinalidade do conjunto fuzzy A
em X definido por

=
X x
A
x A ). ( (1.17)
Cardinalidade relativa: a cardinalidade relativa de um conjunto fuzzy A em X
definido por
.
X
A
A = (1.18)
onde |A| a cardinalidade de A e |X| a cardinalidade do universo X.



A equao (1.15) significa que se o valor mximo do grau de pertinncia for igual a 1, o
conjunto fuzzy normal.
Alternativamente, podemos definir uma funo para o valor mximo de
A
como
(x) max maximo(A)
A
X x
= ,
e se Maximo(A) = 1, o conjunto fuzzy A normal.
A equao (1.16) para o conjunto fuzzy convexo pode tambm ser definida como
segue. Em um intervalo arbitrrio [x1, x2] para todo x [x1, x2] a seguinte condio
torna-se verdadeira,

)) ( ), ( ( min ) (
2 1
x x x
A A A
,
onde min( a , b ) o operador que retorna o menor valor entre a e b .
A definio de cardinalidade para conjuntos fuzzy uma expanso de cardinalidade
para os conjuntos crisp. Vamos supor uma funo de pertinncia especial tal como:

=
A x
A x
x
A
0
1
) ( .
Esta funo caracterstica de um conjunto crisp. Neste caso o valor de

X x
A
x) ( o
nmero de elementos e (1.17) e resulta na cardinalidade do conjunto crisp.



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

EXEMPLO 1.7. Conjuntos fuzzy normal, convexo e cardinalidade dos conjuntos
A figura 1.12, 1.13 e 1.14 mostram exemplos de conjuntos fuzzy normal, convexo e
a cardinalidade de conjunto fuzzy, respectivamente.
A seguir realizada uma discusso e avaliao de normalidade e convexidade de
um conjunto fuzzy a partir de vetores de dados.

A[0] A[1] A[2] A[3] A[4] A[5]
Nome do vetor A 0.5 0.9 0.7 1.0 0.7 0.3

B[0] B[1] B[2] B[3] B[4] B[5]
Nome do vetor B 0 0.4 0.8 0.7 0.2 0


Para avaliar se um conjunto fuzzy normal, devemos encontrar o valor mximo do vetor e
verificar se igual a 1. Devido o mximo valor do vetor A ser 1.0, o conjunto fuzzy A
normal. Por outro lado, devido o mximo valor do vetor B ser 0.8, o conjunto fuzzy B no
normal.

Figura 1.12. conjuntos fuzzy: (a) normal; (b) no normal.


Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

A avaliao de convexidade no realizada diretamente como da normalidade. Partindo do
primeiro (mais direita) elemento do vetor, comparamos os elementos adjacentes
seqencialmente. Observamos a relao para os primeiros elementos como

1,.... 0, i 1], A[i A[i] = + <

Se a desigualdade anterior no se cumpre at o i-simo elemento, armazenamos o ndice
i. No vetor A do exemplo anterior, notamos que A[1] > A[2]. Portanto armazenamos o
ndice 1.


Figura 1.13. conjuntos fuzzy: (a) convexo; (b) no
convexo.



Figura 1.14. cardinalidade de conjuntos fuzzy.

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA






Em seguida, do ltimo (mais a direita) elemento do vetor comparamos os elementos
adjacentes na direo inversa. Observamos para os primeiros elementos da pesquisa a
seguinte desigualdade;
2,.... - k 1, - k k, i 1], A[i A[i] = +
Aqui, k o maior ndice. Logo, armazenamos o ndice i + 1, se esta relao no
verdadeira para i. No vetor A, observa-se que A[2] < A[3], assim armazenamos o ndice 3.
Se o ndice armazenado nas operaes anteriores so os mesmos, o conjunto fuzzy
convexo. Se dois ndices so diferentes para o vetor A, o conjunto fuzzy A no convexo.
Se aplicarmos o mesmo procedimento ao vetor B, obtemos o mesmo ndice 2 em
ambas as direes de busca, e conseqentemente, o conjunto fuzzy B convexo.


1.2 Operaes fundamentais com conjuntos fuzzy Unio, Interseco e
Complemento

Nesta seo introduziremos a unio,interseco e complemento de conjuntos fuzzy. Estas
podem ser deduzidas pela operao de suas funes de pertinncia, como definido a seguir.


Unio, interseco e complemento de conjuntos fuzzy
Unio dos conjuntos fuzzy A e B: a unio B A dos conjuntos fuzzy A e B um
conjunto fuzzy definido pela funo de pertinncia:
(x) (x) (x)
B A B A
=

(1.19)
onde

<

=
(x) (x) (x)
(x) (x) (x)
(x) (x)
B A B
B A A
B A

(x) (x)
B A
pode ser reescrita como (x)} (x), max{
B A
.
Interseco dos conjuntos fuzzy A e B: a interseco B A dos conjuntos fuzzy A
e B um conjunto fuzzy definido pela funo de pertinncia:
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

(x) (x) (x)
B A B A
=

(1.20)
onde

>

=
(x) (x) (x)
(x) (x) (x)
(x) (x)
B A B
B A A
B A
;
(x) (x)
B A
pode ser reescrita como (x)} (x), min{
B A
.
Complemento do conjunto fuzzy A: o complemento do conjunto fuzzy A definido
pela funo de pertinncia:
(x) 1 (x)
A
A
= (1.21)
Note que unio, interseco e complemento de conjuntos crisp so casos especiais de
unio, interseco e complemento dos conjuntos fuzzy, respectivamente.
Conseqentemente, atravs da substituio da funo de pertinncia por equaes
caractersticas podemos deduzir as operaes fundamentais dos conjuntos crisp.
EXEMPLO 1.8 Unio, interseco e complemento de conjuntos fuzzy
As figuras 1.15, 1.16, 1.17 mostram exemplos de unio, interseco e complemento
de conjuntos fuzzy. As funes de pertinncia da unio, interseco e complemento so
derivadas a partir das definies (1.19) - (1.21) .


Figura 1.15. Unio: (a) conjuntos fuzzy; (b) conjuntos crisp.

Figura 1.16. interseco: (a) conjuntos fuzzy; (b) conjuntos crisp.

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 1.17. complemento: (a) conjuntos fuzzy; (b) conjuntos crisp.

Agora mostraremos como calcular a unio, interseco e complemento
computacionalmente Foi mencionado que os conjuntos fuzzy podem ser representados por
vetores. Considerem-se os vetores:
A 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

B 0 0 0.1 0.4 0.7 1.0 0.7 0.4 0.1 0
Para calcular a unio B A comparamos cada elemento correspondente dos vetores e
substitumos o maior valor dos dois em um outro vetor representando B A . De A e B
acima obtemos
B A 0 0.1 0.6 1.0 0.7 1.0 0.7 0.4 0.1 0
A figura 1.18 mostra esta operao.


Figura 1.18. unio de A e B.

Por outro lado, para calcular a interseco B A substitumos o menor valor dos elementos
correspondentes em um outro vetor representando B A como abaixo:
A 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

B 0 0 0.1 0.4 0.7 1.0 0.7 0.4 0.1 0

B A 0 0 0.1 0.4 0.6 0.1 0 0 0 0
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

A figura 1.19 indica esta operao.


Figura 1.19. interseco de A e B.


O complemento pode ser obtido subtraindo-se cada elemento de 1. O vetor A dado como
segue.
A 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

A
1.0 0.9 0.4 0 0.4 0.9 1.0 1.0 1.0 1.0
A figura 1.20 mostra como esta operao.

Figura 2.20. complemento de A.
O princpio de operao de conjuntos fuzzy tem as seguintes propriedades. Algumas
propriedades so vlidas tanto para conjuntos fuzzy quanto para conjuntos crisp. Outras
propriedades so vlidas somente para os conjuntos crisp.
Propriedades dos conjuntos fuzzy
Sejam A, B e C conjuntos fuzzy em um universo X.
i. Propriedades vlidas para ambos conjuntos.
Lei da idempotncia:
. , A A A A A A = =
(1.22)
Lei comutativa:
. , A B B A A B B A = =
(1.22)
Lei associativa: (1.24)
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


. ) ( ) (
, ) ( ) (
C B A C B A
C B A C B A
=
=

Lei distributiva:

). ( ) ( ) (
), ( ) ( ) (
C A B A C B A
C A B A C B A
=
=

(1.25)
Lei de dupla negao:
. A A =
(1.26)
Lei de Morgan:

. B A B A
B A B A
=
=

(1.27)
ii. Propriedades vlidas para os conjuntos crisp, mas em geral no so vlidas para os
conjuntos fuzzy.
Lei da metade excluda:
X A A
(1.28)
Lei da contradio:
A A
onde o conjunto vazio
(1.29)


As leis da metade excluda e da contradio no so vlidas em conjuntos fuzzy.
EXEMPLO 1.9. Leis da metade excluda e da contradio
Neste exemplo mostramos as leis da metade excluda e da contradio, as quais no
so aplicadas aos conjuntos fuzzy. A figura 1.21 indica a lei da metade excluda enquanto
que a figura 1.22 mostra a lei da contradio.

Figura 1.21. lei da metade excluda.
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Figura 1.22. lei da contradio.
A seguir apresentaremos a igualdade e incluso de conjuntos fuzzy.
Igualdade e incluso de conjuntos fuzzy
Sejam A e B conjuntos fuzzy no universo X.
Igualdade de conjuntos fuzzy: a igualdade dos conjuntos fuzzy A e B definida
como
. ), ( ) ( x x x x B A
x B A
= =
(1.30)
Incluso de conjuntos fuzzy: a incluso do conjunto fuzzy A em B, ou A ser
subconjunto de B, definida como
. ), ( ) ( x x x x B A
B A
(1.31)
Os conjuntos fuzzy A e B so iguais quando os seus valores de pertinncia so
idnticos. Semelhantemente, A est includo em B quando todos os valores de pertinncia
de B so iguais ou maiores que os correspondentes valores de A.
As figuras 1.23 e 1.24 mostram a igualdade e incluso, respectivamente.



Figura 1.23. igualdade.

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 1.24. incluso.

A seguir apresentada uma descrio de como tratar a igualdade e a incluso
computacionalmente. Suponha que os vetores para representar os conjuntos fuzzy A e B
so dados como segue.
A 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

B 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

Para avaliar a igualdade dos conjuntos fuzzy, deve-se comparar cada elemento
correspondente e verificar se eles so iguais.
No caso dos vetores acima, nota-se que
A[i] = B[i], i = 0, ..., 9.
Conseqentemente A = B.
Agora, admitamos que os conjuntos A e B so dados pelos vetores:
A 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

B 0 0.1 0.6 1.0 0.8 0.1 0 0 0 0

Neste caso, A[4] B[4] e ento A B.
Como mostrado nesse exemplo, se um par de valores de pertinncia no so iguais,
ento a igualdade no vlida.
Vejamos agora a incluso de conjuntos fuzzy A e B. Para avaliar a incluso B A ,
devemos comparar os elementos correspondentes e verificar se os valores dos elementos de
B so iguais ou maiores que aqueles de A. Considere os vetores:
A 0 0.1 0.5 0.9 0.5 0 0 0 0 0

B 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Quando comparamos estes vetores, ns observamos
. 9 , , 0 ], [ ] [ L = i i B i A
Portanto, B A .
Entretanto, se A e B so
A 0 0.1 0.5 0.9 0.9 0 0 0 0 0

B 0 0.1 0.6 1.0 0.6 0.1 0 0 0 0
A[4] > B[4].
Ento B A .






1.3 Cortes e Princpio da decomposio

Em esta seo, apresentado o conceito de cortes e o princpio da decomposio
baseado na idia de cortes .

Cortes e princpio da decomposio


Considere um conjunto fuzzy A no universo X.
Cortes : para o conjunto fuzzy A podem ser definidos os seguintes cortes .
cortes robustos: ) 1 , 0 [ }, ) ( | { =

x x A
A
(1.32)
cortes fracos: ] 1 , 0 ( }, ) ( | { =

x x A
A
(1.33)
Os cortes fracos so s vezes chamados de conjuntos de nveis .
Princpio de decomposio: Usando cortes pode-se decompor uma funo de
pertinncia ) (x
A
em um nmero infinito de funes de pertinncia
retangulares )). ( ) ( ( x or x
A
A

Quando agregamos estas funes


de pertinncia e aplicamos a operao max, pode ser obtido o conjunto fuzzy
original:
)] ( [ max )] ( [ max ) (
] 1 , 0 ( ) 1 , 0 [
x x x
A A A



= =

(1.34)
onde ) (x
A

uma equao caracterstica do conjunto

A .
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


A figura 1.25 mostra um exemplo de um corte .
A figura 1.26 ilustra a idia do princpio da decomposio. Seja uma funo
caracterstica de um corte fraco ) (x
A

para um ] 1 , 0 ( . Define-se a funo de


pertinncia retangular que satisfaz
). ( x A

. Mudando o valor de no intervalo de


] 1 , 0 ( repetimos a mesma operao e obtemos um numero infinito de funes de
pertinncia retangular. O princpio de decomposio nos permite que a funo de
pertinncia do conjunto fuzzy original A pode ser expresso pela operao max das funes
de pertinncia retangular obtidas previamente. Isto definido por

)] ( [ max ) (
] 1 , 0 (
x x
A A



=











Figura 1.25. Corte



Figura 1.26. Princpio de Decomposio

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Exemplo 1.10. PRINCPIO DE DECOMPOSIO

Assumindo um conjunto fuzzy A definido pela expresso discreta:

A= 0.2/1+0.5/2+0.7/3+1.0/4+0.8/5+0.4/6+0.2/7.

Se aplicamos corte para ] 1 , 0 ( desde 0.1 at 1 com o tamanho de passo de 0.1,
obtemos os seguintes cortes
{ }
{ }
{ }
{ }
{ }
{ } 4
5 , 4
5 , 4 , 3
5 , 4 , 3 , 2
7 , 6 , 5 , 4 , 3 , 2
7 , 6 , 5 , 4 , 3 , 2 , 1
0 . 1 9 . 0
8 . 0
7 . 0 6 . 0
5 . 0
4 . 0 3 . 0
2 . 0 1 . 0
= =
=
= =
=
= =
= =
A A
A
A A
A
A A
A A

Agora tentemos reconstruir a conjunto fuzzy A usando os cortes . Primeiro
reescrevemos os cortes usando expresses discretas de conjuntos fuzzy como a seguir.

=
1 . 0
A 1.0/1 +1.0/2 + 1.0/3 + 1.0/4 + 1.0/5 + 1.0/6 + 1.0/7
=
2 . 0
A 1.0/1 +1.0/2 + 1.0/3 + 1.0/4 + 1.0/5 + 1.0/6 + 1.0/7
=
3 . 0
A 1.0/2 + 1.0/3 + 1.0/4 + 1.0/5 + 1.0/6
=
4 . 0
A 1.0/2 + 1.0/3 + 1.0/4 + 1.0/5 + 1.0/6
=
5 . 0
A 1.0/2 + 1.0/3 + 1.0/4 + 1.0/5
=
6 . 0
A 1.0/3 + 1.0/4 + 1.0/5
=
7 . 0
A 1.0/3 + 1.0/4 + 1.0/5
=
8 . 0
A 1.0/4 + 1.0/5
=
9 . 0
A 1.0/4
=
0 . 1
A 1.0/4

Aqui, j que
1 . 0
A obtido como :

] 7 , 6 , 5 , 4 , 3 , 2 , 1 [
1 . 0
= A ,

Quando associamos o valor 1.0 para a equao caracterstica para estes elementos,
obtemos

=
1 . 0
A 1.0/1 +1.0/2 + 1.0/3 + 1.0/4 + 1.0/5 + 1.0/6 + 1.0/7

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Com operaes similares derivamos a expresso anterior desde
2 . 0
A at
1 . 0
A . Se
focalizamos o valor da equao caracterstica, notamos que
( ) ( ) . 0 . 1 7 ... 1 = = =


A A

Em seguida, calculamos ) (x
A

.
Assumindo
7 ..., , 2 , 1
7 2 1
= = = x x x
ou
i X
i
= para i = 1,..., 7.
Se denotamos como
*

A o conjunto fuzzy que tem ) (x


A

como o valor de
pertinncia, podemos calcular
*

A como segue.

A ( ) | | ( )

=
=
7
1
*
1 . 0
/ 1 . 0
1 . 0
i
i i A
x x x
( ) | | ( ) | |
7 7 1 1
/ 1 . 0 ... / 1 . 0
1 . 0 1 . 0
x x x x x x
A A
+ + =
( ) | | ( ) | | 7 / 1 . 0 ... 1 / 1 . 0
7 1
1 . 0 1 . 0
x x x x
A A
+ + =
= 0.1/1 +0.1/2 + 0.1/3 + 0.1/4 + 0.1/5 + 0.1/6 + 0.1/7
A ( ) | | ( )

=
=
7
1
*
2 . 0
/ 1 . 0
2 . 0
i
i i A
x x x
= 0.2/1 +0.2/2 + 0.2/3 +0.2/4 + 0.2/5 + 0.2/6 + 0.2/7
A ( ) | | ( )

=
=
7
1
*
3 . 0
/ 1 . 0
3 . 0
i
i i A
x x x
= 0.3/2 + 0.3/3 +0.3/4 + 0.3/5 + 0.3/6
A ( ) | | ( )

=
=
7
1
*
4 . 0
/ 1 . 0
4 . 0
i
i i A
x x x
= 0.4/2 + 0.4/3 +0.4/4 + 0.4/5 + 0.4/6
A ( ) | | ( )

=
=
7
1
*
5 . 0
/ 1 . 0
5 . 0
i
i i A
x x x
= 0.5/2 + 0.5/3 +0.5/4 + 0.5/5
A ( ) | | ( )

=
=
7
1
*
6 . 0
/ 1 . 0
6 . 0
i
i i A
x x x
= 0.6/3 +0.6/4 + 0.6/5
A ( ) | | ( )

=
=
7
1
*
7 . 0
/ 1 . 0
7 . 0
i
i i A
x x x
= 0.7/3 +0.7/4 + 0.7/5
A ( ) | | ( )

=
=
7
1
*
8 . 0
/ 1 . 0
8 . 0
i
i i A
x x x
= 0.8/4 + 0.8/5
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

A ( ) | | ( )

=
=
7
1
*
9 . 0
/ 1 . 0
9 . 0
i
i i A
x x x
= 0.9/4
A ( ) | | ( )

=
=
7
1
*
0 . 1
/ 1 . 0
0 . 1
i
i i A
x x x

= 1.0/4



Calculando a unio dos conjuntos fuzzy anteriores, podemos obter o conjunto fuzzy original
A como:

| | ( )
U U
] 1 , 0 (
7
1 ] 1 , 0 (
*
) / ) (
= )
`

i
i i A
x x X A

= 0.2/1 +0.5/2 + 0.7/3 +1.0/4 + 0.8/5 + 0.4/6 + 0.2/7
=A
Isto tambm pode ser escrito como:

)] ( [ max max ) (
] 1 , 0 (
x X x
A A



=



A expresso anterior o mesma de (1.34).
Em este exemplo, a resoluo de valores de pertinncia 0.1, sendo suficiente para
representar o conjunto fuzzy A por cortes .
Para um conjunto fuzzy contnuo, a operao max poderia ser aplicada em forma
mais precisa para o intervalo de ] 1 , 0 ( .

A seguir vamos estudar como calcular os cortes em computadores. Assumimos
um conjunto fuzzy dado num arranjo vetorial :

A | | 0 A | | 1 A| | 2 A | | 3 A| | 4 A| | 5 A| | 6 A| | 7 A| | 8
A 0 0.1 0.6 1.0 0.5 0.1 0 0 0

Os cortes so calculados pelo processamento dos elementos de A como segue:

Se < | | i A , | | i A = 1, i = 0,1, ..., 7, 8;
| | i A no se , = 0;

Para um que fornece um corte fraco.

Por exemplo, para 2 . 0 = , 6 . 0 = , e 8 . 0 = , os arranjos resultantes sero:

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

A
2 . 0
0 0 1.0 1.0 1.0 0 0 0 0

A
6 . 0
0 0 1.0 1.0 0 0 0 0 0

A
8 . 0
0 0 0 1.0 0 0 0 0 0




1.4 Nmeros Fuzzy e o Princpio da Extenso

Na seo 1.4.1 introduzimos o princpio da extenso e na seo 1.4.2 descrevemos
operaes como nmeros fuzzy usando este princpio. Na seo 1.4.3 descrevemos
nmeros fuzzy L-R e frmulas de clculo.





1.4.1 Princpio da Extenso

Atravs do princpio da extenso podemos definir vrias operaes com conjuntos
fuzzy.
Quando existe uma relao 2 3 + = x y entre x e y, os valores de y para x = 4 pode ser
calculado por:

3 = y x 4 +2 = 14

Ento, como podemos calcular o valor de y quando x dado por um conjunto fuzzy
tal que x = prximo de 4?. O princpio da extenso fornece um mtodo para fazer isto.
A figura 1.27 mostra a idia do princpio da extenso. O processo de clculo na
figura 1.27 pode ser interpretado como:

3 x Prximo de 4+2= Prximo de 12+2= Prximo de 14.

Agora, introduzimos idias necessrias para explicar o princpio da extenso.
Considere-se um mapeamento de um conjunto X para outro conjunto Y, tal que:

f : X Y.
Agora, seja A um subconjunto de X. Logo,


( ) ( ) { } A x x f y y A f = = , /

chamado a imagem de A atravs de f . Note se que f(A) um subconjunto de Y.
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA




Figura 1.27. O conceito do princpio da extenso


Similarmente, seja B um subconjunto de Y. Ento.

( ) ( ) { } B y y x f x B f = =

, /
1


chamada imagem inversa de B atravs de f . ( ) B f
1
subconjunto de X.
Estas relaes so definidas para os conjuntos fuzzy A e B pelo princpio da extenso,
formalizado a seguir:

Princpio da Extenso












EXEMPLO 2.11. PRINCPIO DA EXTENSO

Analisemos o processo dos exemplos prvios, usando conjuntos fuzzy e o princpio da
extenso:


Estenda um mapeamento f : X Y para relacionar um conjunto fuzzy A em X com um
conjunto fuzzy B em Y:

=
=

=

) ( 0
) (
) ( ) ( sup
) (
1
1
) (
y f
x f y
y f x
y
A
A f

(1.35)
Quando f mapeado um a um, podemos escrever a relao anterior simplesmente
como:
) (
) (
y
A f
= ) (x
A
(1.36)
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

3 x Prximo de 4+2= Prximo de 12+2= Prximo de 14.

Primeiro de todo, considerar o mapeamento dado por.

y = 3x + 2.

Fazendo que A seja um conjunto fuzzy prximo de 4 tal que

A = 0.5/3 + 1.0/4 +0.5/5.
Tambm definamos 5 , 4 , 3
3 2 1
= = = x x x de forma que

. 3 , 2 , 1 , 2 , 3 = + = i x y
i i


J que f fornece o mapeamento de 1:1, podemos aplicar (1.36) para obter f(A) para o
conjunto Fuzzy A como segue:

( )
( )
( )

=
=
3
1
/
i
i i A f
y y A f

= ( ) ( )

=
+
3
1
2 3 /
i
i i A
x y
= 0.5/(3 x 3 + 2) + 1.0/(3 x 4 + 2) + 0.5/(3 x 5 + 2)
= 0.5/11 + 1.0/14 + 0.5/17
= Prximo de 14.


J que ) (A f um conjunto fuzzy assimtrico com valor de pertinncia de 1 at 14,
podemos interpretar este conjunto fuzzy como Prximo de 14.

Agora, estendemos a discusso anterior para um caso geral. Introduzimos a idia de
produto cartesiano usado na definio do princpio da extenso.

Produto cartesiano












Produto cartesiano : seja
n
x x , ,...
1
os elementos de
n
X X , ,...
1
. O conjunto de
todas as combinaes de (
n
x x , ,...
1
) chamado de produto cartesiano de
n
X X , ,...
1

e denotado por
n
X X , ,...
1
.
O produto cartesiano de conjuntos nebulosos: sejam
n
X X , ,...
1
o produto
cartesiano do universo
n
X X , ,...
1
, e
n
A A , ,...
1
conjuntos fuzzy em
n
X X , ,...
1
. O
produto cartesiano dos conjuntos fuzzy
n
A A , ,...
1
pode ser definido por

n
A A , ,...
1

= ) ..., , /( ) ( ..., ), ( min(
1 1 , ,...
1 1
n n A A A A
x x x x
n n


(1.37)
no universo
n
X X , ,...
1

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


A seguir o princpio de extenso generalizado.

Princpio da Extenso (no espao do produto cartesiano)


















1.4.2 Nmeros Fuzzy e suas Aplicaes

Os nmeros fuzzy so conjuntos fuzzy com consideraes especiais para seu fcil
clculo. Podemos definir operaes fuzzy usando o princpio da extenso. Primeiro,
definamos os nmeros fuzzy.

Nmeros fuzzy















Definio: Se um conjunto fuzzy A no universo R de nmeros reais satisfaz as
condies seguintes, podemos cham-lo um nmero fuzzy:

i. A um conjunto fuzzy convexo;
ii. Existe somente um
0
x que satisfaz ; 1 ) (
0
= x
A
e
iii.
A
contnua em um intervalo.

Nmeros Fuzzy montonos: Corresponde a um nmero fuzzy A que satisfaz
a seguinte condio,
]. , [ 1 ) (
) , (
2 1
2 1 2 1
m m x x
m m R m m
A
=
<

(1.39)
Seja f um mapeamento de
n
X X , ,...
1
para Y , para satisfazer ) , ,... (
1 n
x x f y = .
Estendendo a funo f:

Y X X f
n
, ,... :
1
,
obtemos a relao entre o produto cartesiano
n
A A , ,...
1
dos conjuntos fuzzy
n
A A , ,...
1
em X e um conjunto fuzzy B (=
n
A A f , ,... (
1
)) em Y, tal que:

=

=


) ( 0
) ( ) ( ..., ), ( min( sup
) (
1
1
1
...
, ,...
1
1
1
y f
y f x x
y
n A A
x x
x x
B
n
n
n

(1.38)
Onde ) (
1
y f

a imagem inversa de y.

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA





A diferena entre nmeros fuzzy montonos e outros nmeros fuzzy est no fato
que no primeiro caso, elementos o valor de pertinncia de 1 dado para um intervalo,
enquanto que para os segundos, apenas para um ponto.. Figura 1.28 e 2.29 mostra
exemplos de nmeros fuzzy e um nmeros fuzzy montonos respectivamente.
Introduzamos as operaes de nmeros Fuzzys baseados no princpio da extenso.
Aplicando este princpio, obtemos um clculo fuzzy do tipo prximo de 2 mais
prximo de 3 prximo de 5.



Figura 1.28 Nmeros fuzzy



Operaes de nmeros fuzzy baseados no princpio da extenso

















Usando a definio anterior podemos derivar a aritmtica de nmeros fuzzy como segue:


A operao * de nmeros reais pode ser estendida para nmeros Fuzzy A e
B no universo X tal que:

( ) ( ) ( ) | |. sup y x z
A A B A
=

(1.40)

Se reescrevemos a expresso anterior usando conjuntos fuzzy, obtemos


( ) ( ) | | ( ). / y x y x B A
X X
B A
=




Onde
X z y x , ,
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA



Aritmtica de nmeros fuzzy























Se um corte de um conjunto fuzzy leva a um intervalo fechado, podemos substituir a
aritmtica precedente de nmeros fuzzy com operaes de intervalos.

| | | | | | | | { } d c y b a x y x z z d c b a , , , , * / , * , = =

Quando escolhemos + ou para a operao

| | | | | | d b c a d c b a + + = + , , ,
| | | | | | c b d a d c b a = , , ,

Por exemplo.
| | | | | | 13 , 7 8 , 4 5 , 3 = +
| | | | | | 1 , 5 8 , 4 5 , 3 =

A multiplicao e diviso no podem ser escritas em uma forma geral como a adio e
subtrao. Porm, se assumimos a, b, c, d > 0, podemos escrever.

| | | | | | d b c a d c b a * , * , * , =
| | | | | | c b d a d c b a / , / , / , =

Adio:

( ) ( ) ( ) | |. sup y x z
A A
y x
B A
=
+



Subtrao:

( ) ( ) ( ) | |. sup y x z
A A
y x
B A
=



Multiplicao:

( ) ( ) ( ) | |. sup y x z
A A
y x
B A
=



Diviso:

( ) ( ) ( ) | |. sup y x z
A A
y x
B A
=


Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Por exemplo,

| | | | | | 40 , 12 8 , 4 * 5 , 3 =
| | | | | | 25 . 1 , 375 . 0 8 , 4 / 5 , 3 =


Note que a subtrao de nmeros fuzzy no uma operao inversa da adio, e a
diviso no e uma operao inversa da multiplicao. Por exemplo, se subtramos de um
nmero o prprio , o resultado no ser zero, porm um nmero prximo de 0.

EXEMPLO 1.12. Operao com nmeros fuzzy usando o princpio da extenso.

A figura 1.30 mostra um exemplo da adio dos nmeros fuzzy prximo de 2 e prximo
de 3.

Do resultado desta operao notamos que o nmero fuzzy obtido no clculo
tem um grau de nebulosidade aumentado. (Note-se que a base do nmero fuzzy resultante
mais larga que a dos nmeros fuzzy originais).



Figura 1.30 Adio de nmeros fuzzy


Figura 1.31 Subtrao de nmeros fuzzy (1)



Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

EXEMPLO 1.13 SUBTRAO DE NMEROS FUZZY (1)

Calculemos prximo de 5 menos prximo de 3. A figura 1.31 mostra o resultado. Tal
como podemos ver da comparao das figuras 1.30 e 1.31 o resultado da subtrao
prximo de 5 menos prximo de 3 no prximo de 2.

EXEMPLO 1.14 SUBTRAO DE NMEROS FUZZY (2)

A figura 1.32 mostra prximo de 3 menos prximo de 3. Como podemos ver, o
resultado no zero e sim prximo de zero, que corresponde a um nmero Fuzzy.



Figura 1.32 Subtrao de nmeros fuzzy (2)


Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

1.4.3 Nmeros Fuzzy L-R e Frmulas de Clculo

Dubois e Prade [2] mostraram que os nmeros fuzzy L-R alcanam so eficientes em
processos de clculo. Em esta seo descrevemos as principais operaes com nmeros
fuzzy L-R.

Nmero Fuzzy L-R





















As funes L e R podem ser de qualquer tipo ou tamanho, desde que satisfaam as
condies precedentes. Algumas funes tpicas so , por exemplo:

( ) ( ) ( ) ; 0 | | 1 , 0 max >= = = p x x R x L
p

( ) ( )
p
x
e x R x L

= =
( ) ( ) ( ) ; 0 | | 1 / 1 >= + = = p x x R x L
p

A figura 1.33 mostra um exemplo de nmero fuzzy L-R. Escolhendo,

m = 10, 1 , 1 = =
( ) ( ) | | 1 , 0 max x x L =
( ) ( ) | | 1 , 0 max x x R =

A seguinte discusso sobre a notao simplificada de nmeros fuzzy L-R.

Expresses Simples para Nmeros Fuzzy L-R


Considere-se a funes L e R que satisfazem as condies:

i. ( ) ( ) ( ) ( ); , x x R x L x L = =
ii. ( ) ( ) ; 1 0 , 1 0 = = R L
iii. L e R no so funes crescentes
iv.
Um nmeros fuzzy L-R, designado como M , pode ser definido usando as funes L
e R assim:

( )

>
|
|
.
|

\
|
>
|
.
|

\
|
=
0 ,
0 ,

m x
x m
R
m x
x m
L
x
M

Onde L e R so chamados funes de forma, m chamado de valor mdio, e
definem o tamanho da largura da conjunto fuzzy triangular M , para a esquerda e
direita do valor mdio, respectivamente.
Um nmero fuzzy L-R definido pela funes L(x) e R(x), pelo valor mdio m e
parmetros e , que definem o intervalo do nmeros fuzzy. Logo, usando uma
notao simplificada:
LR
m M ) , , ( =

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA




Figura 1.33 Nmero fuzzy L-R

A figura 1.34 mostra o numero fuzzy L-R
LR
M ) 1 , 2 , 1 ( = . Aqui, usamos,

( ) ( )
( ) ( )
( ) ( ) .
| | 1 , 0 max
| | 1 , 0 max
x R e x L para
x x R
x x L
=
=


Na seguinte discusso relativa a operaes envolvendo nmeros fuzzy usando
expresses simplificadas. Note que, dependendo das operaes, LR pode ser substitudo
por RL. Tambm, a definio de M para M > 0 :


( ) . 0 0 = x x
M


Analogamente, a definio de M para M < 0 :

( ) . 0 0 = x x
M

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Operaes com nmeros fuzzy L-R














































Adio:

( ) ( ) ( ) . , , , , , ,
LR LR LR
n m y n m + + + =

Subtrao:
( ) ( ) ( ) . , , , , , ,
LR RL LR
n m y n m + + =

Das definies anteriores podemos derivar a seguinte relao:
( ) ( ) . , , , ,
RL LR
m m =
Nota: Observe que aqui a funo de pertinncia de referncia (funes L e R) foi mudada.

Multiplicao:
Para . 0 0 > > N e M
( ) ( ) ( ) . , , , , , ,
LR LR LR
n m n m mn y n m + +
Para . 0 0 < > N e M
( ) ( ) ( ) . , , , , , ,
RL LR LR
n m n m mn y n m
Para . 0 0 > < N e M
( ) ( ) ( ) . , , , , , ,
RL LR LR
m n m n mn y n m
Para . 0 0 < < N e M
( ) ( ) ( ) . , , , , , ,
RL LR LR
m n m n mn y n m
Das definies anteriores podemos derivar o seguinte:
Para escalar 0 >

( ) ( ) . , , , ,
LR LR
m m =
Para escalar 0 <

( ) ( ) . , , , ,
RL LR
m m =

Inverso
( ) ( ) . , , , ,
2 2 1 1
RL
LR m m m m



Diviso

Para . 0 0 > > N e M
( ) ( ) . , , , , , ,
2 2
LR
RL LR
n
n m
n
n m
n
m
y n m
|
.
|

\
| + +



O clculo anterior derivado pela aproximao de
1
= N M N M
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Observao: As frmulas de multiplicao e diviso so aproximadas e vlidas sob a
hiptese de que a propagao dos argumentos pequena em comparao dos valores
modais dos nmeros fuzzy.

EXEMPLO 1.15 Operaes com Nmeros fuzzy L-R

Sejam nmeros fuzzy M, N,

LR
LR
N
M
) 1 , 2 , 3 (
) 2 , 1 , 2 (
=
=

A funes de forma so definidas como:

( ) ( )
( ) ( ) | | 1 , 0 max
| | 1 , 0 max
x x R
x x L
=
=


Aplicando a frmula da soma, obtemos
LR
LR LR
N M
) 3 , 3 , 5 (
) 1 , 2 , 3 ( ) 2 , 1 , 2 (
=
=


A figura 1.35 mostra o resultado desta operao.

Quando representamos computacionalmente as operaes de nmeros fuzzy L-R,
necessrio determinar;
i. Valor mdio m
ii. Os parmetros , e,
iii. Funes forma L e R.




Figura 1.34 Nmero fuzzy L-R
LR
M ) 2 , 1 ( =


Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA






Figura 1.35 Adio de nmeros fuzzy L-R.

1.5 Exemplos Aplicativos de Conjuntos Fuzzy

1.5.1 Casamento (1)
Em neste exemplo, consideramos um processo de casamento assistido por computador
usando conjuntos fuzzy.
Assumindo um cliente A que tem o seguinte ideal de companheiro(a):

Nem jovem nem velho; com salrio anual de vrios milhares de dlares americanos ou
mais.
Existem trs candidatos potenciais para o matrimnio: B, C e D. Uma base de dados
fornece a idade e os salrios:

Nome Idade Ingressos Anuais
(Milhares de Dlares)
B 38 100
C 32 50
D 58 20

Podemos expressar a idia de jovem, velho e Salrio de vrios milhares de dlares
usando conjuntos fuzzy como mostrado na figura 1.36.
Devido que A especificou Nem jovem nem velho , temos que definir a conjunto fuzzy
correspondente a idia. A figura 1.37 mostra o processo de gerar o conjunto fuzzy para
qualquer jovem ou velho.


Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA



Figura 1.36. Conjunto fuzzy para (a) idade e (b) salrio





Figura 1.37. Conjunto fuzzy para (a) jovem e (b) velho


Se designarmos Y como o conjunto Fuzzy de Jovens e O para o conjunto fuzzy de
Velhos obteremos

No jovens: Y
e
No velhos: O .

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

O conjunto Fuzzy Nem jovem nem velho pode ser gerado por O Y . Isto porque
podemos interpretar nem jovem nem velho como a interseco de No jovem e
No velho. Escrevendo esta idia atravs de funes de pertinncia obtemos

( ) ( ) ) ( 1 ) ( 1 ) ( x x x
O O Y


=

.

Comparando o conjunto fuzzy obtido Nem jovem nem velho e a idade atual de cada
candidato, podemos obter o valor de pertinncia da idade individual para o critrio. Se
aplicamos o mesmo procedimento para o nvel de salrio, obteremos o valor de
pertinncia dos candidatos para o ideal de A, como segue:

Nome Idade Salrio Total
B 0.9 1.0 0.9
C 0.6 0.5 0.5
D 0.2 0 0

Estes resultados so obtidos por operaes min aplicadas aos valores de pertinncia de
idade e salrio. Isto implica que para idades e salrios longe do ideal, os candidatos so
considerados no qualificados. O valor da avaliao total pode ser interpretado de acordo
ao grau de casamento. Se A acena com um nvel mnimo de satisfao de 0.8, B ser
selecionado, pois atende o requisito com 0.9.
Existem vrios outros mtodos para determinar o total de pontos. A multiplicao dos
valores de pertinncia da idade e salrio, ou a mdia de ambos, pode tambm ser
usado.

1.52 Itinerrio de negcios

Quando um Professor em Kanasawa v a Tkio, o itinerrio pode ser avaliado via
nmeros fuzzy LR
Sejam as seguintes quatro alternativas de transporte com custo e tempo de viagem:

Mtodo Transporte Custo
(R$)
Tempo Observaes
1 Trem bala 240 4
2 Trem expresso 190 6
3 Avio 280 2 Inclui trfego pelo aeroporto
4 Carro 270 6-8 Inclui combustvel e taxa de
pedgio

O mtodo da avaliao do transportao definido como
(Avaliao)= (Tempo [horas]) + (custo[R$ 100]).

O tempo para cada mtodo de transporte no inclui demoras, tempo requerido para
transbordo, entre outros. Se incluirmos tais fatores, podemos usar nmeros fuzzy L-R
para representar o tempo, como segue:
Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Mtodo 1 ; ) 5 . 0 , 5 . 0 , 5 . 4 (
1 LR
M =
Mtodo 2 ; ) 5 . 0 , 5 . 0 , 5 . 6 (
2 LR
M =
Mtodo 3 ; ) 0 . 1 , 5 . 0 , 5 . 2 (
3 LR
M =
Mtodo 4 ; ) 0 . 3 , 0 . 1 , 5 . 7 (
4 LR
M =

Figura 1.38 mostra estes nmeros. Os Nmeros fuzzy L-R para o avio e carro tm
amplio faixa de valores comparados com o trem. O tempo poderia variar para um carro
dependendo das condies de trfico na estrada, e os avies tendem a ser mais demorado
comparados ao trem.
Consideremos L(x) e R(x) tal que

|). | 1 . 0 max( ) (
|); | 1 . 0 max( ) (
x x R
x x L
=
=

por outro lado, os nmeros Fuzzys L-R para o custo sero:

Mtodo 1 ; ) 10 , 10 , 4 . 2 (
5 5
1 LR
N

=
Mtodo 2 ; ) 10 , 10 , 9 . 1 (
5 5
2 LR
N

=
Mtodo 3 ; ) 10 , 10 , 8 . 2 (
5 5
3 LR
N

=
Mtodo 4 ; ) 10 , 10 , 7 . 2 (
5 5
4 LR
N

=
A pesar que os custos terem valores definidos , eles so assumidos como nmeros fuzzy L-
R com variao zero. Porm, dada a definio de nmeros fuzzy L-R , tem-se que
. 0 , > Para superar este obstculos, utilizamos nmeros muito pequenos.

A avaliao, a partir dos custos e tempos pode ser definida como segue.
( Nmero fuzzy da avaliao)=(Nmero fuzzy para o tempo) (Nmeros fuzzy para o
custo).
Logo:




Figura 1.38. Nmeros fuzzy para o tempo

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA



Figura 1.39. Nmeros fuzzy L-R para avaliao


Mtodo 1 ; ) 5 . 0 , 5 . 0 , 9 . 6 (
1 1 LR
N M =
Mtodo 2 ; ) 5 . 0 , 5 . 0 , 5 . 8 (
2 2 LR
N M =
Mtodo 3 ; ) 0 . 1 , 5 . 0 , 3 . 5 (
3 3 LR
N M =
Mtodo 4 ; ) 0 . 3 , 5 . 0 , 2 . 10 (
4 4 LR
N M =

Estes nmeros fuzzy so mostrados na figura 1.39, na qual indica que o mtodo 3 um
bom mtodo de viagem ( menor valor).
Agora assumamos a situao, na qual a rea de Kawazawa foi atingida por uma grande
nevasca. Em tal caso os nmeros fuzzy para o tempo mudam com o segue:

Mtodo 1 ; ) 0 . 1 , 5 . 0 , 0 . 5 (
*
1 LR
M =
Mtodo 2 ; ) 0 . 1 , 5 . 0 , 0 . 7 (
*
2 LR
M =
Mtodo 3 ; ) 0 . 3 , 5 . 0 , 0 . 5 (
*
3 LR
M =
Mtodo 4 ; ) 0 . 5 , 0 . 2 , 0 . 12 (
*
4 LR
M =


Figura 1.40 Nmeros fuzzy para o tempo no caso de nevasca.

Estes nmeros fuzzy so mostrados na figura 1.40. A figura indica o caso da nevasca
pesada, a incerteza relativa a atraso de tempo em geral crescer, sendo isto mais frisado
para avies e carros. Logo, a avaliao de transporte ser:

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA

Mtodo 1 ; ) 0 . 1 , 5 . 0 , 4 . 7 (
1
*
1 LR
N M =
Mtodo 2 ; ) 0 . 1 , 5 . 0 , 0 . 9 (
2
*
2 LR
N M =
Mtodo 3 ; ) 0 . 3 , 5 . 0 , 8 . 7 (
3
*
3 LR
N M =
Mtodo 4 ; ) 0 . 5 , 0 . 2 , 7 . 14 (
4
*
4 LR
N M =

A figura 1.41 mostra estes nmeros fuzzy, e observando esta figura, podemos concluir
que o mtodo 1 melhor nesta situao de nevasca.

Agora, pensemos no mesmo para transporte para um grupo de quatro pessoas .
Por simplicidade assumamos que so adultos. Em tal caso todos os custos, exceto os do
carro sero quadruplicados. Logo, os nmeros fuzzy L-R para custos sero agora:
Mtodo 1 ; ) 10 , 10 , 6 . 9 (
5 5 *
1 LR
N

=
Mtodo 2 ; ) 10 , 10 , 0 . 8 (
5 5 *
2 LR
N

=
Mtodo 3 ; ) 10 , 10 , 2 . 11 (
5 5 *
3 LR
N

=
Mtodo 4 ; ) 10 , 10 , 7 . 2 (
5 5 *
4 LR
N

=

Se os nmeros fuzzy do tempo so como os mostrados na figura 1.38, a avaliao
muda para:

Mtodo 1 ; ) 5 . 0 , 5 . 0 , 1 . 14 (
*
1 1 LR
N M =
Mtodo 2 ; ) 5 . 0 , 5 . 0 , 5 . 14 (
*
2 2 LR
N M =
Mtodo 3 ; ) 0 . 1 , 5 . 0 , 7 . 13 (
*
3 3 LR
N M =
Mtodo 4 ; ) 0 . 3 , 0 . 1 , 2 . 10 (
*
4 2 LR
N M =

Estes conjuntos fuzzy so mostrados na figura 2.42.

Observando este resultado conclui-se que, para o grupo de 4 pessoas, o transporte via
carro melhor.



Figura 1.41 Nmeros fuzzy L-R para a avaliao no caso de nevasca.

Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA


Figura 2.42 Nmeros fuzzy para o grupo de viagem



REFERENCIAS

[1] Zadeh. L.A., 1965. Fuzzy sets. Information and control 8:, 338-353.
[2] Dubois D. and Prade, H. 1980, Fuzzy sets and systems Theory and applications
Academic Press, New York.
[3] Pedrycz, W. and Gomide F., An introduction to Fuzzy Sets, 1998, MIT Press.



















Introduo Teoria de Conjuntos Nebulosos Osvaldo R. Saavedra -GSP-DEE UFMA