Escolar Documentos
Profissional Documentos
Cultura Documentos
Colec
ao IMECC
Textos Did
aticos 5
La
ecio Carvalho de Barros
T
opicos de Logica Fuzzy
e
Biomatem atica
Colec
ao IMECC
Textos Did
aticos
Volume 5
Apresentac
ao 1
Pref
acio 3
2 O Princpio de Extens
ao e N
umeros Fuzzy 37
2.1 O Princpio de Extens
ao de Zadeh . . . . . . . . . . . . . 37
2.2 N
umeros Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.1 Operac
oes aritmeticas com n
umeros fuzzy . . . . . 47
3 Relac
oes Fuzzy 61
3.1 Relac
oes Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Formas de representacao e propriedades . . . . . . 65
3.2 Composic
ao entre Relacoes Fuzzy Binarias . . . . . . . . . 69
4 Noc
oes da L
ogica Fuzzy 77
4.1 Conectivos Basicos da L
ogica Cl
assica . . . . . . . . . . . 79
4.2 Conectivos b
asicos da L
ogica Fuzzy . . . . . . . . . . . . . 83
4.2.1 Operac
oes t-norma e t-conorma . . . . . . . . . . . 84
4.3 Raciocnio Aproximado e Vari
aveis Lingusticas . . . . . . 91
vi Sum
ario
6 Equac
oes Relacionais Fuzzy e Aproximac
ao 159
6.1 Composic
oes Generalizadas de Relacoes Fuzzy . . . . . . . 160
6.2 Equac
oes Relacionais Fuzzy . . . . . . . . . . . . . . . . . 163
6.2.1 Equac
oes Relacionais com maxmin . . . . . . . . 164
6.2.2 Equac
oes Relacionais com supt . . . . . . . . . . 167
6.2.3 Modelagem Matematica: Diagnostico Medico . . . 169
6.3 Aproximac
ao Universal . . . . . . . . . . . . . . . . . . . . 174
6.3.1 Capacidade de Aproximar . . . . . . . . . . . . . . 176
6.4 Controladores Fuzzy aplicado a Sistemas Dinamicos . . . 181
Sum
ario vii
8 Sistemas Din
amicos Fuzzy 239
8.1 Sistemas Din
amicos Fuzzy Contnuos . . . . . . . . . . . . 239
8.1.1 Derivada e Integral de Funcao Fuzzy . . . . . . . . 242
8.1.2 Problema de Valor Inicial Fuzzy . . . . . . . . . . 246
8.1.3 Problema de Valor Inicial Fuzzy Generalizado . . . 252
8.2 Sistemas Din
amicos Fuzzy Discretos . . . . . . . . . . . . 266
8.2.1 Modelo Malthusiano Fuzzy Discreto . . . . . . . . 268
8.2.2 O Modelo Logstico Fuzzy Discreto . . . . . . . . . 272
9 Modelagem em Biomatem
atica: Fuzziness Demogr
afica 279
9.1 Fuzziness Demogr
afica: modelagem discreta . . . . . . . . 283
9.1.1 Regras Fuzzy com Oposicao Sem
antica . . . . . . . 284
9.1.2 Equilbrio e Estabilidade dos Sistemas p-fuzzy Dis-
cretos Unidimensionais . . . . . . . . . . . . . . . . 287
9.1.3 Modelo tipo presa-predador p-fuzzy discreto . . . . 294
9.2 Fuzziness Demogr
afica: modelagem contnua . . . . . . . 298
9.2.1 Caractersticas de um sistema p-fuzzy contnuo . . 298
viii Sum
ario
10 Modelagem em Biomatem
atica: Fuzziness ambiental 321
10.1 Esperanca de Vida Pobreza . . . . . . . . . . . . . . . 322
10.1.1 O Modelo . . . . . . . . . . . . . . . . . . . . . . . 323
10.1.2 Esperanca Estocastica:h E[n(t)]
i . . . . . . . . . . . 324
n(t)
10.1.3 Esperanca Fuzzy: EF n(0) . . . . . . . . . . . . 326
10.1.4 Aplicac
ao: Esperanca de vida de um grupo de me-
tal
urgicos de Recife . . . . . . . . . . . . . . . . . . 328
10.1.5 Comparacao das Esperancas Cl
assica e Fuzzy . . . 330
10.2 O Modelo Epidemiologico SI . . . . . . . . . . . . . . . . 333
10.2.1 O Modelo SI Fuzzy . . . . . . . . . . . . . . . . . . 335
10.2.2 Esperanca fuzzy do n
umero de indivduos infectados338
10.2.3 Esperanca classica do n
umero de infectados . . . . 342
10.2.4 Soluc
ao das medias (I(EF [V ], t)) Media das
soluc
oes (EF [I(V, t)]) . . . . . . . . . . . . . . . . 344
10.2.5 Controle da Epidemia e Valor de Reprodutibili-
dade Basal . . . . . . . . . . . . . . . . . . . . . . 346
10.3 Modelo da Transferencia de HIV+ . . . . . . . . . . . . . 349
10.3.1 O modelo classico . . . . . . . . . . . . . . . . . . 349
10.3.2 O Modelo Fuzzy . . . . . . . . . . . . . . . . . . . 350
10.3.3 Esperanca fuzzy do n
umero de indivduos assin-
tom
aticos . . . . . . . . . . . . . . . . . . . . . . . 352
10.4 Din
amica populacional e migracao de moscas varejeiras . 355
Refer
encias Bibliogr
aficas 365
Para Cristina, Ot
avio e Luiza.
Pedro A. Tonelli
Pref
acio
uma evoluc
ao do pensamento logico. Alguns acreditam que a L
ogica
Fuzzy passa a ser perniciosa no sentido que oferece um afrouxamento do
pensamento l
ogico O perigo da L
ogica Fuzzy e que ela encoraja toda
especie de pensamento impreciso, causando assim muitos problemas
(veja em Kosko [76]). Em oposicao, h
a aqueles defensores da logica fuzzy
a ponto de criticar a rigidez de alguns metodos da logica classica [112].
Esse e um debate que, embora salutar, n
ao ser
a esgotado aqui. Para
resumir essa polemica, deixe-nos citar uma reflexao de Zadeh:
oposic
ao nesta quest
ao. Nos parece, isso sim, tratar-se de um exemplo
tpico de pensamento dialetico em que um complementa o outro na busca
do conhecimento.
Embora nossa formac
ao inicial em L
ogica Fuzzy tenha sido maior
do ponto de vista te
orico, influenciados que fomos pelo entusiasmo de
G. Greco (Universit
a di Trento, IT), que nos introduziu nesta teoria, op-
tamos por n
ao apresentar uma discussao puramente teorica neste texto.
Nosso objetivo principal foi explorar o potencial de aplicacao da L
ogica
Fuzzy a fenomenos ligados `as Ciencias Naturais, com enfase em Bioma-
tem
atica, a partir dos sistemas din
amicos aqui tratados. Entretanto, o
leitor que se interessar pelo aprofundamento da teoria poder
a encontrar
material adequado em excelentes publicacoes existentes e que elencamos
nas referencias bibliograficas.
O conte
udo do livro e o resultado de seminarios realizados no IME
USP h
a mais de dez anos e de cursos de p
os-graduacao no IMECC
UNICAMP nos quais a colaboracao de nossos alunos foi decisiva. Des-
tacamos as participac
oes do Jo
ao, da Magda, da Marina, do Moiseis
e do Jamil. Agradecimentos especiais ao Rafael que se empenhou na
editorac
ao e produc
ao das figuras. Agradecemos tambem aos colegas
Dr. Pedro A. Tonelli (IMEUSP), Dr. J
ulio C. R. Pereira (Faculdade de
Sa
ude P
ublicaUSP) e Dr. Eduardo Massad (Faculdade de Medicina
USP) que se prontificaram a ler e opinar sobre o texto.
Os Autores
Captulo 1
(Prot
agoras Sec.V a.C.)
1.1 Incerteza
violencia.
Como e sabido, S
ocrates confrontava os sofistas de sua epoca, e a
quest
ao principal era formulada pela pergunta o que e? (Ti Estin).
Inicialmente Plat
ao, seguidor de S
ocrates, compartilhou com as ideias
de Heraclito, principalmente a de que tudo est
a mudando, est
a no fluxo
do vir-a-ser. Porem, se tudo estava em movimento n
ao seria possvel o
conhecimento. Para n
ao cair num ceticismo, Plat
ao pensou no mundo
das ideias. Em tal mundo n
ao haveria mudancas, as coisas seriam eter-
nas para alem da dimensao espaco-temporal. O assim chamado mundo
sensvel seria o mundo do vir-a-ser, ou seja, o mundo percebido pelos
cinco sentidos. O mundo das ideias seria o verdadeiro ser que esta-
ria por detr
as do vir-a-ser do mundo sensvel. Porem, para Plat
ao
o mais importante n
ao era um conceito final, mas o caminho para se
chegar ate ele. O mundo das ideias n
ao e acessvel pelos sentidos,
apenas pela intuic
ao intelectual e a dialetica e o movimento de ascese
em busca da verdade. Com isso Plat
ao promove uma sntese de Heraclito
e Parmenides.
J
a para Arist
oteles, n
ao existe o mundo das ideias e as essencias est
ao
contidas nas pr
oprias coisas. O conhecimento universal est
a vinculado
a sua L
` ogica (de L
ogos, o mesmo que raz
ao, princpio de ordem, estudo
das consequencias) e ao Silogismo, mecanismo de deducao formal. A
partir de certas premissas gerais, o conhecimento deve seguir uma ordem
rigorosamente demonstrativa utilizando-se do silogismo.
De maneira resumida, e talvez ingenua, podemos pensar que a di-
ferenca fundamental entre Aristoteles e os sofistas, consiste no fato de
que, para Arist
oteles, existe uma verdade objetiva, eterna, imut
avel, que
independe dos seres humanos, ao passo que para os sofistas n
ao existe
nenhuma verdade absoluta, eterna e imut
avel e, sim, apenas o conheci-
mento relativo aos nossos sentidos. Para Plat
ao e Aristoteles, respecti-
vamente, a dialetica e o silogismo devem ser empregados em busca da
verdadade. Os sofistas adotam a ret
orica, que e a arte da persuasao,
10 Conjunto fuzzy como modelador de incerteza
Definic
ao 1.1. Seja U um conjunto e A um subconjunto de U . A funca
o
caracterstica de A e dada por
(
1 se x A
A (x) = .
0 se x
/A
A = {x R : x e pr
oximo de 2} .
Pergunta: O n
umero 7 e o n
umero 2,001 pertencem a A?
A resposta a esta pergunta e incerta pois n
ao sabemos ate que ponto
podemos dizer objetivamente quando um n
umero est
a pr
oximo de 2. A
u
nica afirmac
ao razo
avel, neste caso, e que 2,001 est
a mais pr
oximo de
2 do que 7.
A seguir vamos iniciar as formalizacoes matem
aticas dos conceitos
de L
ogica Fuzzy que ser
ao tratados neste texto, comecando com o de
subconjunto fuzzy.
14 Conjunto fuzzy como modelador de incerteza
Definic
ao 1.2. Seja U um conjunto (classico); um subconjunto fuzzy F
de U e caracterizado por uma funcao
F : U [0, 1],
O subconjunto cl
assico de U definido por
Exemplo 1.1 (N
umeros pares). Considere o conjunto dos n
umeros natu-
16 Conjunto fuzzy como modelador de incerteza
rais pares:
P = {n N : n e par} .
Exemplo 1.2 (N
umeros pr
oximos de 2). Considere o subconjunto F dos
n
umeros reais pr
oximos de 2:
F = {x R : x e pr
oximo de 2} .
Se definirmos a func
ao F : R [0, 1], que associa cada x real ao
valor de proximidade ao ponto 2 pela express
ao
(
(1 |x 2|) se 1 x 3
F (x) = ,
0 se x
/ [1, 3]
ent
ao o subconjunto fuzzy F dos pontos pr
oximos de 2, caracterizado
por F , e tal que F (2, 001) = 0, 999 e F (7) = 0. Neste caso, dizemos
que x = 2, 001 e um ponto pr
oximo de 2 com grau de proximidade 0, 999,
e x = 7 n
ao e pr
oximo de 2.
Por outro lado, alguem poderia sugerir outra funcao de proximidade
a 2. Por exemplo, se a funcao de proximidade a 2 fosse definida por
h i
F (x) = exp (x 2)2 ,
com x R, ent
ao os elementos do conjunto fuzzy F , caracterizado pela
func
ao F , teriam outros graus de pertinencia: F (2,001) = 0,999999 e
F (7) = 1,388 1011 .
Como podemos ver, a caracterizacao de proximidade e subjetiva e
1.2 Subconjuntos Fuzzy 17
depende da func
ao de pertinencia que pode ser dada por uma infinidade
de maneiras diferentes, dependendo de como se quer avaliar o termo
pr
oximo. Observe que poderamos tambem definir pr
oximo de 2 por
um conjunto cl
assico com funcao de pertinencia F , considerando, por
exemplo, um valor de suficientemente pequeno e a funcao caracterstica
do intervalo (2 , 2 + ), conforme a express
ao abaixo
(
1 se |x 2| <
F (x) = .
0 se |x 2|
Exemplo 1.3 (N
umeros naturais pequenos). Considere o subconjunto
fuzzy F dos n
umeros naturais pequenos
F = {n N : n e pequeno}.
O n
umero 0 (zero) pertence a esse conjunto? E o n
umero 1000? No
esprito da l
ogica fuzzy poderamos dizer que ambos pertencem a F ,
porem com diferentes graus, dependendo da funcao de pertinencia F
que caracteriza o subconjunto fuzzy F . A funcao de pertinencia associ-
ada a F deve ser construda de forma coerente com o termo pequeno.
Uma possibilidade para a funcao de pertinencia de F e
1
F (n) = .
n+1
Claro que a escolha da funcao F neste caso foi feita de maneira to-
talmente arbitraria, levando-se em conta apenas o significado da palavra
pequeno. Para modelar matematicamente o conceito de n
umero na-
tural pequeno, isto e, associar ao subconjunto fuzzy F uma funcao de
pertinencia, poderamos escolher qualquer sequencia mon
otona decres-
cente, comecando em 1 (um) e convergente para 0 (zero):
{n }nN , com 0 = 1.
Por exemplo,
F (n) = en ;
1
F (n) = 2
;
n +1
1
F (n) = .
ln(n + e)
ou
(
40x 2
40 se 0 x 40
J (x) = .
0 se 40 < x 120
A ( r )
k 2
O par
ametro k indica alguma caracterstica do grupo estudado como
por exemplo o ambiente destes indivduos. O par
ametro r0 e um valor
de renda a partir do qual acredita-se n
ao haver mais interferencia no
fenomeno estudado.
1.3 Operac
oes com subconjuntos fuzzy
Nesta sec
ao estudaremos as operacoes tpicas de conjuntos como uni
ao,
intersecc
ao e complementacao.
Sejam A e B dois subconjuntos fuzzy de U , com funcoes de pertinencia
indicadas por A e B , respectivamente.
Dizemos que A e subconjunto fuzzy de B, e escrevemos A B, se
A (x) B (x) para todo x U .
Lembramos que a func
ao de pertinencia do conjunto vazio () e dada
por (x) = 0, enquanto que o conjunto universo (U ) tem funcao de
pertinencia U (x) = 1, para todo x U . Assim, podemos dizer que
A e que A U para todo A.
Definic
ao 1.3 (Uni
ao). A uni
ao entre A e B e o subconjunto fuzzy de
U cuja func
ao de pertinencia e dada por
(
1 se x A ou x B
max {A (x), B (x)} =
0 se x
/Aex
/B
(
1 se x A B
=
0 se x
/ AB
= AB (x), x U.
Definic
ao 1.4 (Intersecc
ao). A intersecca
o entre A e B e o subconjunto
fuzzy de U cuja func
ao de pertinencia e dada por
Definic
ao 1.5 (Complementar de subconjuntos fuzzy). O complementar
de A e o subconjunto fuzzy A de U cuja funcao de pertinencia e dada
por
A (x) = 1 A (x), x U.
(b) Verifique que AB (x) = A (x)B (x). Note que essa identidade n
ao
e valida se A e B forem subconjuntos fuzzy.
Exemplo 1.6 (Conjunto fuzzy dos idosos). O conjunto fuzzy I dos idosos
deve refletir uma situac
ao oposta da relacionada com o conjunto dos
jovens quando consideramos a idade dos seus elementos. Enquanto que
para o conjunto de jovens a funcao de pertinencia deve ser decrescente
com a idade, para idosos deve ser crescente. Uma possibilidade para a
func
ao de pertinencia de I e
I (x) = 1 J (x),
onde J e a func
ao de pertinencia do subconjunto fuzzy dos jovens.
Desta forma, o conjunto fuzzy I e o complementar fuzzy de J. Nesse
exemplo, se adotarmos para os jovens a funcao de pertinencia dada no
Exemplo 1.4a, ent
ao
0 se x 10
I (x) = 1 J (x) = x10
70 se 10 < x 80 .
1 se x > 80
Uma representac
ao gr
afica para I e J e dada na Figura 1.4.
Idosos: I
1
Jovens: J
10 20 30 40 50 60 70 80 90 100 110 120
idade
e
(
x40 2
80 se 40 < x 120
I (x) = .
0 se x 40
1.3 Operac
oes com subconjuntos fuzzy 25
Exerccio 1.2. Considere que o conjunto fuzzy dos jovens seja dado por
4
1 x 2 se x [10, 120]
J (x) = 120
0 se x
/ [10, 120]
(c) Esboce os gr
aficos dos jovens e idosos do item anterior e compare
com o Exemplo 1.6.
(Ak1 )Ak2
(n
ao vazio), cuja func
ao de pertinencia e
Uma recompensa honesta, ao grupo que sofreu tal dano, deve devolver
o mesmo status de pobre que antes, ou seja, dada uma renda r1 , o grupo
deve ter uma renda r2 (ap
os o dano) de modo que
Ak1 Ak2
Ak1 (r1 ) = Ak2 (r2 )
r
r1 r2 r0
A (x) = 0 se A (x) = 1 x A;
A (x) = 1 se A (x) = 0 x
/ A.
Exemplo 1.8 (Conjuntos fuzzy dos febris e/ou com mialgia). Suponha que
o conjunto universo U seja composto pelos pacientes de uma clnica,
identificados pelos n
umeros 1, 2, 3, 4 e 5. Sejam A e B os subconjuntos
fuzzy que representam os pacientes com febre e mialgia1 , respectiva-
mente. A Tabela 1.1 abaixo ilustra as operacoes uni
ao, interseccao e
complemento.
Definic
ao 1.6. Os subconjuntos fuzzy A e B de U s ao iguais se suas
func
oes de pertinencia coincidem, isto e, se A (x) = B (x) para todo
x U.
Proposic
ao 1.1. As operaco
es entre subconjuntos fuzzy satisfazem as
seguintes propriedades:
AB =BA
AB =BA
A (B C) = (A B) C
A (B C) = (A B) C
AA=A
AA=A
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
A= e A=A
AU =A e AU =U
(A B) = A B e (A B) = A B (leis de DeMorgan).
Demonstraca
o. A demonstracao de cada propriedade e uma aplicacao
imediata das propriedades de m
aximo e mnimo entre funcoes, isto e,
1
max [(x), (x)] = [(x) + (x) + |(x) (x)|]
2
1
min [(x), (x)] = [(x) + (x) |(x) (x)|]
2
onde, e s
ao func
oes com imagens em R.
Vamos demonstrar apenas uma das leis de DeMorgan, as outras pro-
priedades s
ao demonstradas de maneira an
aloga.
1.3 Operac
oes com subconjuntos fuzzy 29
Seja A a func
ao de pertinencia associada ao subconjunto A. Temos:
para todo u U .
Exerccio 1.3. Considere o subconjunto fuzzy das pessoas altas (em me-
tros) do Brasil, definido por
0 se x 1, 4
A (x) = 1
0,4 (x 1, 4) se 1, 4 < x 1, 8
1 se x > 1, 8
Definic
ao 1.7 (-nvel). Seja A um subconjunto fuzzy de U e [0, 1].
O -nvel de A e o subconjunto classico de U definido por
1 A
1 [A ] 3 U
1 A
U
[A ] 1
Corol
ario 1.3. A funca
o de pertinencia A de um conjunto fuzzy A pode
ser expressa em termos de funco
es caractersticas de seus -nveis, isto
e,
(
1 se x [A]
A (x) = sup min , [A] (x) , onde [A] (x) = .
[0,1] / [A]
0 se x
(ii) A A se ;
\
(iii) A = Ak se k convergir para com k .
k0
Nestas condico
es existe um u
nico subconjunto fuzzy A de U cujos -
nveis s
ao exatamente os subconjuntos cl
assicos A , isto e,
[A] = A .
Demonstraca
o. A ideia da demonstracao e construir, para cada x U ,
a func
ao de pertinencia de A como sendo
Usando a definic
ao de -nvel podemos elencar as seguintes proprie-
dades:
[A B] = [A] [B] ,
[A B] = [A] [B] .
Definic
ao 1.8. Um subconjunto fuzzy e dito normal se todos seus -
ao vazios, ou seja, se [A]1 6= .
nveis forem n
Ent
ao,
n
X
A = [1 A (xi )] /xi = 0, 9/1+0, 8/2+0, 75/3+0, 3/5+0, 1/8+0/10.
i=1
Com a notac
ao acima, o subconjunto fuzzy finito P e convenientemente
denotado por
O Princpio de Extens
ao e N
umeros
Fuzzy
Todas as coisas tem n
umeros e nada
se pode compreender sem o numero.
(Filolao, pitag
orico Sec.VI a.C.)
Definic
ao 2.1 (Princpio de Extensao de Zadeh). Sejam f uma funcao tal
que f : X Z e A um subconjunto fuzzy de X. A extens ao de Zadeh
ao fb que, aplicada a A, fornece o subconjunto fuzzy fb(A)
de f e a func
de Z, cuja func
ao de pertinencia e dada por
sup A (x) se f 1 (z) 6=
fb(A) (z) = f 1 (z) . (2.1)
0 se f 1 (z) =
em que f 1 e a func
ao inversa de f .
Observamos que se A e um subconjunto fuzzy de X, com funcao de
pertinencia A , e se f e bijetora entao, a funcao de pertinencia de fb(A)
e dada por
!
X X
fb(A) = fb A (xi )xi = A (xi )f (xi ).
i=1 i=1
f^ (A ) Z
f
1
X
A
O Princpio de Extens
ao estende o conceito de uma funcao aplicada
a um subconjunto cl
assico de X. De fato, sejam f : X Z e A um
subconjunto (cl
assico) de X. A funcao de pertinencia de A e sua funcao
40 O Princpio de Extens
ao e N
umeros Fuzzy
caracterstica. A extens
ao de Zadeh de f aplicada a A, e o subconjunto
fb(A) de Z, cuja funcao caracterstica e
(
1 se z f (A)
fb(A) (z) = sup A (x) =
{x:f (x)=z} 0 se z
/ f (A)
= f (A) (z) para todo z.
func
ao de pertinencia e dada por
(
4(x x2 ) se x [0, 1]
A (x) = .
0 se x
/ [0, 1]
Os -nveis de A s
ao os intervalos
1 1
[A] = (1 1 ), (1 + 1 ) .
2 2
1 f
f^ (A )
1/4
1/2 1
1
X
A
1
Objetivando as operac
oes entre n
umeros fuzzy que veremos na secao
seguinte vamos enunciar o Princpio de Extens
ao para funcoes com
42 O Princpio de Extens
ao e N
umeros Fuzzy
duas vari
aveis.
Definic
ao 2.2. Sejam f : X Y Z e, A e B subconjuntos fuzzy
de X e Y , respectivamente. A extens ao fb de f , aplicada a A e B, e o
subconjunto fuzzy fb(A, B) de Z, cuja funcao de pertinencia e dada por:
sup min [A (x), B (y)] se f 1 (z) 6=
fb(A,B) (z) = f 1 (z) , (2.4)
0 se f 1 (z) =
2.2 N
umeros Fuzzy
De um modo geral podemos dizer que, em um problema concreto, muitos
n
umeros s
ao idealizac
oes de informacoes imprecisas, envolvendo valores
numericos. Estes s
ao os casos de frases como em torno de. Por exem-
plo, quando se mede a estatura de um indivduo, o que se obtem e
um valor numerico carregado de imprecisoes. Tais imprecisoes podem
ter sido causadas pelos instrumentos de medidas, pelos indivduos que
est
ao tomando as medidas, pelo indivduo que est
a sendo medido etc.
Finalmente opta-se por um valor preciso (um n
umero real) h para in-
dicar a estatura. No entanto, seria mais prudente dizer que a estatura
e em torno de h ou que a estatura e aproximadamente h. Neste caso,
matematicamente, indica-se a express
ao em torno de h por um subcon-
junto fuzzy A cujo domnio da funcao de pertinencia A e o conjunto dos
n
umeros reais. Tambem e razo
avel esperar que A (h) = 1. A escolha
dos n
umeros reais como domnio e porque, teoricamente, os possveis
valores para a estatura s
ao n
umeros reais.
Definic
ao 2.3 (N
umero fuzzy). Um subconjunto fuzzy A e chamado de
n
umero fuzzy quando o conjunto universo no qual A est
a definida, e o
conjunto dos n
umeros reais R e satisfaz `as condicoes:
[A] = [a1 , a2 ].
(
1 se x = r
r (x) = .
0 se x 6= r
umero fuzzy b
Exemplo 2.4. O n 2 pode ser representado conforme a Fi-
gura 2.3.
2 R
crisp
Definic
ao 2.4. Um n umero fuzzy A e dito triangular se sua funcao de
pertinencia e da forma
0 se x a
xa
se a < x u
A (x) = ua . (2.5)
xb
ub se u < x b
0 se x b
O gr
afico da func
ao de pertinencia de um n
umero fuzzy triangular
tem a forma de um tri
angulo, tendo como base o intervalo [a, b] e, como
u
nico vertice fora desta base, o ponto (u, 1).
Deste modo, os n
umeros reais a, u e b definem o n
umero fuzzy trian-
gular A que ser
a denotado pela terna ordenada (a; u; b) ou por a/u/b.
2.2 N
umeros Fuzzy 45
Os -nveis desses n
umeros fuzzy tem a seguinte forma simplificada
3,8 4 4,2 R
Figura 2.4: N
umero fuzzy em torno de 4.
a1 = 0, 2 + 3, 8 e a2 = 0, 2 + 4, 2.
Definic
ao 2.5. Um n
umero fuzzy A e dito trapezoidal se sua funcao de
pertinencia tem a forma de um trapezio e e dada por
xa
ba se a x < b
1 se b x c
A (x) = dx
.
se c < x d
dc
0 caso contr
ario
11 14 17 20 R
Figura 2.5: N
umero fuzzy trapezoidal.
2.2 N
umeros Fuzzy 47
A Equac
ao (2.7) fornece os -nveis para este exemplo
Definic
ao 2.6. Um n
umero fuzzy tem forma de sino se a funcao de per-
tinencia for suave e simetrica em relacao a um n
umero real. A seguinte
func
ao de pertinencia tem estas propriedades para u, a e dados (veja
Figura 2.6).
2 !
exp x u
se u x u +
A (x) = a .
0 caso contr
ario
u u u+ R
Figura 2.6: N
umero fuzzy em forma de sino.
Os -nveis dos n
umeros fuzzy em forma de sino s
ao os intervalos:
r r
2
u ln 1
, u + ln 1
se = e( a )
[a1 , a2 ] = a2 a2 .
[u , u + ] ( a )
2
se < = e
(2.8)
Apresentaremos a seguir as operacoes aritmeticas para n
umeros fuzzy,
ou seja, as operac
oes que permitem realizar as contas com conjuntos
fuzzy.
2.2.1 Operac
oes aritm
eticas com n
umeros fuzzy
As operac
oes aritmeticas envolvendo n
umeros fuzzy est
ao estreitamente
ligadas `
as operac
oes aritmeticas intervalares. Vamos listar algumas des-
48 O Princpio de Extens
ao e N
umeros Fuzzy
tas operac
oes para intervalos fechados da reta real R.
Operac
oes aritm
eticas intervalares
Considere um n
umero real e, A e B dois intervalos fechados da reta
dados por
A = [a1 , a2 ] e B = [b1 , b2 ].
Definic
ao 2.7 (Operac
oes Intervalares). As operacoes aritmeticas entre
intervalos podem ser definidas como:
A + B = [a1 + b1 , a2 + b2 ].
A B = [a1 b2 , a2 b1 ].
(c) A multiplicaca
o de A por um escalar e o intervalo
(
[a1 , a2 ] se 0
A = .
[a2 , a1 ] se < 0
(d) A multiplicaca
o de A por B e o intervalo
onde P = {a1 b1 , a1 b2 , a2 b1 , a2 b2 }.
(e) A divis
ao de A por B, se 0
/ B, e o intervalo
1 1
A/B = [a1 , a2 ] , .
b2 b1
2.2 N
umeros Fuzzy 49
Uma conseq
uencia importante do Teorema 2.2, para as operacoes com
n
umeros fuzzy, e o seguinte corol
ario:
Corol
ario 2.3. Os -nveis do conjunto crisp A + B, com funca
o carac-
terstica (A+B) , s
ao dados por
[A + B] = A + B
Demonstraca
o. Lembrando que os intervalos A e B s
ao particulares sub-
conjuntos fuzzy da reta real, o resultado e uma conseq
uencia imediata
da definic
ao de func
ao caracterstica de um conjunto classico.
As operac
oes aritmeticas para n
umeros fuzzy ser
ao definidas a partir
do Princpio de Extens
ao para conjuntos fuzzy. Na verdade, s
ao ca-
sos particulares do Princpio de Extens
ao em que as funcoes a serem
estendidas s
ao as operac
oes tradicionais para n
umeros reais.
Operac
oes aritm
eticas com n
umeros fuzzy
As definic
oes que seguem podem ser vistas como casos particulares do
princpio de extens
ao, tanto para funcoes de uma como de duas vari
aveis.
Definic
ao 2.8. Sejam A e B dois n
umeros fuzzy e um n
umero real.
func
ao de pertinencia e
sup min[A (x), B (y)] se (z) 6= 0
(A+B) (z) = (z) ,
0 se (z) = 0
(b) A multiplicaca
o de por A e o n
umero fuzzy A, cuja funcao de
pertinencia e
(
sup [A (x)] se 6= 0 A (1 z) se 6= 0
A (z) = {x:x=z} = ,
{0} (z) se = 0
{0} (z) se = 0
(c) A diferenca A B e o n
umero fuzzy cuja funcao de pertinencia e
dada por:
sup min[A (x), B (y)] se (z) 6= 0
(AB) (z) = (z) ,
0 se (z) = 0
(d) A multiplicaca
o de A por B e o n
umero fuzzy A B, cuja funcao de
pertinencia e dada por:
sup min[A (x), B (y)] se (z) 6= 0
(AB) (z) = (z) ,
0 se (z) = 0
(e) A divis
ao e o n
umero fuzzy A/B cuja funcao de pertinencia e
sup min[A (x), B (y)] se (z) 6= 0
(A/B) (z) = (z) ,
0 se (z) = 0
[A B] = [A] [B]
sendo 1
A () = {x R : A (x) = } a pr
e-imagem de .
A seguir ilustraremos tais metodos pr
aticos na forma de proprieda-
des.
2.2 N
umeros Fuzzy 53
Proposic
ao 2.5. Sejam A e B n
umeros fuzzy com -nveis dados, res-
pectivamente, por [A] = [a1 , a2 ] e [B] = [b1 , b2 ]. Ent
ao valem as
seguintes propriedades:
(c) A multiplicaca
o de por A e o n
umero fuzzy A cujos -nveis s
ao
(
[a1 , a2 ] se 0
[A] = [A] = .
[a2 , a1 ] se < 0
(d) A multiplicaca
o de A por B e o n
umero fuzzy A B cujos -nveis
s
ao
[A B] = [A] [B] = [min P, max P ] ,
onde P = {a1 b1 , a1 b2 , a2 b1 , a2 b2 }.
(e) A divis
ao de A por B, se 0
/ supp B, e o n
umero fuzzy cujos -
nveis s
ao
A [A] 1 1
= = [a1 , a2 ] , .
B [B] b2 b1
[A] = [1 + , 3 ] e [B] = [3 + , 5 ],
ent
ao pela Proposic
ao 2.5 obtemos
Note que os n
umeros fuzzy obtidos em (d) e (e) n
ao s
ao triangulares.
Entretanto, e facil verificar que com n
umeros fuzzy triangulares, a soma,
a diferenca e a multiplicacao por escalar resulta em um n
umero fuzzy
triangular. Para ver isto, basta considerar os n
umeros A = (a1 ; u; a2 ) e
B = (b1 ; v; b3 ). Ent
ao, a partir da Equacao (2.6) temos
[A] = [(u a1 ) + a1 , (u a2 ) + a2 ]
[B] = [(v b1 ) + b1 , (v b2 ) + b2 ].
Assim
[A + B] = [A] + [B]
e, portanto,
[A+B] = [{(u+v)(a1 +b1 )}+(a1 +b1 ), {(u+v)(a2 +b2 )}+(a2 +b2 )].
De forma an
aloga conclui-se que A e triangular se A o for.
Portanto,
2.2 N
umeros Fuzzy 57
ao [fb(A)]1 = {2}.
se = 1 ent
Agora e facil verificar que os pontos (1, 0); ( 2, 12 ) e (2, 1) n
ao est
ao
alinhados.
Logo fb(A) n
ao e n
umero fuzzy triangular.
Definic
ao 2.9 (Diferenca de Hukuhara: A H B). Sejam A e B dois
n
umeros fuzzy. Se existir um n
umero fuzzy C tal que A = B + C, entao
C e chamado de Diferenca de Hukuhara de A e B e a denotamos por
A H B.
Como
[A B] = [a1 b2 , a2 b1 ],
segue que
A B = A H B b1 = b2 ,
ou seja,
A B = A H B B R.
Note que
A B = A + (1)B 6= A H B.
Essa diferenca foi utilizada para se estudar, pela primeira vez, a deri-
vada de func
oes fuzzy (ver Captulo 8).
58 O Princpio de Extens
ao e N
umeros Fuzzy
X = xj X (xj ) PX (xj )
2 0, 5 0, 5
3 0, 5 0, 5
Y = yk Y (yk ) PY (yk )
3 0, 5 0, 5
4 0, 5 0, 5
A quest
ao e: como obter a distribuicao de incerteza para Z = X + Y ?
Claro que os possveis valores para Z = X + Y s
ao os elementos do
conjunto {5, 6, 7}. A tabela a seguir apresenta os valores de X+Y (zi ) e
PX+Y (zi ),
e
X
PX+Y (zi ) = P(X,Y ) (X = xj , Y = yk ), (2.10)
xj +yk =zi
2.2 N
umeros Fuzzy 59
Relac
oes Fuzzy
Tudo que existe na natureza e devido
a
` chance e a
` necessidade.
(Dem
ocrito Sec. V a.C.)
Ser
a que os indivduos de uma especie concordam com Democrito: eles
se relacionam para construrem as trajetorias no curso de suas vi-
das, buscando apenas a sobrevivencia, aparentemente sem interesse em
otimizar algo? Ou ser
a que buscam o m
aximo de rendimento com o
mnimo esforco, como preconiza Leibniz ao dizer que vivemos no melhor
dos mundos? Talvez a diferenca entre os dois seja apenas uma questao
de verdade gradual.
Estudos de associac
oes, relacoes ou interacoes entre os elementos de
diversas classes, e de grande interesse na an
alise e compreensao de mui-
tos fenomenos do mundo real e a matem
atica sempre se preocupou em
estabelecer tais relac
oes. Veremos neste captulo que as relacoes fuzzy
s
ao, de alguma forma, uma extencao natural das relacoes matem
aticas
cl
assicas.
3.1 Relac
oes Fuzzy
O conceito de relac
ao em matem
atica e formalizado a partir da teoria
de conjuntos. Intuitivamente, pode-se dizer que a relacao ser
a fuzzy
62 Relac
oes Fuzzy
Definic
ao 3.1. Uma relaca
o (classica) R sobre U1 U2 . . . Un , e qual-
quer subconjunto (cl
assico) do produto cartesiano U1 U2 . . . Un . Se
o produto cartesiano for formado por apenas dois conjuntos U1 U2 , a
relac
ao e denominada relaca
o bin
aria sobre U1 U2 . Se U1 = U2 = . . . =
Un = U , diz-se que R e uma relaca
o sobre U .
Como a relac
ao R e um subconjunto do produto cartesiano, entao ela
pode ser representada por sua funcao caracterstica
R : U1 U2 . . . Un {0, 1} ,
com (
1 se (x1 , x2 , . . . , xn ) R
R (x1 , x2 , . . . , xn ) = . (3.1)
0 se (x1 , x2 , . . . , xn )
/R
O conceito matem
atico de relacao fuzzy e formalizado a partir do pro-
duto cartesiano usual entre conjuntos, estendendo a funcao caracterstica
de uma relac
ao cl
assica para uma funcao de pertinencia.
Definic
ao 3.2. Uma relaca
o fuzzy R sobre U1 U2 . . . Un e qualquer
subconjunto fuzzy de U1 U2 . . . Un . Assim, uma relacao fuzzy R e
definida por uma func
ao de pertinencia R : U1 U2 . . . Un [0, 1].
3.1 Relac
oes Fuzzy 63
Definic
ao 3.3. O produto cartesiano fuzzy dos subconjuntos fuzzy
A1 , A2 , . . . , An de U1 , U2 , . . . , Un , respectivamente, e a relacao fuzzy
A1 A2 An , cuja funcao de pertinencia e dada por
No Captulo 6, Subsec
ao 6.2.3, ser
a apresentado um estudo mais com-
pleto a respeito de diagn
ostico medico.
Uma representac
ao gr
afica para esta relacao, colocando os animais
em ordem alfabetica em um par de eixos, seria como a da Figura
3.1.
y
predador
s
l
i
c
a
a c i l s x
presa
As representac
oes de R podem ser na forma de tabela ou de matriz
conforme abaixo.
R y1 y2 ... yn
r11 r12 ... r1n
x1 r11 r12 ... r1n
r21 r22 ... r2n
x2 r21 r22 ... r2n ou R =
.. .. .. .. .
.. .. .. .. .. . . . .
. . . . .
rm1 rm2 ... rmn
xm rm1 rm2 ... rmn
p r e d a d o r
R a c i l s
p a 0 0 0 0 0
r c 1 0,2 0 0 0
e i 0,1 0 0,3 0 1
s l 1 0,8 0 0 0
a s 0,2 1 0 0 0,1
e
0 0 0 0 0
1 0,2 0 0 0
R=
0,1 0 0,3 0 1
.
1 0,8 0 0 0
0,2 1 0 0 0,1
3.2 Composic
ao entre Relac
oes Fuzzy Bin
arias
A composic
ao entre relac
oes e de import
ancia fundamental nas aplicacoes.
Essa operac
ao ser
a mais explorada no Captulo 6, onde aparecem as
principais aplicac
oes em diagn
ostico medico. Tambem no Captulo 6
estudaremos diversos tipos de composicoes entre relacoes fuzzy. Aqui
nesta sec
ao apresentaremos apenas a composicao mais tradicional em
l
ogica fuzzy.
Definic
ao 3.5. Considere R e S duas relacoes fuzzy bin
arias em U V
e V W , respectivamente. A composica
o R S e uma relacao fuzzy
bin
aria em U W cuja funcao de pertinencia e dada por
Quando os conjuntos U , V e W s
ao finitos, entao a forma matricial
da relac
ao R S, dada pela composicao [maxmin], e obtida como uma
multiplicac
ao de matrizes, substituindo-se o produto pelo mnimo e a
soma pelo m
aximo. De fato, suponha que
e que
r11 r12 ... r1n s11 s12 . . . s1p
r21 r22 . . . r2n s21 s22 . . . s2p
R=
.. .. .. ..
e S=
.. .. .. ..
.
. . . . . . . .
rm1 rm2 . . . rmn mn
sn1 sn2 . . . snp np
composic
ao [maxmin] tem a forma matricial
t11 t12 ... t1p
t21 t22 . . . t2p
T =RS =
.. .. .. ..
,
. . . .
tm1 tm2 . . . tmp
mp
onde
tij = sup [min(R (ui , vk ), S (vk , wj ))] = sup [min(rik , skj )]. (3.3)
1kn 1kn
Definic
ao 3.6 (Regra de composicao de inferencia). Sejam U e V dois
conjuntos, F(U ) e F(V ) as classes dos subconjuntos fuzzy de U e V
respectivamente, e R uma relacao bin
aria sobre U V .
(i) A relac
ao R define um funcional de F(U ) em F(V ) que, a cada
elemento A F(U ), faz corresponder o elemento B F(V ) cuja
func
ao de pertinencia e dada por
Essa composic
ao e conhecida como regra de composica
o de in-
ferencia, a qual dar
a origem a outras regras, como veremos nos
Captulos 4 e 5.
(ii) A relac
ao R tambem define um funcional de F(V ) em F(U ) da
seguinte forma: a cada B F(V ) faz corresponder o elemento
A F(U ) cuja func
ao de pertinencia e
B = R(A) = A R.
De forma an
aloga, a imagem inversa e dada por
A = B R1 .
B =AR e A = B R
onde A e B s
ao as formas matriciais em linha dos respectivos conjuntos
fuzzy, cujos elementos s
ao obtidos a partir de (3.3).
Definic
ao 3.7. Seja R uma relacao bin
aria (classica) sobre U . Entao,
para quaisquer x, y e z de U , a relacao R e
Definic
ao 3.8. Seja R uma relacao fuzzy bin
aria sobre U , cuja funcao
de pertinencia e R . Ent
ao, para quaisquer x, y e z de U , a relacao
fuzzy R e
A relac
ao reflexiva e aquela em que todo indivduo tem relacao m
axima
consigo pr
oprio; a simetrica e caracterizada pela reciprocidade, com
mesma intensidade, entre seus indivduos; a transitiva indica que a
relac
ao entre dois indivduos quaisquer n
ao deve ser, simultaneamente,
inferior `
a relac
ao de cada um destes dois com os demais e a relacao
antissimetrica e aquela que n
ao admite qualquer reciprocidade entre in-
divduos distintos.
Relac
oes que satisfazem simultaneamente as quatro propriedades an-
teriores s
ao, de um modo geral, muito artificiais principalmente quando
3.2 Composic
ao entre Relac
oes Fuzzy Bin
arias 73
tela ou tafeta
fio de trama
raport
fio de urdume
Tela Sarja
Cetim
seguir.
Vamos considerar inicialmente a soma de tela T e sarja S definida
por: T S = max {tij , sij }. Como o mnimo m ultiplo comum (MMC)
das ordens das matrizes T e S e igual a 6, tomamos os multiplos de cada
padrao. Ent
ao se
0 1 0 1 0 1 0 0 1 0 0 1
1 0 1 0 1 0 0 1 0 0 1 0
0 1 0 1 0 1 1 0 0 1 0 0
T = e S= =
1 0 1 0 1 0 0 0 1 0 0 1
0 1 0 1 0 1 0 1 0 0 1 0
1 0 1 0 1 0 1 0 0 1 0 0
0 1 1 1 0 1
1 1 1 0 1 0
1 1 0 1 0 1
= T S =
1 0 1 0 1 1
0 1 0 1 1 1
1 0 1 1 1 0
A matriz resultante fornece um raport novo que pode ser usado para
obtenc
ao de outros raports, considerando as composicoes das simetrias
(translac
oes, rotac
oes e reflexoes veja Figura 3.5).
e faca a composic
ao A B = [ maxmin] para obter um novo raport.
Noc
oes da L
ogica Fuzzy
A finalidade da ciencia teoretica e a
verdade.
(Arist
oteles Sec. IV a.C.)
Para Arist
oteles, o compromisso do conhecimento e com a verdade, sem
preocupac
oes pr
aticas. Em contrapartida, para os sofistas o conheci-
mento deve ter compromisso com a pr
atica e, por isso mesmo, substitui
o padrao de verdadeiro ou falso pelo de melhor ou pior. No decorrer
deste e dos dois pr
oximos captulos, estes padroes ser
ao melhor entendi-
dos, principalmente quando tratarmos do que e conhecido como modus
ponens generalizado.
Na literatura, o termo logica fuzzy e utilizado de duas formas:
a primeira para representar e manipular informacoes inexatas com o
proposito de tomar decis
oes, lancando m
ao da teoria dos conjuntos fuzzy,
de suas funcoes de pertinencia e suas algebras em geral. A segunda
refere-se `
a extens
ao da l
ogica classica, que e o objetivo deste captulo.
Fazendo um breve hist
orico, a logica desenvolveu-se a partir dos es-
tudos sobre silogismo de Aristoteles (IV a.C.), os quais buscavam uma
melhor compreens
ao da verdade. Atraves das leituras dos trabalhos de
Plat
ao, que por sua vez foi discpulo de S
ocrates, e que Aristoteles per-
cebe a existencia de leis que regem o pensamento no proposito da busca
do conhecimento e da verdade, sem dar margem `as interpretacoes. Um
78 Noc
oes da L
ogica Fuzzy
A u
ltima sentenca (conclusao) e uma deducao obtida a partir das
premissas. Porem, alguns dos predicados n
ao s
ao termos precisos, a
saber: forte, alta e frequentemente e, por esse motivo, a logica classica
n
ao trata destas sentencas.
Na pr
oxima sec
ao ser
ao relacionados alguns conceitos da logica tradi-
cional que servir
ao de base para o desenvolvimento da logica fuzzy.
4.1 Conectivos B
asicos da L
ogica Cl
assica
Os primeiros passos em l
ogica matem
atica s
ao realizados com o estudo
dos conectivos: e, ou, n
ao e implicaca
o. Tais conectivos s
ao
tipicamente usados na modelagem matem
atica em sentencas do tipo:
Se a est
a em A e b est
a em B,
(4.1)
ent
ao c est
a em C ou d n
ao est
a em D
Os valores l
ogicos para cada conectivo s
ao estudados por meio de
tabelas verdades. Assim, o valor logico de uma sentenca, formada a
partir de duas ou mais proposicoes, e obtido por meio de composicoes
das tabelas verdades dos conectivos presentes nesta sentenca.
Supondo que A e B sejam conjuntos, a proposicao
a est
a em A e b est
a em B
80 Noc
oes da L
ogica Fuzzy
p q pq p q pq
1 1 1 1 1 1
1 0 0 1 0 1
0 1 0 0 1 1
0 0 0 0 0 0
p q p = q
1 1 1
p p 1 0 0
1 0 0 1 1
0 1 0 0 1
Conectivo e:
Assim,
(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 0;
(0, 1) = 0 1 = 0;
(0, 0) = 0 0 = 0.
Conectivo ou:
Portanto,
(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 1;
(0, 1) = 0 1 = 1;
(0, 0) = 0 0 = 0.
A negac
ao pode ser considerada como uma operacao un
aria:
: {0, 1} {0, 1}
p 7 p,
Implicac
ao: =
(1) (p = q) = (p) q;
= (1, 1) = (1 = 1) = (1) 1 = 1;
= (1, 0) = (1 = 0) = (1) 0 = 0;
= (0, 1) = (0 = 1) = (0) 1 = 1;
= (0, 0) = (0 = 0) = (0) 0 = 1.
a A(p = 1); b
/ B(q = 0); c C(r = 1) e d
/ D(s = 1),
ent
ao o valor l
ogico da sentenca (4.1) e
(0 1) = (1 1) = (0 = 1) = 1.
4.2 Conectivos b
asicos da L
ogica Fuzzy
Observamos que, para avaliar logicamente a express
ao (4.1) por meio dos
conectivos, admitimos que a mesma somente poderia assumir os valores
0 ou 1. Esta suposic
ao e coerente com o fato dos conjuntos relacionados
serem cl
assicos. Agora, se admitirmos que os conjuntos em (4.1) possam
ser fuzzy, como avaliar logicamente tal express
ao?
Inicialmente, devemos atribuir um valor que indique o quanto a pro-
posic
ao a est
a em A e verdadeira, com A fuzzy, sabendo que um
elemento a pode pertencer a A com valores no intervalo [0, 1].
Para realizar a avaliac
ao logica dos conectivos no sentido fuzzy, de-
vemos estende-los. Tais extensoes s
ao obtidas por meio das normas e
84 Noc
oes da L
ogica Fuzzy
4.2.1 Operac
oes t-norma e t-conorma
Definic
ao 4.1 (t-norma). O operador : [0, 1][0, 1] [0, 1] , (x, y) =
x y, e uma t-norma, se satisfizer as seguintes condicoes:
A operac
ao t-norma estende o operador que modela o conectivo e.
2 (x, y) = xy;
3 (x, y) = max {0, x + y 1} ;
x se y = 1
4 (x, y) = y se x = 1 .
0 caso contr ario
Definic
ao 4.2 (t-conorma). O operador (x, y) = xy e uma t-conorma
se satisfizer as seguintes condicoes:
c3 ) associativa: x (y z) = (x y) z;
c4 ) monotonicidade: se x u e y v, entao x y u v.
A operac
ao seguinte estende a tabela verdade da negacao:
Definic
ao 4.3 (negac
ao). Uma aplicacao : [0, 1] [0, 1] e uma
negac
ao se satisfizer as seguintes condicoes:
n2 ) involuca
o: ((x)) = x;
n3 ) monotonicidade: e decrescente.
As aplicac
oes
1x
1 (x) = 1 x e 2 =
1+x
86 Noc
oes da L
ogica Fuzzy
(x y) = (x) (y)
(x y) = (x) (y) .
Definic
ao 4.4 (Implicac
ao fuzzy). Um operador : [0, 1] [0, 1] [0, 1]
e uma implicac
ao fuzzy se satisfizer as seguintes condicoes:
(1) (p = q) = (p) q;
S-implicac
oes s
ao construdas a partir de conormas e conormas s
ao
frequentemente chamadas de s-normas [71].
88 Noc
oes da L
ogica Fuzzy
Q-implicac
oes tem origem em mec
anica quantica, da a letra Q.
O nome R-implicac
ao vem de operacao residual [71] e pode ser inter-
pretado assim: (x = y) e o maior valor com que y supera x segundo
. Ou seja, e o resduo de x em relacao a y, segundo .
Veja que para o caso cl
assico, (p = q) e o que falta para que p
seja q segundo .
a) Implicac
ao de G
odel:
(
1 se x y
(x = y) = g(x, y) = .
y se x > y
b) Implicac
ao de Goguen:
(
1 se x y
(x = y) = gn (x, y) = y .
se x > y
x
c) Implicac
ao de Lukasiewicz:
d) Implicac
ao de Kleene-Dienes:
e) Implicac
ao de Reichenbach:
(x = y) = r(x, y) = (1 x + xy).
f) Implicac
ao de Zadeh:
g) Implicac
ao de Gaines-Rescher:
(
1 se x y
(x = y) = gr (x, y) = .
0 se x > y
h) Implicac
ao de Wu:
(
1 se x y
(x = y) = w(x, y) = .
min {1 x, y} se x > y
(x = y) = (1 x) (x y) = (x) (x y).
b) Dentre as implicac
oes fuzzy acima, de exemplos de S-implicacoes, de
Q-implicac
oes e de R-implicacoes, supondo (x) = 1 x.
90 Noc
oes da L
ogica Fuzzy
Logo, o valor l
ogico de (4.1) e o resultado da aplicacao
(p q) = (r s).
Se a banana est
a amarela entao a banana est
a madura (4.2)
ou seja,
Se X e entao Y e . (4.3)
Definic
ao 4.5 (Vari
avel lingustica). Uma vari
avel lingustica X no uni-
verso U e uma vari
avel cujos valores assumidos s
ao subconjuntos fuzzy
de U .
(4.1).
O valor l
ogico de X = x e A e o n
umero A (x) que indica o quanto
X = x est
a em concordancia com o termo lingustico modelado pelo
conjunto fuzzy A. Por esse motivo, e para facilitar a notacao, quando
n
ao houver d
uvidas sobre as vari
aveis, usaremos apenas os valores de
interesse assumidos por elas em cada proposicao fuzzy, ou seja, usaremos
x e A (ou x est
a em A), no lugar de X = x e A (ou X = x est
a
em A).
onde x e y s
ao valores de vari
aveis lingusticas de U e V , respectivamente.
A implicac
ao cl
assica, isto e, A (x) {0, 1} e B (y) {0, 1}, produz
94 Noc
oes da L
ogica Fuzzy
a relac
ao fuzzy cuja func
ao de pertinencia e dada por:
de modo que
(
1 se y B
sup [R (x, y) A (x)] = = B (y),
xU 0 se y
/B
Se x A entao y B.
A l
ogica fuzzy revela seu grande potencial na modelagem de cada uma
das sentencas acima. Os substantivos e seus atributos s
ao modelados por
4.4 Modus Ponens e Modus Ponens Generalizado 95
substituindo as func
oes caractersticas por funcoes de pertinencia e o
operador por alguma t-norma, ou seja,
Regra: Se x e A, ent
ao y e B
Fato: x e A
Conclusao: y e B
Regra: Se x e A, ent
ao y e B
Fato: x e A
Conclusao: y e B
96 Noc
oes da L
ogica Fuzzy
Dados os n
umeros fuzzy A e B, temos
Assim,
ou seja, R(A) = B.
a) implicac
ao de Zadeh;
b) implicac
ao Wu.
a implicac
ao de Lukasiewicz:
e a t-norma 1 = .
Vamos obter as sadas a partir da formula (4.5) para cada entrada.
Lembrando que a implicacao
e a de Lukasiewicz, temos
e com func
temos a sada B ao de pertinencia
e, para a entrada
Desta forma, para este exemplo, as sadas obtidas pelo modus ponens
fuzzy generalizado s
ao
e=
sentido. Estudos para investigar propriedades como essa e/ou que B
B ser
ao vistos num contexto um pouco diferente no Captulo 6.
O leitor interessado em se aprofundar neste assunto pode consultar
[88, 89, 125, 128] e muitos outros artigos sobre raciocnio aproximado.
M
etodo Pr
atico
A partir da observac
ao feita ap
os a formula (4.6), temos
B = A t R,
onde t e a composic
ao supt (ver Captulo 6).
No exemplo anterior temos
1, 0 1, 0
R = [R (xi , yj )]32 = 0, 8 0, 4 ,
1, 0 0, 8 32
h i
A= 0, 4 1, 0 0, 6
e a composic
ao e a max-min, uma vez que = .
Logo,
h i 1, 0 1, 0 h i
=AR=
B 0, 4 1, 0 0, 6 0, 8 0, 4 = 0, 8 0, 6 ,
1, 0 0, 8
ou seja,
= 0, 8 + 0, 6 .
B
y1 y2
100 Noc
oes da L
ogica Fuzzy
Definic
ao 4.6 (Modificador fuzzy). Um modificador fuzzy m sobre U e
uma aplicac
ao definida em F(U ) com valores em F(U ) :
ms (A) := (A)s ,
4.5 Modificadores Lingusticos 101
ou seja,
m(A) (x) = (A (x))s ,
Se a banana est
a amarela ent
ao est
a madura
na forma
Se X e A ent
ao Y e B,
da obter a relac
ao R, dada por uma implicacao fuzzy, cuja funcao de
pertinencia e
R (x, y) = (A (x) = B (y)).
1
nvel de amarelo
60 67 x (nm)
A func
ao de pertinencia do conjunto fuzzy banana madura pode ser
dada por ( y
se 0 y 19
B (y) = 19 .
1 se 19 < x 25
1
grau de maturao
19 25 acar (%)
Agora, vamos supor que o termo quase amarelo seja modelado por
um subconjunto fuzzy A , que e obtido por meio da aplicacao de um
modificador fuzzy expansivo ao subconjunto fuzzy A:
Portanto,
B = m(B) B.
Observemos que
R
A R(A)
m m
R
m(A) R(m(A)) = m(R(A))
e o leitor est
a convidado a investigar tal propriedade, tanto do ponto de
vista te
orico quanto das aplicacoes.
4.6 Independ
encia e N
ao-Interatividade
Nesta sec
ao faremos uma breve introducao do conceito de n
ao - intera-
tividade possibilstica, introduzido por Zadeh [131], o qual tem relacao
estreita com independencia probabilstica. O termo possibilstica e
usado aqui em referencia a` pertinencia. Tal conceito ser
a melhor for-
malizado na Sec
ao 7.1.3.
Atualmente h
a um grande n
umero de pesquisadores interessados nesse
tema, com aplicac
oes nas mais diversas areas (ver [52, 32, 8, 2]). Nosso
principal interesse nesse texto e apenas no conceito que, a nosso ver,
est
a intimamente ligado ao Modus Ponens.
Intuitivamente, independencia est
a associada `a ideia de n
ao inter-
ferencia ao passo que interatividade est
a ligada `a acao m
utua entre
duas ou mais coisas. Duas substancias qumicas, por exemplo, s ao n
ao
interativas se suas partculas s
ao identificadas quando olhadas conjun-
tamente e separadamente: agua e oleo.
Tanto a independencia quanto a n
ao-interatividade entre dois objetos
dependem fortemente do que se pretende medir, bem como da medida
adotada. Por exemplo, na mistura de duas substancias qumicas pode-
mos estar interessados em observar alteracoes de suas densidades, vistas
inicialmente separadas e depois conjuntamente. Por outro lado, pode-
mos nos interessar na alteracao da coloracao, separadamente e conjun-
tamente. A densidade poderia estar associada `a probabilidade enquanto
4.6 Independ
encia e N
ao-Interatividade 107
a colorac
ao (que trata de identificacao da cor) poderia ser associada `a
pertinencia (ou possibilidade).
O coment
ario acima tem como u
nico objetivo ilustrar ao leitor que
em um mesmo experimento (mistura de duas substancias) varios es-
tudos podem ser feitos: densidade e coloracao, e para cada um deles,
devemos adotar ferramentas adequadas. No caso, probabilidade para
medir densidade e possibilidade para medir coloracao.
Com o intuito de tracar um paralelo com o tema que iremos estudar,
apresentaremos a seguir o conceito de independencia e n
ao-interatividade
probabilstica.
4.6.1 Independ
encia e N
ao-Interatividade Probabilstica
(p1 ) as distribuico
es marginais de X e Y s
ao dadas, respectivamente,
por
X X
PX (x) = P(X,Y ) (x, y) e PY (y) = P(X,Y ) (x, y).
y x
(p2 ) X e Y s
ao n
ao-interativas, probabilisticamente, se
(p3 ) as distribuico
es condicionais de X e Y s
ao dadas, respectivamente,
108 Noc
oes da L
ogica Fuzzy
por
P(X,Y ) (x, y)
PX|Y (x|y) = P(X,Y ) (x, y) = PX|Y (x|y).PY (y)
PY (y)
se PY (y) 6= 0 e
P(X,Y ) (x, y)
PY |X (y|x) = P(X,Y ) (x, y) = PY |X (y|x).PX (x)
PX (x)
se PX (x) 6= 0 .
(p4 ) X e Y s
ao independentes, probabilisticamente, se
No entanto, h
a autores que n
ao defendem tal equivalencia e assim
se utilizam de operac
oes matem
aticas mais gerais para representar
matematicamente esses conceitos. Essas operacoes s
ao conhecidas na
literatura como c
opulas e tem relacoes estreitas com as t-normas. A
proposito, como ja sabemos, a operacao de multiplicacao utilizada em
(p2 ) e (p4 ) e uma particular t-norma.
4.6.2 Independ
encia e N
ao-Interatividade Possibilstica
(f1 ) As distribuico
es de possibilidades marginais [52] de A e B s
ao da-
das, respectivamente, por
(f2 ) A e B s
ao possibilisticamente n
ao-interativos, segundo a t-norma
, se
(A,B) (x, y) = A (x)B (y),
(f3 ) As distribuico
es de possibilidades condicionais de A e B, segundo
a t-norma , de A e B s
ao dadas, respectivamente, atraves das
formulas
(A,B) (x, y) = (A|B) (x|y)B (y)
110 Noc
oes da L
ogica Fuzzy
e
(A,B) (x, y) = (B|A) (y|x)A (x).
(f4 ) A e B s
ao possibilisticamente independentes se
4.6.3 As distribuic
oes Condicionais e o Modus Ponens: Uma
Vis
ao Bayesiana
A regra condicional
R : se x e (est
a em) A entao y e (est
a em) B
R : se x e (est
a em) A entao y e (est
a em) B (4.11)
n
ao for causal, como e o caso das que aparecem nos controladores fuzzy
(ver Captulo 5), em que R representa o produto cartesiano, ou seja,
cada par (x, y) e um elemento do produto cartesiano, o qual costuma
ser medelado pela t-norma do mnimo, entao R pode ser interpretada
como distribuic
ao conjunta (sugerida inicialmente por Zadeh [131]).
112 Noc
oes da L
ogica Fuzzy
sugerindo n
ao-interatividade entre os conjuntos fuzzy A e B, segundo
a t-norma . Especificamente no metodo de Mamdani (Captulo 5),
temos n
ao-interatividade, ja que nesse caso = .
a) Se a implicac
ao for a de G
odel e = , verifique se as distribuicoes
priori e posteriori de B coincidem;
(Lotfi A. Zadeh)
Intuitivamente, todos n
os concordamos com o pensamento de Zadeh
exposto acima. No entanto, como e bastante conhecido, foram os seus
primeiros trabalhos sobre teoria dos conjuntos fuzzy que deram origem
ao que hoje e chamado de l
ogica fuzzy, assunto este com grande aplicacao
na execuc
ao e controle de tarefas.
No cotidiano, as ac
oes humanas controlam os mais diversos sistemas
do mundo real por meio de informacoes imprecisas. Cada indivduo
funciona como uma caixa preta: recebe informacoes que s
ao interpre-
tadas segundo seus par
ametros e entao decide qual atitude tomar. O
controle e a execuss
ao de tarefas devem seguir uma sequencia de or-
dens lingusticas, traduzidas por um conjunto de regras, capazes de
serem decodificadas pelo controlador.
O exemplo a seguir tem como objetivo ilustrar o comentado acima.
114 Sistemas Baseados em Regras Fuzzy
Roupa
Limpa
R1 : Proposiao fuzzy 1
c
ou
R2 : Proposi cao fuzzy 2
..............................
ou
Rr : Proposiao fuzzy r
c
Se estado Ent
ao reposta
Se condica
o Ent
ao aca
o.
No Exemplo 5.1 acima estamos supondo que cada tarefa seja execu-
tada por um ser humano, n
ao precisando pois, de qualquer ferramenta
matem
atica. Esse n
ao e o caso de controladores fuzzy. As vari
aveis de
interesse s
ao: roupa (r) `
a ser lavada; sua sujeira (s) e o controle ado-
tado (e), e cada uma das classificacoes grossa ou fina, para roupa, e
f
acil ou difcil para a sujeira, muito tempo, pouco tempo ou em
tempo medio, para a ac
ao de lavar, devem ser modeladas por conjuntos
fuzzy.
De forma semelhante `
a que vimos no Captulo 4, cada uma das clas-
sificac
oes das vari
aveis que constam na base de regras e modelada por
um conjunto fuzzy. A l
ogica fuzzy e a outra parte utilizada na obtencao
5.2 Controlador Fuzzy 117
da relac
ao fuzzy que sintetiza as informacoes matem
aticas contidas na
base de regras.
A base de regras cumpre o papel de traduzir matematicamente as
informac
oes que formam a base de conhecimentos do sistema fuzzy. Num
certo sentido, pode-se afirmar que quanto mais precisas forem tais in-
formac
oes, menos fuzzy (mais crisp) ser
a a relacao fuzzy que representa
a base de conhecimentos. Numa situacao ideal, tal relacao pode mesmo
ser uma func
ao no sentido classico.
A sec
ao seguinte trata da metodologia de controladores fuzzy e indica
os m
odulos b
asicos para a sua obtencao.
M
odulo de fuzzificac
ao
Este e o est
agio onde as entradas do sistema s
ao modeladas por conjuntos
fuzzy com seus respectivos domnios. E nele que justifica-se a grande
import
ancia de especialistas do fenomeno a ser modelado. Juntamente
com os especialistas, as funcoes de pertinencia s
ao formuladas para cada
conjunto fuzzy envolvido no processo. Mesmo que a entrada seja crisp,
essa ser
a fuzzificada por meio de sua funcao caracterstica.
M
odulo da base de regras
Este pode ser considerado como um m
odulo que faz parte do n
ucleo
do controlador fuzzy. Ele e composto pelas proposicoes fuzzy e cada
118 Sistemas Baseados em Regras Fuzzy
Se x1 e A1 e x2 e A2 e e xn e An
Ent
ao u1 e B1 e u2 e B2 e e um e Bm
Modulo de infer
encia fuzzy
neste m
E odulo que cada proposicao fuzzy e traduzida matematica-
mente por meio das tecnicas da logica fuzzy. E onde se define quais
t-normas, t-conormas e regras de inferencia (que podem ser implicacoes
fuzzy) ser
ao utilizadas para se obter a relacao fuzzy que modela a base
de regras.
Este m
odulo tem tanta import
ancia quanto o m
odulo da base de re-
gras. Basicamente dele e que depende o sucesso do controlador fuzzy, ja
que ele fornecer
a a sada (controle) fuzzy a ser adotada pelo controlador,
a partir de cada entrada fuzzy.
M
odulo de defuzzificac
ao
Na teoria estoc
astica e comum indicar a esperanca matem
atica (ou
media) como o n
umero que melhor representa uma vari
avel aleatoria
(ou uma distribuic
ao de dados). Outros valores como a moda e a me-
diana tambem s
ao utilizados para representar a centralizacao de tal
distribuic
ao.
Na teoria dos conjuntos fuzzy, a defuzzificacao e um processo que
permite representar um conjunto fuzzy por um valor crisp (n
umero real).
A Figura 5.2 representa um esquema geral de um controlador fuzzy.
A base de regras e modelada matematicamente por uma relacao fuzzy
5.2 Controlador Fuzzy 119
Base de
Regras
M
odulo de M
odulo de
Fuzzificac
ao Defuzzificac
ao
Modulo de
Inferencia
Fuzzy
Fato: A = x1 e A1 e x2 e A2 e e xn e An .
Conclus
ao: u e B = R(A).
5.3 O M
etodo de Infer
encia de Mamdani
Do ponto de vista te
orico, Mamdani propoe uma relacao fuzzy bin
aria
M entre x e u para modelar matematicamente a base de regras.
5.3 O M
etodo de Mamdani 121
Para o conectivo l
ogico ou adota-se a t-conorma (m
aximo)
que conecta as regras fuzzy da base de regras.
Formalmente, a relac
ao fuzzy M e o subconjunto fuzzy de X U cuja
func
ao de pertinencia e dada por
M (x, u) = max (Rj (x, u)) = max [Aj (x) Bj (u)], (5.3)
1jr 1jr
onde r e o n
umero de regras que comp
oem a base de regras e, Aj e Bj
ao os subconjuntos fuzzy da regra j. Cada um dos valores Aj (x) e
s
Bj (u) s
ao interpretados como os graus com que x e u est
ao nos sub-
conjuntos fuzzy Aj e Bj , respectivamente, de maneira que M nada mais
e que a uni
ao dos produtos cartesianos fuzzy entre os antecedentes e os
consequentes de cada regra.
Observac
oes:
Aj (x) = Aj1 (x1 ) Aj2 (x2 ) e Bj (u) = Bj1 (u1 ) Bj2 (u2 ),
Quadro 5.4: Base de regras para um controlador com duas entradas e uma
sada.
M (t) = {A11 (x1 ) A12 (x2 ) B1 (u)} {A21 (x1 ) A22 (x2 ) B2 (u)}
= max {A11 (x1 ) A12 (x2 ) B1 (u), A21 (x1 ) A22 (x2 ) B2 (u)}
representando a relac
ao fuzzy obtida da base de regras pelo metodo de
Mamdani.
Agora, para um dado conjunto fuzzy de entrada A = A1 A2 , com
A1 e A2 dois n
umeros fuzzy, o conjunto fuzzy de sada, que representa
o controle a ser adotado para A pelo metodo de Mamdani, e dado por
5.3 O M
etodo de Mamdani 123
B = M A, cuja func
ao de pertinencia e
Como A = A1 A2 , ent
ao A (x1 , x2 ) = A1 (x1 ) A2 (x2 ).
Desta forma
= sup {[A1 (x1 )A11 (x1 )][A2 (x2 )A12 (x2 )]B1 (u)}
(x1 ,x2 )
sup {[A1 (x1 )A21 (x1 )][A2 (x2 )A22 (x2 )]B2 (u)}
(x1 ,x2 )
= BR1 (u) BR2 (u).
Note que o u
ltimo gr
afico da Figura 5.4 representa a funcao de per-
tinencia B do controle B que foi obtido pelo conectivo , que e a
t-conorma do m
aximo.
ou seja,
A = A1 A2
onde
( (
1 se x = x0 1 se y = y0
A1 (x) = e A2 (y) = .
0 se x 6= x0 0 se y 6= y0
fuzzy, mesmo para o caso de uma entrada crisp. Assim, se for necessario
ter um n
umero real devemos fazer uma defuzzificacao do subconjunto
fuzzy de sada para se obter um valor crisp que o represente.
5.4 M
etodos de Defuzzificac
ao
n
X
ui B (ui )
i=0
G(B) = n . (5.4)
X
B (ui )
i=0
Z
uB (u)du
G(B) = ZR . (5.5)
B (u)du
R
i+s
C(B) = , (5.6)
2
onde
5.4.3 M
edia dos M
aximos (M(B))
Para domnio discreto e comum usar como defuzzificador a media dos
m
aximos cuja definic
ao e dada por
P
ui
M (B) = , (5.8)
n
onde n e dado e ui , com 1 i n, s
ao os elementos de maior pertinencia
ao conjunto fuzzy B.
Como dissemos antes, via de regra, os controladores fuzzy sao com-
postos de quatro m
odulos: fuzzificacao, base de regras, inferencia e de-
fuzzificac
ao. O metodo de Mamdani e um caso tpico. No entanto, para
algumas situac
oes o m
odulo de defuzzificacao pode ser suprimido. Este
e o caso do metodo de inferencia de Takagi-Sugeno-Kang que iremos
descrever nesta sec
ao.
5.5 M
etodo de Infer
encia de Takagi - Sugeno -
Kang (TSK)
As diferencas b
asicas entre o metodo de inferencia de Takagi-Sugeno-
Kang (doravante chamado TSK) e o de Mamdani est
ao na forma de es-
crever o consequente de cada regra e no procedimento de defuzzificacao
5.5 M
etodo de Infer
encia de TSK 129
u = fr (x1 , x2 , . . . , xn )
Xr r
X
j .gj (x1 , x2 , . . . , xn ) j .uj
j=1 j=1
= r = r , (5.9)
X X
j j
j=1 j=1
onde os pesos j s
ao dados por j = Aj1 (x1 ) Aj2 (x2 ) Ajn (xn ),
e e uma t-norma. O peso j corresponde `a contribuicao da regra Rj
para a sada geral. Os casos mais comuns de t-normas s
ao o produto e
o mnimo.
Para o caso de duas regras, cada uma com duas vari
aveis de entrada
130 Sistemas Baseados em Regras Fuzzy
Supondo que seja a t-norma mnimo, temos como sada geral, re-
presentando o controle para as acoes x1 e x2 , o valor de u dado pela
equac
ao:
1 u1 + 2 u2 1 g1 (x1 , x2 ) + 2 g2 (x1 , x2 )
u= = = fr (x1 , x2 ), (5.10)
1 + 2 1 + 2
gi (x1 , x2 ) = ai x1 + bi x2 + ci .
1 u1 + 2 u2 1 g1 (x0 , y0 ) + 2 g2 (x0 , y0 )
u= = .
1 + 2 1 + 2
R1 : Se x e baixo(A1 ) ent
ao y1 = x + 2
ou
R2 : Se x e alto(A2 ) ent
ao y2 = 2x
A1 (x).y1 + A2 (x).y2
y = = A1 (x).y1 + A2 (x).y2
A1 (x) + A2 (x)
x2 x
= + +2
4 2
que e uma
par abola com concavidade voltada para cima, cujo vertice e
7
1, .
4
O gr afico a seguir ilustra a sada (y) e a base de regras com as funcoes
de pertinencias A1 e A2 . Observe que tais funcoes est
ao representadas
abaixo do eixo OX.
1 c1 + 2 c2
u=
1 + 2
que as func
oes de cada consequente podem ter argumentos fuzzy, e os
valores das entradas podem ser subconjuntos fuzzy.
A seguir apresentaremos algumas consideracoes a respeito dos dois
metodos:
5.6 Aplicac
oes
Este modelo foi desenvolvido por Ranulfo Paiva Sobrinho junto `a pre-
feitura de Ilha Comprida, utilizando controladores fuzzy. Seu objetivo
era prever a variac
ao da salinidade superficial em um ponto situado em
frente `
a Ilha de Cananeia, tendo como vari
aveis de entrada a precipitacao
pluviometrica e a vaz
ao do Rio Ribeira de Iguape [97].
Figura 5.11: Area de estudo no litoral sul paulista.
Apresentac
ao do fen
omeno
O modelo
mm
50 100 150 200 250 300 350
0
/00
5 10 15 20 25 30 35
Base de regras
Cada uma das regras (veja Quadro 5.9) tem a forma dos exemplos se-
guintes:
R 4 - SE chuva acumulada em Cananeia no intervalo de 1 a 3 dias
for baixa E a salinidade inicial do perodo for media baixa E a vaz
ao do
Rio Ribeira e alta ENTAO a salinidade final e baixa.
Infer
encia
R2 Se a precipitac
ao pluviometrica acumulada em Cananeia no perodo
de 1 a 3 dias for baixa e a salinidade inicial do perodo for media
e a vaz
ao do Rio Ribeira for media alta ent
ao a salinidade final
ser
a media baixa.
R3 Se a precipitac
ao pluviometrica acumulada em Cananeia no perodo
de 1 a 3 dias for baixa e a salinidade inicial do perodo for media
baixa e a vaz
ao do Rio Ribeira for media alta ent
ao a salinidade
final ser
a baixa.
1
Smbolo para por mil.
5.6 Aplicac
oes 141
R2 : min {Cb (23), SIm (23), Vma (1454)} = min[1; 0,25; 0,82] = 0,25.
R3 : min {Cb (23), SImb (23), Vma (1454)} = min[1; 0,67; 0,82] = 0,67.
Essa operac
ao e feita para cada uma das regras acionadas.
O valor de pertinencia encontrado em cada regra (0,25 para R2 e 0,67
para R3 ) ser
a projetado `
a funcao de pertinencia da vari
avel resposta
da regra em quest
ao, de modo que s
o ser
ao preservados os valores de
pertinencia da vari
avel resposta que forem menores ou iguais ao valor
encontrado pelo operador mnimo (ver regi
oes escuras na Figura 5.14).
Combinando as sadas parciais de cada regra ativada (observamos que
nesse exemplo n
ao s
ao s
o essas duas) atraves da t-conorma do m
aximo,
obtemos a sada geral do controlador pelo metodo de Mamdani, sem
defuzzificac
ao (Figura 5.14).
Finalmente, usando o metodo de defuzzificacao do centro de gravidade
na sada fuzzy, obtemos como sada crisp o valor 15,2 para representar
a salinidade final.
Na Tabela 5.2 encontramos todos os valores das vari
aveis de entrada,
os valores das salinidades observadas e os valores das salinidades resul-
tantes do modelo.
Foi adotado o metodo do Valor Medio Absoluto para validar esse
modelo e obteve-se um resultado considerado satisfatorio na comparacao
com valores observados.
Resumo e Coment
arios finais
Precipitaca
o Salinidade Vazao do Salinidade Salinidade
acumulada (mm) inicial (0 /00 ) Rio (m3 /s) Observada ( 0 /00 ) Modelada (0 /00 )
13,6 14 2016 6 3,4
115 30 1163 18 17,7
148 24 763 18 17,6
31 18 1515 15 13,2
3 18 2273 8 7,6
320 26 687 5 3,4
110 20 938 13 14,4
180 18 800 16 15,8
102 25 584 25 23,5
123 30 469 26 24,2
23 23 1454 17 15,2
ples a populac
ao e compartimentada em assintom
aticos e sintom
aticos,
cuja taxa de convers
ao e dada por um par
ametro , denominado taxa
de incidencia [65].
O diagrama abaixo representa tal sistema compartimental com taxa
de convers
ao .
Assintom
aticos = Sintom
aticos
do vrus e e respons
avel pelo retardo na transferencia de assintom
aticos
para sintom
aticos.
atica, divide-se a contagem de celulas CD4+ por milili-
De maneira did
tro em sangue periferico em quatro faixas, e os est
agios de infecciosidade
ao classificados de acordo com essas faixas de celulas CD4+
por HIV s
na corrente sangunea3 .
1) Estagio de infecc
ao por HIV com baixo risco de desenvolvimento
da AIDS, quando CD4+ > 0,5 cel/ml;
Por outro lado, existe uma relacao entre a carga viral de HIV e a pos-
sibilidade de desenvolver a AIDS. Cargas altas de HIV destr
oem gran-
des quantidades de linfocitos CD4+ e o sistema imunol
ogico perde sua
efic
acia. Carga viral baixa n
ao tem condicao de afetar substancialmente
o sistema imunol
ogico. Os seguintes dados s
ao relevantes para a ela-
borac
ao do modelo [65]:
b) Se a carga viral estiver entre 10 mil e 100 mil pares de RNA/ml, isto
e, se 10.000 < V < 100.000, entao tem-se um risco moderado de
progress
ao;
Entradas Sada
Carga Viral
TSK
Taxa de
CD4+
Convers
ao
Em colaborac
ao com especialistas em AIDS, obtemos a base de regras
fuzzy apresentada no Quadro 5.10.
Nvel de CD4+
MB B M MA A
Carga B F M M Mf f
Viral M F F M Mf f
A F F M M M
Nvel de Classificacao
= 1 = 0, 00 para f : fraco
= 2 = 0, 15 para M f : medio fraco
= 3 = 0, 65 para M : medio
= 4 = 1, 00 para F : forte
Func
oes de pertin
encias
As func
oes de pertinencias dos subconjuntos fuzzy assumidos por cada
aveis V , CD4+ s
uma da vari ao do tipo trapezoidal enquanto que as
taxas de convers
ao s
ao crisps (Veja Figuras 5.16, 5.17 e 5.18).
Utilizando o Metodo TSK para obter , a partir da Base de Re-
gras descrita anteriormente e das funcoes de pertinencia, temos uma
superfcie (Figura 5.19).
A partir desta superfcie, podemos sugerir uma express
ao analtica
para = (v, c). Segundo informacoes medicas, o par
ametro mais usado
para controlar e diagnosticar HIV + e o valor de CD4+ . Desta forma,
numa primeira aproximac
ao, poderamos simplesmente utilizar = (c)
150 Sistemas Baseados em Regras Fuzzy
mtbaixo
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 +
V CD4
1 = 0
2 = 0,15 3 = 0,65 4 = 1
1
0.8
Taxa de transferencia ()
0.6
0.4
0.2
1
0
0 0.5
0.2
0.4
0.6
0.8 0
1
Nivel de CD4+ (c) Carga viral (v)
c min cM CD4
+
r
c(v) = ou c(v) = 0 + aev ,
a +
CD4+ . Essa e uma grande diferenca do caso classico em que tal taxa
e, via de regra, dada por algum tipo de ajuste ou simulacoes de dados
amostrais.
Os pulg
oes s
ao os principais vetores na disseminacao das doencas das
plantas perenes. Recentemente, uma doenca denominada morte s
ubita
(ver [21, 101]), causada por vrus transportados por pulg
oes, tem sido a
grande ameaca dos laranjais paulistas. O controle da doenca e baseado,
sobretudo, no controle qumico de pulg
oes com aplicacoes intermitentes
de biocidas e com intensidade dependente da infestacao da praga.
O que pretendemos aqui e simular qual deve ser a quantidade de
veneno que deve ser aplicada em uma plantacao, supondo conhecida a
infestac
ao bem como a variacao da praga em um talh
ao.
O modelo
Adotamos como vari
aveis de entrada a densidade de a
rvores infestadas
de pulg
oes P (n
umero de arvores infestadas/total de arvores) e a va-
riaca
o da densidade de infestaca
o P , que e avaliada conforme a epoca
do ano, a qual seria mais ou menos propcia para seu crescimento. Sabe-
se que os pulg
oes proliferam mais na epoca das chuvas, quando as plantas
tem novos brotos.
A vari
avel P , dada em porcentagem p, varia de 0% `a 100%. A va-
riac
ao de P que, neste caso, representa seu crescimento numa unidade
de tempo, pode assumir valores entre 0% a 100% de p. Estas vari
aveis
ser
ao definidas em termos lingusticos e modeladas por subconjuntos
fuzzy triangulares.
Vari
aveis
Nas Tabelas 5.5 e 5.6 abaixo encontram-se as denominacoes das vari
aveis
lingusticas e seus valores em questao.
5.6 Aplicac
oes 153
Dens.
arvores infestadas : P Var. da dens. de infestacao : P
densidade baixssima(Pbi ) variacao de densidade quase nula(V0 )
densidade muito baixa(Pb ) variacao de densidade muito baixa(Vbi )
densidade baixa(Pm ) variacao de densidade baixa(Vb )
densidade media(Pma ) variacao de densidade media(Vm )
densidade media alta(Pa ) variacao de densidade alta(Va )
densidade alta(Pat ) variacao de densidade muito alta(Vat )
Base de Regras
O Quadro 5.11 abaixo sintetiza a base de regras aqui utilizada. Por
exemplo, se P e densidade media alta (Pma ) e P e variaca
o densidade
media (Vm ) ent
ao o controle e medio alto (Cma ).
P P V0 Vbi Vb Vm Va Vat
Pbi C0 C0 C0 Cbi Cbi Cb
Pb C0 Cbi Cbi Cb Cb Cm
Pm Cbi Cb Cb [Cm ] [Cm ] Cma
Pma Cb Cm Cm [Cma ] [Cma ] Ca
Pa Cm Cma Cma Ca Ca Cat
Pat Cma Ca Ca Cat Cat Cat
Quadro 5.11: Base de Regras para controle de pulg oes. Em destaque temos
os conjuntos atingveis se p for 18% e p for 38%.
u
ltimos para as entradas. As funcoes de pertinencia de cada um deles
est
ao representadas nas figuras seguintes.
As func
oes de pertinencia dos subconjuntos fuzzy das densidades de
infestac
ao podem ser visualizados na Figura 5.21 (a). Na Figura 5.21
(b) estao apresentadas as funcoes de pertinencia dos conjuntos fuzzy de
variac
oes de densidades de infestacoes e na Figura 5.21 (c) as funcoes de
pertinencia dos conjuntos fuzzy do controle podem ser visualizadas.
Com o u
nico intuito de visualizar o processo de inferencia fuzzy, vamos
introduzir uma notacao que, em um certo sentido, pode ser vista como
uma extens
ao daquela apresentada na Secao 1.4, do Captulo 1, para
conjunto fuzzy finito.
Para cada p, algum valor da vari avel ling
ustica P e atingido, isto
porque os subconjuntos fuzzy da vari
avel P formam uma particao fuzzy
do universo de P . Este fato ser
a denotado aqui por
2018
Para p = 18 temos Pm (18) = 7,5 = 0, 27.
Se optarmos pela formula (2.6) para Pm , esta fornece p = (12, 5
20)+20. Para p = 18 temos 18 = (12, 520)+20. Logo, a pertinencia
5.6 Aplicac
oes 155
0,27
Observamos que na notacao acima, Pm indica que p = 18% pertence
a Pm com grau 0, 27. O smbolo n
ao indica qualquer tipo de adicao,
apenas conecta os conjuntos atingidos. Tambem, P (p) n
ao indica per-
tinencia de p a P , ja que P n
ao e conjunto fuzzy, e sim uma vari
avel
lingustica.
Controle de Pulg
oes com Aplicac
ao de Biocida
Se pretendemos adotar alguma estrategia de controle, devemos definir
como vari
avel de sada uma determinada acao, que ir
a influenciar na
din
amica populacional dos pulg
oes.
O controle est
a representado pelos valores no interior da Tabela 5.11.
Estamos supondo que o controle seja a capacidade de eliminacao da
praga (kill rate), isto e, c = k significa que a aplicacao deste biocida
elimina k% de p.
Simulac
ao do modelo para uma condic
ao inicial dada
Vamos considerar uma determinada condicao inicial (crisp), represen-
tando o estado atual da densidade populacional de arvores infestadas
de pulg
oes num laranjal, e simular o controle a ser aplicado. Suponha-
mos que, no instante inicial, temos uma infestacao de 18% do laranjal
e que estamos em janeiro (perodo de chuvas e brotacao das laranjei-
ras). Neste caso podemos considerar uma taxa de variacao grande, por
exemplo, p = 38. Como ilustrado na Figura 5.20(b), esse valor atinge
apenas os conjuntos fuzzy Vm e Va .
De maneira an
aloga a que vimos para a infestacao, temos:
5.6 Aplicac
oes 157
38 = (30 40) + 40 = 0, 2.
38 = (40 30) + 30 = 0, 8.
Portanto,
Vm (38) Va (38) 0, 2 0, 8
P (38) = = .
Vm Va Vm Va
0, 27 0, 40
C (18, 38) = .
Cm Cma
158 Sistemas Baseados em Regras Fuzzy
0, 27 30 + 0, 40 40
G(C) = c = = 35, 97.
0, 27 + 0, 40
Este resultado indica que devemos aplicar um biocida que tenha poder
de reduc
ao de 35, 97% das arvores infestadas.
Como antes da aplicac
ao tnhamos uma densidade de 18% de arvores
infestadas e uma potencialidade de crescimento de 38%, vamos supor que
a aplicac
ao de biocida se d
a imediatamente ap
os tal crescimento. Assim,
quando aplicarmos o biocida teremos uma densidade de infestacao dada
por:
p1 = p + 0, 38p = 24, 84.
Agora, aplicando o controle que reduz tal infestacao em 35, 97%, isto
e, c = 35, 97, teremos uma densidade de infestacao resultante, dada por:
pe = p1 0, 3597p1 16.
Equac
oes Relacionais Fuzzy e
Aproximac
ao Universal
Nossa opc
ao por apresentar esses dois temas em um mesmo captulo
foi, principalmente, por motivos did
aticos, considerando que s
ao con-
sequencias naturais do que vimos nos Captulos 4 e 5, respectivamente.
O leitor que tiver interesse em aprofundar seus estudos pode consultar
uma vasta literatura da qual fazem parte as referencias que indicaremos
no decorrer do texto.
A composic
ao max-min entre relacoes fuzzy bin
arias, vista no Captulo
3, desepenhara papel fundamental nesta primeira parte do captulo.
Porem, para nosso proposito aqui, novas composicoes entre relacoes
fuzzy ser
ao necessarias. A seguir listaremos algumas delas a partir das
t-normas, t-conormas, negacoes e implicacoes fuzzy.
6.1 Composic
oes Generalizadas de Relac
oes Fuzzy
Nas definic
oes que seguem, R e S s
ao relacoes fuzzy bin
arias definidas
em U V e V W , respectivamente; e uma t-norma; e uma
t-conorma e = e uma implicacao fuzzy.
Definic
ao 6.2. A composicao infc define uma relacao fuzzy Rc S em
U W cuja func
ao de pertinencia e dada por
(a) (x, y) = x y;
(R t S)1 = S 1 t R1
6.2 Equac
oes Relacionais Fuzzy
Vamos considerar
As equac
oes relacionais tratam de achar a forma matricial de uma
relac
ao fuzzy bin
aria, a partir de duas outras conhecidas.
As Equaco
es Relacionais Fuzzy de interesse aqui tem a forma
RX =T ou X R =T,
onde R e T s
ao as formas matriciais das relacoes fuzzy bin
arias da-
das, uma composic
ao entre relacoes fuzzy (n
ao necessariamente
max min) e X a forma matricial de uma relacao fuzzy inc
ognita a ser
encontrada.
Assim, por exemplo, resolver a equacao
RX =T
164 Equac
oes Relacionais Fuzzy e Aproximac
ao
6.2.1 Equac
oes Relacionais Fuzzy com a composic
ao maxmin
Inicialmente vamos estudar o caso em que a operacao e a composicao
max min e a equac
ao e dada por
RX =T. (6.1)
para cada 1 i m e 1 k p.
Portanto, no sentido de investigar a solucao de (6.1), a primeira pro-
videncia a ser tomada e verificar se tal sistema de equacoes tem chance
de ter soluc
ao.
De (6.2) temos
para todo i e todo k. Da, segue imediatamente que se existir uma linha
i de modo que
max rij < max tik , (6.3)
1jn 1kp
6.2 Equac
oes Relacionais Fuzzy 165
ent
ao n
ao haver
a X que resolva a equacao. Isto nos leva ao seguinte
resultado:
Proposic
ao 6.1. Se a desigualdade (6.3) acima for verificada, ent
ao a
equaca
o relacional fuzzy (6.1) n
ao ter
a soluca
o.
tambem s
ao soluc
oes da mesma equacao relacional. Desta forma, uma
equac
ao relacional pode ter varias solucoes. Mais ainda, para esse caso,
X3 e a maior delas no sentido que seus elementos s
ao os maiores dentre
aqueles que fazem parte de qualquer solucao da equacao dada.
Na literatura, soluc
oes como X3 , isto e, com xij maiores possveis, s
ao
chamadas de maximais. A solucao maximal e entao a relacao formada
por elementos com maior grau de pertinencia `a solucao da equacao dada.
Verifique se h
a mais que uma solucao. Caso exista, tente determinar a
soluc
ao maximal.
Y R=T.
6.2.2 Equac
oes Relacionais Fuzzy com a composic
ao supt
Nesta subsec
ao generalizaremos a Equacao (6.1), no sentido de usar
outras composic
oes, alem da maxmin, e enunciaremos o principal re-
sultado sobre equac
oes relacionais estudadas neste texto.
Agora, qualquer uma das composicoes vistas na Secao 6.1 ser
a estu-
dada e a equac
ao de interesse e entao
R t X = T . (6.5)
X t R = T
(R t X )1 = X 1 t R1 .
R t X = T . (6.6)
Demonstraca
o. A prova desse teorema o leitor pode encontrar em [72].
ario 6.3. Se D = R1 =T n
Corol ao for soluca o R t X =
o da equaca
T , ent
ao essa equaca
o n
ao tem soluca
o.
Corol
ario 6.4. Se existir soluca
o de (6.5) para o caso em que = ,
ou seja, se existir soluca
o para a equaca
o R X = T , ent
ao sua soluca
o
maximal e D = R1 g T , onde g e a implicaca
o de G
odel.
Corol
ario 6.5. Se existir soluca
o de (6.5) para o caso em que =
produto, ou seja, se existir soluca o R t X = T e a
o para a equaca
t-norma e a do produto, ent o maximal e D = R1 gn T ,
ao sua soluca
onde gn e a implicaca
o de Goguen.
a) = min
b) = produto.
6.2 Equac
oes Relacionais Fuzzy 169
A subsec
ao a seguir e dedicada `a construcao de um modelo de di-
agn
ostico, indicando o grande potencial de aplicacoes das equacoes rela-
cionais. Ser
a precisamente o Corol
ario 6.4 que iremos usar para ilustrar
tal potencial.
Esses dados ir
ao compor a base de conhecimentos que ser
a expressa
por meio de relac
oes fuzzy.
O que desejamos obter e uma relacao fuzzy D de modo que S D =
T , onde S e T s
ao, respectivamente, as representacoes matriciais das
relac
oes fuzzy dos sintomas e dos pacientes diagnosticados, dadas em
U V e U W , respectivamente.
P \s s1 s2 s3 s4 s5 s6 s7 s8 s9 s10 s11
P1 0,8 0,4 0,5 0,8 0,2 0,1 0,1 0,9 0,1 0,1 0,4
P2 0,3 0,1 0,4 0,8 0,9 0,2 0,1 0,1 0,1 0,1 0,3
P3 0,8 0,3 0,5 0,8 0,1 0,2 0,9 0,1 0,6 0,3 0,6
P4 0,8 0,7 0,7 0,2 0,1 0,9 0,1 0,1 0,1 0,9 0,4
P \d d1 d2 d3 d4
P1 0,9 0,3 0,4 0,2
P2 0,3 0,9 0,1 0,1
P3 0,4 0,1 0,9 0,3
P4 0,2 0,1 0,3 0,9
Neste exemplo, os dados em cada uma das tabelas acima foram ob-
tidos na literatura (fato que possibilita usar dados de doencas que por
ventura ja n
ao tenha mais sido diagnosticada). No entanto, dados de
especialistas podem (e devem) ser usados no modelo.
6.2 Equac
oes Relacionais Fuzzy 171
s\d d1 d2 d3 d4
s1 0,2 0,1 0,1 0,1
s2 0,2 0,1 0,3 0,2
s3 0,2 0,1 0,1 0,1
s4 0,3 0,1 0,1 0,1
s5 0,3 1,0 0,1 0,1
s6 0,2 0,1 0,1 0,1
s7 0,4 0,1 1,0 0,3
s8 1,0 0,3 0,4 0,2
s9 0,4 0,1 1,0 0,3
s10 0,2 0,1 0,3 1,0
s11 0,2 0,1 0,1 0,1
ao D = S 1 g T : sintomas e diagn
Tabela 6.3: Matriz da Relac osticos.
0,8 0,2 0,1 0,1 0,1
0,4 0,2 0,1 0,3 0,2
0,5 0,2 0,1 0,1 0,1
0,8 0,3 0,1 0,1 0,1
0,2 0,3 1,0 0,1 0,1
h i
P1 D = 0,1 0,2 0,1 0,1 0,1 = 0,9 0,3 0,4 0,2 .
0,1 0,4 0,1 1,0 0,3
0,9 1,0 0,3 0,4 0,2
0,1 0,4 0,1 1,0 0,3
0,1 0,2 0,1 0,3 1,0
0,4 0,2 0,1 0,1 0,1
satisfar
a a desigualdade (6.3) sempre que a matriz T (base de dados)
for formada por, pelo menos um representante de cada doenca, isto e,
sempre que em cada coluna de T haja pelo menos um valor pr
oximo de
1.
Para o nosso caso, o paciente P1 teve escarlatina, P2 rubeola, P3
sarampo e P4 gripe.
Como a matriz de diagn
ostico D e o resultado de uma implicacao
fuzzy, em que T e implicada D = S 1 = T (D = S 1 = T )
intuitivamente a condic
ao (6.3) e automaticamente satisfeita, ou seja,
os maiores valores de D n
ao s
ao menores que os maiores valores de
T (os valores de uma implicacao s
ao, pelo menos, iguais aos valores
implicados).
Finalmente, a escolha da equacao relacional S t X = T para modelar
diagn
ostico medico foi feita apenas com o intuito de manter a coerencia
ogica: sintomas implicam tratamento, ou conduta (S 1 = T ), da
l
ao cuja solucao e D = S 1 = T .
escolhermos a equac
Um estudo mais detalhado desses assuntos pode ser encontrado em
Klir e Yuan [72], Pedrycz [99], Pedrycz e Gomide [100], Sanchez [114],
Wergenknecht e Hartmann [127] e Wangning [125] dentre muitos que
tratam das equac
oes relacionais fuzzy.
A sec
ao a seguir trata de aproximacao em um outro sentido, diferente
da que comentamos acima para equacoes relacionais.
6.3 Aproximac
ao Universal
Via de regra, os processos matem
aticos que possibilitam conclusoes
(sadas: y), a partir de dadas informacoes (entradas: x), s
ao dados
por funcionais: y = f (x). Estes processos referem-se apenas a dados e
funcionais matematicamente precisos. No entanto, o uso dos conjun-
tos fuzzy, combinados com a logica fuzzy, permite ampliar estes sistemas
de entrada e sada. Como exemplo tpico deste processo temos os con-
6.3 Aproximac
ao Universal 175
Base de
Entrada Sada
Conhecimento
A modelagem matem
atica mais comum para um sistema de entradas
e sadas e aquela cujas entradas e sadas s
ao n
umeros reais e a base de
conhecimentos e dada por meio de um funcional.
plo 5.3 e um sistema de duas entradas e uma sada: a cada par (x, y)
de n
umeros reais e associado um n
umero real u. O sistema fuzzy de-
ao f : D R2 R . Tambem o Modelo
fine portanto uma func
5.6.2 (HIV) tem estas caractersticas. J
a o controlador do Modelo 5.6.1
(Salinidade) induz a uma funcao g : D R3 R.
O que queremos salientar com esses exemplos e que, cada um deles
produz uma func
ao que mapea um domnio de entradas X em um contra-
domnio de sadas Y . Esta e uma caracterstica dos sistemas baseados
em regras fuzzy e e a que queremos explorar aqui com o proposito de
aproximar um possvel funcional (teorico) modelador de determinado
fenomeno.
A grande utilidade dos sistemas fuzzy (controladores fuzzy) no estudo
de aproximac
ao est
a no fato de poder substituir, com alguma credi-
bilidade, a tal func
ao te
orica, uma vez que esta pode apresentar muitas
dificuldades de manipulac
ao ou mesmo ser apenas conhecida parcial-
mente. Por exemplo, qual funcao teorica poderamos propor para prever
a salinidade superficial estudada no Modelo 5.6.1?
Em todos os exemplos citados aqui, foram adotados ou o metodo de
inferencia de Mamdani ou o TSK e, portanto, a t-norma e a do mnimo
enquanto a t-conorma e a do m
aximo. Porem, outro tipo de controlador
pode ser adotado e, neste caso, outras t-normas e t-conormas podem ser
usadas. De um modo geral, cada uma das funcoes f , dadas por um
sistema fuzzy, depende:
R1 : Se x e A1 ent
ao y e B1
ou
R2 : Se x e A2 ent
ao y e B2
ou
.. ..
. .
ou
Rr : Se x e Ar ent
ao y e Br
A representac
ao gr
afica de cada uma das regras e conhecida por gr
a-
nulo. A Figura 6.1 e uma representacao gr
afica dos gr
anulos das regras
6.3 Aproximac
ao Universal 179
Figura 6.1: Gr
anulos e a func
ao te
orica f .
O gr
afico na Figura 6.1 ilustra como um sistema fuzzy pode aproximar
uma func
ao. Como ja dissemos acima, e importante que os gr
anulos da
base de regras cubram o gr
afico da funcao teorica f a ser aproximada.
Genericamente, uma classe B de objetos aproxima uma classe A se
cada elemento de A tem um elemento de B pr
oximo a ele. Neste
caso, na linguagem matem
atica, diz-se que B e denso em A. Exemplos
cl
assicos destes fatos s
ao: o conjunto dos n
umeros racionais (Q) e denso
no conjunto dos reais (R), o que significa que qualquer n
umero real
pode ser aproximado por um racional; o conjunto dos polin
omios que e
denso no conjunto das funcoes contnuas (esse e o famoso Teorema de
Weierstrass); as redes neurais que aproximam funcoes contnuas (veja
[132]).
A seguir vamos enunciar dois importantes resultados, do ponto de
vista te
orico, no estudo de aproximacao de funcoes contnuas por siste-
mas fuzzy, mais precisamente por controladores fuzzy.
Para entender melhor os resultados, faz-se necessario a seguinte classe
180 Equac
oes Relacionais Fuzzy e Aproximac
ao
onde r e o n
umero de regras e A1j , . . . , Anj s
ao as funcoes de per-
tinencia dos conjuntos fuzzy Aij , 1 i n e 1 j r e e uma
t-norma.
Este teorema pode ser entendido da seguinte forma: para cada funcao
contnua (no nosso discurso, a funcao teorica f ) existe uma sequencia
oes fr , produzidas por sistemas fuzzy, que est
de func ao suficientemente
pr
oximas da func
ao te
orica f .
Demonstraca
o. A prova deste teorema pode ser encontrada em [10] ou
[95].
Demonstraca
o. A prova deste teorema pode ser encontrada em [10] ou
[95].
Por tr
as destes teoremas existe o seguinte fato: quanto maior for o
n
umero de regras (maior r) mais pr
oxima do valor teorico esperado ser
a
a sada do controlador. Quanto mais regras, menores s
ao os suportes
dos conjuntos fuzzy da base de regras e assim, menores s
ao os gr
anulos
aos quais o gr
afico da funcao teorica deve pertencer (veja Figura 6.1).
Este resultado e muito semelhante ao teorema de Weierstrass, trocando-
se os graus dos polin omios aproximadores (n) pelo n umero de regras
(r). Neste sentido, podemos dizer que os controladores fuzzy desem-
penham papel de fundamental import
ancia em determinadas areas da
matem
atica como a An
alise Num
erica.
O leitor com interesse neste assunto pode consultar outros tipos de
aproximac
oes de func
oes na dissertacao de mestrado de Bando [10].
A seguir vamos ilustrar o potencial de aplicacao da capacidade de
aproximac
ao dos controladores fuzzy voltada para sistemas evolutivos
especficos.
dx
= f (x) (6.9)
dt
para o caso contnuo.
O fato e que em ambos os casos o campo f representa varia
c
ao e o
sistema e estudado a partir deste. No entanto, se f n
ao for dada expli-
citamente ou pior ainda, se por algum motivo ela e conhecida apenas
parcialmente, com base nas caractersticas do fenomeno que se deseja
modelar, ent
ao, como estudar a evolucao do sistema? Tradicionalmente,
em um primeiro momento, o que se faz e adotar uma express
ao ma-
tem
atica para f que contemple tais caractersticas.
O que sugerimos aqui e a adocao de um modelo lingustico fuzzy cuja
base de regras e construda a partir das caractersticas do fenomeno.
Mais ainda, as vari
aveis de estado devem ser as entradas enquanto as
sadas devem representar varia
co
es dos estados. Essa e a particulari-
dade dos controladores fuzzy aplicados a sistemas din
amicos.
Claro que, do ponto de vista de modelagem, tal procedimento faz
sentido quando as informacoes disponveis s
ao de grande import
ancia
para o fenomeno. Como as regras s
ao formuladas baseando-se no que se
conhece do fenomeno, espera-se que a funcao fr , dada pelo controlador
(Sec
ao 6.3.1) capte tal conhecimento.
Deste modo podemos substituir o campo teorico f pelo fr , e estudar
as soluc
oes da equac
ao de diferencas
dx
= fr (x) (6.11)
dt
para o caso contnuo.
6.4 Controladores Fuzzy aplicado a Sistemas Din
amicos 183
cuja soluc
ao e
Zt
x(t) = x0 + f (s, x(s))ds. (6.13)
t0
tenha soluc
ao dada por
Zt
xr (t) = x0 + fr (s, x(s))ds. (6.15)
t0
A quest
ao que se coloca e a seguinte:
(B. J. Caraca)
da moeda.
Para situar razoavelmente as questoes de interesse, abordaremos al-
guns conceitos pertencentes `a An
alise Fuzzy, como medida fuzzy e in-
tegral fuzzy, que servir
ao para definir esperanca fuzzy de uma vari
avel
incerta. Tais conceitos ser
ao utilizados em aplicacoes nos captulos se-
guintes.
7.1 Medidas Cl
assicas e Medidas Fuzzy
A Teoria da Medida e uma das grandes areas da Analise Matematica.
A noc
ao de medida generaliza os conceitos habituais de comprimento,
de
area, de volume etc. A medida de probabilidade e um caso tpico de
uma medida, com a u
nica restricao que seu contra-domnio e o intervalo
[0, 1]. Como veremos, tambem as medidas fuzzy aqui estudadas tem esse
contra-domnio. Por isso, a u
nica medida classica de interesse aqui e a
de probabilidade.
O leitor interessado em Teoria Geral da Medida pode consultar, por
exemplo, Bartle [20] ou Honig [62], entre tantos outros livros interessan-
tes.
favor
aveis para sua ocorrencia e o n
umero de casos possveis do espaco
amostral. A definic
ao axiomatica de probabilidade foi posteriormente
dada por Kolmogorov [75].
Como ja dissemos, a ideia central na definicao de probabilidade e iden-
tificar cada evento como um subconjunto de um espaco amostral e asso-
ciar a esse conjunto um n
umero para indicar a chance de sua ocorrencia.
Dessa forma, a probabilidade e simplesmente uma funcao real de con-
juntos. Formalmente, uma funcao de conjuntos e uma probabilidade se
satisfizer algumas propriedades, pr
oprias de uma medida.
Definic
ao 7.1. Uma probabilidade P em um espaco e definida em uma
famlia A de subconjuntos de (que forma o domnio de P ) chamada
de -
algebra. Tal -
algebra deve satisfazer os seguintes axiomas:
Um exemplo de -
algebra e o conjunto de todos os subconjuntos de
, chamado de conjunto das partes de : P() = {A : A }.
(P5 ) Se A B ent
ao P (A) P (B) (monotonicidade);
Definic
ao 7.3 (Medida de Sugeno). Seja A uma -algebra de 6= .
Uma aplicac
ao S : A [0, 1] e denominada uma medida de Sugeno se
(i) S () = 0 e S () = 1;
A definic
ao de medida fuzzy nem sempre e a mesma na literatura.
Por exemplo, e comum exigir apenas que tal medida seja mon
otona e
positiva. No entanto, entre as diversas definicoes, o que h
a em comum
e a exigencia de monotonicidade e que a medida do vazio seja zero, a
exemplo do que cumpre a medida de capacidade de Choquet (veja [39]).
Nesse texto a definic
ao que adotaremos para medida fuzzy e a seguinte:
Definic
ao 7.4. Seja A uma algebra de 6= . Uma aplicacao :
A [0, 1] e denominada uma medida fuzzy se
(i) () = 0 e () = 1;
(1) g () = 1;
1 = g () = g ( ) = g () + g () + g ()g () =
= 1 + g () + g (),
ou seja,
1 = 1 + g () + g () (1 + )g () = 0.
Se A B ent
ao B = A (B A) e A (B A) =
g (B) = g (A (B A))
= g (A) + g (B A) + g (A)g (B A)
= g (A) + [1 + g (A)]g (B A).
g() = g({x1 , x2 , . . . , xn }) = 1.
Se cooperam moderadamente (n
ao espantantando as presas) temos
= 0;
n
ao-negativos. Neste caso, tem-se mais uma distribuicao de possibili-
dade (n
ao formalmente definida ainda) que uma distribuicao de proba-
bilidade de X. Ou seja, e possvel dizer com que grau um n
umero inteiro
n se ajusta `
a noc
ao subjetiva de n
umero pequeno. Este grau pode ser
dado por um valor, X (n), o qual indica tendencia de n ser pequeno
e X : N [0, 1] e interpretada como uma distribuicao de possibilidade
para X sobre o conjunto dos n
umeros naturais. Por outro lado, como
sugerir um n
umero P (n) para a probabilidade de n?
Definic
ao 7.5. Uma distribuica
o de possibilidade sobre o conjunto 6=
e uma func
ao : [0, 1] satisfazendo sup () = 1.
Definic
ao 7.6. Uma medida de possibilidade sobre e uma funcao de
conjuntos : A [0, 1], satisfazendo:
(a) () = 0 e () = 1;
para todo A A.
Segue da definic
ao de medida de possibilidade que, para quaisquer
subconjuntos (cl
assicos) A, B A
estruturas l
ogicas resultam em dois processos distintos de aquisicao de
conhecimento, duas alternativas epistemologicas. O que informa melhor
o conhecimento: chance ou tendencia? Admitir que seja chance e ad-
mitir que as coisas s
ao ou n
ao s
ao no caso da primeira fonte, onde a
informac
ao e dada pela probabilidade de contaminacao a agua e ou
n
ao totalmente pot
avel. Optar pela segunda fonte e decidir pelo grau
ao que indica a tendencia de contaminacao.2
de contaminac
: R+ [0, 1].
O n
umero (v) apenas reflete o grau (correlacao) com que est
a
relacionado com v, isto e, o efeito de v no par
ametro . Sabendo-se o
valor efetivo (v0 ) da carga viral, tem-se, como consequencia, o valor de
.
Efetivamente, ate aqui n
ao foi abordado qualquer tipo de incerteza.
Nenhuma informac
ao a respeito da carga viral foi dada no sentido de se
obter v0 e assim, nada indica que a funcao de pertinencia corresponda
a uma distribuic
ao de possibilidade. Porem, junto a um especialista
da doenca em quest
ao, pode-se obter informacoes como, por exemplo,
que v0 est
a restrito a um intervalo vmin , vmax ]. Nesse caso, podemos
pensar em um modelo matem
atico na tentativa de avaliar v0 , ja que um
espaco para o par
ametro em questao foi selecionado. Se, alem do espaco
escolhido, soubermos que ha valores de v [vmin , vmax ] mais plausveis
que outros, e com pesos (v) [0, 1], e possvel entao estabelecer uma
distribuica
o de possibilidade
A subsec
ao seguinte encerra nossa discussao a respeito de medidas.
7.1.4 Transformac
ao Probabilidade/Possibilidade
Em muitos problemas pr
aticos e essencial uma maneira de transformar
probabilidade em possibilidade ou vice-versa. Por exemplo, construir
uma func
ao de pertinencia (distribuicao de possibilidade) de um con-
junto fuzzy a partir de um conjunto de dados estatsticos ou o inverso,
isto e, construir uma func
ao de densidade de probabilidade a partir de
uma distribuic
ao de possibilidade. Tambem, em muitos casos, pode ser
interessante comparar as informacoes obtidas a partir dos dois metodos
aplicados ao um mesmo fenomeno.
Na literatura, todos os metodos adotados para transformar proba-
bilidade em possibilidade, ou vice-versa, tem algo em comum: todos
obedecem ao princpio da consistencia, comentado no incio da Secao
7.1.3:
P (A) (A) para todo A .
1 = (1 ) (2 ) . . . (n ) e P (1 ) P (2 ) . . . P (n ).
7.1 Medidas Cl
assicas e Medidas Fuzzy 201
As transformac
oes mais simples, e as u
nicas que trataremos aqui, s
ao
P (i ) (i )
a) (i ) = ou b) P (i ) = n .
P (1 ) X
(i )
i=1
(i )
P (i ) = n ,
X
(i )
i=1
fuzzy.
Aqui ser
a dada apenas a nocao da construcao da integral de Lebesgue
com respeito a uma medida abstrata, sem qualquer interesse em questoes
tecnicas como, por exemplo, a existencia de tal integral.
A ideia e a seguinte: apoiados no fato que toda funca
o positiva f
e limite de uma sequencia de funco
es simples, definimos inicialmente
a integral de Lebesgue para funcoes simples e a integral da funcao f
ser
a definida como o limite das integrais destas funcoes simples que
convergem para f .
Suponha que g : [0, ) seja uma funcao simples, ou seja,
k
X
g() = i Ai (),
i=1
Definic
ao 7.7. Seja uma medida (-aditiva) em . A integral de
Lebesgue da func
ao simples g sobre , com respeito a medida (classica)
, e dada por
Z k
X
g d = i (Ai ). (7.3)
i=1
g() = 1 A1 () + 2 A2 () + 3 A3 (), .
Ent
ao Z
g d = 1 (A1 ) + 2 (A2 ) + 3 (A3 ).
7.2 Integrais Fuzzy 205
Note que cada parcela i (Ai ) pode ser vista como uma area e a
integral de g e a
area total da figura limitada pelo seu gr
afico, pelas
retas verticais limtrofes da figura e pelo eixo . A Figura 7.2 ilustra a
integral de Lebesgue de g.
simples, ou seja,
Z
X
g d = { : g() > i }((i+1) i )
Zi=0
= { : g() > } d. (7.4)
0
{ : f () > } d
{ : f () > }
Figura 7.3: Integral de Riemann da func
ao h e a de Lebesgue da func
ao f .
X() 0 ,
ent
ao Z
E(X) = (1 F (x) dx)
0
Note que se n
ao for aditiva, algumas propriedades pr
oprias da in-
tegral de Lebesgue deixam de valer. A principal delas e a linearidade,
208 Medidas, Integrais e Eventos Fuzzy
isto e, se n
ao for aditiva entao pode ocorrer que:
Z Z Z
(C) (af + g) d 6= a (C) f d + (C) g d.
f : [0, ),
Definic
ao 7.9. Sejam f : [0, 1] uma funcao e uma medida fuzzy
sobre . A integral de Sugeno de f sobre , com respeito `a medida ,
e o n
umero
Z
(S) f d = sup [ { : f () }]
01
= sup [ { : f () > }]. (7.6)
01
Demonstraca
o. A demontracao deste teorema pode ser vista em [122].
H
1 1
f
Bissetriz
=
{ : f () > } H() =
(a) Gr
afico de f e seu nvel . (b) = integral de Sugeno de f .
2 9
7.2 Integrais Fuzzy 211
> 89 > 98
f f Bissetriz
=
1 H()
A A 6
[F ] 1 [F ] 1
A[F ] =A H()
Z 1 Z 1
Note que H() d = { : f () } d e a integral de
0 0
Choquet da func
ao f .
Demonstraca
o. Faremos apenas um esboco da demonstracao.
Seja = H() o ponto fixo de H(). Entao,
Z Z 1
Z 1
(S) f d
H() d = H() d =
0 0
Z Z Z 1
1 d H() d + H() d .
0 0
Z Z
1
(1 H()) d = (1 ) d = (1 ) ,
0 0 4
ja que
[0, 1].
A pen
ultima desigualdade acima e valida porque H e decrescente. E
1
importante frisar que n
ao e possvel diminuir a diferenca m
axima de 4
que aparece no teorema acima. Ou seja, existem funcoes f para as quais
esta diferenca e atingida [11, 107]. No entanto, escolhendo certas catego-
rias de func
oes, tal diferenca cai bastante (veja Exemplos 7.10 e 7.11).
A seguir est
ao listadas mais propriedades da integral de Sugeno, cujas
provas podem ser encontradas em [11].
Sejam f : [0, 1] e g : [0, 1] funcoes, uma medida fuzzy
em e, A e B subconjuntos de . Entao valem as propriedades:
Z
ao (S) f d = k (A);
(i) Se f (x) = k, ent
A
Z Z
ao (S) f d (S) g d;
(ii) Se f g, ent
A A
Z Z Z
(iii) (S) (f g) d (S) f d (S) g d;
A A A
Z Z Z
(iv) (S) (f g) d (S) f d (S) g d;
A A A
7.2 Integrais Fuzzy 213
Z Z
ao (S) f d (S) f d;
(v) Se A B, ent
A B
Z Z Z
(vi) (S) f d (S) f d (S) f d;
AB A B
Z Z Z
(vii) (S) f d (S) f d (S) f d;
AB A B
onde f g e f g s
ao, respectivamente, as funcoes m
aximo e mnimo
entre f e g.
A exemplo da integral de Lebesgue, que e usada para obter o valor
esperado de uma vari
avel aleatoria com respeito a uma medida de pro-
babilidade, a integral de Sugeno tem sido usada para se obter o valor
esperado fuzzy EF de uma vari
avel incerta, com respeito a uma medida
fuzzy.
Definic
ao 7.10. Sejam X : [0, 1] uma vari
avel incerta (tipicamente
uma func
ao de pertinencia) e uma medida fuzzy em . A esperanca
fuzzy (ou valor esperado fuzzy) de X e o n
umero real
Z
EF (X) = (S) X d = sup [ { : X() }]. (7.9)
01
Corol
ario 7.3. Seja X : [0, 1] uma vari
avel aleat
oria normalizada
(que e tipicamente uma funca
o de pertinencia) e P uma medida de pro-
babilidade em . Ent
ao valem
a) (Sugeno)
1
| EF (X) E(X) | .
4
b)
p
EF (X) E(X).
214 Medidas, Integrais e Eventos Fuzzy
Demonstraca
o. a) Basta lembrar que a medida fuzzy aqui e a probabi-
lidade e que Z
EF (X) = (S) X dP
e
Z Z 1 Z 1
E(X) = X dP = P { : X() } d = H() d.
0 0
1
H() = P { : X() } E(X),
logo
1
EF (X) = sup [ H()] sup [ E(X)] =
,
01 01
onde ao de = 1 E(X).
e a soluc
p
Da,
= E(X), donde segue o resultado.
a) Se g : R R, ent
ao para a vari
avel aleatoria g(X) tem-se
Z Z
E(g(X)) = g(X)dP = g(x)f (x)dx, (7.10)
R
em que X e vari
avel aleatoria contnua com densidade f .
Em particular
Z Z
E(X) = XdP = xf (x)dx.
R
onde P [X = xi ] = P { : X = xi }.
Em particular
X
E(X) = xi P [X = xi ].
i
Z 1
facil ver que E(X) = 1
E xf (x) dx = .
0 2
Por outro lado,
Z 1
H() = P { : X() } = f (x) dx = 1 .
a
E(X) = .
a+b
Demonstraca
o. Como f (x) = f (1 x) tem-se
Z 1 Z 1 Z 1 Z 1
2 2 2
f (x) dx = f (1 x) dx = f (x) dx = f (x) dx.
1
0 0 1 2
Z 1 Z 1
2 1
f (x) dx = f (x) dx =
0 1 2
2
218 Medidas, Integrais e Eventos Fuzzy
Z 1
e H() = P { : X() } = f (x) dx.
Da, Z 1
1 1
H( ) = f (x) dx =
2 1 2
2
e, consequentemente, EF (X) = 12 .
Agora, e sabido que a esperanca estocastica E(X) de qualquer vari
avel
oria simetrica coincide com a mediana e esta, por sua vez vale 12 , o
aleat
que prova o teorema.
Demonstraca
o. Ver [70, Teorema 4.2.3, p
ag. 80].
Exemplo 7.12. Suponha que o conjunto fuzzy das pessoas que ganham
bem em uma determinada empresa, seja dado por:
7.2 Integrais Fuzzy 219
Portanto,
Z
EF (X) = X d
3 5 9 11
= med ; 0, 40 ; ; 0, 50 ; 0, 55 ; 0, 60 ; ;
12 12 12 12
= 0, 55,
220 Medidas, Integrais e Eventos Fuzzy
Definic
ao 7.11. Um evento fuzzy em e simplesmente um subconjunto
fuzzy de cujos -nveis est
ao na -algebra A.
Portanto X
A (i )
i
P (A) = .
n
Por extens
ao, se A for fuzzy, e conhecendo-se A : [0, 1], o
n
umero de casos favor
aveis e
X
m= A (i ),
i
222 Medidas, Integrais e Eventos Fuzzy
de modo que X
A (i )
i
P (A) = . (7.14)
n
Claro que nesse caso m pode n
ao ser inteiro.
0, 1 0, 25 0, 25 0, 8 0, 8 1, 0
A= + + + + + .
1 2 3 5 0, 8 10
0, 9 0, 75 0, 75 1, 0 0, 2 1, 0 1, 0 0, 2 1, 0
A = + + + + + + + +
1 2 3 4 5 6 7 8 9
de modo que
X
A (i )
i
P (A ) =
10
0, 9 + 0, 75 + 0, 75 + 1, 0 + 0, 2 + 1, 0 + 1, 0 + 0, 2 + 1, 0
=
10
= 0, 68.
ou
m = (1 2 )m1 + (2 3 )m2 + k mk ,
em que cada mi e o n
umero de casos favor
aveis associado ao conjunto
assico [A]i , o qual pode ser obtido por metodos classicos contagens.
cl
Assim, (7.13) passa a ser
k
X
(i i+1 )mi
i=1
P (A) = . (7.15)
n
224 Medidas, Integrais e Eventos Fuzzy
Com essa formula e possvel obter P (A). Por exemplo, para o evento
fuzzy A acima, embora n
ao seja esse o objetivo das formulas acima, pois
no caso A e dado, tem-se
e
3, 2
P (A) = = 0, 32.
10
Embora nosso interesse maior seja no caso em que o evento A e dado,
consequentemente sua funcao de pertinencia A e conhecida, vamos ex-
plorar um pouco mais a express
ao 7.15.
A formula 7.15 pode ser reescrita como
k
X k
mi X
P (A) = (i i+1 )
= (i i+1 )P ([A]i )
m
i=1 i=1
Xk Z
= (i i+1 )P [A i ] = A dP (7.16)
i=1
Definic
ao 7.12. Seja (, P, A) um espaco de probabilidades e A um
evento fuzzy. Ent
ao, sua funcao de pertinencia A : [0, 1] e uma
7.3 Eventos Fuzzy 225
vari
avel aleat
oria e, por definicao,
P (A) = E(A ).
EF (A ) = P (A) = E(A ).
se X for discreta, e
Z Z
P (A) = E(A ) = E(A (X)) = A (x)f (x)dx = A (x)f (x)dx
R suppA
(7.18)
onde f e a func
ao densidade de probabilidades de X.
A figura abaixo ilustra a probabilidade P (A), do evento A para os
dois casos: cl
assico e fuzzy.
No primeiro, P (A) pode ser interpretada como a area limitada pelo
226 Medidas, Integrais e Eventos Fuzzy
gr
afico de f , pelo eixo das abscissas e pelas fronteiras de A. J
a no caso
fuzzy, P (A) e a
area compreendida pelo gr
afico de A .f , pelo eixo das
abscissas e o suporte de A.
Nao e difcil verificar que P (A), como definida em (7.18) acima, satifaz
os axiomas de probabilidade. Por exemplo,
Z
P () = E( ) = 0.f (x)dx = 0
R
e Z
P () = E(R ) = 1.f (x)dx = 1.
R
7.3.2 Independ
encia de Eventos Fuzzy
P (AB) E(A .B )
P (A|B) = = . (7.19)
P (B) E(B )
E(A .B )
= E(A ) E(A .B ) = E(A ).E(B ) (7.20)
E(B )
228 Medidas, Integrais e Eventos Fuzzy
ou
P (AB) = P (A)P (B).
P (AB) E(A .B )
P (A|B) = = . (7.21)
P (B) E(B )
A .B
= E(A ) E(A .B ) = E(A ).E(B ). (7.22)
B
experimento aleat
orio, h
a pelo menos duas maneiras de se introduzir o
estudo das vari
aveis aleat
orias fuzzy: o primeiro est
a ligado apenas `a
incerteza no reconhecimento do resultado do experimento. No segundo,
o que h
a de incerto e o pr
oprio mecanismo do exeprimento: a forma de
sorteio, por exemplo. De certo modo, aqui no texto estamos tratando
apenas do primeiro caso. Para este, diferentemnte do segundo caso,
tem-se que a probabilidade de um evento fuzzy e necessariamente um
n
umero real.
7.3.3 Vari
avel Aleat
oria Lingustica
P (X ser A)
dependendo se X e vari
avel discreta ou contnua. De qualquer forma
P (X A) = E(A ).
230 Medidas, Integrais e Eventos Fuzzy
X : F(R).
primeiro de vari
avel aleat
oria lingustica.
Dando prosseguimento ao nosso estudo sobre as vari
aveis aleatorias
lingusticas, um caso de interesse e o calculo de P (X ser A ), onde A
e um evento obtido por meio de algum modificador fuzzy do evento A
(ver sec
ao 4.5).
Assim como no Captulo 4, tambem aqui trateremos apenas dos mo-
dificadores potencias, com u
nico objetivo de expor as principais ideias
desse tema e explorar seu potencial de aplicacao em, por exemplo, ob-
ter func
oes de pertinencias de conjuntos fuzzy. Claro que para uma
aplicac
ao particular, outros modificadores devem ser levados em conta.
ao que A = As , isto e, que A = (A )s ,
Supondo ent
P (A2 ) = E(2A ),
a) P (A ) seja m
axima (m
axima verossimilhanca);
a) P (X 1);
c) P (A B), onde A e B s
ao os eventos dos itens a) e b), respectiva-
mente;
d) P (A B);
e) P (A/B);
f) A e B s
ao independentes?
Soluco
es
X tem distribuic
ao binomial com n = 10 e p = 0, 05 (ver [31]).
a) Temos (
1 se 0 x 1
A (x) =
0 caso contr
ario
! !
10 10
= 1.P (X = 0) + 1.P (X = 1) = 0, 9510 + 0, 959 0, 051
0 1
= 0, 91
b) (
x
1 2 se 0 x 2
B (x) =
0 caso contr
ario
234 Medidas, Integrais e Eventos Fuzzy
Portanto,
X
P (B) = B (xi )P (X = xi ) = B (0)P (X = 0) + B (1)P (X = 1)
i
+ AB (1)P (X = 1) + AB (2)P (X = 2)
1
= 1.P (X = 0) + .P (X = 1) + 0.P (X = 2) = 0, 7563
2
= 0, 91
P (AB) E(A B )
e) P (B/A) = = =
P (A) E(A )
1.P (X = 0) + 0, 5P (X = 1) 0, 7563
= = 6= 0, 7563 = P (B)
0, 91 0, 91
c) um n
umero baixo de chamada, onde baixo e o conjunto fuzzy dado
pelo n
umero fuzzy triangular (0; 0; 9);
d) um n
umero medio baixo de chamada, onde medio baixo e o evento
fuzzy dado pelo n
umero fuzzy trapezoidal (0; 1; 4; 9);
1
= (X exp()),
5
Pede-se:
a) a esperanca T ;
236 Medidas, Integrais e Eventos Fuzzy
d) M e B s
ao independentes?
e B o n
umero fuzzy triangular (0; 0; 1). Pede-se:
a) P (A) e P (B);
b) P (A B) e P (AB);
c) A e B s
ao independentes?
2 1
PX (1) = PY (1) = PX (1) = PY (1) = e PX (0) = PY (0) = .
5 5
Mostre que X e Y s
ao n
ao correlacionadas ( = 0). Porem, n
ao s
ao
independentes.
a) P (A B) P (AB);
c) V ar(A ) e V ar(A ).
Pede-se:
Sistemas Din
amicos Fuzzy
Deus calcula varios mundos, mas faz
existir o melhor desses mundos.
de variac
ao (ou derivada) e/ou como esta se relaciona com as vari
aveis
de estado. Destas abordagens, a primeira envolve a derivada de Hu-
kuhara, originalmente desenvolvida para funcoes com valores em con-
juntos cl
assicos [63] e posteriormente adaptada para funcoes com valores
em conjuntos fuzzy [105]. Essa adaptacao para funcoes fuzzy (funcoes
com valores em conjuntos fuzzy) e feita a partir do Teorema 1.4 de repre-
sentac
ao de conjuntos fuzzy, visto no Captulo 1. A segunda abordagem
e tratada por meio das inclusoes diferenciais fuzzy [9, 64], enquanto que a
terceira e simplesmente dada pela fuzzificacao da solucao determinstica,
supondo que a condic
ao inicial e/ou algum par
ametro da equacao dife-
rencial seja dada por um conjunto fuzzy. Finalmente, a quarta aborda-
gem se diferencia das demais porque a variacao est
a relacionada com as
vari
aveis de estado por meio de regras fuzzy em vez de uma equacao.
Queremos ressaltar que nos tres u
ltimos casos n
ao utilizamos qualquer
noc
ao de derivada para funcoes fuzzy, mas apenas o conceito de derivada
para func
oes determinsticas.
Antes de expor cada um dos conceitos comentados acima, queremos
registrar que recentemente Barros et al [19] tem investigado um novo
tipo de equac
oes diferenciais fuzzy em que o princpio de extensao e utili-
zado para fuzzificar o operador derivacao, e n
ao a solucao determinstica
como comentado na terceira abordagem acima. A partir do Teorema 1.4
e sob certas condic
oes, e possvel concluir que essa metodologia produz
equac
oes diferenciais fuzzy cujas solucoes coincidem com as de H
uller-
meier. Ressaltamos que nessa abordagem tem-se, de fato, derivada para
func
oes fuzzy, o que n
ao acontece para a metodologia de H
ullermeier.
Para motivar as abordagens citadas acima vamos estudar o modelo
de crescimento malthusiano. Salientamos que Malthus n
ao prescre-
via originalmente nenhuma equacao matem
atica de crescimento popu-
lacional, simplesmente enunciava que a populacao cresceria geometrica-
mente enquanto o alimento cresceria numa taxa aritmetica, desde que
n
ao houvesse mecanismo de controle (doencas, miserias, etc). A pri-
8.1 Sistemas Din
amicos Fuzzy Contnuos 241
meira interpretac
ao matem
atica da conjectura de Malthus foi atraves
de um modelo determinstico pressupondo que o crescimento de uma
populac
ao e proporcional a` pr
opria populacao. Desta forma, o modelo
matem
atico contnuo, conhecido como modelo de Malthus, e dado pela
equac
ao diferencial
dx = x
dt , (8.1)
x(0) = x
0
onde x(t) e o n
umero de indivduos em cada instante t e x0 indica o
n
umero inicial de indivduos da populacao.
Neste modelo admite-se que todas as grandezas envolvidas sejam da-
das por n
umeros reais. Tanto como x0 s
ao supostamente bem determi-
nados, e portanto, n
ao h
a dados incertos. Porem, se considerarmos que
existam incertezas, na taxa de crescimento ou na condicao inicial x0 ,
dx
devemos repensar o significado de dt , ou como esta variacao se relaciona
com a vari
avel de estado x.
Supondo que as incertezas tenham natureza aleatoria, o modelo acima
pode ser tratado por meio das equaco
es diferenciais estoc
asticas [6, 81,
113]. No entanto, se as incertezas forem modeladas por meio de sub-
conjuntos fuzzy, a equac
ao diferencial pode ser tratada de varias formas
tais como:
Equaco
es diferenciais fuzzy (a partir da derivada de Hukuhara)
neste caso a noc
ao de derivada fuzzy faz-se necessaria [12, 69, 105,
115];
Inclus
oes diferenciais fuzzy [9, 13, 64, 87];
Extens
ao da soluca
o determinstica [87];
u : [a, b] F(R), a 0,
u1 , u2 : [a, b] R
para todo [0, 1], e a derivada da funcao fuzzy u(t), conhecida como
derivada de Hukuhara. Claro que estamos supondo a existencia das
assicas (u1 ) (t) e (u2 ) (t).
derivadas cl
Z b Z b
onde u1 (t) dt e u2 (t) dt s
ao as integrais de Riemann das funcoes
a a
reais u1 e u2 .
Z b
A existencia de u(t) dt implica necessariamente que os intervalos
a
Z b Z b
u1 (t) dt, u2 (t) dt
a a
t
a1
a2 a1 t
a
a2 t
Figura 8.1: Func
ao u(t) e seus -nveis.
Logo,
u (t) = A.
Z b Z b Z b Z b Z b
u(t) dt = u1 (t)dt =
dt, dt, u2 (t)
dt a1 t a2 t
a a a a a
2
b a2 b
2 a2 b2 a2
= a1 ( ), a2 ( ) = ( ) [a1 , a2 ]
2 2 2 2 2 2
Z b
= t dt [A] .
a
8.1 Sistemas Din
amicos Fuzzy Contnuos 245
Portanto,
Z b Z b Z b
b2 a2
u(t) dt = At dt = A t dt = A.
a a a 2
Z b
Observamos que t dt e a integral de Riemann que, multiplicada
a
pelo n
umero fuzzy A, d
a a integral de Aumann de u(t) = At.
Neste texto n
ao pretendemos aprofundar nossa investigacao sobre dife-
renciabilidade e integrabilidade de funcoes fuzzy. Porem, para o estudo
de estabilidade de sistemas din
amicos, faz-se necessario o conceito de
metrica em F(R).
Definic
ao 8.3. A metrica para conjuntos fuzzy, proveniente da metrica
de Hausdorff, e dada por:
Com essa metrica Ralescu [106] provou que o espaco metrico F(R) e
completo, garantindo que toda sequencia convergente de numeros fuzzy
converge para um n
umero fuzzy.
O teorema a seguir tem import
ancia no estudo das equacoes diferen-
ciais fuzzy.
(a) F e G s
ao contnuas na metrica D;
246 Sistemas Din
amicos Fuzzy
Demonstraca
o. Ver [12, 69].
Demonstraca
o. Ver [12, 69].
u : [a, b] F(R)
8.1 Sistemas Din
amicos Fuzzy Contnuos 247
e soluca
o de (8.8) se, e somente se, e contnua e satisfaz a
` equaca
o
integral
Z t
u(t) = u(a) + F (s, u(s)) ds. (8.9)
a
Demonstraca
o. Ver [12, 69].
Como ilustrac
ao, considere u(t) = At. Vimos no Exemplo 8.1 que
u (t) = A. Logo,
Z t Z t
u(t) = Aa + A ds = u(a) + u (s) ds.
a a
Corol
ario 8.5. Se u(t) e soluca
o do (8.8) ent
ao, para cada [0, 1], a
o d(t) = diam[u(t)] e n
funca ao decrescente.
Portanto,
ao decrescente, uma vez que (F2 (s, u(s))F1 (s, u(s))) 0 para todo
e n
s [a, b].
A partir da multiplicacao de n
umero real por n
umeros fuzzy, temos
que a soluc
ao dessa equacao e obtida a partir da solucao do sistema
de equac
oes determinsticas para seus -nveis:
(
(u1 ) (t) = u1 (t), com u1 (a) = u01
.
(u2 ) (t) = u2 (t), com u2 (a) = u02
t
u01 (t) x(t) [u(t)]1
u02 (t)
[u(t)]
[u0 ] x
cuja soluc
ao e
Assim, a soluc
ao do problema (8.14) e a funcao u(t) com -nveis
dados pelas equac
oes (8.15) acima. A Figura 8.3 representa a
soluc
ao de decaimento do modelo fuzzy malthusiano.
u01
x(t) [u(t)]1
x u02
Observac
oes
ametro de [u(t)] , dado por:
1. O di
(
x (t) = x(t)
, (8.16)
x0 R
cuja soluc
ao e
x(t) = x0 et .
Isto significa que x(t) [u(t)]1 para todo t, ou seja, a solucao deter-
minstica x(t) tem pertinencia 1 (um) na solucao fuzzy. Portanto e
uma soluc
ao preferida (veja Figuras 8.2 e 8.3).
du
onde F : [a, b] F(R) F(R), u0 F(R) e representa a taxa de
dt
du
variac
ao contnua da func
ao u, em algum sentido. Se e a derivada
dt
de Hukuhara da func ao incognita u(t), o estudo do PVIFG se reduz ao
tratado na Sec
ao 8.1.2.
Uma func
ao u : [a, b] F(R) e uma solucao, nos diversos sentidos
que daremos, de (8.17) se, e somente se, satisfizer a Equacao (8.17) e
u(a) = u0 . Para este problema generalizado definimos, para cada t 0,
8.1 Sistemas Din
amicos Fuzzy Contnuos 253
a famlia de func
oes dadas por
t : F(R) F(R)
u0 7 t (u0 ) := u(t, u0 ),
Uma func
ao determinstica x : [a, b] R e uma solucao de (8.17),
com pertinencia , se for absolutamente contnua e satisfizer (8.18) para
quase todo t a.
A soluc
ao fuzzy de (8.17) e a funcao fuzzy u : [a, b] F(R) cujos
254 Sistemas Din
amicos Fuzzy
-nveis s
ao
Observac
ao
t (u0 ) = u(t, u0 ),
onde u e soluc
ao de (8.17) no sentido de Hullermeier. Neste caso, os
ao os intervalos [t (u0 )] .
-nveis de t (u0 ) s
cuja soluc
ao (fuzzy) e formada pelas funcoes determinsticas
Portanto,
de modo que
t (u0 ) = u0 et .
Os di
ametros dos -nveis da solucao s
ao
cuja soluc
ao (fuzzy) e formada pelas funcoes determinsticas:
[t (u0 )] = [u01 e2 t , u02 e1 t ],
Aplicac
oes das inclusoes diferenciais fuzzy a fenomenos biol
ogicos po-
dem ser encontradas em um n
umero ainda reduzido na literatura. O
leitor interessado pode consultar [13], para modelos em epidemiologia, e
[77, 87] em din
amica de populacoes. Comparacoes entre as solucoes de
Hullermeier e a de Hukuhara podem ser encontradas em [18].
Outra abordagem para obter uma solucao fuzzy para o PVIFG (8.17)
e por meio do princpio de extensao visto no Captulo 2. Nesse caso, se
apenas a condic
ao inicial e/ou algum par
ametro do campo F for fuzzy,
ent
ao as soluc
oes do PVIFG s
ao obtidas atraves da fuzzificacao das
soluc
oes deteminsticas por meio do princpio de extensao.
dx = f (t, x(t))
dt , (8.22)
x(a) = x
0
admita soluc
ao u
nica t entao, para cada t, a solucao fuzzy t
de (8.21) e definida como a extensao de Zadeh da solucao deter-
minstica t . Isto e,
Se R e u0 F(R), temos
dx = x(t)
dt . (8.23)
x(a) = u
0
Vamos supor agora que o PVIFG (8.17) seja fuzzy porque algum
par
ametro () e tambem a condicao inicial s
ao fuzzy.
[t (, u0 )] = [u01 e1 t , u02 e2 t ],
[t (, u0 )] = [u01 e2 t , u02 e1 t ],
Definic
ao 8.4 (Equilbrio). Um n
umero fuzzy u F(R) e um ponto de
equilbrio ou estado estacion
ario de (8.17) se
Nestas condico
es todo ponto de equilbrio de (8.27) e equilbrio de (8.28).
E ainda os n
umeros reais que s
ao equilbrios de (8.28) s
ao tambem
262 Sistemas Din
amicos Fuzzy
Demonstraca
o. Do Teorema 2.1 temos
Definic
ao 8.5 (Estabilidade). Seja u o ponto de equilbrio de (8.28).
Ent
ao ele e
(a) Est
avel se para todo > 0 existir > 0 tal que
Os equilbrios que n
ao s
ao est
aveis s
ao chamados de inst
aveis.
(a) x e est
avel para o PVI (8.27) se, e somente se, {x} e est
avel para
o PVIFGA (8.28);
Demonstraca
o. Ver [87].
Demonstraca
o. Basta lembrar que essa hip
otese e suficiente para esta-
bilidade assint
otica no caso classico. A conclusao e feita a partir do
Teorema 8.7.
Definic
ao 8.6. Um PVI p-fuzzy pode ser dado por
du = F (t, u(t))
dt , (8.29)
u(a) = u
0
R1 : Se a populac
ao (X) e muito baixa (M B) ent
ao a variac
ao e
muito baixa (M B)
R2 : Se a populac
ao (X) e baixa (B) ent
ao a variac
ao e baixa (B)
R3 : Se a populac
ao (X) e media (M ) ent
ao a variac
ao e media (M )
R4 : Se a populac
ao (X) e alta (A) ent
ao a variac
ao e alta (A).
As func
oes de pertinencia que correspondem `as vari
aveis lingusticas
da base de regras s
ao dadas na Figura 8.4.
A Figura 8.5 ilustra as regras do Quadro 8.1 na forma granular, su-
pondo que cada uma das qualificacoes acima seja dada por um n
umero
fuzzy triangular e uma possvel f .
Adotando um controlador fuzzy, com o metodo de Mamdani e o centro
de
area como defuzzificador, combinado com o metodo de Euler, como
266 Sistemas Din
amicos Fuzzy
MB B M A MB B M A
1 1
0.8 0.8
Grau de Pertinencia
Grau de Pertinencia
0.6 0.6
0.4 0.4
0.2 0.2
0 0
(a) Populac
ao (b) Variac
ao
comentado na Sec
ao 6.4 (ver detalhes no Captulo 9), chegamos `a solucao
do p-fuzzy malthusiano, cujo gr
afico est
a na Figura 8.6.
250
Malthus pfuzzy
Malthus deterministico
200
150
populao
100
50
0
0 2 4 6 8 10
tempo (t)
Definic
ao 8.7. Um sistema din
amico fuzzy discreto e um processo ite-
rativo de subconjuntos fuzzy
(
ut+1 = F (ut )
, (8.31)
u0 F(R)
Definic
ao 8.8. Dado u0 F(R) e F conforme a Definicao 8.7, a sequencia
de iteradas u0 , F (u0 ), F (F (u0 )), . . ., e chamada de soluca
o ou o
rbita po-
sitiva de u0 .
0 (u0 ) = F 0 (u0 ) = u0
1 (u0 ) = F 1 (u0 ) = F (u0 )
2 (u0 ) = F 2 (u0 ) = F (F (u0 ))
.. .. ..
. = . = .
t (u0 ) = F t (u0 ) = F (F t1 (u0 )),
268 Sistemas Din
amicos Fuzzy
para t N.
Deste modo, se u0 F(R), entao as iteradas definidas acima, bem
como seu limite, quando existir (na metrica D), est
ao em F(R), ja que
o espaco metrico (F(R), D) e completo (veja [106]).
Observamos que, em um sistema discreto, o tempo e determinado
proporcionalmente ao n
umero de iteracoes executadas.
Com base na Definic
ao 8.4 podemos tambem fazer a seguinte definicao.
Definic
ao 8.9 (Equilbrio). Um n
umero fuzzy u F(R) e um ponto de
equilbrio do sistema fuzzy discreto (8.31) se t (u) = u, para todo t 0,
o que acarreta F (u) = u, ou seja, u e um ponto fixo de F .
ut = t u0 , (8.33)
com soluc
ao fuzzy
ut = t u0 , (8.35)
Pontos de Equilbrio
De acordo com as soluc oes acima (8.33) e (8.35) podemos concluir que
b
se 6= 1 ( 6= 1) o u
nico equilbrio do sistema maltusiano fuzzy discreto
e o ponto fuzzy {0} e, se = 1 ( = 1) entao qualquer condicao inicial
u0 F(R) e ponto de equilbrio .
Diferentemente do caso contnuo, isto e, das equacoes diferenciais
fuzzy, como vimos na Secao 8.1.2, aqui o diametro da solucao pode
diminuir `
a medida que o tempo cresce. Para o nosso exemplo acima
temos que, se R,
e assim,
0 se 0 < < 1
lim diam[ut ] = + se > 1 .
t+
diam[u0 ] se = 1
Da definic
ao da metrica D temos
e
D({0} , ut ) = D({0} , t u0 ) = t u002 .
(a) {x} e equilbrio para o sistema fuzzy ut+1 = fb(ut ) se, e somente se,
x for equilbrio para o sistema determinstico xt+1 = f (xt );
Demonstraca
o. Ver [12].
Demonstraca
o. Basta lembrar que as hip
oteses do corol
ario acima s
ao
suficientes para estabilidade no caso determinstico (veja [50]). A con-
clus
ao e consequencia do Teorema 8.9.
Estes dois u
ltimos resultados valem num contexto mais geral [12].
Voltando ao modelo de Malthus, como x = 0 e assintoticamente
est
avel para o caso determinstico, o Corol
ario 8.10 nos permite con-
cluir imediatamente que {0} e assintoticamente est
avel para o modelo
fuzzy de Malthus discreto, se 0 < < 1.
Para casos de sistemas n
ao lineares, como o logstico, a din
amica
muda radicalmente quando estudada atraves dos sistemas fuzzy discre-
tos. Como o espaco fuzzy F(R) contem R, e razo
avel que o n
umero
272 Sistemas Din
amicos Fuzzy
de pontos crticos dos sistemas fuzzy seja maior que o do caso deter-
minstico. Alem disso, surgem novas orbitas peri
odicas. Tambem, o
diagrama de bifurcac
ao e diferente daquele que aparece no caso classico.
Vamos verificar este fato no modelo logstico (ou de Verhulst).
u
1
1 2 3 4 a
Figura 8.7: Diagrama de bifurcac
ao determinstico.
Pontos de Equilbrio
fb(u) = u
274 Sistemas Din
amicos Fuzzy
Indicando por
0 e x
a as funcoes caractersticas dos pontos fixos 0 e
1
xa = 1 da func
a ao f e usando um calculo direto, porem trabalhoso,
obtemos os pontos fixos de f em F(R) (veja [12, 14]).
Se a = 4, os u ao: 0, x
nicos pontos fixos s a e u6 com [u6 ] = [0, 1]
para todo [0, 1].
u1 u2 u3
R R R
u4 u5 u6
R R R
u
1
Ramo determinstico
u
1
u
2 u
3 u
5
Ramo fuzzy
u
6
u
4
1 2 3 1+ 5 4 a
Figura 8.9: Diagrama de bifurcac
ao para o caso fuzzy.
superiores a 1 + 6 aparece uma orbita de perodo 4. Para valores
pr
oximos de 3.89, surge um comportamento caotico na din
amica desta
equac
ao (ver [43, 50]).
No caso da equac
ao fuzzy, a = 1, a = 2, a = 3 e a = 1 + 5
s
ao tambem valores de bifurcacao. O diagrama de bifurcacao abaixo
ilustra a din amica do modelo logstico acima supondo uma condicao
inicial fuzzy.
Devemos salientar que o estudo feito acima trata apenas dos pontos
de equilbrio fuzzy. As
orbitas peri
odicas (ciclos) estudadas s
ao as deter-
minsticas que, como pode ser mostrado (veja [12]), n
ao muda o tipo de
estabilidade quando estas s
ao consideradas no espaco euclidiano ou no
espaco fuzzy. Estudos de orbitas peri
odicas fuzzy foram desenvolvidos
recentemente e ja sabemos que cada orbita peri
odica determinstica de
perodo 2p d
a origem a uma orbita fuzzy de perodo 2p1 , p 2 (veja
[79]). Exemplo disto e a
orbita determinstica de perodo 2 que passou a
ser o ponto de equilbrio fuzzy u3 , com nveis [u3 ] = [x1 , x2 ] para
todo [0, 1]. Nenhum tipo de estudo sobre caos fuzzy foi feito aqui
em nosso texto. O leitor interessado nesse assunto pode consultar, por
exemplo, [73, 109].
Queremos encerrar esse captulo comentando que, como vimos acima,
8.2 Sistemas Din
amicos Fuzzy Discretos 277
h
a diversas abordagens sobre sistemas din
amicos fuzzy. Alem das apre-
sentadas aqui o leitor pode encontrar outras, consultando por exem-
plo [80]. Os sistemas p-fuzzy, formalmente descritos com a metodologia
vista na Subsec
ao 8.1.5, tanto para o caso discreto como contnuo, ser
ao
destacados no Captulo 9, devido a sua riqueza de detalhes.
Captulo 9
Modelagem em Biomatematica:
Fuzziness Demogr
afica
Conforme a complexidade de um
sistema aumenta, nossa habilidade de
fazer afirmacoes precisas e
significativas sobre seu comportamento
diminui, ate um limiar em que a
precis
ao e relevancia tornam-se
praticamente caractersticas
mutuamente exclusivas.
xk Controlador xk
Fuzzy
Modelo Matemtico
xk+1 = xk + xk
princpio de extens
ao de Zadeh para estudar a evolucao da raiva canina
no Estado de S
ao Paulo.
Para um melhor entendimento a respeito da estabilidade dos pontos
de equilbrio dos sistemas p-fuzzy faz-se necessario alguns comentarios
sobre base de regras fuzzy com oposicao sem
antica.
a variaca
o de uma populaca
o e proporcional a
` populaca
o
em cada instante
ent
ao, uma primeira tentativa de modelagem para tal princpio poderia
nos levar `
as regras do Quadro 8.1, cujos antecedentes e consequentes
est
ao representados nas Figuras 8.4(a) e 8.4(b), respectivamente.
Com essa base de regras, o controlador de Mamdani e a defuzzificacao
dada pelo centro de massa, o sistema p-fuzzy (9.1) nos leva `a trajetoria
ilustrada na Figura 9.2.
250
200
150
Populao
100
50
0
0 2 4 6 8 10
Tempo
n
umero de mortes e inferior ao de nascimento. No entanto, esse cresci-
mento exponencial ilimitado n
ao e observado na realidade, a n
ao ser por
um curto espaco de tempo. Ha na natureza fatores como alimentacao,
competic
ao com outros indivduos, disputa por espaco, luz, etc, que li-
mitam a populac
ao a um certo limiar (capacidade suporte), dando-lhe
estabilidade num determinado ambiente.
Fatores como os citados acima desencadeiam um processo de inibicao
da populac
ao de modo que, para populacoes muito grandes, a variacao
e pequena ou mesmo negativa.
200
180
160
140
120
Populao
100
80
60
40
20
0
0 2 4 6 8 10 12 14
Tempo
(iv) No m
aximo duas regras devem ser ativadas de cada vez, isto e, cada
elemento do universo deve ter pertinencia n
ao nula a no m
aximo
dois antecedentes;
288 Modelagem em Biomatem
atica: Fuzziness Demogr
afica
Com as hip
oteses acima vamos enunciar alguns resultados importan-
tes. Mais detalhes o leitor pode encontrar em [117].
Definic
ao 9.1 (Ordenac
ao de regras). Uma base de regras com as seis
caractersticas acima ser
a denominada bem ordenada.
Proposic
ao 9.1. Suponha que a base de regras do sistema p-fuzzy (9.1)
seja bem ordenada e que os n
umeros fuzzy Ai e Ai+1 , de regras con-
secutivas, tenham funco
es de pertinencias contnuas. Ent
ao, para todo
T
x I = supp {Ai } supp {Ai+1 } = 6 , a sada x e contnua e de-
riv
avel.
Demonstraca
o. Ver [117].
Corol
ario 9.2. Suponha que a base de regras para (9.1) seja bem or-
denada e que seja formada por n
umeros fuzzy triangulares, trapezoi-
dais e/ou em forma de sino. Nestas condico es, para todo x I =
T
supp {Ai } supp {Ai+1 } =
6 , a sada x e contnua e deriv
avel.
Definic
ao 9.2 (Equilbrio). Um n
umero real x e um ponto de equilbrio
do sistema p-fuzzy discreto (9.1) se
F (x) = x x + x = x x = 0.
9.1 Fuzziness Demogr
afica: modelagem discreta 289
Demonstraca
o. A prova e baseada no fato de que a oposicao sem
antica
implica na mudanca de sinal de x no intervalo I . Da, de x ser
contnua (Proposic
ao 9.1) e do Teorema de Bolzano conclui-se a prova
do teorema. Para mais detalhes ver [117].
apresentam oposic
ao sem
antica. A partir de tal expressao e possvel
estudar varias proposic
oes a respeito da unicidade do equilbrio no in-
tervalo I .
Um primeiro resultado geral e o seguinte: se x se anular em I e
for mon
otona, ent
ao o sistema p-fuzzy (9.1) tem um u
nico ponto de
equilbrio em I . Uma condicao suficiente para que x seja mon
otona
e que sua derivada n
ao mude de sinal.
A seguir vamos enunciar apenas o resultado para determinacao de
equilbrio em que as sadas s
ao simetricas.
ou pela soluca
o da equaca
o
quando existir.
Alem disso, tambem vale a seguinte f
ormula, u
til para estudo de esta-
bilidade
[1 2
+ (Ai (x))] [Ai (x) Ai+1 (x)]
d(x) Bi+1
|x=x = Z A (x) . (9.2)
dx i
1
4 B + (s) ds
0 i+1
onde B + e a funca
o de pertinencia de Bi+1 restrita ao lado direito
i+1
9.1 Fuzziness Demogr
afica: modelagem discreta 291
deste conjunto.
Demonstraca
o. [117]. A ilustracao da existencia de x encontra-se na
Figura 9.5.
(b) x e inst
avel se
d(x) d(x)
< 2 ou > 0.
dx dx
x=x x=x
d(x)
(i) se 1 < dx |x=x < 0, x e assintoticamente est
avel com con-
vergencia mon
otona;
d(x)
(ii) se 2 < dx |x=x < 1, x e assintoticamente est
avel com con-
vergencia oscilat
oria;
292 Modelagem em Biomatem
atica: Fuzziness Demogr
afica
d(x)
(iii) a instabilidade e oscilat
oria se dx |x=x < 2.
210 x x 200
A5 (x) = e A6 (x) = ,
20 20
ent
ao, do Teorema 9.4, o u
nico ponto de equilbrio e a solucao da equacao
210 x x 200
A5 (x) = A6 (x) = x = 205.
20 20
1 1 1
A5 (x) = , A5 (x) = , A6 (x) =
4 20 20
e Z Z 1
A5 (x) 4 7
1
B6+
(s) ds = (1 s) ds = .
0 0 32
Ent
ao,
d(x) ( 3 )2 [( 201
) 1
20 ] 9
|x=205 = 4 7 = .
dx 4 ( 32 ) 240
9.1 Fuzziness Demogr
afica: modelagem discreta 293
Assim,
d(x)
1 < < 0.
dx
x=205
B M A B M A
1 1
x y
A neg M neg B neg B pos M pos A pos A neg M neg B neg B pos M pos A pos
1 1
0 0
30 20 10 0 10 20 30 3 2 1 0 1 2 3
(a) x: Variaca
o de x. (b) y: Variaca
o de y.
A din
amica do sistema bidimensional p-fuzzy discreto consiste em
296 Modelagem em Biomatem
atica: Fuzziness Demogr
afica
1. Se X e B e Y e B ent
ao X e M + e Y e M
2. Se X e B e Y e M ent
ao X e B + e Y e A
3. Se X e B e Y e A ent
ao X e M e Y e M
4. Se X e M e Y e B ent
ao X e A+ e Y e B +
5. Se X e M e Y e A ent
ao X e A e Y e B
6. Se X e A e Y e B ent
ao X e M + e Y e M +
7. Se X e A e Y e M ent
ao X e B e Y e A+
8. Se X e A e Y e A ent
ao X e M e Y e M +
Quadro 9.2: Base de regras para um sistema p-fuzzy discreto do tipo presa-
predador
obter as populac
oes por meio do sistemas iterativo bidimensional
xn+1 = xn + 1 [xn , yn ]
yn+1 = yn + 2 [xn , yn ] (9.3)
x0 , y0 R s
ao dados
Se X e M e Y e M entao X e B e Y e B.
de integrac
ao (ver [41, 110]).
(a) M
etodo de Euler para E.D.O.
Este metodo gera as estimativas xn da seguinte forma:
xn+1 = xn + hf (tn , xn ),
(b) M
etodos de Runge-Kutta de segunda ordem para E.D.O.
O metodo de Runge-Kutta de segunda ordem que adotamos aqui, tambem
conhecido como metodo de Euler Aperfeicoado, gera as estimativas
h
xn+1 = xn + [f (tn , xn ) + f (tn + h, xn + hf (tn , xn )].
2
Claro que o leitor pode usar qualquer outro metodo de ordem superior
em seu estudo.
(c) M
etodos de Integrac
ao Num
erica
As estimativas xn podem tambem ser obtidas por meio de algum metodo
de integrac
ao numerica, transformando o PVI (9.4) em um PVI em que
a E.D.O. e traduzida na forma de integral, como a regra dos trapezios
ou a regra de Simpson. Um estudo com essa formulacao o leitor pode
encontrar em [101].
Aplicac
ao
A seguir vamos ilustrar a metodologia aqui proposta nos modelos de
crescimento populacional com inibicao, como o de Verhulst.
O modelo tradicional de Verhulst para crescimento populacional e
regido pelo PVI
1 dx = a(K x)
x dt , (9.5)
x(t0 ) = x0
onde a e a raz
ao de crescimento intrnsica e K e a capacidade suporte.
9.2 Fuzziness Demogr
afica: modelagem contnua 301
As soluc
oes cl
assicas de (9.5), que representam as populacoes x(t) em
cada instante t, s
ao dadas por
K
x(t) = . (9.6)
( xK0 1)eat + 1
Logo,
x e crescente se x0 < K
x e constante se x0 = K ,
x e decrescente se x0 > K
e tem a forma representada na Figura 9.11.
300
x0 = 270
x0 = K
Populao
150
100
50
x0 = 25
0
0 5 10 15 20 25 30
Tempo
dx
g(x) = = ax(K x). (9.7)
dt
1 dx
= a(K x) = f (x), (9.8)
x dt
em que f e linear.
Note que a equacao (9.8) est
a escrita em funcao da taxa de crescimento
especfico. Esta formulac
ao facilita a elaboracao das regras do sistema
p-fuzzy. A construc
ao das regras a partir da variacao percentual por
unidade de tempo pode, em alguns casos, parece ser mais intuitiva que
a formulac
ao a partir das variacoes absolutas. Por esse motivo n
ao
usaremos a base de regras do Quadro 9.1.
Apenas para efeito de notacao, denotaremos X para a populacao (en-
1 dX
trada) e X dt (sada) para a taxa de crescimento relativa por unidade
de tempo (ou taxa de crecimento especfico).
Base de Regras
1 dX
R1 : Se (X) e muito baixa (A1 ) ent
ao a X dt
e alta positiva (B1 )
1 dX
R2 : Se (X) e baixa (A2 ) ent
ao a X dt
e alta positiva (B2 = B1 )
1 dX
R3 : Se (X) e media (A3 ) ent
ao a X dt
e media positiva (B3 )
1 dX
R4 : Se (X) e media alta (A4 ) ent
ao a X dt
e media positiva (B4 = B3 )
1 dX
R5 : Se (X) e alta (A5 ) ent
ao a X dt
e baixa positiva (B5 )
1 dX
R6 : Se (X) e altssima (A6 ) ent
ao a X dt
e baixa negativa (B6 )
cuja representac
ao gr
afica pode ser vista na Figura 9.12.
250
200
150
100
50
0
0 10 20 30 40 50 60 70 80 90
dx
= xf (x).
dt
A func
ao f e denominada crescimento especfico da populacao. Abaixo
apresentamos algumas delas que s
ao bastante usadas na literatura.
Modelo de Verhulst
f e linear e dada por
f (x) = a(K x).
Modelo de Montroll x s
f (x) = a 1 , com s > 0.
K
Modelo de Gompertz
x
f (x) = a ln , x > 0.
K
A Figura 9.13 abaixo ilustra uma base de regras na forma granular e
possibilidades para diversos crescimentos especficos (f ) com inibicao.
x
Gompertz
s>1 Montroll
B =B
1 2
0<s<1
Verhulst
B =B
3 4
*
B I =supp( A ) supp( A )
5 5 6
B
6
k x
A A A A A5 A6
1 2 3 4
1 dX
R1 : Se (X) e muito baixa (A1 ) ent
ao a X dt
e pouco alta positiva (pB1 )
1 dX
R2 : Se (X) e baixa (A2 ) ent
ao a X dt
e alta positiva (pB2 = pB1 )
1 dX
R3 : Se (X) e media (A3 ) ent
ao a X dt
e media positiva (pB3 )
1 dX
R4 : Se (X) e media alta (A4 ) ent
ao a X dt
e media positiva (pB4 = pB3 )
1 dX
R5 : Se (X) e alta (A5 ) ent
ao a X dt
e baixa positiva (mB5 )
1 dX
R6 : Se (X) e altssima (A6 ) ent
ao a X dt
e baixa negativa (mB6 )
(Bi ) pBi (x) = (Bi (x)) , i = 1, 2.
pBi =
(B ) (x) = ( (x))
i pBi Bi
pBi = 1 1 , i = 3, 4.
+
(Bi ) pB + (x) = (B + (x))
1
i i
1
mBi = (Bi ) mBi (x) = (Bi (x)) , i = 5, 6.
onde Bi e Bi+ s
ao respectivamente o lado esquerdo e direito do conjunto
fuzzy Bi .
A Figura 9.14 ilustra os consequentes das regras do Quadro 9.3 e do
Quadro 9.4.
mB6 mB5
2 0 2 4 6 8 10
Figura 9.14: Consequentes das regras do Quadro 9.3 e suas respectivas mo-
dificac
oes por potencia.
Com essa nova base de regras obtemos uma trajetoria para o modelo
9.2 Fuzziness Demogr
afica: modelagem contnua 307
210
204
195 pfuzzy contnuo
180 modificado por potncia
165
150
135
Populao
120
105
90
75
60
45
30
15
0
0 2 4 6 8 10 12 14
Tempo
ja que h
a oposic
ao sem
antica nos consequentes mB5 e mB6 . Esse valor
ser
a a capacidade suporte (K) do modelo teorico de Montroll em que o
x s
campo de direc
oes e dado por f (x) = a(1( K ) ). Como os antecedentes
A5 e A6 s
ao os mesmos do Exemplo 9.1, o equilbrio e a solucao da
equac
ao
A5 (x) = A6 (x) = x = 205.
3. A populac
ao de presas cresce exponencialmente na ausencia de
predadores (crescimento ilimitado por escassez de predadores);
4. A populac
ao de predadores decresce exponencialmente na ausencia
de presas (decrescimo por escassez de alimento);
5. A populac
ao de predadores e favorecida pela abundancia de presas;
6. A populac
ao de presas e desfavorecida pelo aumento de predadores.
As vari
aveis de estado x e y s
ao, respectivamente, quantidade de presas
e quantidade de predadores em cada instante t.
Os par
ametros representam:
: a eficiencia de predacao, isto e, a eficiencia de convers
ao de
uma unidade de massa de presas em uma unidade de massa de
predadores, ja que representa a proporcao de sucesso dos ataques
dos predadores e a taxa de convers
ao de biomassa das presas em
predadores;
Os pontos crticos
do sistema (9.9) s
ao: (0, 0), um ponto de sela
b a
avel, e , que e um centro est
inst avel (ver [24]).
O car
ater cclico das solucoes explica as flutuacoes observadas experi-
mentalmente em populac
ao de presas e predadores.
b x
Na subsec
ao anterior apresentamos as hip
oteses de Lotka-Volterra que
caracterizam um modelo presa-predador, cujos contingentes populacio-
nais oscilam com o tempo. Isso vem ao encontro de observacoes empricas
nestes ecossistemas [50, 91, 55]. Os resultados, coerentes com o fenomeno
9.2 Fuzziness Demogr
afica: modelagem contnua 311
2 h
a interac
ao entre as especies;
3 n
ao h
a auto-inibic
ao nas presas, isto e, para um dado n
umero de pre-
dadores, o crescimento especfico das presas e constante, podendo
ser positivo ou negativo;
Resumidamente, as hip
oteses de 3 a 6 indicam que, a interacao
e tpica de presa-predador e que, mantendo-se uma especie constante, a
outra tem crescimento (decrescimento) malthusiano, isto e, tem cresci-
mento especfico constante.
312 Modelagem em Biomatem
atica: Fuzziness Demogr
afica
B4
B3
Predador
B2
B1
0
1
A1 A2 A3 A4
1 dX 1 dY
Se X e A1 e Y e B1 entao X dt e P2 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B1 entao X dt e P2 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B1 entao X dt e P2 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B1 entao X dt e P2 e Y dt e P2
1 dX 1 dY
Se X e A1 e Y e B2 entao X dt e P1 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B2 entao X dt e P1 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B2 entao X dt e P1 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B2 entao X dt e P1 e Y dt e P2
1 dX 1 dY
Se X e A1 e Y e B3 entao X dt e N1 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B3 entao X dt e N1 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B3 entao X dt e N1 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B3 entao X dt e N1 e Y dt e P2
1 dX 1 dY
Se X e A1 e Y e B4 entao X dt e N2 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B4 entao X dt e N2 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B4 entao X dt e N2 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B4 entao X dt e N2 e Y dt e P2
representac
ao do campo de direcoes de equacoes diferencias classicas.
Apenas em ttulo de curiosidade e para nos convencermos mais sobre o
poder da metodologia p-fuzzy, a base de regras de fato gera um campo
cl
assico de direc
oes para uma E.D.O. A Figura 9.19 abaixo ilustra o
campo produzido pela base de regras do Quadro 9.5.
Predador
Presa
Entretanto, n
ao estudaremos aqui metodos para obtencao de par
ametros
de modelos cl
assicos a partir dos p-fuzzy. O leitor interessado nesse as-
sunto poder
a consultar alguns trabalhos feitos recentemente com siste-
mas p-fuzzy [36, 47, 101, 117].
Nosso interesse aqui e ilustrar o metodo proposto, no intuito de pro-
duzir uma trajetoria que represente a evolucao do sistema p-fuzzy.
As Figuras 9.20 e 9.21 representam as funcoes de pertinencia de cada
um dos valores fuzzy adotados em nosso exemplo.
A A A A B B B B
1 2 3 4 1 2 3 4
1 1
0.8 0.8
Graus de Pertinncia
Graus de pertinncia
0.6 0.6
0.4 0.4
0.2 0.2
0 0
N P N N P P
2 N1 P1 2
2 1 1 2
1 1
0.8 0.8
Grau de pertinncia
Grau de pertinncia
0.6 0.6
0.4
0.4
0.2
0.2
0
0
1 dx 1 dy
Centro de Gravidade obtemos os valores e .
x dt y dt
Em cada instante t, o n
umero de presas e de predadores e dado pelas
formulas
Zt
dx
x(t) = x(t0 ) + (s) ds
dt
t0
Zt . (9.10)
dy
y(t) = y(t0 ) + (s) ds
dt
t0
1 dx 1 dy
Como as sadas s
ao x dt e y dt , devemos multiplic
a-las pelas entradas x
dx dy
e y, respectivamente, para obter dt e dt . Porem, as express
oes analticas
de cada uma dessas derivadas n
ao s
ao conhecidas.
Para estimar as trajetorias dadas por (9.10), aproximamos dx dt (s) por
ti
R
dx dx
dt (ti1 ) em cada intervalo [ti1 , ti ], de modo que a integral dt (s) ds
ti1
e aproximada por (ti ti1 ) dx
dt (ti1 ).
Assim, os valores de x(t) e y(t) s
ao estimados pelas formulas
(
x(ti ) = x(ti1 ) + hxi1
, (9.11)
y(ti ) = y(ti1 ) + hyi1
onde ti = t0 + ih enquanto x e y s
ao as sadas do controlador corrres-
pondentes `
as entradas xi1 x(ti1 ) e yi1 y(ti1 ), respectivamente.
Resultados
As simulac
oes das trajetorias produzidas pelo sistema p-fuzzy acima
seguem os passos:
x1 e y1 s
ao os novos valores de entrada do controlador e assim
sucessivamente;
Usando as Equac
oes (9.11), obtemos o plano de fase e as trajetorias
ilustradas na Figura ??.
Com os dados iniciais adotados acima e o sistema p-fuzzy dado pe-
las regras do Quadro 9.5, combinadas com o sistema (9.11), e possvel
concluir que o ponto de equilbrio e Pe = (77, 5; 3, 5).
Claro que outros metodos numericos, como os de Runge-Kutta, podem
ser adotados para estimar x(t) e y(t) (ver [47]).
Como ja comentamos antes, se estivessemos interessados em encontrar
os par
ametros de um modelo de Lotka-Volterra classico para produzir
as trajetorias representadas na Figura 9.16, poderamos
comparar as
b a
coordenadas de Pe com as do equilbrio teorico, P = , , para obter
relac
oes entre a, b, e . Da, usar ajustes para, finalmente encontrar
cada um desses par
ametros.
9.2 Fuzziness Demogr
afica: modelagem contnua 319
Modelagem em Biomatem
atica:
Fuzziness ambiental
Quando as leis da matem atica se
referem a` realidade, elas n
ao sao
certas. E se sao certas, n
ao sao
referentes a
` realidade.
(Albert Einstein)
desta natureza s
ao abundantes na realidade: quando o custo de vida em
uma localidade influencia a esperanca de vida do grupo; quando num
modelo presa-predador o ambiente e favor
avel `a presa ou ao predador;
quando em um modelo de competicao algum dos competidores e favore-
cido pelo ambiente etc. Via de regra, a fuzziness ambiental e incorporada
aos par
ametros do modelo matem
atico do fenomeno. Este e o caso das
aplicac
oes que estudaremos neste captulo. Na primeira delas considera-
mos a pobreza como um fator que supostamente influencia a esperanca
de vida de um grupo. Tal modelo pode ser encontrado com mais detalhes
em [11, 23].
Do ponto de vista matem
atico, estes modelos podem ser tratados pe-
los metodos cl
assicos, sem a necessidade de novos conceitos matem
aticos
para modelar a evoluc
ao da incerteza. Por exemplo, se o fenomeno for
modelado por meio de equacoes diferenciais, o conceito de taxa de va-
riac
ao (ou derivada) e o mesmo dos modelos determinsticos, e a equacao
diferencial pode ser entendida como uma famlia de equacoes diferenciais
cl
assicas, dependentes de parametros (na teoria de equacoes diferenciais
estoc
asticas, estas equac
oes s
ao denominadas equaco
es aleat
orias (veja
[6]).
Na maioria dos fenomenos est
ao presentes os dois tipos de incertezas
e, neste caso, a modelagem n
ao diferencia muito das abordadas neste
livro. Porem, dependendo do interesse em questao, mesmo a fuzziness
demografica pode ser tratada com a metodologia da fuzziness ambiental.
Para isto deve-se passar toda a incerteza das vari
aveis de estado para
os par
ametros do modelo matem
atico, desde que tal procedimento faca
sentido (veja 10.2).
10.1.1 O Modelo
onde
(r) indica o grau com que um indivduo com renda r pertence ao con-
junto fuzzy dos pobres, ou seja, e uma funcao de pertinencia.
A func
ao de pertinencia pode ser representada por uma funcao
decrescente com r e, aqui, achamos conveniente adotar a famlia de
curvas (ver Exemplo 1.5)
(
[1 ( rr0 )2 ]k se 0 < r < r0
k (r) = , (10.2)
0 se r r0
324 Modelagem em Biomatem
atica: Fuzziness ambiental
onde k e um par
ametro que fornece alguma caracterstica do grupo.
Lembramos que quanto maior o valor de k, menor ser
a a dependencia
do indivduo em relac
ao `
a renda. Assim, intuitivamente, k revela se o
ambiente em que o grupo vive e mais ou menos favor
avel `a vida.
Observamos que (10.1) e uma famlia de equacoes diferenciais or-
din
arias. Assim, n(t) e uma famlia de solucoes da equacao diferencial
indexada por r, ou seja, para cada r fixo, n(t) e uma solucao da equacao
diferencial correpondente a este r. Este conjunto de solucoes forma a
soluc
ao do problema fuzzy (10.1). Deste modo, supondo que r tenha
uma distribuic
ao estoc
astica, n(t) e uma vari
avel aleatoria para cada t
fixo.
Se quisermos eleger uma u
nica curva para representar a evolucao do
n
umero de indivduos no tempo, uma forte candidata e a que fornece o
n
umero medio de n(t) para cada t. Esta curva media e obtida calculando-
se a esperanca, da mesma forma que se faz no caso estocastico.
Nosso objetivo a seguir e obter a expectativa de vida do grupo por
meio das esperancas cl
assica e fuzzy, conforme os conceitos vistos no
Captulo 7.
A esperanca estoc
astica e dada por
Z
E[n(t)] = n(t)h(r) dr, (10.3)
0 b r
Figura 10.1: Densidade de distribuic
ao da renda.
Z
1 t a
E[n(t)] = n(0)e ab ek (r)2 t r (a+1) dr
b
ou Z
n(t) 1 t a
E =e ab ek (r)2 t r (a+1) dr. (10.4)
n(0) b
Se r0 b, ent
ao k (r) = 0 para r b e
Z
1 t a
E[n(t)] = n(0)e ab r (a+1) dr = n(0)e1 t .
b
n(t)
Isto significa que E[ n(0) ] = e1 t , para todo a > 0, ou seja, neste
caso o valor de b e suficientemente grande para que n ao haja in-
terferencia da pobreza na esperanca de vida do grupo.
Z
a
Se r0 > b, temos que ab ek (r)2 t r (a+1) dr < 1, de maneira
b
que E[n(t)] < n(0)e1 t . Assim, podemos interpretar o n
umero
Z
a
ab ek (r)2 t r (a+1) dr
b
h i
n(t)
10.1.3 Esperanca Fuzzy: EF n(0)
n(t)
Consideramos Yt (r) = a funcao de pertinencia de um conjunto fuzzy,
n0 h i
n(t) n(t)
ja que n0 [0, 1]. Vamos obter EF n(0) usando o Teorema 7.1,
aplicado `
a func
ao
n(t)
H() = P {r : Yt (r) = } = P {r : e(1 +2 k (r))t }
n(0)
= P {r : e2 k (r)t e1 t }, (10.5)
H
1
bissetriz
EF
a
b
r0
Yt (r) EF e1 t 1
Figura 10.2: H() e esperanca fuzzy (EF).
de metal
urgicos de Recife onde tnhamos algumas informacoes sobre sua
renda e o c
alculo da esperanca classica o que nos permitiu comparar o
modelo fuzzy com o estoc
astico.
10.1.4 Aplicac
ao: Esperanca de vida de um grupo de
metalurgicos de Recife
Desta forma,
ln(1 R) = a ln b a ln r.
e b 1, 726. Assim,
(
6, 15r 3031 se r 1, 726
h(r) = .
0 se r < 1, 726
1
Se S = 1 = 1 +2 k (1) = 45, 9
1
=
Se S = 2 = 1 +2 k (2m ) = 50, 8
330 Modelagem em Biomatem
atica: Fuzziness ambiental
1 1
2 k (1) = 45,9 54,4 = 3, 404 103
1 1
2 k (2m ) = 50,8 54,4 = 1, 303 103 .
1,51
1.68 r
10.1.5 Comparac
ao das Esperancas Cl
assica e Fuzzy
Tendo em m
aos a func
ao de pertinencia do conjunto dos pobres em
quest
ao (1,51 ), podemos calcular o n
umero medio de trabalhadores es-
tudados na Sec
ao 10.1.4, ano a ano, utilizando os resultados das Secoes
10.1 Esperanca de Vida Pobreza 331
# {n |Y > }
P {n |Y > } = .
#A
Ent
ao,
n2 10
Se Y (2, 5) < Y (3, 5) = #A = 150 = 0, 0667
n2 +n1 50
Se Y (2, 0) < Y (2, 5) = #A = 150 = 0, 333.
Se considerarmos o valor esperado fuzzy, num tempo t, de Y (r)
Assim, para t = 1
E[Y1 ] 0, 9998e1 .
O modelo cl
assico mais simples para descrever a din
amica de doencas
transmitidas diretamente, onde h
a interacao entre indivduos suscetveis
e infectados, e o modelo do tipo SI, representado pelo diagrama com-
partimental da figura 10.4.
S I
As equac
oes diferenciais classicas que descrevem essa din
amica sao
dadas por:
dS
= SI
dt , (10.8)
dI = SI
dt
com S + I = 1, onde S e a proporcao de indivduos suscetveis, I e a
proporc
ao de indivduos infectados e e o coeficiente de transmiss
ao.
Levando-se em conta que o modelo e normalizado, isto e, S + I = 1,
o n
umero de indivduos infectados e obtido pela solucao da equacao
logstica
dI
= (1 I)I.
dt
334 Modelagem em Biomatem
atica: Fuzziness ambiental
cuja soluc
ao e dada por:
I0 et
I= , (10.9)
S0 + I0 et
onde S0 e I0 s
ao as proporcoes iniciais de suscetveis e infectados res-
pectivamente.
O modelo SI 10.8 faz parte do grupo de modelos de transmiss
ao direta.
Tais modelos s
ao formulados por equacoes diferenciais e baseiam-se na lei
de aca
o de massas originada do estudo de cinetica qumica. A lei de aca
o
de massas postula que a taxa de formacao dos compostos e proporcional
as concentrac
` oes dos reagentes. A aceitacao desta lei e baseada no fato de
que cada partcula dos reagentes movimenta-se independentemente das
demais, o que significa que a mistura e homogenea e portanto todas as
partculas tem a mesma chance de encontro com as demais. A traducao
desta lei para os modelos matem
aticos, e feita considerando o encontro
entre vari
aveis como sendo o produto delas. Lotka e Volterra, na mesma
epoca, tambem usaram esta formulacao para modelar interacao entre
especies.
A transposic
ao desta lei para a epidemiologia deu-se, inicialmente,
com os modelos de Kermack-Mackendric (1926) baseados na hip
otese
que os indivduos infecciosos est
ao distribudos homogeneamente em
toda a populac
ao e tem o mesmo poder de transmitir a doenca. Esta e
uma simplificac
ao consideravel para a epidemiologia, j
a que h
a muitas
fontes de heterogeneidade que interferem na propagacao de uma doenca,
como por exemplo idade e/ou classe social.
No modelo que vamos propor continuaremos admitindo a lei de acao
de massas, ou seja, que cada infeccioso tem a mesma chance de encontro
com os suscetveis. Entretanto, vamos considerar que a chance de ocor-
rer novo caso da doenca varie de indivduo para indivduo. Uma nova
infecc
ao s
o poder
a ocorrer se um n
umero mnimo de vrus (ou outro
agente patogenico) for trasmitido pelo hospedeiro. Desta forma, vamos
10.2 O Modelo Epidemiol
ogico SI 335
O par
ametro vmin representa a quantidade mnima de vrus necessaria
para que possa ocorrer a transmiss
ao da doenca. Este par
ametro po-
deria ser interpretado como o valor limiar da suscetibilidade do grupo
estudado. De fato, quanto maior for o valor de vmin maior e a quantidade
336 Modelagem em Biomatem
atica: Fuzziness ambiental
vmin vM v
Figura 10.5: Coeficiente fuzzy de transmiss
ao .
Soluc
ao Fuzzy
Com a incorporac
ao da carga viral, o sistema 10.8 pode ser visto como
uma famlia de equac
oes diferenciais ordinarias que tem como solucao
as func
oes
I0 e(v)t
I(v, t) = (10.11)
So + I0 e(v)t
para cada v fixo.
Agora, para cada t > 0 fixo, I(v, t) e um conjunto de valores reais e
isto significa que, para cada instante t, a solucao (10.11) do problema
fuzzy (10.8) e uma distribuicao de possveis valores para o n
umero de
infectados no intervalo [0, 1]. Assim, I(v, t) = It (v) [0, 1] pode ser
interpretada como a func
ao de pertinencia de um conjunto fuzzy. Se por
algum motivo for necessario adotar um u
nico valor real para representar
10.2 O Modelo Epidemiol
ogico SI 337
o n
umero de indivduos infectados devemos adotar algum procedimento
de defuzzificac
ao. Podemos, por exemplo, estimar seu n
umero medio
em cada instante t, por meio do valor esperado fuzzy EF [I(V, t)], usado
aqui como um defuzzificador de I(v, t).
Para fazer uma comparacao entre os modelos SI classico e fuzzy vamos
calcular os n
umeros medios de infectados, atraves das esperancas classica
E [I(V, t)] e fuzzy EF [I(V, t)].
Para isto, consideramos que a carga viral V e uma vari
avel lingustica
que pode ser classificada como fraca (V ), media (V+ ) ou forte (V+ ),
sendo cada uma dessas classificacoes um conjunto fuzzy que tem forma
triangular, de acordo com a funcao de pertinencia da carga viral do
grupo estudado:
(
|vv|
1 se v [
v , v + ]
(v) = . (10.12)
0 se v
/ [
v , v + ]
0 v v v + v
Figura 10.6: Distribuic
ao de possibilidades da carga viral .
O par
ametro v e um valor medio em torno do qual cada um dos
conjuntos fuzzy assumidos por V distribui-se, enquanto (a metade da
base dos tri
angulos), d
a uma ideia da dispers
ao.
338 Modelagem em Biomatem
atica: Fuzziness ambiental
k 1
H() = 1 {v : I(v, t) < } = 1 {v : (v) < ln( )t } =
1
1
k t
1 se ln( 1 ) 0
1
= k t
{v [0, B)} se 0 < ln( 1 ) <1 =
1
k t
0 se ln( 1 ) 1
10.2 O Modelo Epidemiol
ogico SI 339
1 se 0 I0
= I 0 et ,
{v [0, B)} se I0 < < S0 +I0 et
I 0 et
0 se S0 +I0 et 1
1
k t
onde B = vmin + (vM vmin ) ln( 1 ) . Note que vmin < B vM .
Para calcular a esperanca fuzzy pode-se usar qualquer medida fuzzy
(n
ao necessariamente -aditiva). No nosso caso, vamos adotar a medida
fuzzy Z Z
1 (v)
(A) = (v)dv = dv,
A A
que tambem e uma medida de probabilidade cuja funcao densidade de
R (v)
ao e (v)
distribuic . Note que A dv = 1.
A fim de exemplificar os casos onde a carga viral e fraca, media ou
forte, vamos calcular a esperanca fuzzy EF [I(V, t)] para os tres casos
distintos, conforme Figura 10.7.
Portanto,
EF [I(V, t)] = I0 .
Neste caso, o n
umero de infectados em cada instante t permanece o
340 Modelagem em Biomatem
atica: Fuzziness ambiental
e, portanto
I0 et
EF [I(V, t)] = .
S0 + I0 et
Novamente neste caso, obtemos a solucao classica quando = 1.
edia (V+ ): Tomamos vmin < v < v + < vM .
Carga viral m
Um c
alculo direto, porem trabalhoso, nos leva a
1 se 0 I(
v , t)
2
B v
1
1 2 +1 se I(
v , t) < I(
v , t)
2
H() = .
1 v B
2
+1 se I(
v , t) < I(
v + , t)
0 se I(
v + , t) < 1
H
1
I(
v ,t) I(
v +,t) 1
Figura 10.8: Gr
afico da func
ao nvel H() para carga viral media.
dI
= (1 I)I.
dt
A doenca poder
a ser controlada por I(
v + , t), ou seja, fazendo v +
vmin 0, o n
umero medio de infectados n
ao crescera pois
10.2.3 Esperanca cl
assica do n
umero de infectados
Com o par
ametro considerado, isto e, = (v), a esperanca classica
do n
umero de indivduos infectados, E[I(V, t)], e dada por
+
Z v+
Z
(v) 1
E[I(V, t)] = I(v, t) dv = I(v, t)(v) dv, (10.13)
v
v+
Z
1
E[I(V, t)] = I(v, t)(v) dv = I0 .
v
Apos efetuar os c
alculos, obtemos
v+
Z
1 I0 et
E[I(V, t)] = I(v, t)(v) dv = .
S0 + I0 et
v
I(
v , t) E[I(v, t)] I(
v + , t),
e
lim E[I(V, t)] lim I(
v + , t) = I0 .
t t
Para a esperanca cl
assica tem-se tambem que
10.2.4 Soluc
ao das m edias (I(EF [V ], t)) M
edia das
soluc
oes (EF [I(V, t)])
Nesta sec
ao vamos comparar a curva EF [I(V, t)] com a trajetoria dos 3
casos estudados anteriormente, isto e, I(EF [V ], t) = I(
v , t)
1
Da express
ao de H podemos concluir que H(I(
v , t)) = 2 para todo t.
10.2 O Modelo Epidemiol
ogico SI 345
1
EF [I(V, t)] > I(
v , t) se I(
v , t) < 2
1
.
EF [I(V, t)] < I(
v , t) se I(
v , t) > 2
0,5
I0
t t
Figura 10.9: EF [I(V, t)]: media fuzzy e I(
v , t): determinstico.
A discuss
ao que faremos nesta secao e baseada nas propriedades do
modelo SI fuzzy , levando-se em conta a curva dada pela esperanca fuzzy
EF [I(V, t)]. Conclusoes semelhantes s
ao obtidas se a curva adotada fosse
E[I(V, t)] [16].
Vimos que,
se S0 I0 ent
ao EF [I(V, t)] I(
v , t) para todo t > 0 e, neste
caso, o modelo determinstico superestima o n
umero de indivduos
infectados.
vM vmin
Portanto, no incio da doenca quando t < t = vvmin ln( SI00 ) e S0 >>
I0 , temos
I(
v , t) EF [I(V, t)] I(
v + , t)
e, assim, v(t) [
v , v + ].
10.2 O Modelo Epidemiol
ogico SI 347
dI
> 0 SI = (1 I)I > 0
dt
v +
R0fuzzy = . (10.14)
vmin
348 Modelagem em Biomatem
atica: Fuzziness ambiental
Na modelagem cl
assica, as medidas de controle e prevencao visam
reduzir o valor do par
ametro R0 (de tal forma que R0 < 1) para que
a doenca n
ao se propague. Logo, para o modelo classico SI isso n
ao
seria possvel, visto que a variacao dos indivduos infectados e sempre
positiva, como ja foi visto antes.
A outra opc
ao para reduzir R0 seria diminuir o valor de v + , dimi-
nuindo v ou . A diminuicao de poderia se dar atraves de medidas
de controle na populac
ao infectada, como por exemplo, isolamento. A
diminuic
ao de v est
a relacionada `as medidas de tratamento dos in-
divduos infectados.
10.3.1 O modelo cl
assico
Assim, a soluc
ao do sistema determinstico e dada por:
at2 at2
x(t) = e 2 e y(t) = 1 e 2 .
= (, c).
Usando formulac
ao an
aloga a do modelo determinstico de Anderson,
podemos escrever:
dx = (, c)x
dt (10.16)
x(0) = 1
ou sua equac
ao complementar
dy
= (, c)x = k(, c)(1 y) com y(0) = 0.
dt
e cada soluc
ao pode ser entendida como um elemento da famlia de
curvas que tem a mesma condicao inicial:
c c c + CD4+
ao de CD4+ .
Figura 10.11: Distribuic
Neste caso, tomamos cmin > c + . Como B > cmin temos que
[cM , cmax ] = 0 e [B, cmax ] = 0. Logo,
(
1 se et
H() =
0 se et < 1
354 Modelagem em Biomatem
atica: Fuzziness ambiental
Logo, (
1 se = 0
H() = .
0 se > 0
+
Caso 3: Nvel de CD4+ m
edio (C ).
Fazendo alguns c
alculos, obtemos:
1 se 0 e(c)t
H() = (B) se e(c)t < < e(c+)t ,
0 se e(c+)t 1
10.4 Din
amica populacional e migrac
ao de moscas varejeiras 355
H
1
bissetriz
EF [x]
Assim,
e(c)t < EF [x] < e (
c+)t
.
10.4 Din
amica populacional e migrac
ao de moscas
varejeiras
Para encerrarmos este captulo apresentaremos um modelo bidimensio-
nal que representa a competicao e migracao de moscas. Tal modelo foi
desenvolvido por Magnano e Castanho em 2003 [35].
356 Modelagem em Biomatem
atica: Fuzziness ambiental
(1 m12 ) m21
N m12 (1 m21 )
2,t+1 = F1 S1 e(f +s)N1,t N1,t + F2 S2 e(f +s)N2,t N2,t
2 2
(10.20)
Este modelo relaciona a din
amica de uma populacao de moscas com
o processo de migrac
ao entre duas colonias. As vari
aveis de estado s
ao:
N1,t : populac
ao de moscas da colonia i no instante t.
Os par
ametros s
ao:
Fi : fecundidade m
axima das moscas quando estas se encontram na
col
onia i;
Si : sobrevivencia m
axima das moscas em i;
mij : taxa de migrac
ao da colonia i para j;
f e s estimam a variac
ao da fecundidade e da sobrevivencia, respectiva-
mente.
Sabemos que os par
ametros mij , Fi e Si s
ao dependentes de uma
serie de fatores que muitas vezes s
ao impossveis de serem avaliados
quantitativamente. Neste caso, um estudo do fenomeno atraves de um
sistema fuzzy parece mais adequado.
10.4 Din
amica populacional e migrac
ao de moscas varejeiras 357
0 100 200 300 400 500 600 700 0 0.2 0.4 0.6 0.8 1
0 0
4 4.5 5 5.5 6 6.5 7 0.6 0.65 0.7 0.75 0.8 0.85 0.9
Figura 10.17: Valores fuzzy - fecundidade. Figura 10.18: Valores fuzzy - sobrevivencia.
360 Modelagem em Biomatem
atica: Fuzziness ambiental
i) Entrada
Inicialmente s
ao dadas as condicoes iniciais, por exemplo,
ii) Controlador
Os par
ametros fuzzy s
ao obtidos atraves das bases de regras via processo
de Mamdani:
Na col
onia 1, temos:
PM (300) = 0, 5 (grau de pertinencia ao conjunto fuzzy populaca
o media/ou
grande);
AH (0, 01) = 0, 995 (grau de pertinencia ao conjunto fuzzy ambiente
hostil).
Ent
ao,
0, 5 0, 995 = 0, 5
x y
A neg M neg B neg B pos M pos A pos A neg M neg B neg B pos M pos A pos
1 1
0 0
30 20 10 0 10 20 30 3 2 1 0 1 2 3
(a) x: Variaca
o de x. (b) y: Variaca
o de y.
iii) Defuzzificac
ao
O processo que transforma este conjunto de sada fuzzy em um valor
exato e conhecido como defuzzificacao.
Como vimos no Captulo 5, s
ao varios os metodos de defuzzificacao.
362 Modelagem em Biomatem
atica: Fuzziness ambiental
onde R e a regi
ao limitada pelo gr
afico da funcao de pertinencia da sada
m
b (ver Figura 10.19). Observe que o valor da integral do denominador
e exatamente a
area de R.
Da mesma maneira obtemos os valores dos par
ametros defuzzificados
F1 e S1 .
iv) Par
ametros crisps
Os valores m
aximos de fecundidade e sobrevivencia s
ao constantes que
dependem da especie de varejeira estudada. No caso da Chrysomya
albiceps estas constantes, determinadas experimentalmente, s
ao F =
7, 03 e S = 0, 915.
Fazemos os mesmos c
alculos para os par
ametros m21 , F2 e S2 da
col
onia 2
v) Soluc
ao do sistema
Aplicando todos os valores obtidos ao sistema recursivo (10.20) obtemos
os valores numericos de N1,1 e N2,1 , que ser
ao as novas condicoes iniciais
das respectivas col
onias. Com o mesmo procedimento anterior, obtemos
novamente os par
ametros e aplicamos ao sistema determinstico recur-
sivo (10.20) para obter os valores de N1,2 e N2,2 . Assim, sucessivamente,
teremos os valores das populacoes das duas colonias em cada instante
discreto. Neste caso, vimos que as populacoes se estabilizam.
Podemos observar que as condicoes ambientais s
ao mais decisivas do
que o valor numerico das populacoes para o processo de migracao destas
moscas. Por exemplo, se mantivermos as mesmas populacoes iniciais
(N1,0 = 300 e N2,0 = 400) e considerarmos condicoes ambientais fa-
vor
aveis nas duas col
onias (A1,0 = 1 e A2,0 = 0, 9), obtemos populacoes
10.4 Din
amica populacional e migrac
ao de moscas varejeiras 363
peri
odicas em cada col
onia (Figura 10.21)
Um estudo de metapopulacoes de moscas varejeiras com uma aborda-
gem fuzzy na din
amica populacional foi desenvolvido por Magnago [79]
em sua tese de doutorado.
Migrao Bilateral: N (0)=300, N (0)=700, Amb =0.01, Amb =0.3 Migrao Bilateral: N1(0)=300, N2(0)=400, Amb1=1, Amb2=0.9
1 2 1 2
700 400
Colnia 1 Colnia 1
Colnia 2 Colnia 2
600
350
500
300
400
Populao
Populao
300
250
200
200
100
0 150
0 5 10 15 20 25 30 35 0 2 4 6 8 10 12 14 16 18 20
Tempo Tempo
[20] R. G. Bartle, The elements of real analysis, John Wiley & Sons,
Inc., New York, 1964.
[27] J. C. Bezdek, Fuzzy models what are they, and why?, Transaction
on Fuzzy Systems 1 (1993), no. 1, 16, Editorial.
[48] D. Dubois and H. Prade, Fuzzy sets and systems theory and
applications, Academic Press, Inc., 1980.
[51] R. F
uller and T. Keresztfalvi, On generalization of Nguyen The-
orem, Fuzzy Sets and Systems 41 (1990), 371374.
[52] R. F
uller and P. Majlender, On interactive fuzzy numbers, Fuzzy
Sets and Systems 143 (2004), 355369.
[53] M. A. Gil, M. L
opez-Diaz, and D. A. Ralescu, Overview on the
development of fuzzy random variable, Fuzzy Sets and Systems
157 (2006), 25462557.
[64] E. H
ullermeier, An approach to modelling and simulation of
uncertain dynamical systems, Intern. J. Uncertainty Fuzziness
Knowledge-Based Systems 5 (1997), 117137.
[72] G. Klir and B. Yuan, Fuzzy sets and fuzzy logic theory and appli-
cations, Prentice-Hall, 1995.
[76] B. Kosko, Fuzzy thinking the new science of fuzzy logic, Hype-
rion, New York, 1993.
[102] J. C. R. Pereira, An
alise de dados qualitativos estrategias me-
todol
ogicas para as ciencias da sa
ude, humanas e sociais., 3 ed.,
Edusp-Fapesp, S
ao Paulo, 2003.
[115] S. Seikkala, On the fuzzy initial value problem, Fuzzy Sets Syst.
24 (1987), no. 3, 319330.
[117] J. D. M. Silva, An
alise de estabilidade de sistemas din
amicos
p-fuzzy com aplicaco
es em biomatem
atica., Tese de Doutorado,
IMECCUnicamp, Campinas, 2005.
Refer
encias Bibliogr
aficas 377
Func
ao de Lebesgue, 204
caracterstica, 13, 224 de Sugeno, 208, 212
de pertinencia, 14, 32, 221, de Aumann, 243
224, 225
densidade de probabilidades, Kandel, 281
225 Kleene-Dienes, Implicacao de, 89
indicadora, 220
Lebesgue, Integral de, 204
Fuzziness Ambiental, 321
Lukasiewicz, Implicacao de, 88,
Fuzziness Demogr
afica
97
Modelagem contnua, 298
Modelagem discreta, 283 Metodo de Euler, 300
Metodos de defuzzificacao, 126,
G
odel, Implicac
ao de, 88, 90
134
Gaines-Rescher, Implicac
ao de,
Centro de Gravidade, 126,
89
285
Goguen, Implicac
ao de, 88, 168
Centro de Maximos, 127
Gompertz, Modelo de, 304
Media dos Maximos, 128
Heisenberg, Princpio da Incer- Metodos de Integracao Numerica,
teza de, 11 300
Hukuhara Metrica para conjuntos fuzzy, 245
Derivada de, 242 Metodos de Runge-Kutta, 300
Diferenca de, 57 Mamdani
Hullermeier, 253 Controlador de, 120, 285
Metodo de inferencia de, 120
Implicac
ao fuzzy, 87, 88 126
Inclus
ao diferencial fuzzy, 241 Medida
Independencia de possibilidade, 193, 195, 232
Possibilstica, 106 de probabilidade, 220
Probabilstica, 106 de Sugeno, 190
Integral Fuzzy, 191
de Choquet, 207 Modelagem Fuzzy
Indice Remissivo 381
Reichenbach, Implicac
ao de, 89 Sugeno, 213
Relac
ao Fuzzy, 62 Integral de, 208, 212
bin
aria, 62, 71
t-conorma, 85
bin
aria inversa, 68
t-norma, 84
Composic
oes Generalizadas,
Takagi-Sugeno, Controlador de,
160163
120
Takagi-Sugeno-Kang, Metodo de
Sistema Baseado em Regras
inferencia de, 128
Fuzzy, 115
Sistema Din
amico Fuzzy, 239 Vari
aveis
Contnuo, 239 aleatorias, 220, 224
Condic
ao inicial e par
ame- lingusticas, 92
tro fuzzy, 258 n
ao-correlacionada, 228
Condic
ao inicial fuzzy, 256 Verhulst, Modelo de, 304
Equilbrio, 260
Estabilidade, 260, 262 Wu, Implicacao de, 89, 103
Discreto, 266 Zadeh, 12
Equilbrio, 268 Implicacao de, 89
Sistema p-fuzzy Princpio da Extens
ao de, 37,
Contnuo, 298 38, 40, 50, 56
Metodos numericos, 299 Princpio da Incompatibili-
Modelo de Montroll, 304 dade, 279
Discreto, 283
Bidimensional, 295
Estabilidade, 291
Subconjunto Fuzzy, 14
normal, 33
operac
oes com, 21
complementar, 21
intersecc
ao, 21
uni
ao, 21