Você está na página 1de 392

T

opicos de Logica Fuzzy


e
Biomatem atica

Colec
ao IMECC
Textos Did
aticos 5
La
ecio Carvalho de Barros

Rodney Carlos Bassanezi

T
opicos de Logica Fuzzy
e
Biomatem atica

Colec
ao IMECC
Textos Did
aticos
Volume 5

Grupo de Biomatem atica


Instituto de Matematica, Estatstica e Computac
ao Cientfica
Universidade Estadual de Campinas

FICHA CATALOGRAFICA ELABORADA PELA
BIBLIOTECA DO IMECC
B278t Barros, Laecio Carvalho de.
T
opicos de l
ogica fuzzy e biomatematica/ Laecio Carvalho
de Barros, Rodney Carlos Bassanezi Campinas, SP:
UNICAMP/IMECC, 2006.
354p.: il. (Colecao IMECC Textos didaticos; v.5)

1.Conjuntos difusos. 2. Logica difusa. 3. Sistemas difusos.


4. Biomatem
atica. I.Bassanezi, Rodney Carlos. II. Ttulo.
511.322
574.0151
ISBN 85-87185-05-5
Indices para Catalogo Sistematico

1. Conjuntos difusos 511.322


2. Logica difusa 511.322
3. Sistemas difusos 511.322
4. Biomatem atica 574.0151
c by Instituto de Matematica, Estatstica e Computacao
Copyright
Cientfica
Produc
ao Editorial: Comissao de Publicacoes IMECC
Editorac
ao e Macros LATEX: Luiz Rafael dos Santos
2006
Grupo de Biomatematica
Instituto de Matem
atica, Estatstica e Computacao Cientfica (IMECC)
Universidade Estadual de Campinas (Unicamp)
C.P. 6065 Cidade Universitaria Barao Geraldo
CEP 13973-970 Campinas SP Brasil
Sum
ario

Apresentac
ao 1

Pref
acio 3

1 Conjunto fuzzy como modelador de incerteza 7


1.1 Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Subconjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . 14
1.3 Operac
oes com subconjuntos fuzzy . . . . . . . . . . . . . 21
1.4 O conceito de -nvel . . . . . . . . . . . . . . . . . . . . . 30

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

4.4 Modus Ponens e Modus Ponens Generalizado . . . . . . . 93


4.5 Modificadores Lingusticos . . . . . . . . . . . . . . . . . . 100
4.6 Independencia e Nao-Interatividade . . . . . . . . . . . . . 106
4.6.1 Independencia e Nao-Interatividade Probabilstica 107
4.6.2 Independencia e Nao-Interatividade Possibilstica . 109
4.6.3 As distribuicoes Condicionais e o Modus Ponens:
Uma Visao Bayesiana . . . . . . . . . . . . . . . . 110

5 Sistemas Baseados em Regras Fuzzy 113


5.1 Base de Regras Fuzzy . . . . . . . . . . . . . . . . . . . . 115
5.2 Controlador Fuzzy . . . . . . . . . . . . . . . . . . . . . . 117
5.3 O Metodo de Mamdani . . . . . . . . . . . . . . . . . . . 120
5.4 Metodos de Defuzzificacao . . . . . . . . . . . . . . . . . . 126
5.4.1 Centro de gravidade . . . . . . . . . . . . . . . . . 126
5.4.2 Centro dos Maximos . . . . . . . . . . . . . . . . . 127
5.4.3 Media dos Maximos . . . . . . . . . . . . . . . . . 128
5.5 Metodo de Inferencia de TSK . . . . . . . . . . . . . . . . 128
5.6 Aplicac
oes . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.6.1 Salinidade em Cananeia e Ilha Comprida . . . . . 135
5.6.2 Transferencia de Soropositivos . . . . . . . . . . . 143
5.6.3 Controle de Pulgoes . . . . . . . . . . . . . . . . . 152

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

7 Medidas, Integrais e Eventos Fuzzy 185


7.1 Medidas Cl
assicas e Medidas Fuzzy . . . . . . . . . . . . . 186
7.1.1 Medida de probabilidade . . . . . . . . . . . . . . . 186
7.1.2 Medidas Fuzzy . . . . . . . . . . . . . . . . . . . . 190
7.1.3 Medida de possibilidade . . . . . . . . . . . . . . . 193
7.1.4 Transformacao Probabilidade/Possibilidade . . . . 200
7.2 Integrais Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 203
7.2.1 Integral de Lebesgue . . . . . . . . . . . . . . . . . 204
7.2.2 Integral de Choquet . . . . . . . . . . . . . . . . . 207
7.2.3 Integral de Sugeno . . . . . . . . . . . . . . . . . . 208
7.3 Eventos Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 220
7.3.1 Probabilidade de Eventos Fuzzy . . . . . . . . . . 221
7.3.2 Independencia de Eventos Fuzzy . . . . . . . . . . 227
7.3.3 Vari
avel Aleatoria Lingustica . . . . . . . . . . . . 229

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

9.2.2 Metodos numericos para solucoes do PVI p-fuzzy


contnuo . . . . . . . . . . . . . . . . . . . . . . . . 299
9.2.3 Estudo do modelo p-fuzzy de Montroll . . . . . . . 304
9.2.4 Modelos Bidimensionais: modelo presa-predador
p-fuzzy de Lotka-Volterra . . . . . . . . . . . . . . 308

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.

Para meus netos,


Mariana, Pedro, Anna e Andre.
Apresentac
ao

A obra dos Professores Laecio e Rodney re


une duas importantes ca-
ractersticas muito raras de aparecerem simultaneamente em um livro
de matem
atica. Em primeiro lugar e um livro did
atico que apresenta
um escopo abrangente e moderno da teoria da logica fuzzy desde as de-
finic
oes mais b
asicas ate alguns resultados mais sofisticados da teoria
atual, contendo o material adequado para uso em varias etapas de um
curso sobre l
ogica fuzzy. Em segundo lugar e um livro que apresenta
bastantes resultados de pesquisa corrente sobre as aplicacoes da teoria
estudada em problemas de biologia e sistemas din
amicos o que suscita
sempre a discuss
ao e aparecimento de nova pesquisa. Assim, mesmo
um pesquisador da
area em questao encontrar
a neste livro um mate-
rial muito interessante, com pontos de vista originais que certamente
motivar
ao trabalhos futuros.
Apesar do livro apontar para as aplicacoes em biomatematica por ser
a
area dos autores, a apresentacao re
une o n
ucleo central da teoria de
l
ogica fuzzy, apresentando a teoria de conjuntos fuzzy, das relacoes fuzzy,
conectivos e inferencia com sistemas de regras fuzzy.
Os t
opicos especficos s
ao introduzidos com motivacoes intuitivas e
conforme se facam necessarios para as aplicacoes dos captulos. Esta
parte te
orica e apresentada com um formalismo matem
atico necessario
para que as possibilidades de aplicacoes n
ao se limitem `aquelas apresen-
tadas no texto.
O rigor e a estrutura limpa do texto refletem a maturidade dos pes-
quisadores da UNICAMP que h
a mais de dez anos trabalham neste
2 Apresentac
ao

assunto orientando varias teses e dissertacoes. Considero muito impor-


tante a contribuic
ao deste livro como material de apoio a pesquisadores
de varias
areas que usam a logica fuzzy, e como material did
atico para
utilizac
ao em cursos introdut
orios.

Pedro A. Tonelli
Pref
acio

A Teoria dos Conjuntos Fuzzy, recente do ponto de vista de historiogra-


fia, vem se desenvolvendo e ganhando espaco e, cada vez mais, est
a sendo
usada como ferramenta para a formulacao de modelos nos varios campos
das ciencias. A primeira publicacao sobre conjuntos fuzzy e devida a L.
Zadeh [129, 1965] e o desenvolvimento da teoria e suas aplicacoes vem
apresentando uma evoluc
ao muito r
apida, permeada de crticas severas
de alguns matem
aticos e estatsticos ortodoxos e de efusivos elogios de
seus adeptos e usuarios que est
ao distribudos pelas mais diversas mo-
dalidades e ogica Fuzzy1 ja
areas de pesquisa. Podemos dizer que a L
tem um lugar de destaque, com aplicacoes pr
aticas cada vez mais bem
sucedidas, e que n
os tambem temos explorado bastante seu potencial
na modelagem de fenomenos biol
ogicos. A ideia de contrapor mode-
los determinsticos a modelos mais flexveis, que contemplam uma certa
dose de incerteza tratada com a L
ogica Fuzzy, tem sido a linha de nos-
sas pesquisas. Formular matematicamente a subjetividade pr
opria de
fenomenos naturais, ou de como os vemos, para tentar previs
oes coeren-
tes e um de nossos desafios.
A maior crtica ao uso, cada vez mais abrangente, da L
ogica Fuzzy
recai sobre o fato de que as solucoes obtidas por meio deste processo s
ao,
quase sempre, menos rigorosas quando comparadas `as solucoes exatas
da teoria cl
assica. Muitos matem
aticos acreditam que a falta de rigor dos
processos fuzzy poderia causar uma perda irremediavel para o avanco
da matem
atica, desenvolvida ao longo dos seculos e entendida como
1
L
ogica Fuzzy Area de estudo que envolve Conjuntos Fuzzy e suas operac
oes.
4 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:

Embora algumas das primeiras controversias tenham diminuido,


com respeito ` a aplicabilidade da logica fuzzy, ha ainda vozes in-
fluentes que sao crticas e/ou ceticas. Alguns tomam a posicao
de que qualquer coisa que pode ser feita com logica fuzzy, pode
ser feita igualmente sem ela. Alguns sao tentados a provar que a
logica fuzzy est
a errada. E alguns ficam aborrecidos porque per-
ceberam ter expectativas exageradas. Este u ltimo pode bem ser
o caso. Entretanto, como disse Julio Verne na virada do seculo,
o progresso cientfico e guiado por expectativas exageradas [58,
Introducao].

A nosso ver, a matem


atica classica continuar
a tendo um papel funda-
mental no desenvolvimento da humanidade. Apenas acreditamos que a
teoria dos conjuntos fuzzy seja um argumento a mais para a continui-
dade e evoluc
ao desta ciencia, por mais paradoxal que possa parecer,
a primeira vista, tal afirmacao. Temos observado que as solucoes pre-
vistas pela matem
atica cl
assica, num certo sentido, fazem parte das
soluc
oes obtidas a partir da L
ogica Fuzzy. Isso pode ser entendido
considerando-se a matem
atica classica como uma especie de limite da
fuzzy quando as incertezas s
ao eliminadas ou tendem a zero. Como
veremos no texto, os conceitos que aparecem na Teoria dos Conjuntos
Fuzzy s
ao rigorosamente definidos a partir da ideia abstrata de n
umero.
Intuitivamente, podemos dizer, em se tratando de matem
atica fuzzy ou
matem
atica cl
assica que o ou n
ao deve ser exclusivo, n
ao deve haver
5

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

Conjunto fuzzy como modelador de


incerteza
O homem e a medida de todas as
coisas; das coisas que s
ao o que s
ao, e
das coisas que nao s
ao o que n
ao sao.

(Prot
agoras Sec.V a.C.)
1.1 Incerteza

Questionamentos a respeito de incertezas tem sido preocupacoes de fil


o-
sofos e de pesquisadores ao longo dos tempos. A busca da verdade, do
que e e do que existe, e uma questao debatida desde a Grecia Antiga,
quando os gregos colocaram explicitamente a questao Transformacao
ou Permanencia?, referindo-se `as duas dimensoes do pensamento, se-
paradas e ate opostas.
Os fil
osofos pre-socr
aticos procuravam fazer afirmacoes sintetizando
seus pensamentos sobre o universo na tentativa de explicar as coisas que
nele existem.
Heraclito de efeso (VI - V a.C.): panta hei , que significa tudo
corre. Para ilustrar, dizia que ninguem banha-se no mesmo rio duas
vezes. Cr
atilo, seu discpulo, levou o pensamento de seu mestre ao ex-
tremo afirmando que n
ao podemos nos banhar nem mesmo uma vez no
rio, pois, se atribumos identidade ou nomeamos as coisas, ja estamos
8 Conjunto fuzzy como modelador de incerteza

dando-lhes estabilidade que, a seu ver, est


ao sempre mudando.
Contrapondo-se a Heraclito, surge a escola eleatica questionando o
movimento. Parmenides de Eleia (VI - V a.C.): a u
nica coisa que
existe e o ser - que e o mesmo que pensar. O ser e imut
avel e im
ovel,
uno e contnuo, identico a si mesmo. Zen
ao, seu principal seguidor,
justifica a tese do mestre negando a compreensao do movimento dada
na epoca, com o famoso paradoxo da tartaruga e do Aquiles [33].
Os sofistas interpretam Parmenides concluindo a impossibilidade do
discurso falso. Protagoras (V a.C): o homem e a medida de todas as
coisas. Nao existem falsidades ou verdades absolutas. Para os sofistas
o homem deve buscar solucoes para questoes pr
aticas. O criterio do
verdadeiro ou falso tem relacao com questoes teoricas e, por isso, deve
ser substitudo por padroes de melhor ou pior. A ret
orica e o caminho
para se buscar tais padroes.
A maioria dos fil
osofos pre-socr
aticos com excecao de Heraclito
acreditavam que havia algo eterno e imut
avel por detr
as do vir-a-ser, e
que esse eterno era a origem, a sustentacao e o fim de todos os seres.
Tales pensava que era a
agua; para Anaxmenes, o ar; Pit
agoras pensava
serem os n
umeros; Dem
ocrito acreditava que eram os atomos e o vazio.
Esse algo eterno e imut
avel que sustentava todas as coisas era chamado
pelos gregos de arche.
A certeza e a incerteza foram amplamente debatidas pelos filosofos
gregos. Os sofistas (de sophistes, s
abios) ficaram conhecidos por ensinar
a arte ret
orica. Protagoras, principal sofista juntamente com G
orgias,
ensinava a seus alunos como transformar argumentos fracos em fortes. A
ret
orica expressa a postura que os sofistas tem diante do conhecimento,
ou seja, um total ceticismo em relacao a qualquer tipo de conhecimento
absoluto, objetivo. Nao interessa saber como as coisas s
ao, pois tudo e
relativo e depende de quem emite juzo a respeito delas. G
orgias dizia
que a ret
orica ultrapassa todas as outras artes, sendo a melhor, pois ela
faz de todas as coisas suas escravas por submiss
ao espontanea e n
ao por
1.1 Incerteza 9

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

como convencimento em busca do melhor e n


ao para buscar a verdade,
pois esta n
ao existe de maneira absoluta.
Entendendo que a subjetividade, assim como a imprecisao, a incer-
teza, a vaguesa s
ao inerentes a certos termos da linguagem, G
orgias
negou a verdade absoluta: mesmo que algo existisse seria incompre-
ensvel ao homem; mesmo que fosse compreensvel a um homem, n
ao
seria comunic
avel a outro. No sentido de provocar reflexoes a respeito
deste aspecto de incerteza (da linguagem) vamos, atraves de um exem-
plo, tentar fazer uma conciliacao, ainda que imatura, entre os sofistas e
Plat
aoArist
oteles.
comum propormos um encontro com outra pessoa, dizendo:
E
Vamos nos encontrar `as quatro horas.
Pois bem, o conceito abstrato, quatro horas, que indica uma me-
dida, e uma necessidade para se estabelecer uma comunicacao e possi-
bilitar a realizac
ao do evento. Se assim n
ao fosse, como deveramos nos
comunicar para marcar o encontro? (ponto para Plat
ao). Por outro
lado, se levarmos ao pe da letra, o encontro jamais seria realizado dado
que os rel
ogios n
ao atingiriam, simultaneamente, quatro horas, ainda
que estivessem sincronizados, dado que n
ao conseguiramos chegar ao
lugar marcado com todas as precisoes nas horas, minutos, segundos,
milionesimos de segundos (ponto para G
orgias). Admitindo que fre-
quentemente n
os nos encontramos para nossos compromissos no lugar
marcado, parece que precisamos tanto das verdades abstratas quanto
dos padr
oes de melhor para vivermos aqui neste mundo sensvel.
Os pensamentos comentados acima s
ao colocados no sentido de jus-
tificar a dificuldade de se falar a respeito de certeza ou incerteza. Se
procurarmos num dicion
ario os sin
onimos de incerteza vamos encontrar
termos como, por exemplo, as palavras subjetividade, imprecis
ao, alea-
toriedade, d
uvida, indecis
ao, ambiguidade, imprevisibilidade.
Historicamente, e parece que sabiamente por parte dos pesquisadores,
o que temos percebido no tratamento quantitativo e uma distincao dos
1.1 Incerteza 11

varios tipos de incertezas.


A incerteza proveniente da aleatoriedade de eventos est
a bem desen-
volvida e hoje ocupa um lugar de destaque na galeria da Matem
atica.
A Fsica Qu
antica tem se utilizado das teorias estocasticas e uma serie
de formulas procuram expressar relacoes de incertezas. Uma das mais
difundidas e conhecidas e denominada Princpio da Incerteza, devida
ao fsico W. Heisenberg (1927), que relaciona a posicao e a velocidade de
uma partcula. Sucintamente, esse Princpio da Incerteza diz que n
ao se
pode conhecer com certeza, e ao mesmo tempo, a posicao e a velocidade
de uma partcula subatomica.
Diferentemente da aleatoriedade, certas vari
aveis utilizadas em nosso
cotidiano, transmitidas e perfeitamente compreendidas linguisticamente
entre interlocutores, tem invariavelmente permanecido fora do trata-
mento matem
atico tradicional. Este e o caso de vari
aveis lingusticas
oriundas da necessidade de se distinguir qualificacoes por meio de gra-
duac
oes.
Para descrever certos fenomenos relacionados ao mundo sensvel, te-
mos utilizado graus que representam qualidades ou verdades parciais
ou ainda padroes do melhor (na linguagem sofista). Esse e o caso, por
exemplo, dos conceitos de alto, fumante, infeccioso, presa etc.
precisamente neste tipo de incerteza que a L
E ogica Fuzzy tem dado
suas principais contribuicoes. Usando uma linguagem conjuntista po-
deramos nos referir, respectivamente, aos conjuntos das pessoas al-
tas, fumantes ou infecciosas. Estes s
ao exemplos tpicos de conjuntos
cujas fronteiras podem ser consideradas incertas, isto e, definidas por
meio de propriedades subjetivas ou atributos imprecisos.
A seguir vamos nos fixar apenas no exemplo das pessoas altas. Uma
proposta para formalizar matematicamente tal conjunto poderia ter pelo
menos duas abordagens. A primeira (classica), distinguindo a partir de
que valor da altura um indivduo e considerado alto. Nesse caso, o
conjunto est
a bem definido. A segunda, menos convencional, e dada de
12 Conjunto fuzzy como modelador de incerteza

maneira que todos os indivduos sejam considerados altos com mais ou


menos intensidade, ou seja, existem elementos que pertenceriam mais `a
classe dos altos que outros. Isto significa que quanto menor for a medida
da altura do indivduo, menor ser
a seu grau de pertinencia a esta classe.
Desse modo, podemos dizer que todos os indivduos pertencem `a classe
das pessoas altas, com mais ou menos intensidade. Pois bem, e essa
segunda abordagem que pretendemos discutir neste texto.
Foi a partir de desafios como esse, no qual a propriedade que define
o conjunto e incerta, que surgiu a Teoria dos Conjuntos Fuzzy, que
tem crescido consideravelmente em nossos dias, tanto do ponto de vista
te
orico como nas aplicac
oes em diversas areas de estudo, sobretudo em
tecnologia.
A palavra fuzzy, de origem inglesa, significa incerto, vago, impre-
ciso, subjetivo, nebuloso, difuso, etc. Porem, como pudemos apurar ate
agora, nenhuma dessas traducoes e tao fiel ao sentido amplo dado pela
palavra fuzzy em ingles. Alem disso, temos observado que quase todos os
pases tem usado a palavra fuzzy, sem traduzi-la para sua lngua p
atria,
com algumas excec
oes como na Franca, que traduziu-o por nebule ou
em alguns pases latinos onde o termo empregado e borroso. De nossa
parte, achamos por bem conservar o termo fuzzy e n
ao o traduzimos
para o portugues.
A Teoria dos Conjuntos Fuzzy foi introduzida em 1965 pelo ma-
tem
atico Lotfi Asker Zadeh [129] com a principal intencao de dar um
tratamento matem
atico a certos termos lingusticos subjetivos, como
aproximadamente, em torno de , dentre outros. Esse seria um pri-
meiro passo no sentido de se programar e armazenar conceitos vagos
em computadores, tornando possvel a producao de calculos com in-
formac
oes imprecisas, a exemplo do que faz o ser humano. Por exemplo,
todos n
os somos un
animes em dizer que o dobro de uma quantidade em
torno de 3 resulta em outra em torno de 6 .
Para obter a formalizacao matem
atica de um conjunto fuzzy, Zadeh
1.1 Incerteza 13

baseou-se no fato de que qualquer conjunto classico pode ser caracteri-


zado por uma func
ao: sua funca
o caracterstica, cuja definicao e dada a
seguir.

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

Desta forma, A e uma funcao cujo domnio e U e a imagem est


a
contida no conjunto {0, 1}, com A (x) = 1 indicando que o elemento x
est
a em A, enquanto A (x) = 0 indica que x n
ao e elemento de A. As-
sim, a func
ao caracterstica descreve completamente o conjunto A ja que
tal func
ao indica quais elementos do conjunto universo U s
ao elementos
tambem de A. Entretanto, existem casos em que a pertinencia entre
elementos e conjuntos n
ao e precisa, isto e, n
ao sabemos dizer se um ele-
mento pertence efetivamente a um conjunto ou nao. O que e plausvel
e dizer qual elemento do conjunto universo se enquadra melhor ao
termo que caracteriza o subconjunto. Por exemplo, consideremos o sub-
conjunto dos n
umeros reais pr
oximos de 2.

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

1.2 Subconjuntos Fuzzy

Permitindo uma especie de relaxamento no conjunto imagem da funcao


caracterstica de um conjunto foi que Zadeh sugeriu a formalizacao ma-
tem
atica de imprecisoes, como a citada acima, usando os subconjuntos
fuzzy.

Definic
ao 1.2. Seja U um conjunto (classico); um subconjunto fuzzy F
de U e caracterizado por uma funcao

F : U [0, 1],

pre-fixada, chamada funca


o de pertinencia do subconjunto fuzzy F . O
ndice F na func
ao de pertinencia e usado em analogia `a funcao carac-
terstica de subconjunto cl
assico, conforme Definicao 1.1.

O valor F (x) [0, 1] indica o grau com que o elemento x de U est


a
no conjunto fuzzy F ; F (x) = 0 e F (x) = 1 indicam, respectivamente,
a n
ao pertinencia e a pertinencia completa de x ao conjunto fuzzy F .
Do ponto de vista formal, a definicao de subconjunto fuzzy foi obtida
simplesmente ampliando-se o contra-domnio da funcao caracterstica,
que e o conjunto {0, 1}, para o intervalo [0, 1]. Nesse sentido, podemos
dizer que um conjunto cl
assico e um caso particular de um dado conjunto
fuzzy, cuja func
ao de pertinencia F e sua funcao caracterstica F . Um
subconjunto cl
assico, na linguagem fuzzy, costuma ser denominado por
subconjunto crisp.
Um subconjunto fuzzy F e composto de elementos x de um conjunto
cl
assico U , providos de um valor de pertinencia a F , dado por F (x).
Podemos dizer que um subconjunto fuzzy F de U e dado por um con-
junto (cl
assico) de pares ordenados:

F = {(x, F (x)) , com x U } .


1.2 Subconjuntos Fuzzy 15

O subconjunto cl
assico de U definido por

supp F = {x U : F (x) > 0}

e denominado suporte de F e tem papel fundamental na interrelacao


entre as teorias de conjuntos classica e fuzzy.
interessante notar que, diferentemente do subconjunto fuzzy, o su-
E
porte de um subconjunto crisp coincide com o pr
oprio conjunto. As
Figuras 1.1(a) e 1.1(b) ilustram esse fato.

Figura 1.1: Ilustrac


ao de Subconjuntos Fuzzy e Crisp.

Na literatura e comum denotar a funcao de pertinencia F do subcon-


junto fuzzy F simplesmente por F . Optamos, neste texto, por distinguir
F de F .
Na teoria cl
assica, sempre que nos referimos a um determinado con-
junto A estamos considerando, na verdade, um subconjunto de algum
conjunto universo U mas, por simplicidade ou comodismo, dizemos con-
junto A mesmo sendo A um subconjunto. No caso fuzzy o mesmo acon-
tece com o uso destes nomes e, neste texto usaremos indistintamente
ambos os termos.
A seguir ser
ao apresentados alguns exemplos de conjuntos fuzzy.

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} .

O conjunto P tem funcao caracterstica P (n) = 1 se n e par e


P (n) = 0 se n e mpar. Portanto, o conjunto dos n
umeros pares e um
particular conjunto fuzzy ja que P (n) [0, 1]. Neste caso foi possvel
descrever todos os elementos de P a partir da funcao caracterstica por-
que todo n
umero natural ou e par ou e mpar. O mesmo n
ao pode ser
dito para outros conjuntos com fronteiras imprecisas.

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|

Note que, ser pr


oximo de 2 significa estar numa vizinhanca pre de-
terminada de 2. A subjetividade est
a exatamente na escolha do raio
da vizinhanca. Especificamente, neste caso todos os valores desta vi-
zinhanca est
ao pr
oximos de 2 com o mesmo grau de pertinencia que e
1.

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

Logo, poderamos dizer que o n


umero 0 pertence a F com grau de per-
tinencia F (0) = 1, enquanto que 1000 pertence a F com grau de per-
tinencia F (1000) = 0, 001.
18 Conjunto fuzzy como modelador de incerteza

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)

Claro que a func


ao a ser adotada, para representar o conjunto fuzzy
em quest
ao, depende de fatores que est
ao relacionados com o contexto
do problema a ser estudado. Do ponto de vista estrito da logica fuzzy,
qualquer uma das func
oes de pertinencia anteriores pode representar o
conceito subjetivo em questao. Porem, o que deve ser notado e que cada
uma destas func
oes produz conjuntos fuzzy distintos.

Nos exemplos ilustrados acima, o conjunto universo U de cada con-


junto fuzzy est
a claramente especificado. No entanto, nem sempre e este
o caso. Em boa parte dos casos interessantes em modelagem e preciso
decidir qual conjunto universo, ou mesmo qual suporte deve ser consi-
derado. Para esclarecer melhor vejamos alguns exemplos.

Exemplo 1.4 (Conjunto fuzzy dos jovens). Consideremos os habitantes


de uma determinada cidade. A cada indivduo desta populacao pode-
mos associar um n
umero real correspondente `a sua idade. Considere o
conjunto universo das idades o intervalo U = [0, 120] , onde x U e
1.2 Subconjuntos Fuzzy 19

interpretado como a idade de um indivduo. Um subconjunto fuzzy J,


de U , dos jovens desta cidade poderia ser caracterizado pelas seguintes
func
oes de pertinencia


1 se x 10
J (x) = 80x
70 se 10 < x 80


0 se x > 80

ou
( 
40x 2
40 se 0 x 40
J (x) = .
0 se 40 < x 120

A escolha de qual func


ao adotar para representar o conceito de jovem
depende muito do modelador e/ou do contexto analisado.
Observe que a adoc
ao de U = [0, 120] est
a ligada ao fato de termos
escolhido a idade para indicar o quanto um indivduo e jovem. Se fosse
adotada outra caracterstica como o n
umero de cabelos grisalhos, ou
o n
umero de filhos, ou de netos para indicar o grau de jovialidade, o
conjunto universo seria outro.

O exemplo a seguir ilustra um pouco mais a forca da teoria dos conjun-


tos fuzzy na modelagem matem
atica de conceitos incertos. Neste exem-
plo apresentaremos um tratamento matem
atico que possibilita quantifi-
car e explorar um termo de grande interesse social: pobreza. Tal conceito
poderia ser modelado baseando-se em muitas vari
aveis: consumo de ca-
lorias, consumo de vitaminas, de ferro, no volume de lixo produzido ou
mesmo na renda de cada indivduo, dentre tantas outras caractersticas
disponveis. Entretanto, optamos por definir pobreza supondo que a
u
nica vari
avel disponvel seja a renda. Um modelo matem
atico possvel
para o conceito de pobreza e apresentado a seguir.

Exemplo 1.5 (Conjunto fuzzy dos pobres). Considerando que o conceito


de pobre seja baseado no nvel de renda r, e razo
avel supor que quanto
20 Conjunto fuzzy como modelador de incerteza

menor for a renda, maior e a pobreza de um indivduo. Assim, o sub-


conjunto fuzzy Ak dos pobres de uma determinada localidade pode ser
dado pela func
ao de pertinencia:
   k

r
2
1 r0 se r r0
Ak (r) = .

0 se r > r0

A ( r )
k 2

Figura 1.2: Func


ao de pertinencia do subconjunto fuzzy dos pobres Ak .

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.

Como ilustrado na Figura 1.2 temos que: se k1 k2 entao Ak1 (r)


Ak2 (r), o que quer dizer que um indivduo do grupo k1 , com nvel de
renda r, seria mais pobre se, com esta mesma renda, estivesse no grupo
k2 . Podemos dizer ainda que, quanto `a renda, e mais facil viver nas
localidades de maior k. Portanto, intuitivamente, k indica se o ambiente
em que o grupo vive e mais ou menos favor avel `a vida. O par
ametro
k pode dar uma ideia do grau de saturacao do ambiente e, por isso,
pode ser chamado de par
ametro ambiental.
1.3 Operac
oes com subconjuntos fuzzy 21

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

(AB) (x) = max{A (x), B (x)}, x U.

Observamos que esta definicao e uma extensao do caso classico. De


fato, quando A e B s
ao subconjuntos classicos de U temos:

(
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

(AB) (x) = min{A (x), B (x)}, x U.


22 Conjunto fuzzy como modelador de incerteza

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.

Figura 1.3: Operac


oes com subconjuntos fuzzy: (a) uni
ao; (b) intersecc
ao;
(c) complemento.

Exerccio 1.1. Suponha que A e B sejam subconjuntos classicos de U .


(
1 se x A B
(a) Verifique que min {A (x), B (x)} = .
0 se x
/ AB

(b) Verifique que AB (x) = A (x)B (x). Note que essa identidade n
ao
e valida se A e B forem subconjuntos fuzzy.

(c) Verifique que AA (x) = 0 (A A = ) e que AA (x) = 1


(A A = U ), para todo x U .

Diferentemente da situacao classica, no contexto fuzzy (Figura 1.3 e


Exemplo 1.7) podemos ter

AA (x) 6= 0 = (x) ou seja A A 6= ;


1.3 Operac
oes com subconjuntos fuzzy 23

AA (x) 6= 1 = U (x) ou seja A A 6= U .

No exemplo a seguir pretendemos explorar as particularidades apre-


sentadas no complemento de um conjunto 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

Figura 1.4: Subconjunto fuzzy dos jovens e dos idosos.


24 Conjunto fuzzy como modelador de incerteza

Note que esta operac


ao de complemento permuta os graus de per-
tinencia dos subconjunto fuzzy I e J. Esta e a propriedade que ca-
racteriza o complementar fuzzy, isto e, enquanto A (x) indica o grau
de compatibilidade de x com o conceito ligustico em questao, A (x)
expressa a incompatibilidade de x com tal conceito.

Uma consequencia da imprecisao dos conjuntos fuzzy e que h


a uma
sobreposic
ao do conjunto e seu complemento fuzzy. No Exemplo 1.6, um
indivduo que pertence ao conjunto fuzzy dos jovens J com grau 0, 8,
pertence tambem ao seu complementar I com grau 0, 2.

Observe ainda que um elemento pode pertencer a um conjunto e ao


seu complementar com o mesmo grau de pertinencia (na Figura 1.4 esse
valor e 45), indicando que quanto mais d
uvida se tem da pertinencia de
um elemento a um conjunto, mais pr
oximo de 0, 5 e seu grau de per-
tinencia a este conjunto. Esta e uma grande diferenca da teoria classica
de conjuntos, na qual um elemento, excludentemente, ou pertence a um
conjunto ou ao seu complementar.

Convem salientar que podemos definir jovens e idosos, termos lingus-


ticos reconhecidamente de significados opostos, por meio de conjuntos
fuzzy que n
ao s
ao necessariamente complementares.

Por exemplo, poderamos ter


( 
40x 2
40 se 0 x 40
J (x) =
0 se 40 < x 120

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]

(a) Defina um conjunto fuzzy dos idosos.

(b) Determine a idade de um indivduo de meia idade, isto e, grau 0,5


tanto de jovialidade como de velhice, supondo que o conjunto fuzzy
dos idosos seja o complemento fuzzy dos jovens.

(c) Esboce os gr
aficos dos jovens e idosos do item anterior e compare
com o Exemplo 1.6.

A seguir vamos estender o conceito de complemento para A B, em


que A e subconjunto fuzzy de B, ambos com universo U . Nesse caso,
o complemento de A em B e o subconjunto fuzzy AB , cuja funcao de
pertinencia e
AB (x) = B (x) A (x), x U.

Note que o complementar de A em U e um caso particular do com-


plementar de A em B, ja que U (x) = 1.
No exemplo a seguir procuramos explorar um pouco mais o conceito
de complemento fuzzy com os subconjuntos definidos no Exemplo 1.5.

Exemplo 1.7 (Conjunto fuzzy dos pobres). Se o ambiente em que um


grupo vive sofrer alguma degradacao, pelo que vimos no Exemplo 1.5,
isto implicara na diminuicao do par
ametro ambiental, passando de k1
para um valor menor k2 , de tal modo que um indivduo que tenha renda
r em k1 tem grau de pobreza Ak1 (r) inferior `a de outro Ak2 (r) com
mesma renda em k2 .

Ak1 (r) < Ak2 (r) Ak1 Ak2 .


26 Conjunto fuzzy como modelador de incerteza

Tal dano pode levar a condicao de pobre para pauperrimo, representado


por Ak2 .
O complemento fuzzy de Ak1 em Ak2 e o subconjunto fuzzy dado por

(Ak1 )Ak2

(n
ao vazio), cuja func
ao de pertinencia e

(Ak )Ak = Ak2 (r) Ak1 (r), r U.


1 2

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

Ak2 (r2 ) Ak1 (r1 ) = 0.

Portanto, r2 r1 > 0 e a recompensa deve ser r2 r1 (ver Figura 1.5).

Ak1 Ak2
Ak1 (r1 ) = Ak2 (r2 )

r
r1 r2 r0

Figura 1.5: Recompensa por mudanca de ambiente.

Faremos a seguir alguns comentarios e consequencias importantes das


operac
oes entre conjuntos fuzzy.
Se A e B forem conjuntos classicos, entao as funcoes caractersticas
das respectivas operac
oes tambem satisfazem as definicoes dadas no caso
1.3 Operac
oes com subconjuntos fuzzy 27

fuzzy, mostrando coerencia entre tais conceitos.


Por exemplo, se A e um subconjunto (classico) de U , entao a funcao
caracterstica A (x) do seu complementar e tal que

A (x) = 0 se A (x) = 1 x A;
A (x) = 1 se A (x) = 0 x
/ A.

Neste caso, ou x A ou x / A enquanto que na teoria dos conjun-


tos fuzzy n
ao temos necessariamente essa dicotomia. Como vimos no
Exemplo ??, nem sempre e verdade que A A = , assim como pode
ao ser verdade que A A = U . O exemplo a seguir reforca tais fatos.
n

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.

Paciente Febre: A Mialgia: B AB AB A A A A A


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

Tabela 1.1: Ilustrac


ao das operac
oes entre subconjuntos fuzzy

Os valores das colunas, exceto os da primeira, indicam os graus com


que cada paciente pertence aos conjuntos fuzzy A, B, A B, A B, A ,
A A , A A , respectivamente, onde A e B s
ao supostamente dados.
Na coluna A A , o valor 0, 3 indica que o paciente 1 est
a tanto no
grupo dos febris como no dos n
ao febris. Como dissemos antes, este e
um fato inadmissvel na teoria classica de conjuntos na qual tem-se a lei
1
Dor muscular.
28 Conjunto fuzzy como modelador de incerteza

do terceiro excludo, isto e, A A = .

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.

Listaremos a seguir as principais propriedades das operacoes definidas


nessa sec
ao.

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:

A B (u) = max [1 A (u), 1 B (u)]


1
= [(1 A (u)) + (1 B (u)) + |A (u) B (u)|]
2
1
= [2 (A (u) + B (u) |A (u) B (u)|)]
2
1
= 1 [A (u) + B (u) |A (u) B (u)|]
2
= 1 min [A (u), B (u)] = 1 AB (u) = (AB) (u),

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

e das pessoas de estatura mediana por




0 se x 1, 4


1

0,2 (x 1, 4) se 1, 4 < x 1, 6
B (x) = 1 se 1, 6 < x 1, 7


1


0,1 (1, 8 x) se 1, 7 < x 1, 8

0 se x > 1, 8

onde x e a altura em metros.


Obtenha (A B) e A B e de uma interpretacao para estas
operac
oes.

Para finalizar este captulo estudaremos uma classe especial de con-


juntos crisps que est
a estreitamente relacionada com cada subconjunto
fuzzy. Tais conjuntos crisps indicam limiares das incertezas representa-
30 Conjunto fuzzy como modelador de incerteza

das por cada conjunto fuzzy.

1.4 O conceito de -nvel


Um subconjunto fuzzy A de U e formado por elementos de U com
uma certa hierarquia (ordem) que e traduzida atraves da classificacao
por graus. Um elemento x de U est
a em uma classe se seu grau de
pertinencia e maior que um determinado valor limiar ou nvel [0, 1]
que define aquela classe. O conjunto classico de tais elementos e um
-nvel de A, denotado por [A] .

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

[A] = {x U : A (x) } para 0 < 1.

O nvel zero de um subconjunto fuzzy A e definido como sendo o menor


subconjunto (cl
assico) fechado de U que contem o conjunto suporte de
atica, [A]0 e o fecho do suporte de A e e
A. Numa linguagem matem
indicado por supp A. Esta consideracao torna-se imprescindvel para
atender certas situac
oes teoricas que ir
ao aparecer neste texto. Note
que o conjunto {x U : A (x) 0} = U n
ao e necessariamente igual a
[A]0 = supp A.

Exemplo 1.9. Seja U = R o conjunto dos n


umeros reais, e A um sub-
conjunto fuzzy de R com a seguinte funcao de pertinencia

x1
se 1 x 2
A (x) = 3x se 2 < x < 3 .


0 se x
/ [1, 3)

Nesse caso, temos:

[A] = [ + 1, 3 ] para 0 < 1 e [A]0 = ]1, 3[ = [1, 3] .


1.4 O conceito de -nvel 31

1 A

1 [A ] 3 U

Figura 1.6: -nveis: [A] e [A]0 6= U

Exemplo 1.10. Sejam U = [0, 1] e A o subconjunto fuzzy de U cuja


ao de pertinencia e dada por A (x) = 4(x x2 ). Entao,
func
 
1 1
[A] = (1 1 ), (1 + 1 ) para todo [0, 1].
2 2

1 A

U
[A ] 1

Figura 1.7: -nveis: [A] e [A]0 = U

Observamos que se x e um elemento de [A] , entao x pertence ao


conjunto fuzzy A com, no mnimo, grau . Temos tambem que

se entao [A] [A] .

O teorema seguinte mostra que a famlia de conjuntos classicos [A]


determina completamente o conjunto fuzzy A. Aqui tambem se utiliza
a Definic
ao 1.6.
32 Conjunto fuzzy como modelador de incerteza

Teorema 1.2. Sejam A e B subconjuntos fuzzy de U. Uma condica


o
aria e suficiente para que A = B e que [A] = [B] , para todo
necess
[0, 1].

Demonstraca claro que A = B [A] = [B] para todo [0, 1].


o. E
Suponhamos agora que [A] = [B] para todo [0, 1]. Se A 6= B entao
existe x U tal que A (x) 6= B (x). Logo, temos que A (x) < B (x)
ou A (x) > B (x). Supondo A (x) > B (x), podemos concluir que
x [A]A (x) e x
/ [B]A (x) e, portanto, [A]A (x) 6= [B]A (x) , o que
otese [A] = [B] para todo [0, 1]. De maneira
contradiz a hip
an
aloga chegamos a uma contradicao se admitirmos que A (x) < B (x).


Uma consequencia deste teorema e a relacao existente entre a funcao


de pertinencia de um subconjunto fuzzy e as funcoes caractersticas de
seus -nveis.

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

O teorema a seguir e de extrema import


ancia no estudo da teoria dos
conjuntos fuzzy e indica uma condicao suficiente para que uma famlia
de subconjuntos cl
assicos de U seja formada por -nveis de um subcon-
junto fuzzy de U .

Teorema 1.4 (Teorema de Representacao de Negoita e Ralescu). Seja A ,


[0, 1], uma famlia de subconjuntos cl
assicos de U de modo que se
verifiquem
S
(i) A A0 com [0, 1];
1.4 O conceito de -nvel 33

(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

A (x) = sup{ [0, 1] : x A }.

Para uma prova completa ver Negoita e Ralescu [92]. 

Usando a definic
ao de -nvel podemos elencar as seguintes proprie-
dades:

[A B] = [A] [B] ,
[A B] = [A] [B] .

Por outro lado, como em geral [A] [A ] 6= U , entao [A ] 6= ([A] ) .

Definic
ao 1.8. Um subconjunto fuzzy e dito normal se todos seus -
ao vazios, ou seja, se [A]1 6= .
nveis forem n

Lembrando que o suporte do subconjunto fuzzy A e o conjunto classico

supp A = {x U : A (x) > 0} ,

e comum descrever A com a seguinte notacao



X
A = A (x1 )/x1 + A (x2 )/x2 + ... = A (xi )/xi ,
i=1
34 Conjunto fuzzy como modelador de incerteza

quando o subconjunto fuzzy A tem suporte enumeravel, e


n
X
A = A (x1 )/x1 + A (x2 )/x2 + + A (xn )/xn = A (xi )/xi ,
i=1

se A tem suporte finito, isto e, supp A = {x1 , x2 , . . . , xn }.


Vale observar que a notacao A (xi )/xi n apenas
ao indica divisao. E
uma forma de visualisar um elemento xi e seu respectivo grau de per-
tinencia A (xi ). Tambem, aqui, o smbolo + na notacao n
ao significa
P
adic
ao, bem como n
ao significa somat
orio. E apenas uma forma de
conectar os elemento de U que est
ao em A com seus respectivos graus.

Exemplo 1.11 (Conjunto fuzzy finito). Seja A o subconjunto fuzzy dos


reais representado por
n
X
A= A (xi )/xi = 0, 1/1 + 0, 2/2 + 0, 25/3 + 0, 7/5 + 0, 9/8 + 1/10.
i=1

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

Neste caso, temos, por exemplo, que o 0, 15-nvel de A e de seu com-


plementar A s
ao, respectivamente,
 0,15
[A]0,15 = {2, 3, 5, 8, 10} e A = {1, 2, 3, 5} .

Exemplo 1.12 (Conjunto fuzzy de lobos). Seja A uma alcateia de lobos


especfica com n indivduos. O grau de predacao de cada lobo pode estar
associado com a sua idade x ]0, 15], supondo que a idade m
axima de
um lobo seja 15 anos. A quantidade de lobos sendo finita acarreta que
se tenha apenas um n
umero finito de idades dos lobos desta alcateia.
Vamos denotar o conjunto destas idades ainda por A = {x1 , x2 , . . . , xn }
1.4 O conceito de -nvel 35

e definir o grau de predaca


o P (x) de um lobo, considerando que os lobos
muito jovens predam menos que os adultos e que os velhos tenham sua
capacidade de predac
ao diminuda. Desta forma o subconjunto fuzzy
dos predadores dessa alcateia pode ser dado pela funcao de pertinencia


0, 5 se 0 x 2
P (x) = 1 se 2 < x < 10 .


0, 2(15 x) se 10 x 15

Com a notac
ao acima, o subconjunto fuzzy finito P e convenientemente
denotado por

P = P (x1 )/x1 + P (x2 )/x2 + + P (xn )/xn ,

significando que P (xj ) e a capacidade de predacao de um indivduo de


idade xj .
Captulo 2

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.)

Neste captulo estudaremos o Princpio de Extens


ao que, como o pr
oprio
nome diz, e um metodo utilizado para estender operacoes tpicas dos
conjuntos cl
assicos. Tambem, `a luz do que preconizou Filolao, intro-
duziremos o conceito de n
umeros fuzzy, o qual faz-se necessario para
podermos quantificar predicados qualitativos e fazer contas com os mes-
mos.

2.1 O Princpio de Extens


ao de Zadeh
Estender conceitos da teoria de conjuntos classica para a teoria de con-
juntos fuzzy e uma necessidade constante. O metodo de extensao pro-
posto por Zadeh, tambem conhecido como Princpio de Extens
ao, e uma
das ideias b
asicas que promove a extensao de conceitos matem
aticos n
ao-
fuzzy em fuzzy.
O Princpio da Extens
ao de Zadeh para uma funcao f : X Z
tem por objetivo indicar como deve ser a imagem de um subconjunto
38 O Princpio de Extens
ao e N
umeros Fuzzy

de se esperar que esta imagem seja um


fuzzy A de X por meio de f . E
subconjunto fuzzy de Z.

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) =

onde f 1 (z) = {x; f (x) = z} denomina-se a pre-imagem de z.

Podemos observar que se f for uma funcao bijetora, entao



{x : f (x) = z} = 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

fb(A) (z) = sup A (x) = sup A (x) = A (f 1 (z)). (2.2)


{x: f (x)=z} {xf 1 (z)}

afico para a obtencao da extensao fb de f est


O processo gr a ilustrado
a seguir (Figura 2.1), no caso em que f for bijetora.
Note que se f for injetora entao z = f (x) pertence ao subconjunto
fuzzy fb(A), com o mesmo grau com que x pertence a A. Isto pode
n
ao ocorrer se f n
ao for injetora.
Seja f : X Z uma funcao injetora e A um subconjunto fuzzy de X,
2.1 O Princpio de Extens
ao de Zadeh 39

enumeravel (ou finito), e dado por



X
A= A (xi )xi .
i=1

Ent ao garante que fb(A) e um subconjunto


ao, o Princpio de Extens
fuzzy de Z, dado por


!
X X
fb(A) = fb A (xi )xi = A (xi )f (xi ).
i=1 i=1

Portanto, a imagem de A por f pode ser deduzida do conhecimento


das imagens de xi por f. O grau de pertinencia de zi = f (xi ) em fb(A)
e o mesmo de xi em A.

f^ (A ) Z
f


1
X
A

Figura 2.1: Imagem de um subconjunto fuzzy a partir do princpio de ex-


tens
ao para uma func
ao f .

Exemplo 2.1. Sejam f (x) = x2 , x 0 e A um conjunto fuzzy com


suporte enumeravel. Ent
ao

X
X
fb(A) = A (xi )f (xi ) = A (xi )x2i .
i=1 i=1

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.

ao de pertinencia do conjunto fuzzy fb(A) coincide


Portanto, a func
com a funcao caracterstica do conjunto crisp f (A), isto e, o conjunto
b
fuzzy f (A) coincide com o conjunto classico f (A) :

fb(A) = f (A) = {f (a) : a A} .

Podemos ainda observar que, se A for um conjunto classico entao,


[A] = A para todo ]0, 1]. Conseq
uentemente

[fb(A)] = [f (A)] = f (A) = f ([A] ).

Para = 0 estamos entendendo que [A]0 e o fecho do suporte de A, isto


e, o menor conjunto fechado que contem o suporte de A. Este resultado,
enunciado como Teorema 2.1, vale tambem para um subconjunto fuzzy
de X [12].

Teorema 2.1. Sejam f : X Z uma funca


o contnua e A um subcon-
junto fuzzy de X. Ent
ao, para todo [0, 1] vale

[fb(A)] = f ([A] ). (2.3)

Este resultado indica que os -nveis do conjunto fuzzy, obtidos pelo


Princpio de Extens
ao de Zadeh, coincidem com as imagens dos -nveis
pela func
ao crisp (vide Figura 2.2).

Exemplo 2.2. Considere o subconjunto fuzzy A de n


umeros reais cuja
2.1 O Princpio de Extens
ao de Zadeh 41

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

ao real f (x) = x2 para x 0. Como f e crescente,


Consideremos a func
temos
 
1 1
f ([A] ) = f ( (1 1 )), f ( (1 + 1 ))
2 2
 
1 2 1
2
= (1 1 ) , (1 + 1 ) .
4 4

A Figura 2.2 ilustra o subconjunto fuzzy fb(A).

1 f

f^ (A )

1/4

1/2 1
1
X

A
1

Figura 2.2: Subconjunto fb(A) do Exemplo 2.2.

Exerccio 2.1. Considere f e A do Exemplo 2.2. Obtenha [fb(A)] para


= 0, = 3/4 e = 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) =

onde f 1 (z) = {(x, y) : f (x, y) = z}.

Exemplo 2.3. Seja f : R R R a funcao dada por f (x, y) = x + y.


Considere os subconjuntos fuzzy finitos de R

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


B = 0, 2/6 + 0, 5/7 + 1/8 + 0, 5/9 + 0, 2/10.

Vamos determinar o grau de pertinencia de z = 10 em fb(A, B):

fb(A,B) (10) = sup min[A (x), B (y)] =


{x+y=10}
= max{min[A (3), B (7)], min[A (4), B (6)]}
= max{0, 4; 0, 2} = 0, 4.

Exerccio 2.2. Refaca o Exemplo 2.3:

a) Tomando f (x, y) = x2 + y, determine fb(A, B) e os graus de per-


tinencias de z = 10 e z = 25 em fb(A, B).

b) Agora tomando f (x, y) = 2x + y, determine fb(A, B) e o grau de


pertinencia de z = 18 em fb(A, B).
2.2 N
umeros Fuzzy 43

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:

(i) todos os -nveis de A s


ao n
ao vazios, com 0 1;

(ii) todos os -nveis de A s


ao intervalos fechados de R;

(iii) supp A = {x R : A (x) > 0} e limitado.

Vamos denotar os -nveis do n


umero fuzzy A por

[A] = [a1 , a2 ].

Observamos que todo n


umero real r e um n
umero fuzzy particular
cuja func
ao de pertinencia e a sua funcao caracterstica:
44 O Princpio de Extens
ao e N
umeros Fuzzy

(
1 se x = r
r (x) = .
0 se x 6= r

Denotaremos r (x) apenas por rb.


A famlia dos n
umeros fuzzy ser
a indicada por F(R) e, de acordo com
o observado acima, o conjunto de n
umeros reais R e um subconjunto
(cl
assico ou crisp) de F(R).
Os numeros fuzzy mais comuns s
ao os triangulares, trapezoidais e os
em forma de sino.

umero fuzzy b
Exemplo 2.4. O n 2 pode ser representado conforme a Fi-
gura 2.3.

2 R
crisp

Figura 2.3: Representac umero fuzzy b


ao do n 2.

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

[a1 , a2 ] = [(u a) + a, (u b) + b] (2.6)

para todo [0, 1].


Note que um n
umero fuzzy triangular n
ao e necessariamente simetrico
ja que b u pode ser diferente de u a, porem, A (u) = 1. Pode-
mos dizer que o n
umero fuzzy A e um modelo matem
atico razo
avel
para a express
ao lingustica perto de u. Para a express
ao em torno
de u espera-se uma simetria. A imposicao de simetria acarreta uma
simplificac
ao na definic
ao de n
umero fuzzy triangular. De fato, seja u
simetrico em relac
ao a a e b, isto e, u a = b u = . Neste caso,
(
|xu|
1 se u x u +
A (x) = .
0 caso contr
ario

Exemplo 2.5. A express


ao em torno das quatro horas pode ser modelada
matematicamente pelo n
umero fuzzy triangular simetrico A, cuja funcao
de pertinencia e dada por
( |x4|
1 0,2 se 3, 8 x 4, 2
A (x) = .
0 caso contr
ario
e est
a representada na Figura 2.4.

3,8 4 4,2 R

Figura 2.4: N
umero fuzzy em torno de 4.

De (2.6) obtemos os -nveis desse subconjunto fuzzy, que s


ao os in-
46 O Princpio de Extens
ao e N
umeros Fuzzy

tervalos [a1 , a2 ], onde

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

Os -nveis de um conjunto fuzzy trapezoidal s


ao os intervalos

[a1 , a2 ] = [(b a) + a, (c d) + d] (2.7)

para todo [0, 1].

Exemplo 2.6. O conjunto fuzzy dos adolescentes pode ser represen-


tado pelo n
umero fuzzy trapezoidal, dado pela funcao de pertinencia
da equac
ao abaixo e mostrado na Figura 2.5.

x11

3 se 11 x < 14

1 se 14 x 17
A (x) = 20x
.

se 17 < x 20

3
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

[3 + 11, 3 + 20], com [0, 1].

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) A soma entre A e B e o intervalo

A + B = [a1 + b1 , a2 + b2 ].

(b) A diferenca entre A e B e o intervalo

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

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
/ B, e o intervalo
 
1 1
A/B = [a1 , a2 ] , .
b2 b1
2.2 N
umeros Fuzzy 49

Exerccio 2.3. Obtenha os resultados das operacoes definidas acima para


os intervalos
A = [1, 2] e B = [5, 6].

Note que as operac


oes artimeticas para intervalos estendem as res-
pectivas operac
oes para n
umeros reais. Para tanto, basta ver que cada
n
umero real pode ser considerado como um intervalo fechado com ex-
tremos iguais.
Tambem as func
oes caractersticas de cada um dos intervalos obti-
dos, por meio das operac
oes aritmeticas intervalares, podem ser obtidas
diretamente das respectivas operacoes para n
umeros reais. Tal proce-
dimento e resultado da aplicacao do princpio de extens
ao, que ser
a a
ferramenta utilizada para se obter as operacoes aritmeticas dos n
umeros
fuzzy.
Consideremos uma operacao bin
aria qualquer entre n
umeros re-
ais. Sejam A e B as funcoes caractersticas dos intervalos A e B,
respectivamente.
O teorema a seguir fornece as operacoes aritmeticas intervalares a
partir das respectivas operacoes para n
umeros reais, via princpio de
extens
ao.

Teorema 2.2 (Princpio de extensao para intervalos da reta). Sejam A e B


dois intervalos fechados de R, e uma das operaco es aritmeticas entre
n
umeros reais. Ent
ao

AB (x) = sup min[A (y), B (z)]


{(y,z):yz=x}

Demonstraca muito simples verificar que


o. E
(
1 se y A e z B
min(A (y), B (z)) = .
0 se y
/ A ou z
/B
50 O Princpio de Extens
ao e N
umeros Fuzzy

Assim, para o caso da soma ( = +), temos


(
1 se x A + B
sup min[A (y), B (z)] = .
{(y,z):y+z=x} 0 se x
/ A+B

Os demais casos podem ser obtidos de maneira an


aloga. 

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

para todo [0, 1].

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.

(a) A soma dos n


umeros fuzzy A e B e o n
umero fuzzy, A + B, cuja
2.2 N
umeros Fuzzy 51

func
ao de pertinencia e

sup min[A (x), B (y)] se (z) 6= 0
(A+B) (z) = (z) ,

0 se (z) = 0

onde (z) = {(x, y) : x + y = z}.

(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

onde {0} e a func


ao caracterstica de {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

onde (z) = {(x, y) : x y = z}.

(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

onde (z) = {(x, y) : x.y = z}.


52 O Princpio de Extens
ao e N
umeros Fuzzy

(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

onde (z) = {(x, y) : x/y = z}.

O Teorema 2.4 a seguir garante que o resultado das operacoes arit-


meticas entre n
umeros fuzzy e um n
umero fuzzy. Mais ainda, genera-
liza o Corol
ario 2.3, relacionando, por meio dos -nveis, as operacoes
aritmeticas para n
umeros fuzzy com as respectivas operacoes aritmeticas
para intervalos.

Teorema 2.4. Os -nveis do conjunto fuzzy A B s


ao dados por

[A B] = [A] [B]

para todo [0, 1], sendo qualquer uma das operacco


es aritmeticas
mencionadas anteriormente.

A prova deste teorema foge do proposito deste texto e n


ao ser
a feita
aqui. O leitor interessado na mesma pode encontr
a-la nos livros classicos
de Klir e Yuan [72], Nguyen [95], Pedrycz e Gomide [100] ou mais geral-
mente em Fuller [51].
A combinac
ao dos Teoremas 2.1 e 2.4 produz metodos pr
aticos para
se obter os resultados de cada operacao entre n
umeros fuzzy. Observa-
mos mais uma vez que o -nveis de um n
umero fuzzy e sempre um
intervalo fechado de R, dado por:

[A] = [a1 , a2 ] , com a1 = min{1 1


A ()} e a2 = max{A ()},

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:

(a) A soma entre A e B e o n


umero fuzzy A + B cujos -nveis s
ao

[A + B] = [A] + [B] = [a1 + b1 , a2 + b2 ] .

(b) A diferenca entre A e B e o n


umero fuzzy A B cujos -nveis s
ao

[A B] = [A] [B] = [a1 b2 , a2 b1 ] .

(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

Exemplo 2.7. Considere os n


umeros fuzzy triangulares A e B que indi-
cam, respectivamente, aproximadamente 2 e aproximadamente 4, dados
por
A = (1; 2; 3) e B = (3; 4; 5).

Os resultados de AB para cada uma das operacoes aritmeticas entre


n
umeros fuzzy s
ao mostrados a seguir.
54 O Princpio de Extens
ao e N
umeros Fuzzy

Primeiro, observemos que, de acordo com a formula (2.6)

[A] = [1 + , 3 ] e [B] = [3 + , 5 ],

ent
ao pela Proposic
ao 2.5 obtemos

(a) [A + B] = [A] + [B] = [4 + 2, 8 2]. Assim, A + B = (4; 6; 8);

(b) [A B] = [A] [B] = [4+2, 2]. Assim, AB = (4; 2; 0);

(c) [4 A] = 4 [A] = [4 + 4, 12 4]. Assim, 4A = (4; 8; 12);

(d) [A B] = [A] [B] = [(1 + )(3 + ), (3 )(5 )];


 A  [A]
(e) B = [B] = [(1 + )/(5 ), (3 )/(3 + )].

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 )].

Usando novamente a Equacao (2.6), esses intervalos s


ao os -nveis
do n
umero fuzzy triangular

((a1 + b1 ); (u + v); (a2 + b2 )).


2.2 N
umeros Fuzzy 55

De forma an
aloga conclui-se que A e triangular se A o for.

Finalmente, e possvel concluir que (AB)+B 6= A e portanto, segue


que A A 6= 0. Isto e, essa operacao de adicao n
ao d
a ao espaco dos
n
umeros fuzzy a estrutura de espaco vetorial. Trata-se de um defeito que
acaba imperrando varias
areas da matem
atica fuzzy, como por exemplo
as equac
oes diferenciais fuzzy (ver Captulo 8).

Exerccio 2.4. Refaca o Exemplo 2.7 a partir do Princpio de Extens


ao.

O pr oximo exemplo apresenta uma forma explcita para a obtencao


ao fb no caso em que f e linear
da func

Exemplo 2.8. Seja f : R R a funcao f (x) = x, com 6= 0. Se A e


um numero fuzzy com funcao de pertinencia A entao, de acordo com a
Definic ao de pertinencia de fb(A) e dada por
ao 2.1, a func

fb(A) (z) = sup A (x) = sup A (x)


{x:f (x)=z} {x:x=z}

= sup A (x) = A (z/) = A (1 z),


{z/}

que, de acordo com a Definicao 2.9b, e a funcao de pertinencia de A.


Assim, se f (x) = x, entao fb : F(R) F(R) e dada por fb(A) = A.
Um exerccio interessante e verificar que se f (x) = x + b, com 6= 0,
ent
ao, para qualquer numero fuzzy A, o conjunto fuzzy fb(A) tem funcao
de pertinencia dada por

fb(A) (z) = A (1 (z b)).

Exerccio 2.5. A partir do Teorema 2.1 e das propriedades das operacoes


aritmeticas, mostre que a Extens ao de Zadeh de uma funcao linear afim,
ao linear afim fb(X) = aX + bb se X F(R).
f (x) = ax + b, e a func

Vamos usar o Princpio de Extens


ao para calcular a imagem de um
n
umero fuzzy triangular por uma funcao conhecida. A exemplo do que
56 O Princpio de Extens
ao e N
umeros Fuzzy

vimos nas operac


oes de produto e quociente, tambem a imagem de um
n
umero triangular pode n
ao ser triangular mesmo que a funcao seja
contnua.

Exemplo 2.9. Consideremos a funcao f (x) = ex e o n


umero fuzzy tri-
angular dado pela terna A = (0; ln 2; ln 3).
De acordo com o Teorema 1.2, fb(A) fica determinada pelos seus -
nveis. A partir de (2.6), e facil ver que os -nveis de A s
ao os intervalos
    
2
[A] = [(ln 2), (ln 2 ln 3) + ln 3] = ln 2 , ln 3 ,
3

com [0, 1].


Vamos agora obter os -nveis de fb(A) por meio do Teorema 2.1, ou
seja,
       
2 2
[fb(A)] = f ([A] ) = f
ln 2 , ln 3
= 2 ,3 ,
3 3

com [0, 1]. A Figura 2.7 ilustra f(A) deste exemplo.

Figura 2.7: Extensao de Zadeh do n


umero fuzzy triangular A = (0; ln 2; ln 3)
para f (x) = ex .

Portanto,
2.2 N
umeros Fuzzy 57

se = 0 entao [fb(A)]0 = [1, 3];


1
ao [fb(A)] 2 = [ 2, 6];
se = 12 ent

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.

No contexto fuzzy e muito comum o uso da diferenca de Hukuhara.


Essa, como no caso cl
assico, preserva a ideia de que a diferenca e uma
operac
ao oposta `
a adic
ao.

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.

Em -nveis, isto equivale a dizer que

[A H B] = [a1 b1 , a2 b2 ] [0, 1].

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

Antes de encerrar esse captulo, vamos tracar um pequeno paralelo


entre o princpio de extens
ao e a teoria de probabilidades.
Considere as tabelas:

X = xj X (xj ) PX (xj )
2 0, 5 0, 5
3 0, 5 0, 5

Tabela 2.1: Distribuic


oes de pertinencias e de probabilidades de X.

Y = yk Y (yk ) PY (yk )
3 0, 5 0, 5
4 0, 5 0, 5

Tabela 2.2: Distribuic


oes de pertinencias e de probabilidades de Y .

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 ),

Z =X +Y X+Y (zi ) PX+Y (zi )


5 0, 5 0, 25
6 0, 5 0, 50
7 0, 5 0, 25

Tabela 2.3: Distribuic


oes de pertinencias e de probabilidades de X + Y .

de acordo com as formulas

X+Y (zi ) = sup min(A (xj ), B (yk )) (2.9)


xj +yk =zi

e
X
PX+Y (zi ) = P(X,Y ) (X = xj , Y = yk ), (2.10)
xj +yk =zi
2.2 N
umeros Fuzzy 59

onde P(X,Y ) (X = xj , Y = yk ) e a distribuicao de probabilidades conjunta


do vetor aleat
orio (X, Y ) (ver [31]).
A principal observac
ao que colocamos aqui e que, para obter a proba-
bilidade de X + Y , precisamos acrescentar a hip
otese de independencia.
J
a para calcular a distribuicao de pertinencia a X + Y , de acordo com
o princpio de extens
ao, hip
otese an
aloga a essa n
ao e necessaria.
Vale a pena ressaltar que, se X e Y forem independentes, as formulas
(2.9) e (2.10) possuem certa semelhanca, trocando sup por e min por
produto.
Finalmente, observemos que as duas u
ltimas colunas da Tabela (2.3)
representa, respectivamente, pertinencia e ocorrencia de cada ele-
mento da primeira coluna ao conjunto soma. Intuitivamente, era de se
esperar maior probabilidade do valor 6, ja que sua ocorrencia e maior
que as das demais. Por outro lado, do ponto de vista da teoria de con-
juntos fuzzy, que e uma extensao da teoria classica de conjuntos, o valor
6 pertence ao conjunto soma com mesma pertinencia que os demais. O
n
umero de vezes em que ele ocorre n
ao importa.
Captulo 3

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

quando optamos pela teoria dos conjuntos fuzzy, e ser


a crisp quando
usamos a teoria cl
assica de conjuntos para conceituar a relacao em es-
tudo. A adoc
ao do tipo de relacao, dentre estas duas, depende muito
do fenomeno estudado. Porem, a opcao pela teoria dos conjuntos fuzzy
tem sempre maior robustez no sentido que esta inclui a teoria classica
de conjuntos (lembramos que um conjunto classico conjunto crisp
e, em particular, um conjunto fuzzy).
Uma relac
ao cl
assica indica se h
a ou n
ao alguma associacao entre dois
objetos, enquanto que uma relacao fuzzy, alem de indicar se h
a ou n
ao
tal associac
ao, indica tambem o grau desta relacao.

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

Se o produto cartesiano for formado por apenas dois conjuntos U1 U2 ,


a relac
ao e chamada de fuzzy bin
aria sobre U1 U2 .
Se os conjuntos Ui , i = 1, 2, . . . , n, forem todos iguais a U , dizemos
que R e uma relaca
o fuzzy n-
aria sobre U . Por exemplo, uma relacao
fuzzy bin
aria sobre U e uma relacao fuzzy R sobre U U .
Se a func
ao de pertinencia da relacao fuzzy R for indicada por R ,
ent
ao o n
umero
R (x1 , x2 , . . . , xn ) [0, 1]

indica o grau com que os elementos xi , que comp


oem a n-upla
(x1 , x2 , . . . , xn ), est
ao relacionados segundo a relacao R.
Do ponto de vista de projecao (inferencia), com o objetivo de se tomar
decis
ao, uma relac
ao fuzzy de grande import
ancia, principalmente na te-
oria dos controladores fuzzy (como veremos no Captulo 5), e o produto
cartesiano. Tecnicamente, na teoria dos conjuntos fuzzy tal operacao e
similar `
a intersecc
ao, vista no Captulo 1, Secao 1.3. A grande diferenca
est
a nos conjuntos universos envolvidos: enquanto na interseccao os sub-
conjuntos fuzzy s
ao de um mesmo universo, no produto cartesiano eles
podem ser diferentes, como veremos na definicao a seguir.

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

A1 A2 ...An (x1 , x2 , . . . , xn ) = A1 (x1 ) A2 (x2 ) . . . An (xn ),

onde representa o mnimo.

Observemos que se A1 , A2 , . . . , An forem conjuntos classicos, entao


o produto cartesiano cl
assico A1 A2 . . . An pode ser obtido pela
Definic
ao 3.3, substituindo as funcoes de pertinencia pelas respectivas
func
oes caractersticas dos conjuntos A1 , A2 , . . . , An . O exemplo a seguir
ilustra o poder de aplicac
ao do produto cartesiano.
64 Relac
oes Fuzzy

Exemplo 3.1. Consideremos novamente a Tabela 1.1 do Exemplo 1.8


que relaciona os diagn
osticos de 5 pacientes com dois sintomas, febre e
mialgia.

Paciente F : Febre M : Mialgia


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

Para diagnosticar um paciente, o medico parte de certas avaliacoes


de sintomas (ou sinais) que s
ao caractersticos de cada doenca. Varias
doencas podem apresentar sintomas como febre e mialgia com intensida-
des e medic
oes diversas. Para a gripe, por exemplo, o paciente apresenta
sintomas de febre e de mialgia com intensidades que, se representa-
das por subconjuntos fuzzy, devem ter universos distintos. O universo
indicador de febre pode ser dado pelas temperaturas possveis de um
indivduo, enquanto que a mialgia pode ser avaliada pelo n
umero de
regi
oes doloridas.
Para indicar o quanto um indivduo tem gripe tomamos um grau de
pertinencia ao conjunto do sintoma febre e ao conjunto mialgia. O pa-
ciente 1 da Tabela 1.1, por exemplo, tem uma temperatura x cuja per-
tinencia ao conjunto febre F e F (x) = 0, 7 e tem um valor y de mialgia
que faz com que M (y) = 0, 6. O diagn
ostico do paciente 1 para a doenca
gripe e dado ent
ao por:

Paciente 1: gripe (x, y) = F (x) M (y) = 0, 7 0, 6 = 0, 6.

Isto significa que o paciente 1 est


a no subconjunto fuzzy dos febris
com mialgia, tendo grau de pertinencia 0,6; que coincide com o grau de
seu diagn
ostico para gripe.
Esse n
umero pode dar suporte para, a partir da, o especialista tomar
3.1 Relac
oes Fuzzy 65

decis claro que, do ponto de


ao quanto ao tratamento a ser adotado. E
vista te
orico, o produto cartesiano classico tambem poderia ser adotado
para o diagn
ostico. Nesse caso, apenas seria indicado gripe (grau um) ou
n
ao gripe (grau zero) e, para o exemplo, apenas o paciente 2 da Tabela
1.1 seria considerado gripado.

No Captulo 6, Subsec
ao 6.2.3, ser
a apresentado um estudo mais com-
pleto a respeito de diagn
ostico medico.

Exerccio 3.1. Compare o Exemplo 3.1 com o Exemplo 1.8.

Exerccio 3.2. Investigue mais um sintoma tpico de gripe (coriza, por


exemplo) e inclua-o, como subconjunto fuzzy, na Tabela 1.1 para diag-
nosticar os pacientes com gripe.

3.1.1 Formas de representac


ao e propriedades das relaco
es
bin
arias
Neste texto ser
ao destacadas apenas as formas de representacao e algu-
mas propriedades das relacoes bin
arias e fuzzy bin
arias, as quais ser
ao
ilustradas por meio de alguns exemplos.
O exemplo a seguir servir
a de apoio para ilustrar as principais repre-
sentac
oes que veremos aqui.

Exemplo 3.2. Suponhamos um determinado ecossistema U , no qual in-


teragem as populac
oes de a
guias (a), cobras (c), insetos (i), lebres (l) e
sapos (s). Um estudo de interesse, entre os indivduos destas populacoes,
e o processo de predac
ao, isto e, a relacao do tipo presapredador.
Se desejamos estudar a relacao entre dois indivduos deste ecossis-
tema, esta relac
ao pode ser modelada matematicamente por uma relaca
o
bin
aria R, com R (x, y) = 0 se y n
ao e predador de x e R (x, y) 6= 0
se y e predador de x, onde x e y representam indivduos do conjunto U .
A seguir ser
ao discutidos dois possveis casos do emprego da relacao
cl
assica e da relac
ao fuzzy para esse exemplo.
66 Relac
oes Fuzzy

Se o interesse sobre a relacao for apenas indicar quem e predador


e quem e presa neste conjunto U , entao podemos optar pela teoria
cl
assica e R ser
a uma relacao bin
aria classica. Nesse caso,
(
1 se y for predador de x
R (x, y) = R (x, y) = .
0 se y n
ao for predador de x

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

Figura 3.1: Representac


ao da relac
ao cl
assica entre os predadores e suas
presas.

Os pontos destacados na Figura 3.1 indicam os pares que fazem


parte da relac
ao R, ou seja, a relacao R simplesmente revela quem
e predador de quem, de acordo com algum especialista.

Se houver interesse em saber, por exemplo, a preferencia graduada


de um predador por alguma presa na comunidade U , entao uma
boa opc
ao e que R seja uma relacao fuzzy. Neste caso, R (x, y)
indica o grau com que y tem preferencia por x. Supondo que n
ao
haja diferenca nos graus de predacao dentro de cada especie, uma
possibilidade para R (x, y), tambem de acordo com um especi-
3.1 Relac
oes Fuzzy 67

alista, para este exemplo, est


a ilustrada na Figura 3.2, onde no
terceiro eixo (eixo vertical) est
ao representados os diversos graus
R (x, y).

Figura 3.2: Relac


ao fuzzy e os diversos graus de preferencia

As formas mais comuns de se representar uma relacao fuzzy bin


aria
em XY , quando X e Y s
ao finitos, s
ao a tabular e a matricial.

Sejam X = {x1 , x2 , . . . , xm }, Y = {y1 , y2 , . . . , yn } e a relacao fuzzy


R sobre X Y , com funcao de pertinencia dada por R (xi , yj ) =
rij , para 1 i n e 1 j m.

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

Para exemplificar, as representacoes na forma de tabela e matricial


da relac
ao fuzzy do Exemplo 3.2 s
ao, respectivamente
68 Relac
oes Fuzzy

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

Para um melhor entendimento deste texto faz-se necessaria a seguinte


definic
ao.
Definic
ao 3.4. Seja R uma relacao fuzzy bin
aria definida em X Y . A
relaca
o fuzzy bin 1
aria inversa, R , definida em Y X, tem funcao de
pertinencia R1 : Y X [0, 1] dada por R1 (y, x) = R (x, y).
Note que a matriz de R1 coincide com a transposta de R, ja que
R1 (y, x) = R (x, y). Por esse motivo muitos textos de logica fuzzy
adotam o termo relac
ao transposta no lugar de inversa (veja Pedrycz e
Gomide [100]).
Assim, se R e a relac
ao fuzzy do Exemplo 3.2, entao a representacao
matricial de sua inversa R1 e dada pela sua transposta

0 1 0,1 1 0,2

0 0,2 0 0,8 1

R =

0 0 0,3 0 0 .


0 0 0 0 0
0 0 1 0 0,1
3.2 Composic
ao entre Relac
oes Fuzzy Bin
arias 69

Neste caso, R1 indica que x e predado por y, enquanto que por R


temos que y e predador de x.

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

RS (x, z) = sup [min(R (x, y), S (y, z))]. (3.2)


yV

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

U = {u1 , u2 , . . . , um }; V = {v1 , v2 , . . . , vn } e W = {w1 , w2 , . . . , wp }

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

De acordo com a Definicao 3.5, a relacao fuzzy bin


aria dada pela
70 Relac
oes Fuzzy

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

O caso especial da composicao [maxmin], que faremos a seguir, ser


a
utilizado de uma forma mais geral no Captulo 6.

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

B (y) = R(A) (y) = sup [min(R (x, y), A (x))]. (3.4)


xU

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

A (x) = R1 (B) (x) = sup [min(R1 (y, x), B (y))]. (3.5)


yV
3.2 Composic
ao entre Relac
oes Fuzzy Bin
arias 71

A e denominado imagem inversa de B por R.

Note que a formula (3.4) pode ser reescrita como

B (y) = R(A) (y) = sup [min(A (x), R (x, y))].


xU

Assim, de acordo com (3.2),

B = R(A) = A R.

De forma an
aloga, a imagem inversa e dada por

A = B R1 .

Exerccio 3.3. Suponha que os conjuntos universos envolvidos U e V


sejam finitos, de maneira que A, B e R tenham representacoes na forma
de matriz. A partir da observacao acima, verifique que

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).

Para um melhor estudo de relacoes bin


arias, destacam-se algumas
importantes definic
oes as quais ser
ao feitas primeiramente para relacoes
bin
arias cl
assicas, e em seguida, para as relacoes fuzzy bin
arias.
As definic
oes para as relacoes bin
arias classicas R ser
ao feitas por
meio de suas func
oes caractersticas R : U U {0, 1}, visando um
melhor entendimento para o caso fuzzy.

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

(i) reflexiva se R (x, x) = 1;


72 Relac
oes Fuzzy

(ii) simetrica se R (x, y) = 1 implica R (y, x) = 1;

(iii) transitiva se R (x, y) = R (y, z) = 1 implica R (x, z) = 1;

(iv) anti-simetrica se R (x, y) = R (y, x) = 1 implica x = y.

Observe que as definic


oes acima retratam exatamente cada uma das
definic
oes usadas tradicionalmente em teoria de conjuntos. A opcao feita
pelo uso da func
ao caracterstica foi apenas um artifcio para facilitar
o entendimento destes conceitos no caso fuzzy.
Ha algumas pequenas diferencas nas extensoes dos conceitos dados
na Definic
ao 3.7, quando adaptados para o caso fuzzy, principalmente o
conceito de transitividade (veja [72, 95]).

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

(i) reflexiva se R (x, x) = 1;

(ii) simetrica se R (x, y) = R (y, x);

(iii) transitiva se R (x, z) R (x, y) R (y, z), onde = mnimo.

(iv) antissimetrica se R (x, y) > 0 e R (y, x) > 0 implica x = y.

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

se exige que cumpram (ii) e (iv). Por exemplo, se U for constitudo de


um u
nico elemento x, o produto cartesiano U U = {(x, x)}, satisfaz as
propriedades de (i) a (iv) da Definicao 3.8.
Relac
oes que satisfazem apenas as tres primeiras condicoes s
ao cha-
madas de relaco
es de equivalencia.
Os conceitos anteriores podem ser observados no seguinte exemplo:

Exemplo 3.3. Intuitivamente, a relacao de hierarquia militar (M): e


superior a e baseada na patente do indivduo, isto e, x est
a relacio-
nado com y se x e superior a y. Entao, M e reflexiva, transitiva e
antissimetrica mas n
ao e simetrica.
A relac
ao (A): e amigo de e reflexiva, simetrica mas n
ao e transitiva.
As relac
oes M e A n
ao s
ao necessariamente fuzzy. Porem, se houver
interesse em indicar o grau com que x e superior a y, embasado n
ao na
diferenca entre as patentes mas em fatores subjetivos, entao M deve ser
uma relac
ao fuzzy. O mesmo pode ser dito a respeito da relacao A.

Para finalizar este captulo, vamos apresentar algumas aplicacoes inte-


ressantes na obtencao de estampas de tecidos, por meio de operacoes en-
tre matrizes de relac uma exploracao ainda bastante ingenua
oes fuzzy. E
do ponto de vista matem
atico, mas com resultados pr
aticos relevantes.
Os teares modernos usam composicao de padroes para formar novos
tecidos. A composic
ao pode ser simplesmente uma operacao de soma
entre as matrizes que caracterizam uma padronagem ou entao podem
ser usadas composic
oes tpicas da logica fuzzy com max e min.

Exemplo 3.4. A principal caracterstica na formacao do tecido e a or-


denac
ao de dois sistemas de fios que se cruzam perpendicularmente,
chamados de urdume (fios no sentido longitudinal) e trama (fios que
est
ao na transversal ou largura). As ligacoes ou cruzamentos destes fios
s
ao denominados padronagem (Figura 3.3).
Para a confecc
ao de um tecido usam-se combinacoes de padroes (ra-
port) fundamentais: tela, sarja e cetim que podem ser expressos em
74 Relac
oes Fuzzy

tela ou tafeta

fio de trama

raport

fio de urdume

Figura 3.3: Formac


ao de uma padronagem.

papeis quadriculados, conforme Figura 3.4.

Tela Sarja
Cetim

Figura 3.4: Padr


oes fundamentais.

Quando estes padroes s


ao modelados por matrizes, consideramos cada
ponto cheio como valor 1 (fio de urdume levantado com a trama passando
por baixo deste fio), caso contr
ario seu valor ser
a 0. Desta forma, os
padroes fundamentais s
ao modelados pelas matrizes:

0 0 1 0 0

" # 0 0 1 0 0 0 0 1
0 1
T = , S= 0 1 0 e C= 0 1 0 0 0
.
1 0
1 0 0 0 0 0 1 0
1 0 0 0 0
As composic
oes cl
assicas entre estas matrizes resultam nos padroes
existentes de todos os tecidos. Entretanto, se optarmos por operacoes
tpicas das relac
oes fuzzy podemos obter novos padroes como veremos a
3.2 Composic
ao entre Relac
oes Fuzzy Bin
arias 75

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).

a) Translao b) Rotao 90 c) Reflexo

Figura 3.5: Composic


oes com o raport obtido de T S.
76 Relac
oes Fuzzy

Exerccio 3.4. Defina T S = min {tij , sij } e obtenha a diferenca a


partir do raport determinado pela operacao. Use tambem estas operacoes
com a composic
ao entre sarja e cetim.

Exerccio 3.5. Considere as matrizes



0 1 0 1 0 0 1 0

1 0 1 0 0
A= e B= 0 1 0 ,
0 1 0 1 1 0 0 1

1 0 1 0 0 0 1 0

e faca a composic
ao A B = [ maxmin] para obter um novo raport.

Salientamos que outras composicoes entre relacoes fuzzy ser


ao defini-
das no Captulo 6 onde apresentaremos tambem uma aplicacao especfica
em diagn
ostico medico.
Captulo 4

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

exemplo de verdade e dado pelo metodo de investigacao de S


ocrates:

Todo homem e mortal


S
ocrates e homem
Logo, S
ocrates e mortal

O silogismo acima tem estrutura tipicamente da L


ogica que possibilita
o verdadeiro conhecimento defendido por Aristoteles.
A l
ogica aristotelica volta a ter grande desenvolvimento somente no
seculo XVI, quando Leibniz cria a logica simb
olica. No seculo XIX Boole
desenvolve uma
algebra para esta logica simb
olica. Tal ferramenta passa
a ser largamente utilizada em controle de circuitos, na primeira metade
do seculo XX, e posteriormente em linguagem de computadores. Ainda
no seculo XX, a l
ogica foi objeto de pesquisa para grandes matem
aticos
como Peano, Fr`ege, Whitehead, Russel e G
odel dentre outros. Tambem,
durante a primeira metade do seculo XX, surgem varios estudiosos que
estendem a l
ogica de dois valores para logicas com varios valores, a l
ogica
multivaluada. Dentre estas destacamos a de Lukasiewicz, que de certo
modo, e considerada a precursora da logica fuzzy [58, 95]. Porem, s
o na
decada de 1960 surge o primeiro trabalho que d
a origem `a l
ogica fuzzy
[129].
Como ja comentamos no Captulo 1, e importante salientar que em-
bora as premissas e conclusoes obtidas atraves da logica fuzzy sejam sub-
jetivas, isso n
ao singnifica nenhum tipo de retrocesso, de modo a se deba-
ter novamente com aquelas questoes de interpretacoes pre-aristotelicas.
A l
ogica fuzzy e de fato uma logica (area do conhecimento que estuda
consequencias) com suas metodologias pr
oprias [58]. Ela n
ao lida com
quest
oes ambguas. As incertezas das quais a logica fuzzy trata s
ao do
tipo monot
onicas no sentido que quanto menos incertas forem as premis-
sas, menos incertas ser
ao as conclusoes. Nesse sentido, intuitivamente,
podemos dizer que a l
ogica classica e uma especie de limite da logica
fuzzy quando as incertezas tendem a zero.
4.1 Conectivos B
asicos da L
ogica Cl
assica 79

O principal sucesso da logica fuzzy e devido ao seu car


ater pr
atico,
ja que possibilita conclusoes a partir de proposicoes incertas. A area
que lida com as formalizac
oes destas proposicoes e conhecida como ra-
ciocnio aproximado cuja arquitetura tem a forma do metodo de in-
vestigac
ao proposto por S
ocrates:

Gripe forte provoca febre alta;


Febre alta provoca dores de cabeca frequentemente;
Conclus
ao: Gripe forte provoca dores de cabeca frequentemente.

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

e verdadeira apenas se for verdade que a pertenca a A e tambem que


b pertenca a B. O valor l
ogico desta sentenca e uma consequencia da
tabela verdade cl
assica para o conectivo e.
Na l
ogica cl
assica, sentencas verdadeiras tem valor logico 1, enquanto
sentencas falsas tem valor logico 0. Pensando na extensao para o caso
fuzzy, usaremos a notacao (mnimo) para a conjuncao e; (m
aximo)
para ou; para a nega
c
ao e = para a implica
c
ao.
Sejam p e q duas proposicoes. As tabelas verdades para os conectivos
apresentados s
ao dadas a seguir:

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

Tabela 4.1: Tabela verdade de . Tabela 4.2: Tabela verdade de .

p q p = q
1 1 1
p p 1 0 0
1 0 0 1 1
0 1 0 0 1

Tabela 4.3: Tabela verdade de . Tabela 4.4: Tabela verdade de =.

Podemos notar que em cada tabela verdade, p e q assumem apenas os


valores 0 ou 1. Por isso, a logica classica e, `as vezes, chamada de logica
a dois valores.
Cada um dos conectivos logicos acima pode ser visto como opera-
dor matem
atico, cujos valores coincidem com os das respectivas tabelas
verdade, e e esse fato que justifica as notacoes para o e e para o ou.
Com excec
ao da negac
ao, os demais conectivos s
ao operacoes bin
arias:
4.1 Conectivos B
asicos da L
ogica Cl
assica 81

Conectivo e:

: {0, 1} {0, 1} {0, 1}


(p, q) 7 (p, q) = p q = min {p, q} .

Assim,

(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 0;
(0, 1) = 0 1 = 0;
(0, 0) = 0 0 = 0.

Conectivo ou:

: {0, 1} {0, 1} {0, 1}


(p, q) 7 (p, q) = p q = max {p, q} .

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,

interessante notar que p = 1 p.


onde, 1 = 0 e 0 = 1. E
82 Noc
oes da L
ogica Fuzzy

Implicac
ao: =

=: {0, 1} {0, 1} {0, 1}


(p, q) 7= (p, q) = (p = q).

A partir dos conectivos anteriores e possvel obter pelo menos tres


formulas b
asicas que reproduzem a tabela verdade da implicacao:

(1) (p = q) = (p) q;

(2) (p = q) = (p) (p q);

(3) (p = q) = max{x {0, 1} : p x q}.

Vamos verificar que n


ao p ou q e a implicacao p implica q, isto e,
(p) q = (p = q) e de fato uma implicacao:

= (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.

Fica como exerccio para o leitor verificar os outros dois casos.


Embora cada um dos operadores (1), (2) e (3), defina a mesma im-
plicac
ao cl
assica, isso n
ao ocorrera quando estendermos cada uma destas
tres formulas para o caso fuzzy, como veremos posteriormente.
Voltemos `
a sentenca (4.1). Tal sentenca pode ter uma avaliacao logica
por meio dos valores l
ogicos dos conectivos. Como supostamente os
conjuntos que l
a aparecem s
ao classicos, essa avaliacao somente pode
tomar os valores 0 ou 1.
De fato, considere
P Q
z }| { z }| {
Se
| a est
{za em A
} e b
| est
a
{zem B
} , ent
ao c
| est
a
{zem C
} ou d
| n
ao est
{za em }.
D
p q r s
4.2 Conectivos b
asicos da L
ogica Fuzzy 83

Os valores de cada uma das express


oes p, q, r e s podem ser ape-
nas 0 ou 1, dependendo se cada elemento pertence ou n
ao ao conjunto
indicado. Por exemplo, p = 1 se a est
a em A e p = 0 se a
/ A. Analo-
gamente, temos os valores para q, r e s.
facil avaliar a sentenca (4.1) para cada situacao. Por exemplo, se
E

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.

Pensando no caso fuzzy, observamos que o valor logico da sentenca p :


a est
a em A coincide com o valor obtido com a funcao caracterstica
do conjunto A em a, isto e, o valor de p e dado por A (a). Da mesma
forma, B d
a o valor l
ogico de q, C o de r e o valor de s e dado por
1 D .
A sec
ao seguinte e dedicada `a formulacao matem
atica de (4.1), admi-
tindo que os conjuntos agora sejam fuzzy.

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

conormas triangulares. Esses operadores tem origem nos estudos de


Espacos Metricos Estatsticos (Menger, 1942 [85]). Suas denominacoes
advem da generalizac
ao da propriedade triangular para tais espacos [71].

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:

t1 ) elemento neutro: (1, x) = 1x = x;

t2 ) comutativa: (x, y) = xy = yx = (y, x);

t3 ) associativa: x(yz) = (xy)z;

t4 ) monotonicidade: se x u e y v, entao xy uv.

A operac
ao t-norma estende o operador que modela o conectivo e.

Exemplo 4.1. Consideremos o operador

1 (x, y) = min {x, y} = x y.

facil ver que este operador reproduz a tabela verdade de (a de-


E
monstrac
ao deste fato fica como exerccio para o leitor).
Outros exemplos de t-norma s
ao:

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

Exerccio 4.1. Verifique que 3 2 1 .


4.2 Conectivos b
asicos da L
ogica Fuzzy 85

Definic
ao 4.2 (t-conorma). O operador (x, y) = xy e uma t-conorma
se satisfizer as seguintes condicoes:

c1 ) elemento neutro: (0, x) = 0 x = x;

c2 ) comutativa: (x, y) = x y = y x = (y, x);

c3 ) associativa: x (y z) = (x y) z;

c4 ) monotonicidade: se x u e y v, entao x y u v.

O operador t-conorma : [0, 1] [0, 1] [0, 1] estende o operador


do conectivo ou.

Exemplo 4.2. O operador

1 (x, y) = max {x, y} = x y.

e uma t-conorma que reproduz a tabela verdade do conectivo .


Outros exemplos de t-conorma s
ao (verifique):

2 (x, y) = min {1, x + y} ;


3 (x, y) = x + y xy.

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:

n1 ) fronteiras: (0) = 1 e (1) = 0;

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

reproduzem a tabela verdade da negacao .


Observamos que as operacoes = , = e = 1 x, satisfazem
as leis de De Morgan, isto e, para todo par (x, y) de [0, 1] [0, 1] valem

(x y) = (x) (y)
(x y) = (x) (y) .

Exerccio 4.2. Prove que para quaisquer t-norma , t-conorma e


negac
ao as leis de De Morgan s
ao equivalentes.
Dizemos que a t-norma e a t-conorma s
ao duais em relacao a
uma negac
ao se satisfazem a uma das duas leis de De Morgan.
Exerccio 4.3. Verifique em quais dos sistemas dados abaixo, as t-normas
e t-conormas s
ao duais em relacao `a negacao (x) = 1 x:
(
x y = max {x + y 1, 0}
1) ;
x y = min {x + y, 1}
(
x y = xy
2) ;
x y = x + y xy
(
x y = max {x + y 1, 0}
3) ;
x y = x + y xy
xy

x H y = a + (1 a)(x + y xy)



4) , a 0;

(a 2)xy + x + y


x H y =
1 + (a 1)xy
H e H s ao denominadas t-norma e t-conorma de Hamacher.
 
(ax 1)(ay 1)

x F y = loga 1 +

a1
5) , a > 0 e a 6= 1.

 1x 1y


(a 1)(a 1)
x F y = 1 loga 1 +
a1
F e F sao denominadas t-norma e t-conorma de Frank.
4.2 Conectivos b
asicos da L
ogica Fuzzy 87

Um estudo aprofundado sobre t-normas e t-conormas o leitor pode


encontrar em [71].

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. reproduzir a tabela da implicacao classica;

2. for decrescente na primeira vari


avel, ou seja, para cada x [0, 1]
tem-se
(a x) (b x) se a b;

3. for crescente na segunda vari


avel, ou seja, para cada x [0, 1]
tem-se
(x a) (x b) se a b.

Assim, a classe das implicacoes fuzzy consiste de todas as aplicacoes do


quadrado [0, 1] [0, 1] em [0, 1], cuja restricao aos vertices coincide com
os valores da implicac
ao cl
assica; que sejam decrescentes com relacao `as
abscissas e crescentes em relacao `as ordenadas.
Como comentamos durante a exposicao da implicacao classica, esta
pode ser representada por uma das formulas:

(1) (p = q) = (p) q;

(2) (p = q) = (p) (p q);

(3) (p = q) = max{x {0, 1} : p x q}.

Para o caso fuzzy, tais formulas n


ao produzem as mesmas implicacoes
fuzzy (verifique esse fato). Assim, distiguiremos cada uma delas:

(4) uma S-implicac


ao tem a forma (x = y) = (x) y;

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

(5) uma Q-implicac


ao tem a forma (x = y) = (x) (x y);

Q-implicac
oes tem origem em mec
anica quantica, da a letra Q.

(6) uma R-implicac


ao tem a forma

(x = y) = sup{z [0, 1] : x z y}.

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 .

Exerccio 4.4. Verifique que cada uma das operacoes S, Q e R, da


Definic
ao 4.4 s
ao de fato implicacoes fuzzy, quaisquer que sejam as t-
normas, t-conormas e negaca
o.

Exemplo 4.3 (Implicac


oes fuzzy). As seguintes operacoes s
ao implicacoes
fuzzy:

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:

(x = y) = (x, y) = min {(1 x + y), 1} .


4.2 Conectivos b
asicos da L
ogica Fuzzy 89

d) Implicac
ao de Kleene-Dienes:

(x = y) = kd (x, y) = max {(1 x), y} .

e) Implicac
ao de Reichenbach:

(x = y) = r(x, y) = (1 x + xy).

f) Implicac
ao de Zadeh:

(x = y) = z(x, y) = max {(1 x), min(x, y)} .

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

Observe que a implicac


ao de Zadeh e uma Q-implicacao

(x = y) = (1 x) (x y) = (x) (x y).

Exerccio 4.5. Resolva os itens abaixo.

a) Verifique que as implicacoes de G


odel e de Goguen s
ao R-implicacoes,
supondo = min para G
odel e = produto para Goguen.

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

c) Verifique que g(x, y) gn (x, y) para x e y no intervalo [0, 1].

Exerccio 4.6. Esboce os gr


aficos das implicacoes do Exemplo 4.3.

O leitor interessado em aprofundar seus estudos em operadores logicos


e em c
alculo proposicional fuzzy pode consultar Hajek [58], Nguyen [95],
Klir e Yuan [72], Pedricz e Gomide [100], Wangning [125] e suas re-
ferencias. Nosso interesse aqui est
a mais direcionado `as manipulacoes e
interpretac
oes de formulas nas quais aparecem esses conectivos b
asicos.

Exemplo 4.4. Vamos voltar `a express


ao (4.1) e obter seu valor logico
quando considerarmos = , = , (x) = 1 x e a implicacao de
G
odel.
Inicialmente, para cada celula p, q, r e s, da express
ao (4.1), tomamos
seu valor l
ogico como o grau de pertinencia de cada elemento ao con-
junto relacionado. Consideremos, por exemplo, que tais valores sejam:
A (a) = 0,6; B (b) = 0,7; C (c) = 0,4 e D (d) = 0,7. Entao, temos:

pq = min(0,6; 0,7) = 0,6;


s = 1 D (d) = 1 0,7 = 0,3;
rs = max(0,4; 0,3) = 0,4.

Logo, o valor l
ogico de (4.1) e o resultado da aplicacao

(p q) = (r s).

Supondo que a implicacao seja a de G


odel, entao
(
1 se (p q) (r s)
(p q) = (r s) = = 0,4;
(r s) se (p q) > (r s)

pois (p q) = 0,6 e (r s) = 0,4.


Assim, para as pertinencias acima, a express
ao (4.1) e verdade com
grau 0,4.
4.3 Raciocnio Aproximado e Vari
aveis Lingusticas 91

Exerccio 4.7. Refaca o Exemplo 4.4 para as outras implicacoes dadas


no Exemplo 4.3.

Muitas das implicac


oes do Exemplo 4.3 s
ao obtidas a partir de com-
binac
oes de t-normas e t-conormas e s
ao utilizadas para modelar pro-
posico
es fuzzy em racioconio aproximado. Esse assunto tem grande
interesse nos metodos de resolucoes das equaco
es relacionais e dos siste-
mas baseados em regras fuzzy, como os controladores de Mamdani. Estes
t
opicos ser
ao ainda estudados nos Captulos 5 e 6. O leitor interessado
em mais detalhes sobre as implicacoes fuzzy, voltadas para modelagem
de processos em engenharia, poder
a consultar [72, 95, 100, 125].

4.3 Raciocnio Aproximado e Vari


aveis Lingusticas
O raciocnio aproximado refere-se ao processo onde se pode obter con-
clus
oes a partir de premissas incertas. Quando esta incerteza e conside-
rada fuzzy, e frequente o uso do termo raciocnio fuzzy.
A seguinte forma de raciocnio e muito comum na vida di
aria:

Se a banana est
a amarela entao a banana est
a madura (4.2)

ou seja,

Caso se tenha uma banana amarela, e autom


atica sua classificacao
como madura.

De uma forma mais geral podemos ter algo como:

Se X e entao Y e . (4.3)

Neste caso, sabendo-se que X e , conclui-se que Y e .


Esta e uma generalizac
ao do conhecido metodo dedutivo modus po-
nens. A diferenca para o modus ponens classico est
a na subjetivi-
dade dos predicados envolvidos. As sentencas gerais (4.3) acima s
ao
92 Noc
oes da L
ogica Fuzzy

expressas em uma linguagem natural sem o formalismo da linguagem


matem
atica. Nosso interesse e um modelo matem
atico para a mesma
usando l
ogica fuzzy.
Voltando `
a nossa sentenca (4.1), esta tem uma diferenca substancial
para a sentenca (4.3), a saber, nesta u
ltima n
ao h
a qualquer conjunto
(cl
assico ou fuzzy) envolvido, e sim, qualificacoes a respeito das vari
aveis
X e Y.
Para expressar formalmente sentencas com vari
aveis como em (4.3) e
que se unem as teorias dos conjuntos fuzzy e a de logica fuzzy. Para
se obter uma avaliac
ao l
ogica de (4.3) a ideia e reescreve-la na forma
da sentenca (4.1) e, para isto, faz-se necessario o conceito de vari
avel
lingustica.

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 .

Intuitivamente, uma vari


avel lingustica e um substantivo, enquanto
seus valores s
ao adjetivos, representados por conjuntos fuzzy. Por exem-
plo, gripe e uma vari
avel lingustica que pode assumir os atributos
forte ou fraca.
Sentencas em que aparecem vari
aveis lingusticas juntamente com seus
valores subjetivos (atributos) s
ao comumente chamadas de proposicoes
fuzzy. Entretanto, o interesse aqui s
ao aquelas vari
aveis cujos valores
assumidos s
ao n
umeros fuzzy onde o universo de discurso e o conjunto
dos n
umeros reais. Neste caso, diz-se que o suporte da variavel e o
conjunto dos n
umeros reais e X e uma vari
avel lingustica real.
Convem observar que, dependendo das circunstancias, devemos ler
X e A ou X est
a em A, numa linguagem conjuntista (em ingles n
ao
h
a essa distinc
ao). Tambem deve ser esclarecido que X e A (ou X est
a
em A) significa X = x e A (ou X = x est
a em A). Dessa forma
e que a sentenca (4.3) pode ter seu valor logico, a exemplo da sentenca
4.4 Modus Ponens e Modus Ponens Generalizado 93

(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).

A seguir usaremos a nocao de vari


aveis lingusticas para formular os
metodos dedutivos modus ponens para o caso fuzzy.

4.4 Modus Ponens e Modus Ponens Generalizado

Nosso interesse inicial e modelar matematicamente o modus ponens


fuzzy:
p = q : Se x e A entao y e B
Fato: x e A
Conclusao: y e B

Note que (p = q) e uma proposicao fuzzy condicional que e modelada


por uma relac
ao fuzzy R de U V , cuja funcao de pertinencia e

R (x, y) = [A (x) = B (y)] ,

onde x e y s
ao valores de vari
aveis lingusticas de U e V , respectivamente.

Assim, o valor da sentenca Se x e A entao y e B depende da im-


plicac
ao a ser escolhida.

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:

R (x, y) = R (x, y) = (A (x) = B (y)) =


(
1 se (x / A e y qualquer) ou (x A e y B)
=
0 se x A e y /B

de modo que
(
1 se y B
sup [R (x, y) A (x)] = = B (y),
xU 0 se y
/B

ou seja, para o caso cl


assico, o modus ponens pode ser escrito matema-
ticamente por meio da formula:

B (y) = sup [R (x, y) A (x)].


xU

De acordo com a notac


ao vista no Captulo 3, o modus ponens classico
pode ser dado pela regra de composicao de inferencia B = A R, em
que a relac
ao R e obtida por meio de uma implicacao fuzzy que modela
a sentenca condicional

Se x A entao y B.

Com o proposito de inferir conjuntos fuzzy, esta formula ser


a estendida
para situac
oes fuzzy mais gerais tais como o modus ponens fuzzy e o
modus ponens fuzzy generalizado.
O modus ponens fuzzy modela o seguinte silogismo:

Regra: Se a banana est


a amarela, ent
ao est
a madura
Fato: A banana est
a amarela
Conclusao: A banana est
a madura

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

conjuntos fuzzy (por func


oes de pertinencia) enquanto que os conectivos
por operadores como t-normas e t-conormas, implicacoes e/ou negacoes.
A conclusao, que deve ser um conjunto fuzzy, e obtida pela extensao da
regra de composic
ao de inferencia

B (y) = sup [R (x, y) A (x)] , (4.4)


xU

substituindo as func
oes caractersticas por funcoes de pertinencia e o
operador por alguma t-norma, ou seja,

B (y) = sup [R (x, y) A (x)] . (4.5)


xU

Em resumo, a formula (4.5) e a regra de inferencia que modela o


modus ponens fuzzy

Regra: Se x e A, ent
ao y e B
Fato: x e A
Conclusao: y e B

O lado direito da Equacao (4.5) exige que a t-norma e a implicacao


fuzzy l
a adotadas sejam escolhidas de modo que a sada coincida com
B (y) para todo y.
Esse e um problema de equacao relacional e pode trazer algumas difi-
culdades que foge de nosso interesse no estudo de raciocnio aproximado.
Tal assunto ser
a estudado no Captulo 6. Por essa raz
ao, estenderemos
ao (4.5) admitindo uma entrada A no lugar de A e a flexi-
a Equac
bilizaremos deixando de exigir que a sada B seja B, para a entrada
A = A . Neste caso, denominaremos o silogismo por modus ponens
fuzzy generalizado, que tem a forma geral:

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

A sada do modus ponens fuzzy generalizado e o conjunto fuzzy


B , cuja func
ao de pertinencia e

B (y) = sup [R (x, y) A (x)], (4.6)


xU

que, por analogia `


a regra de composicao de inferencia vista no Captulo
3, tem a forma
R(A ) = A t R = B ,

onde t e uma operac


ao an
aloga `a , trocando-se a t-norma do
mnimo por . Veremos essa operacao com mais detalhes no Captulo
6.
Vale a pena reforcar o seguinte comentario: no caso classico, sempre
temos R(A) = B. Porem, no caso fuzzy, dependendo da t-norma e da
implicac
ao, nem sempre teremos R(A) = B. Esse fato n
ao desabona o
uso das formulas (4.5) ou (4.6).
bastante comum se obter um funcional teorico, sem que esse fun-
E
cional reproduza os dados que o originaram. Esse e o caso do famoso
metodo dos mnimos quadrados, cuja principal propriedade e obter o
funcional com menor erro quadr
atico possvel para o conjunto de dados.
Metodos para obter funcionais que reproduzam exatamente os dados que
o originaram costumam ser chamados de interpolacao. Esse assunto apa-
recer
a novamente em captulos futuros e la faremos novas observacoes.

Exemplo 4.5. Suponha a t-norma do produto, xy = xy, e a implicacao


(
1 se x = 0
(x = y) = y .
1 se x 6= 0
x

Dados os n
umeros fuzzy A e B, temos

(A (x) = B (y)) A (x) = A (x) B (y).


4.4 Modus Ponens e Modus Ponens Generalizado 97

Assim,

sup[R (x, y) A (x)] = sup[(A (x) = B (y)) A (x)]


xU xU
= sup[A (x) B (y)] = B (y).
xU

ou seja, R(A) = B.

Exerccio 4.8. Verifique se R(A) = B para a t-norma do mnimo, xy =


x y, considerando:

a) implicac
ao de Zadeh;

b) implicac
ao Wu.

Vamos analisar um caso em que os conjuntos envolvidos s


ao finitos.

Exemplo 4.6. Consideremos os subconjuntos fuzzy:

A = 0,4/x1 + 1,0/x2 + 0,6/x3 e B = 0,8/y1 + 0,4/y2 ,

a implicac
ao de Lukasiewicz:

(x = y) = min {(1 x + y), 1}

e a t-norma 1 = .
Vamos obter as sadas a partir da formula (4.5) para cada entrada.
Lembrando que a implicacao

R (x, y) = (A (x) = B (y))

e a de Lukasiewicz, temos

R = 1, 0/(x1 , y1 ) + 1, 0/(x1 , y2 ) + 0,8/(x2 , y1 ) +


+ 0,4/(x2 , y2 ) + 1, 0/(x3 , y1 ) + 0,8/(x3 , y2 ).
98 Noc
oes da L
ogica Fuzzy

Desta forma, para a entrada

A = 0,4/x1 + 1, 0/x2 + 0,6/x3 ,

e com func
temos a sada B ao de pertinencia

Be (y1 ) = max [R (xi , y1 ) A (xi )] =


xi
= max[min(1, 0; 0,4); min(0,8; 1, 0); min(1, 0; 0,6)] = 0,8;
Be (y2 ) = max [R (xi , y2 ) A (xi )] =
xi
= max[min(1, 0; 0,4); min(0,4; 1, 0); min(0,8; 0,6)] = 0,6.

e, para a entrada

A = 0,6/x1 + 0,9/x2 + 0,7/x3 ,

temos a sada B com funcao de pertinencia

B (y1 ) = max [R (xi , y1 ) A (xi )]


xi
= max[min(1, 0; 0,6); min(0,8; 0,9); min(1, 0; 0,7)] = 0,8;
B (y2 ) = max [R (xi , y2 ) A (xi )]
xi
= max[min(1, 0; 0,6); min(0,4; 0,9); min(0,8; 0,7)] = 0,7.

Desta forma, para este exemplo, as sadas obtidas pelo modus ponens
fuzzy generalizado s
ao

e = 0,8/y1 + 0,6/y2 e R(A ) = B = 0,8/y1 + 0,7/y2 .


R(A) = B

interessante notar que B B.


E e Este fato e de interesse em raciocnio
aproximado, pois indica que B poderia ser uma sada otima em algum
4.4 Modus Ponens e Modus Ponens Generalizado 99

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,

em que, para o caso de domnios finitos, A e B s


ao escritos em linha e

[R] = [R (xi , yj )]ij

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

Nosso objetivo agora e usar o modus ponens generalizado para mode-


lar situac
oes em que a subjetividade pode ser ligeiramente modificada.
Por exemplo, no caso da banana, se for observado que sua cor e quase
amarela, esta cor pode ser considerada como sendo amarela ligeiramente
modificada. Em casos como este s
ao utilizados os operadores denomina-
dos modificadores.

4.5 Modificadores Lingusticos


Como o pr
oprio nome sugere, modificadores lingusticos s
ao frequen-
temente utilizados para alterar atributos, ou seja, modelar adverbios.
A teoria dos conjuntos fuzzy, quando combinada com o modus ponens
fuzzy generalizado, ajuda na producao de subconjuntos fuzzy que repre-
sentam atributos de vari
aveis lingusticas. Neste caso, os modificadores
lingusticos s
ao denominados modificadores 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 ) :

m : F(U ) F(U ). (4.7)

Os principais modificadores fuzzy s


ao:

(i) Expansivo se, para todo A F(U ), A m(A), ou seja,


A (x) m(A) (x);

(ii) Restritivo se, para todo A F(U ), A m(A), ou seja,


A (x) m(A) (x).

Os modificadores fuzzy mais usados s


ao do tipo potencia. Um modi-
ficador e do tipo potencia se para cada A F(U ) tem-se

ms (A) := (A)s ,
4.5 Modificadores Lingusticos 101

ou seja,
m(A) (x) = (A (x))s ,

para algum s [0, ).


Podemos observar que se s < 1 entao ms e expansivo e se s > 1 entao
ms e restritivo, ja que A (x) [0, 1].

Exemplo 4.7. Consideremos o conjunto fuzzy dos indivduos jovens


definido pela func
ao de pertinencia


1 se x 25
 2
J (x) = x 25 .

1+ se x > 25
5

Quando aplicamos modificadores fuzzy em termos primarios como o


adjetivo jovem, definimos novos termos fuzzy como muito jovem,
por exemplo. Assim, se tomarmos para muito jovem o subconjunto
fuzzy M J, cuja func
ao de pertinencia e dada por

M J (x) = m(J) (x) = (J (x))2 ,

teremos o modificador m(A) = (A)2 e, para um indivduo cuja idade e


x = 30, seu grau de pertinencia ao conjunto dos jovens e J (30) = 0,25
enquanto que, para o conjunto modificado dos muito jovens temos
M J (30) = 0,252 = 0,0625 < J (30).
Para estudos mais aprofundados, o leitor pode consultar [42, 72].

Exemplo 4.8. Vamos voltar ao caso das bananas, que motivou os


estudos dessa sec
ao.

Regra: Se a banana est


a amarela, ent
ao est
a madura
Fato: A banana est
a amarela
Conclusao: A banana est
a madura

Agora, a ideia e reescrever a condicional


102 Noc
oes da L
ogica Fuzzy

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)).

O conceito de amarelo e representado aqui por um conjunto fuzzy,


obtido a partir do cromatismo que apresenta diferentes tonalidades de
amarelo, isto e, nem todo amarelo e igual. No caso de banana amarela,
podemos traduzir o conceito de amarelo por uma funcao de pertinencia
obtida do espectro de cores que vai do verde ao amarelo, cujo compri-
mento de onda varia entre 530 nm a 597 nm. Adotamos que a tonali-
dade da banana e dada pela diferenca entre seu comprimento de onda
e o do verde 530 nm. Assim sendo, a funcao de pertinencia que define
banana amarela pode ser dada por:
( x
se 0 x 60
A (x) = 60 .
1 se 60 < x 67

Estamos supondo que, para x entre 60 nm e 67 nm as tonalidades do


amarelo s
ao indistinguveis e, portanto, nesta faixa o grau de pertinencia
ao conjunto fuzzy amarelo ser
a 1.
A

1
nvel de amarelo

60 67 x (nm)

Figura 4.1: Func


ao de pertinencia do conjunto fuzzy amarelo em
nan
ometros.
4.5 Modificadores Lingusticos 103

A modelagem do termo banana madura e decorrente do valor per-


centual de acu
car existente na fruta. Especialistas dizem que uma ba-
nana est
a certamente madura quando a concentracao de acu
car apresen-
tada na mesma estiver entre 19% e 25%. Um meio de detectar o nvel
de acu
car e o pr
oprio paladar humano.

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 (%)

Figura 4.2: Func


ao de pertinencia do conjunto fuzzy banana madura.

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:

A (x) = m(A) (x) = (A (x))s com s 1.

Finalmente, para obter a sada B que indica o termo quase madura,


adotaremos um modus pones generalizado com a implicacao de Wu e a
t-norma do mnimo: x y = x y.
104 Noc
oes da L
ogica Fuzzy

Logo, B = R(A ), cuja funcao de pertinencia e dada por

B (y) = R(A ) (y)=Rm(A) (y)=supx [R (x,y)m(A) (x)]

= supx [(A (x)=B (y))m(A) (x)]


( )
= max [
sup m(A) (x)1 , ] [
sup (1A (x))B (y)m(A) (x) ]
A (x)B (y) A (x)>B (y)
( )
= max sup (A (x))s , sup [(1A (x))B (y)(A (x))s ]
A (x)B (y) A (x)>B (y)
( )
= max sup (A (x))s , sup (1A (x))B (y)
A (x)B (y) A (x)>B (y)

= max{(B (y))s ,(1B (y))B (y)}=(B (y))s .

Portanto,

B (y) = (B (y))s B (y), para s (0,1].

Veja que R(A) = B (s = 1) . A prova acima e valida porque


Im(A ) = [0, 1], ou seja, A e normal. Essa hip
otese e necessaria [72],
pois caso contr
ario, tal prova n
ao seria valida. Ver Exerccio 4.8 (b),
com dados do Exemplo 4.6
Numa linguagem conjuntista temos

B = m(B) B.

O fato de B estar contido em m(B) significa que uma banana quase


madura ser
a sempre menos madura (Figura 4.3). Uma banana amarela
e madura, logo uma banana menos amarela ser
a menos madura.
A conclusao ou sada dada pelo conjunto B quase madura ou me-
nos madura pode ser visualizada na Figura 4.3 (b).
Para encerrar esse exemplo vamos explorar um pouco mais o fato que
B = m(B).
4.5 Modificadores Lingusticos 105

Figura 4.3: Conjuntos fuzzy modificados.

Observemos que

R(m(A)) = R(A ) = B = m(B) = m(R(A)),

ou na forma de diagrama da Figura 4.4.

R
A R(A)

m m

R
m(A) R(m(A)) = m(R(A))

Figura 4.4: Diagrama de comutac


ao de R e m.

O fato de se obter R(m(A)) = m(R(A)) indica que o diagrama comuta


e significa que a sada de A modificado e a mesma que a modificaca
o da
sada de A.
Para o nosso exemplo, a comutatividade do diagrama acima significa
que o grau de modificac
ao sofrido pela maturacao da banana e o mesmo
que grau de modificac
ao de tonalidade da sua cor.
Em l
ogica fuzzy, comutatividade de diagrama e ainda pouco explorada
106 Noc
oes da L
ogica Fuzzy

e o leitor est
a convidado a investigar tal propriedade, tanto do ponto de
vista te
orico quanto das aplicacoes.

Exerccio 4.9. Refaca o Exemplo 4.8, considerando o modificador potencia


com s > 1 e verifique para este caso se R(m(A)) = m(R(A)). Em se-
guida, use outras implicacoes e t-normas para obter novos conjuntos
fuzzy de sadas B .

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

Vamos aqui nos deter apenas ao caso discreto. O caso contnuo e an


alogo,
substituindo a distribuic
ao de probabilidades pela funcao densidade de
probabilidades.
Sejam X e Y duas vari
aveis aleatorias discretas. Supondo que P(X,Y )
seja a distribuic
ao de probabilidades conjunta do vetor aleatorio (X, Y ),
e sabido [31, 72] que:

(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

P(X,Y ) (x, y) = PX (x).PY (y)

para todo par (x, y). Caso contr


ario, s
ao ditas interativas [72].

(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

P(X|Y ) (x|y) = PX (x) e P(Y |X) (y|x) = PY (y)

para todo par (x, y). Caso contr


ario, s
ao ditas dependentes.

claro que os conceitos de independencia (p4 ) e n


E ao-interatividade
probabilstica (p2 ) s
ao equivalentes se as marginais n
ao se anularem.
Esse fato e consequencia da operacao matem
atica multiplicacao utili-
zada para modelar tais conceitos.

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.

Um resultado geral que relaciona a distribuicao de probabilidades con-


junta com as marginais, via copula, e devido a Sklar, o qual o leitor pode
encontrar em [71].
4.6 Independ
encia e N
ao-Interatividade 109

4.6.2 Independ
encia e N
ao-Interatividade Possibilstica

Aqui os objetos matem


aticos s
ao conjuntos fuzzy ao inves de vari
aveis
aleat
orias. Consequentemente, o que temos s
ao distribuicoes de possibi-
lidades (ou de pertinencias).
Diferentemente do caso probabilstico, em que a copula mais utili-
zada na literatura e o produto, no caso fuzzy o operador mais comum
para tratar a n
ao-interatividade e o mnimo. No entanto, nesse texto
usaremos uma t-norma geral para tratar matematicamente os conceitos
envolvidos.
Suponha que (A,B) seja a distribuicao de possibilidades conjunta dos
conjuntos A e B.

(f1 ) As distribuico
es de possibilidades marginais [52] de A e B s
ao da-
das, respectivamente, por

A (x) = sup (A,B) (x, y) e B (y) = sup (A,B) (x, y).


y x

(f2 ) A e B s
ao possibilisticamente n
ao-interativos, segundo a t-norma
, se
(A,B) (x, y) = A (x)B (y),

para todo par (x, y). A e B s


ao ditos n
ao-interativos se a t-norma
for a do mnimo, isto e, 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

(A|B) (x|y) = A (x) e (B|A) (y|x) = B (y).

para todo par (x, y). Caso contr


ario, s
ao ditas possibilisticamente
dependentes.

Diferentemente do caso probabilstico, aqui a n


ao-interatividade n
ao
equivale `
a independencia. A independencia implica a n
ao-interatividade.
Porem, a recproca n
ao e, em geral, verdadeira.
interessante ressaltar que no dois casos - probabilstico e fuzzy - as
E
marginais est
ao relacionadas com a conjunta por formulas semelhantes.
Para o caso probabilstico usa-se a somat
oria, enquanto que para o caso
P
fuzzy aparece o sup no lugar de .

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

no modus ponens poderia ser interpretada como y e (est


a em) B com
grau B (y), dado que x e (est
a em) A com grau A (x). Sob essa
otica, a func
ao de pertinencia R que representa a regra R e uma tpica
distribuic
ao de pertinencia condicional, isto e,

R (x, y) = (A (x) B (y)) = B|A (y|x). (4.8)

Com essa interpretac


ao, temos uma formula para obter distribuicoes
condicionais, isto e, para uma regra logica de causalidade, temos uma
4.6 Independ
encia e N
ao-Interatividade 111

maneira de obter a distribuicao condicional de pertinencia. Para isto,


basta conhecer a implicac
ao fuzzy a ser adotada e, a partir da, usar a
formula (4.8).

Dessa forma, a formula (4.5) do modus ponens passa a ser

R(A) (y) = sup(B|A (y|x)A (x)). (4.9)


x

Essa formula sugere que, numa linguagem bayesiana, B seja a distri-


buic
ao de possibilidades priori de B, enquanto que R(A) e a distribuicao
posteriori de B observado A.

Extrapolando essa ideia para o modus ponens generalizado, podemos


dizer que B (y) = R(A ) (y) e a distribuicao de possibilidades posteriori
de B observado A e (4.6) toma a forma

R(A ) (y) = sup(B|A (y|x)A (x)). (4.10)


x

O leitor interessado nesse tema pode consultar ([120, 93, 60]).

Como dissemos acima, a partir da formula (4.8), temos uma maneira


de obter a distribuic
ao condicional B|A (y|x) , que e pr
opria para o
modus ponens. Porem, em geral, n
ao temos formula que forneca as
distribuic
oes condicionais a partir das marginais.

Vale observar que se a regra condicional

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

Assim sendo, temos (4.11) dada por

R (x, y) = (A,B) (x, y) = A (x)B (y),

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 = .

Exerccio 4.10. Verifique que indepedencia possibilstica e equivalente a


n
ao-interatividade se a t-norma adotada for a do produto.

Exerccio 4.11. Verifique que se A e B forem n


ao-interativos e =
em (4.9), ent
ao
(
B (y) se B (y) < A (x)
B|A (y|x) = .
[A (x), 1] se B (y) A (x)

Exerccio 4.12. a) De exemplos, se possvel, de conjuntos fuzzy A e


B (discretos e contnuos - n
umeros fuzzy) em que B independe
possibilisticamente de A, quando B|A (y|x) e dada pelo modus
ponens, isto e, quando

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

b) De exemplos, se possvel, de conjuntos fuzzy A e B n


ao-interativos,
mas que B dependa possibilisticamente de A.

Exerccio 4.13. Considere os conjuntos fuzzy do Exemplo 4.6.

a) Se a implicac
ao for a de G
odel e = , verifique se as distribuicoes
priori e posteriori de B coincidem;

b) Idem para a implicacao de Lukasiewicz e = ;

c) Idem para a implicacao de Goguen e a t-norma do produto.


Captulo 5

Sistemas Baseados em Regras


Fuzzy
Ha e havera muitas tarefas que os
homens podem cumprir com facilidade,
que v
ao alem da capacidade de
qualquer computador, qualquer
maquina e qualquer sistema logico que
podemos conceber nos dias de hoje.

(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

Exemplo 5.1. Um especialista e capaz de lavar roupas a ponto de deixa-


las limpas, segundo seu conceito de limpeza.
O esquema abaixo (Figura 5.1) representa, de uma maneira simpli-
ficada, as ac
oes do especialista (controlador humano) na execucao da
tarefa de lavar roupas.
Condic
ao Ac
ao
Roupa Estado de Sujeira
Suja Tipo de Roupa Lavar

Tomador de Novo Estado


Decis
ao da sujeira

Roupa
Limpa

Figura 5.1: Esquema para um sistema de controle humano na tarefa de


lavar roupa.

Nesse exemplo podemos observar um possvel caminho para automacao


de tarefas. As ordens `
a serem enunciadas por regras, poderiam ser, por
exemplo as regras dadas no Quadro 5.1.

R1 : Se a roupa e grossa e a sujeira e difcil ,


ao lava-se muito tempo.
ent
ou
R2 : Se a roupa e grossa e a sujeira e f
acil ,
ao lava-se em tempo medio.
ent
ou
R3 : Se a roupa e fina e a sujeira e f
acil , ent
ao
lava-se pouco tempo.

Quadro 5.1: Regras de um sistema de automac


ao na lavac
ao de roupas.
5.1 Base de Regras Fuzzy 115

Uma tentativa de reproduzir a estrategia de um controlador humano


e dada pelos Controladores Fuzzy, considerado aqui a exemplo de
tantos outros textos [72, 95, 94, 116] como um caso tpico de um
Sistema Baseado em Regras Fuzzy (SBRF), isto e, um sistema
que se utiliza da l
ogica fuzzy para produzir sadas para cada entrada
fuzzy.
Os modus ponens, vistos no Captulo 4, s
ao exemplos de sistemas base-
ados em regras fuzzy. A particularidade que tem os controladores fuzzy
e apenas de interpretac
ao. Nas primeiras aplicacoes dos SBRF que sur-
giram, cada sada representava a acao correspondente `a condicao
ou entrada do SBRF. Quando as entradas e sadas tem esta conotacao
os SBRF s
ao denominados Controladores Fuzzy.
Com o auxlio dos metodos que vimos em raciocnio aproximado, no
Captulo 4, torna-se possvel traduzir temos lingusticos, constantemente
empregados por especialistas com o intuito de controlar suas tarefas,
em formulas matem
aticas, possibilitando a automacao de certas tarefas.
Este e o ponto fundamental na distincao entre teoria de controle fuzzy
e teoria cl
assica de controle. Neste u
ltimo, o intuito principal e montar
estrategias para que um sistema din
amico otimize algum criterio.
Em controladores fuzzy as tarefas s
ao comandadas por meio de termos
da linguagem usual, relacionados com alguma vari
avel de interesse e, e
neste aspecto que vari
aveis lingusticas desempenham papel fundamen-
tal. Estes termos, traduzidos por conjuntos fuzzy, s
ao utilizados para
transcrever a base de conhecimentos atraves de uma colecao de regras
fuzzy, denominada base de regras fuzzy. A partir dessa base de regras
obtem-se a relac
ao fuzzy, a qual produzira a sada (resposta, acao) para
cada entrada (estado, condicao).

5.1 Base de Regras Fuzzy


Uma base de regras fuzzy tem a forma
116 Sistemas Baseados em Regras Fuzzy

R1 : Proposiao fuzzy 1
c
ou
R2 : Proposi cao fuzzy 2
..............................
ou
Rr : Proposiao fuzzy r
c

Quadro 5.2: Forma geral de uma base de regras fuzzy.

Nos sistemas baseados em regras fuzzy cada proposicao fuzzy tem a


forma

Se estado Ent
ao reposta

em que cada estado e cada resposta s


ao valores assumidos por
vari
aveis lingusticas, e esses por sua vez, s
ao modelados por conjun-
tos fuzzy. Os conjuntos fuzzy que comp
oem o estado s
ao chamados
de antecedentes. Por outro lado, os conjuntos fuzzy que comp
oem a re-
posta s
ao chamados consequentes. A particularidade dos controladores
fuzzy, como ja observamos, e que cada regra tem a forma

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.

5.2 Controlador Fuzzy


Em geral, para um sistema fuzzy qualquer, a cada entrada fuzzy faz-
se corresponder uma sada fuzzy. Os controladores fuzzy tambem tem
essa caracterstica. No entanto, se a entrada for crisp (ponto de Rn ),
espera-se que a sada tambem seja crisp (ponto de Rm ). Neste caso, um
ao de Rn em Rm construda de alguma maneira
sistema fuzzy e uma func
especfica. Os modulos seguintes indicam um roteiro para construcao
desta func
ao.

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

uma destas proposic


oes e descrita na forma lingustica

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

neste ponto que as


de acordo com as informacoes de um especialista. E
vari
aveis e suas classificacoes lingusticas s
ao catalogadas e, em seguida,
modeladas por conjuntos fuzzy, isto e, funcoes de pertinencia.
Metodos para se obter essas funcoes de pertinencia s
ao os mais va-
riados: apelos intuitivos, ajustes de curvas, interpolacoes e ate mesmo
redes neurais [72, 100, 116].

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

Figura 5.2: Esquema geral de um controlador fuzzy.

R, a partir dos conjuntos fuzzy que a comp


oe e da logica fuzzy adotada.
A func
ao de pertinencia de R e dada por

R (x, u) = (Ri (x, u)), com 1 i r, (5.1)

onde e uma t-conorma e Ri e uma relacao fuzzy obtida da regra i, cuja


func
ao de pertinencia Ri e obtida de alguma forma por meio de um
modus ponens generalizado, por exemplo. Os valores x e u representam
o estado e o controle, respectivamente.
A inferencia, que representa o controle B para um estado A, e dada
por uma regra de composicao de inferencia: B = R(A) cuja funcao de
pertinencia e dada por

B (u) = sup(R (x, u) A (x)), (5.2)


x

onde e uma t-norma.


Como recurso did
atico, podemos ilustrar a obtencao da relacao R de
maneira an
aloga a um modus ponens generalizado, conforme o Qua-
dro 5.3.
De acordo com a literatura, o trabalho pioneiro na automacao para
realizar e controlar tarefas, baseando-se em logica fuzzy, foi proposto por
120 Sistemas Baseados em Regras Fuzzy

R1 : Se x1 e A11 e e xn e A1n ent


ao u1 e B11 e e um e B1m
ou
R2 : Se x1 e A21 e e xn e A2n ent
ao u1 e B21 e e um e B2m
ou
.. ..
. .
ou
Rr : Se x1 e Ar1 e e xn e Arn ent
ao u1 e Br1 e e um e Brm

Fato: A = x1 e A1 e x2 e A2 e e xn e An .

Conclus
ao: u e B = R(A).

Quadro 5.3: Ilustra c


ao da obtenc
ao da relac
ao R.

Mamdani e Assilian [82]. Seus experimentos foram na area de m


aquina
a vapor. Eles basearam-se no fato que operadores humanos expressam
suas estrategias de controle linguisticamente, e n
ao de uma forma ma-
tematicamente precisa. Este trabalho influenciou outros pesquisadores
a utilizar controladores fuzzy na teoria de controle. Este e o caso do
controlador de TakagiSugeno no qual as sadas parciais (consequentes)
de cada regra s
ao dadas por meio de funcoes das entradas [123].
Atualmente controladores fuzzy s
ao largamente utilizados em apare-
lhos eletrodomesticos, sendo o Japao o primeiro pas a investir pesada-
mente na ind
ustria fuzzy.
A sec
ao a seguir ilustra o metodo de inferencia de Mamdani.

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

O metodo de Mamdani e baseado na regra de composicao de inferencia


maxmin conforme o procedimento:

Em cada regra Rj , da base de regras fuzzy, a condicional se


x
e Aj ent
ao u
e Bj e modelada pela aplicacao (mnimo)
que, erroneamente, costuma ser denominada por implicacao de
Mamdani ( n
ao e uma implicacao fuzzy pois n
ao preserva a tabela
de uma implicac
ao classica);

Adota-se a t-norma (mnimo) para o conectivo logico e;

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:

comum encontrar na literatura as siglas MISO (m


1) E ultiplas entradas
e uma sada) e MIMO (m
ultiplas entradas e m
ultiplas sadas). Estas
siglas s
ao abreviac
oes de multiple input and single output e multiple
input and multiple output, respectivamente.
122 Sistemas Baseados em Regras Fuzzy

2) Os subconjuntos fuzzy Aj e Bj que aparecem na formula (5.3), podem


representar o produto cartesiano fuzzy de subconjuntos fuzzy Aji e
Bjk . Por exemplo, pode ocorrer

Aj (x) = Aj1 (x1 ) Aj2 (x2 ) e Bj (u) = Bj1 (u1 ) Bj2 (u2 ),

tratando-se pois de um controlador fuzzy MIMO de duas entradas e


duas sadas.

O exemplo a seguir ilustra o metodo de inferencia de Mamdani para


o caso de um sistema fuzzy com duas entradas e uma sada.

Exemplo 5.2. Considere um controlador fuzzy com duas entradas e uma


sada, cuja base de regras e dada pelo Quadro 5.4.

R1 : Se x1 e A11 e x2 e A12 ent


ao u e B1
ou
R2 : Se x1 e A21 e x2 e A22 ent
ao u e B2

Quadro 5.4: Base de regras para um controlador com duas entradas e uma
sada.

Assim, para cada terna t = (x1 , x2 , u) temos

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

B (u) = (MA )(u) = sup{M (x, u) A (x)}.


x

Como A = A1 A2 , ent
ao A (x1 , x2 ) = A1 (x1 ) A2 (x2 ).

Desta forma

B (u) = sup{M (x, u) A (x)}


x
= sup {M (x1 , x2 , u) [A1 (x1 ) A2 (x2 )]}
(x1 ,x2 )
= sup {[(A11 (x1 )A12 (x2 )B1 (u))
(x1 ,x2 )
(A21 (x1 )A22 (x2 )B2 (u))][A1 (x1 )A2 (x2 )]}

= 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).

onde BR1 e BR2 s


ao as sadas parciais devido `as regras R1 e R2 , respec-
tivamente.

Da formula acima, podemos observar que a sada do metodo de Mam-


dani resulta da uni
ao entre as sadas parciais de cada regra. Para obter
cada sada parcial, procede-se da seguinte forma: faz-se a intersecao das
entradas com cada antecedente da regra e em seguida, faz-se o produto
cartesiano (universos distintos) dessas intersecoes com os consequentes
da regra. A projec
ao desse produto cartesiano no espaco U e a sada
parcial para o conjunto fuzzy de entrada A.

Graficamente tem-se a Figura 5.3.


124 Sistemas Baseados em Regras Fuzzy

Figura 5.3: Sadas parciais no metodo de Mamdani.

A sada geral e dada pela uni


ao das sadas parciais, conforme a Fi-
gura 5.4.

Figura 5.4: Sada final do controlador fuzzy de Mamdani.

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.

O exemplo a seguir e um caso particular do anterior no sentido que a


entrada A agora e crisp.

Exemplo 5.3. Considere no exemplo anterior o caso em que o conjunto


fuzzy de entrada A e crisp e cuja funcao de pertinencia est
a concentrada
em um ponto (x0 , y0 ) R R. Assim,
(
1 se (x, y) = (x0 , y0 )
A (x, y) = ,
0 se (x, y) 6= (x0 , y0 )
5.3 O M
etodo de Mamdani 125

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

Neste caso, o controle fuzzy B e obtido de acordo com o esquema


gr
afico da Figura 5.5.

Figura 5.5: Sadas parciais do controlador fuzzy de Mamdani para o Exem-


plo 5.3.

A sada B final est


a representada na Figura 5.6.

Figura 5.6: Sada final do controlador fuzzy de Mamdani para o Exem-


plo 5.3.

Pode ser visto, atraves do Exemplo 5.3, que a sada do controlador


fuzzy, dada pelo metodo de inferencia de Mamdani, e um subconjunto
126 Sistemas Baseados em Regras Fuzzy

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

No controlador fuzzy, a cada entrada fuzzy o m


odulo de inferencia pro-
duz uma sada fuzzy que indica o controle a ser adotado. No entanto,
se a entrada for um n
umero real, espera-se que a sada correspondente
seja tambem um n
umero real. Porem, isso em geral n
ao ocorre em con-
troladores fuzzy pois, mesmo para uma entrada crisp, a sada e fuzzy.
Assim, deve-se indicar um metodo para defuzzificar a sada e obter um
n
umero real que, finalmente, indicara o controle a ser adotado.
S
ao muitos os metodos de defuzzificacao que podem ser adotados.
A princpio, qualquer n
umero real, que de alguma maneira possa re-
presentar razoavelmente o conjunto fuzzy B pode ser chamado de um
defuzzificador de B. Aqui ser
ao citados os mais comuns.

5.4.1 Centro de gravidade (G(B)), Centroide ou Centro de



Area

Este metodo de defuzzificacao e semelhante `a media aritmetica para uma


distribuic
ao de frequencias de uma dada vari
avel, com a diferenca que os
pesos aqui s
ao os valores B (ui ), que indicam o grau de compatibilidade
do valor ui com o conceito modelado pelo conjunto fuzzy B.
O centro de gravidade d
a a media das areas de todas as figuras que
representam os graus de pertinencia de um subconjunto fuzzy. Entre
todos os metodos de defuzzificacao ele e o preferido, mesmo sendo talvez
o mais complicado. As Equacoes (5.4) e (5.5) referem-se ao domnio
discreto e domnio contnuo, respectivamente. A Figura 5.7 mostra o
gr
afico do defuzzificador G(B).
5.4 M
etodos de Defuzzificac
ao 127

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

Figura 5.7: Defuzzificador centro de gravidade G(B).

5.4.2 Centro dos M


aximos (C(B))

Este e um procedimento radical, no sentido que s


ao levados em conta
apenas as regi
oes de maior possibilidade entre os possveis valores da
vari
avel que modela o conceito fuzzy em questao. Neste caso tem-se:

i+s
C(B) = , (5.6)
2

onde

i = inf{u R : B (u) = max B (u)}


u
e
s = sup{u R : B (u) = max B (u)} (5.7)
u
128 Sistemas Baseados em Regras Fuzzy

A Figura 5.8 abaixo ilustra esse defuzzificador

Figura 5.8: Defuzzificador centro de m


aximo C(B).

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

para se obter a sada geral do sistema. Com o metodo TSK, o conse-


quente de cada regra e dado explicitamente por uma funcao dos valores
de entrada desta regra.
Como ilustrac
ao do metodo podemos imaginar uma base com r regras
fuzzy, onde cada uma delas tem n entradas (x1 , x2 , . . . , xn ) Rn , e uma
sada u R, conforme o Quadro 5.5, no qual Aij s
ao subconjuntos fuzzy
de R.

R1 : Se x1 e A11 e x2 e A12 e e xn e A1n ent


ao u e u1 = g1 (x1 , x2 , . . . , xn )
ou
R2 : Se x1 e A21 e x2 e A22 e e xn e A2n ent
ao u e u2 = g2 (x1 , x2 , . . . , xn )
ou
..
.
ou
Rr : Se x1 e Ar1 e x2 e Ar2 e e xn e Arn ent
ao u e ur = gr (x1 , x2 , . . . , xn )

Quadro 5.5: Base de regras para ilustrar o metodo TSK.

A sada geral do metodo e dada por

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

e uma sada, o metodo TSK e ilustrado no Quadro 5.6 a seguir.

R1 : Se x1 e A11 e x2 e A12 ent


ao u e u1 = g1 (x1 , x2 )
ou
R2 : Se x1 e A21 e x2 e A22 ent
ao u e u2 = g2 (x1 , x2 )

Quadro 5.6: Base de duas regras para o metodo TSK.

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

onde i = min[Ai1 (x1 ), Ai2 (x2 )] corresponde ao peso da regra Ri na


sada geral do processo.
Na literatura, o caso que aparece com maior frequencia, devido `a sua
eficiencia e aplicabilidade, e aquele em que os consequentes de cada regra
s
ao funcoes lineares afins, isto e, cada uma das funcoes gi tem a forma

gi (x1 , x2 ) = ai x1 + bi x2 + ci .

Este caso e comumente chamado de metodo de Takagi-Sugeno (TS).

Exemplo 5.4. Considere um controlador fuzzy com duas entradas e uma


sada, onde os conjuntos fuzzy envolvidos, Aij , s
ao n
umeros fuzzy trian-
gulares e as sadas de cada regra s
ao dadas por funcoes gi , lineares afins.
Para cada par de entrada x0 e y0 , a Figura 5.9 e uma representacao
gr
afica para a obtenc
ao da sada, a qual representa o controle a ser ado-
tado para tais entradas. Para este exemplo temos a base de regras dadas
no Quadro 5.7
5.5 M
etodo de Infer
encia de TSK 131

R1 : Se x e A11 e y e A12 ent


ao u e u1 = g1 (x, y) = a1 x + b1 y + c1
ou
R2 : Se x e A21 e y e A22 ent
ao u e u2 = g2 (x, y) = a2 x + b2 y + c2

Quadro 5.7: Base de regras para o Exemplo 5.4

Neste caso o controle fuzzy, cuja obtencao gr


afica est
a ilustrada na
Figura 5.9, e dado por

1 u1 + 2 u2 1 g1 (x0 , y0 ) + 2 g2 (x0 , y0 )
u= = .
1 + 2 1 + 2

Figura 5.9: Sada do controlador fuzzy TSK para o Exemplo 5.4.

Exemplo 5.5. Considere as regras

R1 : Se x e baixo(A1 ) ent
ao y1 = x + 2
ou
R2 : Se x e alto(A2 ) ent
ao y2 = 2x

Quadro 5.8: Base de regras para o Exemplo 5.5


132 Sistemas Baseados em Regras Fuzzy

Suponha que o domnio seja x [0, 4],


x x
A1 (x) = 1 e A2 (x) = .
4 4
Logo, a sada do sistema pelo metodo de Takagi-Sugeno e

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.

Figura 5.10: Sada y e base de regras do Exemplo 5.5.

Exerccio 5.1. Refaca o Exemplo 5.5, inclusive as representacoes gr


aficas,
trocando os consequentes por y1 = x + 2 e y2 = 4 x.
5.5 M
etodo de Infer
encia de TSK 133

Exerccio 5.2. Refaca o exerccio anterior trocando as funcoes de per-


tinencias por trapezios. O conjunto fuzzy A1 dado pelo trapezio com
base maior [0, 3] e base menor [0, 1]. O conjunto fuzzy A2 e o trapezio
cuja base maior e [1, 4] e base menor [3, 4]. A sada geral e uma funcao
contnua?

Como ja mencionamos antes, os controladores fuzzy tem a proprie-


dade de modelar fenomenos (processos) por meio de um funcional com
informac
oes incertas dadas por vari
aveis lingusticas.
Supondo que certo fenomeno estudado possa ser modelado por um
funcional, ao se admitir que a sada de cada regra e dada por uma
func
ao linear afim, podemos pensar que o funcional pode ser aproximado
localmente por uma reta. Por exemplo, se soubermos a priori que o
funcional tem alguma propriedade de suavidade, podemos eleger retas
tangentes ao funcional para serem as funcoes consequentes de cada regra.
interessante observar que se as funcoes gi dos consequentes forem
E
constantes, ent
ao os dois metodos, de Mamdani e Takagi-Sugeno, produ-
zem as mesmas sadas, se a defuzzificacao usada no metodo de Mamdani
for o centro de gravidade. Isto e particularmente facil de ver no Exem-
plo 5.4 em que a sada geral e

1 c1 + 2 c2
u=
1 + 2

ja que, neste caso, estamos admitindo que a1 = b1 = a2 = b2 = 0. Esta


tambem e a sada no metodo de Mamdani para este caso particular,
pois as func
oes de pertinencia dos consequentes s
ao as constantes c1 e
c2 (verifique).
Queremos ressaltar que os controladores fuzzy tem propriedades ma-
tem
aticas importantes como, por exemplo, a capacidade de aproximar
func
oes contnuas. No Captulo 6 mostraremos esse fato com maior de-
talhe para os controladores de Takagi-Sugeno-Kang. Finalmente, obser-
vamos que os controladores TSK podem ser bem mais gerais, no sentido
134 Sistemas Baseados em Regras Fuzzy

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:

(i) O metodo de Mamdani e mais simples e mais intuitivo que o de


TSK;

(ii) O metodo de Mamdani e menos eficiente que o de TSK quanto `a


rapidez computacional;

(iii) O metodo de Mamdani tem menos propriedades matem


aticas que
o de TSK.

Atualmente, a teoria de controladores fuzzy est a bastante avancada e


existem textos especficos sobre este assunto [1, 3, 94, 108, 116, 126].
Atualmente temos nos utilizado dessa ferramenta para avaliar alguns
coeficientes de equac
oes diferenciais parciais, as quais representam a
evoluc
ao temporal e espacial de certas epidemias [86, 56].
A partir dos estudos iniciados por Castanho [34], os quais se utilizam
de controladores fuzzy para classificacao do cancer de pr
ostata, Silveira
et al [119] produziram um software que tem como principal objetivo
auxiliar profissionais da
area de urologia a decidir o estadiamento do
c
ancer em um paciente. Com base nos resultados do grau de Gleason,
estado clnico e nvel do PSA o software sugere o risco (probabilidade)
do tumor se encontrar em uma das classificacoes: localizado, localmente
avancado e metast
atico. O software foi registrado na INOVA-UNICAMP
no ano de 2009.
A sec
ao seguinte ser
a dedicada `as aplicacoes, algumas feitas por alguns
de nossos alunos, ilustrando o potencial que os controladores fuzzy tem
quando usados em Biomatem
atica.
5.6 Aplicac
oes 135

5.6 Aplicac
oes

Nos modelos que seguem, foram utilizados os metodos de Mamdani e


TSK, no caso particular em que as condicoes iniciais (entradas) s
ao
crisps, com o intuito de mostrar a potencialidade de aplicacao da meto-
dologia dos controladores fuzzy.

A eficiencia das aplicac


oes depende fundamentalmente das informacoes
fornecidas pelos especialistas para a construcao da base de regras fuzzy.

5.6.1 Modelo 1 Previs


ao de salinidade no estu
ario de
Cananeia e Ilha Comprida

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].

O modelo proposto estima a variacao da salinidade superficial ate


dois dias e abrange um raio de 80 Km, o que permite informar, com
alguma antecedencia, aos empreendedores da aquicultura de estu
ario
para que tomem as devidas providencias no sentido de n
ao perderem
seus organismos cultivados.

A Figura 5.11 ilustra a


area de estudo no litoral sul do estado de S
ao
Paulo.
136 Sistemas Baseados em Regras Fuzzy


Figura 5.11: Area de estudo no litoral sul paulista.

Apresentac
ao do fen
omeno

O ecossistema estuarino lagunar que abrange as cidades de Cananeia,


Iguape e Ilha Comprida est
a localizado no litoral sudeste do Estado de
S
ao Paulo numa regi
ao de relevante import
ancia ecologica devido ao seu
bom estado de conservac
ao.
Ela foi classificada pela IUCN (International Union for the Nature
Conservation) como o terceiro estu
ario do mundo com maior produti-
vidade primaria. Esse estu
ario tem conexao com o Oceano Atlantico
na porc
ao norte atraves da barra de Icapara e na parte sul pela barra
de Cananeia. O aporte de agua doce no estu
ario e fornecido por varios
rios, sendo que o de maior volume e o Rio Ribeira. Suas aguas entram
no estu
ario pela parte norte, na cidade de Iguape, atraves de um canal
denominado Valo Grande, construdo artificialmente no final do seculo
XIX.
A contribuic
ao das
aguas do Rio Ribeira na regi
ao foi alterada em
1978 quando construiu-se uma barragem a 2 km da cidade de Iguape.
Como consequencia, o padrao de algumas vari
aveis ambientais, como a
salinidade superficial, foi alterado.
5.6 Aplicac
oes 137

O modelo

O modelo baseia-se em um sistema de controle fuzzy com o metodo


de inferencia de Mamdani. As vari
aveis de entrada s
ao: precipitaca
o
pluviometrica, salinidade inicial e vaz
ao do Rio Ribeira. A vari
avel de
sada e a salinidade final.
A arquitetura do modelo est
a colocada na Figura 5.12.

Figura 5.12: Arquitetura do modelo de previs


ao de salinidade no estu
ario
de Cananeia e Ilha Comprida.

Para essas vari


aveis, atribuiu-se termos lingusticos, e cada um deles
com func
oes de pertinencia dos tipos triangular e trapezoidal (Figu-
ras 5.13a, 5.13b e 5.13c).
Por meio da an
alise do conjunto dos dados envolvendo as vari
aveis
mencionadas, pode-se estabelecer uma base de conhecimento com regras
lingusticas, relacionando-as a fim de se estimar o valor da salinidade
final, sendo esse estimado pelo processo de defuzzificacao do centro de
gravidade.
138 Sistemas Baseados em Regras Fuzzy

(a) Precipitao pluviomtrica acumulada em Canania

baixa mdia mdia alta alta altssima

mm
50 100 150 200 250 300 350

(b) Salinidade em Canania

baixssima baixa mdia baixa mdia alta

0
/00
5 10 15 20 25 30 35

(c) Vazo no Rio Ribeira

baixa mdia mdia alta alta altssima


mm3 /s
500 1000 1500 2000 2500 3000

Figura 5.13: Func


oes de pertinencia (a) Chuva; (b) Salinidade Inicial e
Final e (c) Vaz
ao do Rio.

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.

R 23 - SE chuva acumulada em Cananeia no intervalo de 1 a 3 dias for


media alta E a salinidade inicial do perodo for media baixa E a vaz
ao

do Rio Ribeira for baixa ENTAO a salinidade final e media baixa.
O Quadro 5.9 fornece todas as regras atingidas (base de regras com 3
entradas e uma sada) e a Tabela 5.1 mostra a legenda para a base de
regras.
Como fizemos no Exemplo 5.3, vamos aqui ilustrar, passo a passo, o
metodo de inferencia de Mamdani para esta aplicacao.
5.6 Aplicac
oes 139

Se Chuva Ac. e Sal. Inicial e Vaz ao Ent


ao Sal. Final
R1 baixa media baixa m edia media baixa
R2 baixa m edia m
edia alta m
edia baixa
R3 baixa media baixa m
edia alta baixa
R4 baixa media baixa alta baixa
R5 baixa baixa alta media baixa
R6 baixa m edia altssima baixa
R7 baixa media baixa altssima media baixa
R8 baixa baixa altssima media baixa
R9 baixa m edia baixa m edia
R10 baixa m edia m edia media baixa
R11 baixa baixa baixa baixa
R12 m edia m edia baixa media baixa
R13 m edia media baixa baixa media baixa
R14 m edia m edia m edia media baixa
R15 m edia m edia media alta media baixa
R16 m edia media baixa m edia baixa
R17 m edia alta baixa m edia
R18 m edia alta m edia media baixa
R19 m edia alta media alta baixa
R20 m edia baixa m edia baixa
R21 m edia baixa baixa baixa
R22 media alta m edia baixa media baixa
R23 media alta media baixa baixa media baixa
R24 alta m edia baixa media baixa
R25 alta media baixa baixa baixa
R26 altssima m edia baixa baixssima
R27 altssima media baixa baixa baixssima
R28 altssima baixa baixa baixssima

Quadro 5.9: Base de regras lingusticas para previs


ao de salinidade no
estu
ario de Cananeia e Ilha Comprida

Chuva Acumulada Salinidade Inicial Vaz ao do Rio Salinidade Final


baixa = Cb baixa = SIb baixa = Vb baixssima = SFba
m edia = Cm m
edia baixa = SImb m edia = Vm baixa = SFb
m
edia alta = Cma media = SIm m
edia alta = Vma media baixa = SFmb
alta = Ca alta = SIa alta = Va m edia = SFm
altssima = Cat altssima = Vat

Tabela 5.1: Legenda a ser utilizada para resoluc


ao do modelo da salinidade
no Rio Ribeira, conforme a base de regras do Quadro 5.9.

Infer
encia

O processo de inferencia propicia o calculo da vari


avel resposta (sada) a
partir dos valores das vari
aveis de entrada. Isso ocorre porque os valores
dos graus de pertinencia das vari
aveis de entrada s
ao utilizados para se
140 Sistemas Baseados em Regras Fuzzy

obter o valor do grau de pertinencia da vari


avel resposta.
Para exemplificar o metodo de inferencia de Mamdani, faremos o
c
alculo seguindo os seguintes passos:

Consideramos os seguintes valores de entrada: precipita


c
ao plu-
etrica = 23 mm, salinidade inicial = 23 0 /00 1 e vaz
viom ao do
Rio Ribeira = 1454 m3 /s, ou seja, as condicoes iniciais s
ao crisp.

Cada um dos valores iniciais possui um grau de pertinencia em


relac
ao aos subconjuntos fuzzy que definem as 3 vari
aveis de en-
trada. Assim, o valor precipitacao pluviometrica 23 mm pertence
ao subconjunto fuzzy baixa com grau de pertinencia Cb (23)
conforme a Figura 5.13a, isto e, Cb (23) = prec. baixa (23) = 1.

O valor de salinidade inicial, 23, pertence aos subconjuntos fuzzy


media baixa e media (Figura 5.13b), com graus de pertinencia
SImb (23) = 0,67 e SIm (23) = 0,25, respectivamente.
ao do Rio Ribeira de 1454 m3 /s pertence ao conjunto
O valor da vaz
fuzzy media alta, com grau de pertinencia Vma (1454) = 0,82.
Cada combinac
ao desses conjuntos acionados pelos valores de entrada
ativam algumas regras na base de conhecimento. Nesse caso 2 regras
foram acionadas, a saber, R2 e R3 da base de regras (Quadro 5.9).

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

O metodo de inferencia de Mamdani combina os graus de pertinencia


referentes a cada um dos valores de entrada atraves da t-norma do
mnimo.
Assim para as regras R2 e R3 , tem-se, respectivamente

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

Por se tratar de um ecossistema de grande amplitude espacial, apresen-


tando vari
aveis de entrada com padroes temporais din
amicos, torna-se
142 Sistemas Baseados em Regras Fuzzy

Figura 5.14: Sada do controlador de Mamdani sem defuzzificac


ao.

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

Tabela 5.2: Relac


ao entre os valores de salinidade final observados e os es-
timados pelo modelo fuzzy.
5.6 Aplicac
oes 143

difcil adotar os metodos convencionais de experimentacao, com replicas


etc. Na modelagem fuzzy, apenas com alguns dados disponveis e nvel
de conhecimento atual foi possvel elaborar uma base de regras que per-
mitiram fazer previs
oes de salinidades futuras. A base de regras poder
a
ser aperfeicoada, conforme surjam novos dados experimentais e/ou dife-
rentes situac
oes a serem modeladas.
Os resultados significativos obtidos aqui neste exemplo mostram a
potencialidade do uso de sistemas fuzzy na modelagem de fen
omenos
ligados `
a Ecologia, principalmente em situacoes em que os conhecimentos
s
ao relativamente vagos.
No pr
oximo modelo usaremos o software Toolbox Fuzzy do Matlab
6.5r , no qual se encontra implementado o Metodo de Mamdani com
defuzzificac
ao do Centro de Massa, bem como o metodo TSK.

5.6.2 Modelo 2 Taxa de Transfer


encia de Soropositivos
+
(HIV )

Para ilustrar a utilizac


ao de controladores fuzzy em fen
omenos epide-
miol
ogicos vamos nos concentrar em um tema que hoje em dia faz parte
dos programas de sa
ude p
ublica de muitos governos, incluindo o do Bra-
sil: a AIDS2 .
A metodologia que apresentaremos a seguir faz parte da tese de douto-
rado de Jafelice [65, 67] e foi desenvolvida com o intuito de obter o valor
de um parametro para uma equacao diferencial que modela a evolucao,
no tempo, do n
umero de indivduos sintom
aticos numa populacao de
soropositvos.
O interesse de pesquisadores no estudo da AIDS tem crescido consi-
deravelmente nos u
ltimos anos. Os modelos matem
aticos para estudar
a evoluc
ao da AIDS em uma populacao s
ao, via de regra, dados por
um sistema de equac
oes diferenciais. Nos modelos classicos mais sim-
2
Sigla inglesa para Sndrome da Imunodeficiencia Adquirida SIDA
144 Sistemas Baseados em Regras Fuzzy

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

O ajuste de dados estatsticos e o metodo tradicional para se obter a


taxa . Nossa intens
ao aqui e apresentar uma alternativa a esse metodo
fazendo uso de um sistema fuzzy, o qual leva em conta os conhecimentos e
principais procedimentos de especialistas da area no esforco de se apurar
.
O estudo da AIDS por parte de especialistas da area de saude leva
em conta dois par
ametros b
asicos: a carga viral (V ) e a concentracao
de CD4+ (principal linfocito atacado pelo vrus) dos indivduos soropo-
sitivo para, a partir da, indicar alguma poltica de controle. Esses mes-
mos especialistas tambem s
ao un
animes em dizer que a taxa depende
fundamentalmente da carga viral e do nvel de CD4+ da populacao de
soropositivos. Porem, o estabelecimento de tais dependencias e bastante
subjetivo. Nesse exemplo vamos sugerir uma maneira de se estabelecer
esta relac
ao, considerando a taxa de convers
ao como dependente da
carga viral (v) e do nvel (c) de CD4+ , de cada indivduo da populacao
de soropositivos, ou seja,
= (v, c).

Inicialmente vamos fazer algumas consideracoes a respeito da evolucao


do HIV em um indivduo.
Na corrente sangunea, o HIV ataca principalmente o linfocito T do
tipo CD4+ . A baixa concentracao de celulas de CD4+ na corrente
sangunea tem implicac
oes na evolucao da infeccao por HIV.
Quando a c
apsula do vrus entra em contato com a membrana da
5.6 Aplicac
oes 145

celula hospedeira, logo e injetado o RNA-viral. No citoplasma o RNA-


vrus serve de modelo para a sntese de uma cadeia de DNA que, por
sua vez, serve de modelo para outra complementar, formando-se, assim,
uma molecula de DNA de dupla cadeia. Esta migra para o n
ucleo e
incorpora-se ao patrimonio genetico da celula.
O DNA estranho (pr
o-vrus) pode ficar inativo por tempo indetermi-
nado e, com a multiplicac
ao da celula hospedeira, uma copia do mesmo
e levada para celulas filhas.
Inesperadamente, o pr
o-vrus ativa-se e desencadeia a sntese de no-
vas moleculas de RNA para a formacao de novos vrus. Esse RNA,
juntamente com proteases virais, orientam tanto a sntese das protenas
da c
apsula como de enzimas caractersticas do vrus, seguindo-se, final-
mente, a montagem de novos vrus. A celula hospedeira e destruda.
O sistema de defesa humano e formado por macr
ofagos (radares),
localizados em varios pontos do organismo, sempre `a procura de cor-
pos estranhos. Ao detect
a-los, enviam os primeiros sinais qumicos de
alerta, logo reconhecidos pelos linfocitos T do tipo CD4+ que por sua
vez, fazem soar o alarme geral e estimulam a ativacao de celulas do sis-
tema imune, os linfocitos B. Estes transformam-se em plasmocitos para
a produc
ao de anticorpos e os linfocitos CD8 (citotoxicos) reconhecem
as celulas infectadas e as destroem. Como o vrus ataca preferencial-
mente os linfocitos CD4+ , o alarme geral, e a posterior ativacao imune,
deixa de ser dado. O sistema de defesa n ao e mobilizado e o sistema
imunol
ogico perde a sua efic
acia.
A contagem de celulas CD4+ em sangue periferico tem implicacoes
prognosticas na evoluc
ao da infeccao pelo HIV, pois e a marca regis-
trada de deficit imunol
ogico e se associa a certos par
ametros clnicos.
A medida de imunocompetencia celular e a mais u
til, clinicamente, no
acompanhamento de pacientes infectados pelo HIV e a mais amplamente
aceita, embora n
ao seja a u
nica. Atualmente, acredita-se que a quanti-
dade de celulas imunocompetentes regula de alguma forma a proliferacao
146 Sistemas Baseados em Regras Fuzzy

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;

2) Estagio caracterizado pelo aparecimento de sinais e pequenos sinto-


mas ou alterac
oes constitucionais. O desenvolvimento de doencas
oportunistas tem um risco moderado, neste caso. Este est
agio
ocorre quando 0,2 < CD4+ < 0,5 cel/ml;

3) Um risco preocupante pode ser considerado quando 0,05 <


CD4+ < 0,2 cel/ml;

4) Se CD4+ < 0,05 cel/ml, tem-se um alto risco de aparecimento das


doencas oportunistas tais como sarcoma de Karposi. Neste est
agio,
a possibilidade de sobrevivencia e baixa.

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]:

a) Existe um baixo risco de progressao da doenca quando tem-se uma


carga viral abaixo de 10000 pares de RNA/ml, isto e, V < 10000;
3
Fonte: Ministerio da Sa
ude http://www.aids.gov.br
5.6 Aplicac
oes 147

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;

c) O risco e considerado alto se V > 100000.

Note que nos par


ametros de interesse carga viral (V ) e nvel de
CD4+ n
ao h
a quantificacoes exatas de seus valores e sim classificacoes
dos mesmos por faixas. Ainda segundo especialistas, as fronteiras de
cada uma destas classificac
oes tambem n
ao deveriam ser tao rgidas. Por
a um risco preocupante quando 0,05 < CD4+ <
exemplo, dizer que h
0,2 cel/ml e baixo risco de desenvolvimento da AIDS quando CD4+ >
0, 5 cel/ml e um tanto rigoroso e n
ao muito correto. Nao e razo
avel
que indivduos com CD4+ igual a 0, 49 cel/ml devam ter tratamentos
diferenciados daqueles com CD4+ igual a 0, 51 cel/ml?
Os coment
arios feitos acima a respeito das incertezas presentes na
carga viral e nvel de CD4+ n
ao s
ao de natureza estocastica. Elas tem
origem na linguagem, que se utiliza de graduacoes para expressar o co-
nhecimento do especialista.
A carga viral V e o nvel de CD4+ s
ao casos tpicos de vari
aveis
ligusticas, ja que s
ao classificadas por faixas com fronteiras incertas.
Assim, os valores assumidos pela carga viral e o nvel de CD4+ s
ao
conjuntos fuzzy. Como consequencia, a taxa de transferencia deve ser
tambem uma vari
avel lingustica .
Embora (taxa de transferencia defuzzificada) dependa dos valores
numericos v (da carga viral V ) e c (do nvel de CD4+ ) n
ao sabemos,
a princpio, expressar essa dependencia matematicamente, ja que as in-
oes sobre V e CD4+ s
formac ao lingusticas e n
ao numericas. Utilizamos
ent
ao controladores fuzzy para avaliacao dessa dependencia que tem o
esquema da Figura 5.15
148 Sistemas Baseados em Regras Fuzzy

Entradas Sada

Carga Viral
TSK
Taxa de
CD4+
Convers
ao

Figura 5.15: Esquema do controlador TSK com 2 entradas e 1 sada.

Base de Regras Fuzzy

Em colaborac
ao com especialistas em AIDS, obtemos a base de regras
fuzzy apresentada no Quadro 5.10.

R1 . Se V e baixa (B) e CD4+ e muito baixo (MB) ent


ao e forte (F);
R2 . Se V e baixa (B) e CD4+ e baixo (B) ent
ao e medio (M);
R3 . Se V e baixa (B) e CD4+ e medio (M) ent
ao e medio (M);
R4 . Se V e baixa (B) e CD4+ e medio alto (MA) ent
ao e medio fraco (Mf);
R5 . Se V e baixa (B) e CD4+ e alto (A) ent
ao e fraco (f);
R6 . Se V e medio (M) e CD4+ e muito baixo (b) ent
ao e forte (F);
R7 . Se V e medio (M) e CD4+ e baixo (B) ent
ao e forte (F);
R8 . Se V e medio (M) e CD4+ e medio (M) ent
ao e medio (M);
R9 . Se V e medio (M) e CD4+ e medio alto (MA) ent
ao e medio fraco (Mf);
R10 . Se V e medio (M) e CD4+ e alto (A) ent
ao e fraco (f);
R11 . Se V e alto (A) e CD4+ e muito baixo (MB) ent
ao e forte (F);
R12 . Se V e alto (A) e CD4+ e baixo (B) ent
ao e forte (F);
R13 . Se V e alto (A) e CD4+ e medio (M) ent
ao e medio (M);
R14 . Se V e alto (A) e CD4+ e medio alto (MA) ent
ao e medio (M);
R15 . Se V e alto (A) e CD4+ e alto (A) ent
ao e medio (M).

Quadro 5.10: Base de regras para o modelo de taxa de transferencia de


soropositivos.

Muitas vezes pode ser interessante apresentar a base de regras em uma


maneira simplificada (Tabela 5.3).
5.6 Aplicac
oes 149

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

Tabela 5.3: Taxa de transferencia

Para se obter = (v, c) podemos utilizar tanto o metodo de Mam-


dani como o de Takagi-Sugeno-Kang. Para ilustracao, optamos pelo
segundo (TSK) com consequentes constantes, isto e, os valores para in-
dicar cada classificac
ao de s
ao n
umeros reais dados por especilalistas
(Tabela 5.4).

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

Tabela 5.4: Classificac


ao de .

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

baixo mdio alto baixo mdio mdalto alto


1 1

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

Figura 5.16: Carga viral. Figura 5.17: Nvel de CD4+ .

1 = 0
2 = 0,15 3 = 0,65 4 = 1
1

0,2 0,4 0,6 0,8 1,0


Figura 5.18: Subconjuntos fuzzy crisps taxa de convers


ao.

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)

Figura 5.19: Sada do controlador: superfcie de (v, c).


5.6 Aplicac
oes 151

como taxa de transferencia no modelo fuzzy.


De acordo com a Figura 5.19, para cada valor da carga viral V = v,
temos = (c), com configuracao aproximadamente linear por partes
como mostrado na Figura 5.20.

c min cM CD4
+

Figura 5.20: Taxa de convers ao de CD4+ .


ao em func

ametro cmin representa o nvel mnimo de CD4+ para que o


O par
atico e, cM representa o nvel de CD4+ a partir
indivduo se torne sintom
do qual a chance de se tornar sintom
atico e mnima.
Observamos ainda que se houvesse interesse em estudar a taxa de con-
vers
ao como func
ao da carga viral, = (v), entao isso seria possvel,
principalmente no caso particular em que n
ao esteja havendo trata-
a uma correlacao entre V e CD4+ . Mais ainda,
mento. Neste caso, h
quanto maior e a carga viral, menor e o nvel de CD4+ . Modelos sim-
ao entre carga viral e nvel de CD4+ podem ser dados
plistas da relac
pelas equac
oes:

r
c(v) = ou c(v) = 0 + aev ,
a +

de maneira que, para este caso, temos = (v).


Concluindo esse exemplo, queremos ressaltar que a taxa de trans-
ferencia aqui obtida, a partir de informacoes incertas, dadas por espe-
cialistas a respeito dos estados de sa
ude de indivduos dessa populacao,
tem forte significado biol
ogico ja que depende de outros par
ametros es-
pecficos da doenca (sndrome) em questao: carga viral V e nvel de
152 Sistemas Baseados em Regras Fuzzy

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.

5.6.3 Modelo 3 Controle Fuzzy de Pulg


oes

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 )

Tabela 5.5: Vari


aveis de entrada do modelo.

Controle da Infestacao: (C)


controle nulo (C0 )
controle muito baixo (Cbi )
controle baixo (Cb )
controle medio (Cm )
controle medio alto (Cma )
controle alto (Ca )
controle muito alto (Cat )

Tabela 5.6: Vari


avel de sada do modelo.

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%.

Todos os conjuntos fuzzy aqui utilizados s


ao triangulares, exceto os
154 Sistemas Baseados em Regras Fuzzy

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

Pbi (p) Pb (p) Pm (p) Pma (p) Pa (p) Pat (p)


P (p) = .
Pbi Pb Pm Pma Pa Pat

Para o nosso exemplo, no m


aximo dois conjuntos fuzzy s
ao atingidos.
Por exemplo, se p = 18, os u
nicos conjuntos fuzzy atingidos s
ao Pm e
Pma , pois p = 18 est
a fora dos suportes dos demais subconjuntos fuzzy
da vari
avel P . Para achar o grau de pertinencia de 18% aos conjuntos
Pm e Pma apelamos para as express
oes analticas das funcoes de per-
tinencias Pm e Pma ou para as express
oes (2.6) vistas no Captulo 2.
Por exemplo, o conjunto fuzzy Pm tem funcao de pertinencia dada por
p5

7,5 se 5 p < 12, 5
20p
Pm (p) = 7,5 se 12, 5 p < 20 .


0 caso contr
ario

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

Figura 5.21: Func


oes de pertinencia para o controle de pulg
oes.
156 Sistemas Baseados em Regras Fuzzy

de 18% a Pm e = 0, 27. Analogamente, concluimos que a pertinencia


de 18 a Pma e 0, 6. Assim,

Pm (18) Pma (18) 0, 27 0, 6


P (18) = = .
Pm Pma Pm Pma

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

a pertinencia de p = 38% a Vm e a solucao de

38 = (30 40) + 40 = 0, 2.

a pertinencia de p = 38% a Va e a solucao de

38 = (40 30) + 30 = 0, 8.

Portanto,

Vm (38) Va (38) 0, 2 0, 8
P (38) = = .
Vm Va Vm Va

Do estudo acima podemos observar que, para os valores p = 18 e


p = 38, os conjuntos atingidos s
ao Pm , Pma ,Vm e Va , destacados na
Tabela 5.11.
Agora, usando a base de regras para o controle e o metodo de in-
ferencia de Mamdani, obtemos o seguinte
 
min{Pm (18),Vm (38)} min{Pm (18),Va (38)}
C (18, 38) = Cm Cm
 
min{Pma (18),V m (38)} min{Pma (18),Va (38)}
= Cma Cma
   
0,20 0,27 0,20 0,40
= Cm Cm Cma Cma . (5.11)

No metodo de Mamdani os conjuntos atingidos s


ao Cm e Cma . Os
conjuntos entre parenteses acima (ver express
ao 5.11) representam as
sadas parcias. Como a sada geral e dada pelo m
aximo, n
ao se deve
0,20 0,20
levar em conta Cm nem Cma , ja que suas pertinencias s
ao menores que
as outras duas, isto e, a sada geral e dada por

0, 27 0, 40
C (18, 38) = .
Cm Cma
158 Sistemas Baseados em Regras Fuzzy

Finalmente, adotando-se como defuzzificador o centro de massa (G(C)),


chegamos ao valor que deve ser tomado para o controle

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.

Se continuarmos o processo iterativamente, considerando p = 16 como


sendo a nova condic
ao inicial, vamos obter um sistema de controle con-
tinuado. Esta estrategia ser
a desenvolvida no Captulo 9.
Captulo 6

Equac
oes Relacionais Fuzzy e
Aproximac
ao Universal

Todo conhecimento deve ser u


til e ter
compromisso com a pr
atica.

(Sofistas Sec. V a.C.)

Este captulo contem dois temas bastante distintos do ponto de vista


te
orico: equaco
es relacionais fuzzy e aproximaca
o universal. Pode-
mos dizer que o primeiro tem como objetivo a ampliacao do poder de
aplicac
oes do modus ponens generalizados visto no Captulo 4. J
a o se-
gundo tem interesse mais teorico. Sua import
ancia maior est
a no fato
de ligar os sistemas baseados em regras fuzzy, u
teis do ponto de vista
pr
atico, com os possveis modelos teoricos de um fenomeno que se deseja
investigar.
Os principais conceitos e resultados que apresentaremos na parte de
equac
oes relacionais, embora possam ser transportados para outras si-
tuac
oes, foram escolhidos no sentido de se estudar diagn
ostico medico.
Por outro lado, os que se referem `a aproximacao universal s
ao volta-
dos para aproximar funcionais teoricos por controladores fuzzy. Esse
fato tem grandes consequencias no estudo de equacoes diferenciais or-
din
arias em que o campo de direcoes (ou campo de inclinacoes) n
ao e
explicitamente dado ou entao e apenas parcialmente conhecido.
160 Equac
oes Relacionais Fuzzy e Aproximac
ao

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.

ao 6.1. A composicao supt define uma relacao fuzzy R t S em


Definic
U W cuja func
ao de pertinencia e dada por

Rt S (x, z) = sup [R (x, y)S (y, z)] .


yV

Exemplo 6.1. Se = min, temos a composicao max min:

Rt S (x, z) = RS (x, z) = max [R (x, y) S (y, z)] ,


yV

quando sup = max.

Definic
ao 6.2. A composicao infc define uma relacao fuzzy Rc S em
U W cuja func
ao de pertinencia e dada por

Rc S (x, z) = inf [R (x, y)S (y, z)] .


yV
6.1 Composic
oes Generalizadas de Relac
oes Fuzzy 161

Exemplo 6.2. Se e a t-conorma do m


aximo temos a composicao
[inf max]
Rc S (x, z) = inf [R (x, y)S (y, z)] .
yV

ao 6.3. A composicao infimplicacao define uma relacao R=S


Definic
em U W cuja func
ao de pertinencia e

R=S (x, z) = inf [R (x, y) = S (y, z)] .


yV

Observamos que, para o caso da Definicao 6.3, as composicoes de nosso


interesse aqui s
ao as R-implicacoes:

(x = y) = sup{z [0, 1] : x z y},

introduzidas no Captulo 4 (Definicao 4.4).

Exemplo 6.3. Um caso tpico dessas implicacoes e a de G


odel
(
1 se x y
(x = y) = g(x, y) = sup{w [0, 1] : x w y} =
y se x > y

e, neste caso, como


(
1 se R (x, y) S (y, z)
R (x, y) = S (y, z) = ,
S (y, z) se R (x, y) > S (y, z)

temos R=S (x, z) {1, inf [S (y, z)]}.


yV

Analogamente ao que comentamos no Captulo 3 para a composicao


max min, vale a pena observar que, quando os universos forem fini-
tos, as composic
oes acima s
ao obtidas como um produto de matrizes,
substituindo a soma por m
aximo (nfimo) e o produto por uma t-norma
(t-conorma ou implicac
ao).
162 Equac
oes Relacionais Fuzzy e Aproximac
ao

Exerccio 6.1. Considere as formas matricias das relacoes fuzzy bin


arias

0, 9 0, 6 1, 0

R = [ 0, 6 0, 6 0, 5 ] e S = 0, 8 0, 8 0, 5 .
0, 6 0, 4 0, 6

Determine a forma matricial da relacao R t S para cada t-norma :

(a) (x, y) = x y;

(b) (x, y) = xy;

(c) (x, y) = max(0, x + y 1);


xy
(d) (x, y) = ;
x + y xy
xy
(e) (x, y) = ;
2 (x + y xy)
(
x y se max(x, y) = 1
(f) (x, y) = .
0 caso contr
ario

Exerccio 6.2. Para as relacoes do Exerccio 6.1, determine as formas


matriciais de R = S para as implicacoes de:
(
1 se x y
(a) G
odel: (x = y) = g(x, y) = ;
y se x > y
(
1 se x y
(b) Goguen: (x = y) = gn (x, y) = y .
x se x > y

Lembre-se que as implicacoes acima s


ao do tipo R-implicacoes

(x = y) = sup{w [0, 1] : x w y},

onde = min, para o caso (a), e = produto para o caso (b).


6.2 Equac
oes Relacionais Fuzzy 163

Exerccio 6.3. Verifique que, para qualquer t-norma, vale a identidade

(R t S)1 = S 1 t R1

para quaisquer relac


oes fuzzy bin
arias R e S quadradas.

A seguir estudaremos as equacoes relacionais propriamente ditas.


Comecaremos com algumas equacoes relacionais particulares indicando,
para estas, metodos de resolucao. Tambem investigaremos condicoes ne-
cess
arias para existencia de solucoes para tais equacoes.
As composic
oes definidas na secao acima agora ser
ao tratadas com a
hip
otese adicional de que os conjuntos universos envolvidos sejam finitos.
Desta forma, as relac
oes podem ser representadas na forma matricial.

6.2 Equac
oes Relacionais Fuzzy
Vamos considerar

U = {u1 , u2 , . . . , um }, V = {v1 , v2 , . . . , vn } e W = {w1 , w2 , . . . , wp }.

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

significa encontrar a forma matricial de uma relacao fuzzy bin


aria X ,
em V W , supondo conhecidas as formas matricias R e T em U V e
U W , respectivamente.

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)

Vamos supor que os universos envolvidos sejam finitos, de modo que


as relac
oes fuzzy tenham representacoes matriciais

R = [rij ], X = [xjk ] e T = [tik ]

onde rij = R (ui , vj ), xjk = X (vj , wk ) e tik = T (ui , wk ).


Como a composic
ao em questao e a maxmin, resolver (6.1) significa
encontrar xjk [0, 1] tais que

max [min(rij , xjk )] = tik , (6.2)


1jn

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

max [min(rij , xjk )] = tik = max rij tik


1jn 1jn

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.

Exemplo 6.4. Considere a equacao relacional


" # " # " #
0, 7 0, 6 x11 x12 0, 4 0, 8
R X = T = .
0, 2 0, 3 x21 x22 0, 3 0, 2

Para achar X devemos resolver o sistema de quatro equacoes




max[min(0, 7; x11 ), min(0, 6; x21 )] = 0, 4


max[min(0, 2; x ), min(0, 3; x )] = 0, 3
11 21
. (6.4)

max[min(0, 7; x12 ), min(0, 6; x22 )] = 0, 8


max[min(0, 2; x ), min(0, 3; x )] = 0, 2
12 22

facil ver que o sistema (6.4) n


E ao tem solucao, pois

max[min(0, 7; x12 ), min(0, 6; x22 )] max[0, 7; 0, 6] = 0, 7 < 0, 8 = max tik ,

e, de acordo com a Proposicao 6.1, essa equacao n


ao tem solucao.
Observe que as duas primeiras equacoes do sistema (6.4) contem ape-
nas as inc
ognitas x11 e x21 , enquanto que as duas u
ltimas tem como
inc
ognitas as vari
aveis x12 e x22 . Isso nos permite concluir que a equacao
relacional " # " # " #
0, 7 0, 6 x11 0, 4
=
0, 2 0, 3 x21 0, 3
tem uma soluc
ao, que e " #
0, 4
X1 = .
0, 3
166 Equac
oes Relacionais Fuzzy e Aproximac
ao

O leitor tambem pode observar que, alem de X1 ,


" # " #
0, 1 0, 4
X2 = e X3 =
0, 4 0, 4

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.

Exerccio 6.4. Resolva a equacao relacional



0, 2 0, 9 0, 1 x1 0, 8

0, 1 0, 2 0, 8 x2 = 0, 2 .
0, 9 0, 1 0, 2 x3 0, 3

Verifique se h
a mais que uma solucao. Caso exista, tente determinar a
soluc
ao maximal.

Vamos encerrar essa secao observando que o metodo de solucao de


(6.1) pode ser usado para resolver equacoes relacionais quando a inc
ognita
est
a no lado direito de R:

Y R=T.

Do Exerccio 6.3, temos que (Y R)1 = T 1 R1 Y 1 = T 1 .


Ent
ao, a soluc
ao da equacao Y R = T e a relacao inversa (matriz
ao de R1 oX = T 1 , onde X = Y 1 , que recai no
transposta) da soluc
caso tpico (6.1).
6.2 Equac
oes Relacionais Fuzzy 167

Exerccio 6.5. Resolva a equacao


" #
0, 7 0, 6
[ x1 x2 ] = [ 0, 5 0, 5 ].
0, 2 0, 3

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)

Inicialmente vamos observar que, como no caso maxmin, as equacoes

X t R = T

podem ser resolvidas a partir do metodo que resolve (6.5) pois

(R t X )1 = X 1 t R1 .

Assim, vamos apenas estudar as equacoes do tipo (6.5) em que as relacoes


R, em U V , e T em U W , s
ao dadas e queremos encontrar uma relacao
bin
aria em V W de modo que valha a Equacao (6.6) abaixo

R t X = T . (6.6)

Diferentemente do que vimos no caso maxmin, aqui n


ao iremos inves-
tigar condic
oes necessarias para existencia de solucoes para (6.5). Este
estudo e an
alogo ao feito na Secao 6.2.1. Para Equacao (6.5), queremos
apenas enunciar um resultado que indicara como obter uma solucao,
quando essa existir.
168 Equac
oes Relacionais Fuzzy e Aproximac
ao

Teorema 6.2. Dada uma t-norma e as relaco


es fuzzy R e T , definidas
em U V e U W , respectivamente, ent o R t X = T
ao, se a equaca
tem soluca o maximal e D = R1 = T , onde a implicaca
o, sua soluca o
e dada por
(x = y) = {z [0, 1] : x z y}.

Demonstraca
o. A prova desse teorema o leitor pode encontrar em [72].


Do teorema acima, seguem imediatamente os seguintes corolarios.

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.

Exerccio 6.6. Usando os corol


arios acima, verifique se a equacao rela-
cional
0, 9 0, 3 1, 0 x1 0, 6
t
0, 8 0, 8 0, 5 x2 = 0, 4
0, 6 0, 4 0, 7 x3 0, 5
tem soluc
ao. Caso tenha, exiba uma delas para cada t-norma :

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.

6.2.3 Modelagem Matem


atica: Diagn
ostico M
edico
Esta aplicac
ao foi, na verdade, uma experiencia que realizamos na tenta-
tiva de verificar ate que ponto um modelo fuzzy para diagn
ostico medico
pode ser adequado para estabelecer um diagn
ostico de doencas [25].
Para um diagn
ostico medico, a ideia b
asica e relacionar os sintomas
ou sinais de pacientes com possveis doencas, de acordo com os conhe-
cimentos medicos de um especialista. Esta aplicacao pode ser resumida
no sistema de entradas e sadas:
Entrada Base de Sada
(Sintomas) Conhecimento (Diagn
ostico)

Considere os seguintes conjuntos universais:

U = conjunto dos pacientes;

V = conjunto dos sintomas;

W = conjunto das doencas.

Especificamente nesse caso, tratase de doencas infantis das quais


tem-se conhecimento que quatro pacientes P1 , P2 , P3 e P4 , com sintomas
s1 , s2 , s3 , s4 , s5 , s6 , s7 , s8 , s9 , s10 e s11 , apresentaram os diagn
osticos
d1 , d2 , d3 e d4 , onde:

s1 = febre; s5 = g anglio; s9 = fotofobia;


s2 = cefaleia; s6 = coriza; s10 =tosse seca;
s3 = garganta inflamada; s7 = conjuntivite; s11 = vomito.
s4 = exantema; s8 = lngua de morango;
170 Equac
oes Relacionais Fuzzy e Aproximac
ao

d1 = escarlatina; d2 = rubeola; d3 = sarampo; d4 = gripe.

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.

BASE DE CONHECIMENTOS Construc


ao do Sistema Fuzzy
A base de conhecimentos e composta pelas relacoes fuzzy S e T , cujas
matrizes s
ao dadas abaixo em forma de tabelas:

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

Tabela 6.1: Matriz da Relac


ao S: pacientes e respectivos sintomas.

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

Tabela 6.2: Matriz da Relac


ao T : padr
ao de diagn
osticos.

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

De acordo com o Corol


ario 6.4, e usando as matrizes das Tabelas 6.1
e 6.2 temos que D = S 1 g T , cuja matriz D e dada pela Tabela 6.3.

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.

Dessa forma, cada elemento da relacao D indica o grau de envol-


vimento de cada sintoma com as diversas doencas consideradas. Por
exemplo, o valor d23 = 0,3 indica que, numa escala entre zero e um, o
sintoma s2 (cefaleia) est
a relacionado com a doenca d3 (sarampo) com
grau 0,3.
interessante notar que a matriz de diagn
E ostico D = S 1 g T foi
obtida a partir do Corol
ario 6.4 porque ela resolve a equacao relacional
S X =T.
Em outras palavras, o diagn
ostico de cada um dos pacientes Pi que
comp
oem a base de conhecimentos, traduzida matematicamente pelas
matrizes S e T , pode ser recuperado por meio da relacao D. Por
exemplo, vamos usar a matriz D para obter o diagn
ostico do paciente
P1 a partir de seus sintomas.
Como o modelo matem
atico que adotamos para diagnosticar foi S D,
ent
ao para obter o diagn
ostico do primeiro paciente, de acordo com a
formula (3.3), em que P1 e a matriz com os sintomas, basta calcularmos
P1 D:
172 Equac
oes Relacionais Fuzzy e Aproximac
ao


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

onde v indica o vetor v em linha.


A matriz resultante e formada pelos graus de cada uma das doencas
apresentadas pelo primeiro paciente, pois a matriz P1 e uma relacao em
U V (pacientes sintomas), D e uma relacao em V W (sintomas
doencas) e, portanto, a composicao resulta em uma relacao em U W
(pacientes doencas).
Da mesma maneira obtem-se os diagn
osticos para os demais pacientes.

Exerccio 6.7. Resolva os itens abaixo.

(a) Mostre que, se o modelo matem


atico para diagnosticar for dado pela
ao S t X = T , onde a t-norma e a do produto, entao a matriz
equac
ostico e obtida por D = S 1 gn T , em que gn e a implicacao
de diagn
de Goguen (sugestao: use Corol
ario 6.5)

(b) Use o tem (a) e refaca a aplicacao acima trocando a t-norma do


produto pela t-norma do mnimo.

(c) Compare os resultados do item (b) com aqueles obtidos na aplicacao


acima, a partir da operacao max-min.
6.2 Equac
oes Relacionais Fuzzy 173

O leitor interessado em ver mais aplicacoes pode consultar [103, 104].


Duas importantes propriedades da relacao fuzzy D ser
ao ressaltadas
a seguir.
Seja D = S 1 T . Ent
ao valem as seguintes propriedades:

(p1 ) D recupera os diagn


osticos dos pacientes que comp
oem a base
de conhecimentos.

` medida que se tem diagn


(p2 ) A osticos de novos pacientes, estes podem
ser includos na base de conhecimentos e assim, aumentar a capa-
cidade de se obter mais diagn
osticos por meio da relacao fuzzy D,
tal como acontece com um medico experiente.

Essas duas propriedades da relacao fuzzy D valorizam o seu uso na


formulac
ao de diagn
osticos.
A propriedade (p1 ) e a principal caracterstica dos chamados Sistemas
Especialistas. Os sistemas especialistas s
ao aqueles que imitam espe-
cialistas humanos. Por outro lado, a propriedade (p2 ), que concede a
atualizac
ao da base de conhecimentos, e o que caracteriza as chamadas
Redes Neurais. Redes neurais s
ao sistemas que aprendem no sentido
de incorporarem novas situacoes na sua base de conhecimentos sendo
pois, an
alogos aos sistemas humanos (veja [29, 132]).
Queremos encerrar essa secao, e tambem a parte de equacoes relaci-
onais, lembrando que muitas vezes a equacao relacional dada n ao tem
soluc
ao, principalmente porque a condicao necessaria, dada pela desi-
gualdade (6.3), n
ao e verificada. Para esses casos usa-se a nocao de
soluc
ao aproximada para a equacao dada (veja [72, 125]).
Fundamentalmente, uma solucao aproximada da equacao (6.1) e uma
soluc
ao de outra equac
ao relacional fuzzy em que a relacao R e ligeira-
mente aumentada e a T , ligeiramente diminuda, a ponto de tornar a
desigualdade (6.3) satisfeita.
Para o caso do diagn
ostico medico, estudado acima, podemos dizer
(ainda que apenas intuitivamente) que a equacao relacional utilizada
174 Equac
oes Relacionais Fuzzy e Aproximac
ao

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

troladores fuzzy vistos anteriormente.


Um sistema de entradas e sadas pode ser basicamente representado
pelo diagrama

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.

Exemplo 6.5. A func


ao que relaciona o lado l de um quadrado com seu
permetro p e dada por p = 4l. Neste caso, temos os seguintes valores
de entradas e sadas, em metros:

Entradas (l) Sadas (p)


1 4
2 8
3 12

Esse exemplo trata de uma situacao ideal, no sentido que o processo


que transforma cada entrada numa sada e dado por uma funcao ma-
tem
atica. Neste caso, a base de conhecimentos e resumida pela funcao:
p(l) = 4l. Porem, mesmo neste caso simples, cada sada s
o ser
a ob-
tida para entradas precisas (n
umeros reais). Por exemplo, qual seria o
permetro de um quadrado (sada) que tem o lado em torno de 3 m
(entrada)? A impossibilidade no fornecimento de uma sada pelo mo-
delo adotado (func
ao) e devido `a sua ineficiencia na manipulacao de
informac
oes imprecisas, no caso, a entrada. Para contemplar situacoes
deste tipo, temos duas alternativas: ou adotamos um n
umero real para
representar a entrada, isto e, defuzzificamos a entrada na linguagem
fuzzy, e neste caso, optamos pela matem
atica classica, ou aumentamos
176 Equac
oes Relacionais Fuzzy e Aproximac
ao

a base de conhecimentos a fim de incluir tal entrada. Por exemplo, com


o auxlio de um especialista, alguem poderia dar uma sada lingustica,
e dizer que a mesma e em torno de 12 m.
As imprecisoes comentadas acima est
ao presentes exclusivamente na
entrada e/ou na sada, e n
ao na base de conhecimentos, que deve ser
apenas ajustada de modo a entender cada entrada imprecisa. No
entanto, h
a situac
oes para as quais a pr
opria base de conhecimentos
est
a carregada de imprecisoes, por ser parcialmente desconhecida ou
depender fortemente de informacoes de um especialista. Este e o caso
em que o sistema e construdo por meio de termos lingusticos.
Quando as imprecisoes s
ao modeladas matematicamente valendo-se
de ferramentas fuzzy, como conjuntos fuzzy e a logica fuzzy, entao o
sistema de entradas e sadas e chamado de Sistema Fuzzy.
Se no Exemplo 6.5 as entradas fossem da forma em torno de e
modeladas por n
umeros fuzzy triangulares, como vistos no Captulo 2,
poderamos utilizar o princpio de extensao de Zadeh, ou mesmo da
multiplicac
ao de n
umero real por n
umeros fuzzy (que, neste caso, for-
mariam a base de conhecimentos), para obter como sada um n
umero
fuzzy, tambem da forma em torno de. Porem, ainda assim a base de
conhecimentos seria dada pela funcao pb = 4b
l, onde b
l indica o n
umero
fuzzy em torno de l.
A l
ogica fuzzy mostra de fato a sua grande contribuicao nas situacoes
em que a base de conhecimentos, que produz as sadas, tem estrutu-
ras qualitativas que podem ser descritas por uma colecao de regras da
forma se . . . ent precisamente neste ponto que os conectivos,
ao . . . E
implicac
oes e relac
oes fuzzy mostram sua grande utilidade.

6.3.1 Capacidade de Aproximar


Consideremos um sistema fuzzy que, a cada entrada x X, faz corres-
ponder uma u
nica sada y Y. No Captulo 5 vimos varios exemplos
de sistemas fuzzy, com destaque para os controladores fuzzy. O Exem-
6.3 Aproximac
ao Universal 177

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:

(a) das func


oes de pertinencia dos conjuntos fuzzy da base de regras;

(b) da t-norma e t-conorma envolvidas;

(c) do metodo de defuzzificacao adotado.

Aqui vale uma observac


ao que pode ajudar a compreender matema-
ticamente o papel dos sistemas fuzzy (mais especificamente dos contro-
178 Equac
oes Relacionais Fuzzy e Aproximac
ao

ladores fuzzy), principalmente para o leitor que tem certa familiaridade


com os metodos matem
aticos de simulacao numerica.
Para cada conjunto de pares de dados (xi , yi ), 1 i r, com xi X e
yi Y , o metodo de ajuste classico dos quadrados mnimos fornece uma
ao fr : X Y , com certas propriedades: se yi = f (xi ), onde f e
func
uma func
ao te
orica desconhecida, isto e, conhecemos o valor da funcao
apenas em cada xi , que vale yi , entao a funcao ajustada fr se aproxima
de f `
a medida que o n
umero de dados r aumenta.
Analogamente, no caso dos sistemas fuzzy, em vez de pares (xi , yi ),
s
ao dados pares (Ai , Bi ) na forma se x e Ai entao y e Bi , onde Ai s
ao
subconjuntos fuzzy de X e Bi s
ao subconjuntos fuzzy de Y . Levando-se
em conta as caracterstica (a), (b) e (c) acima para a funcao ajustada,
os sistemas fuzzy fornecem funcoes fr , onde r e o n
umero de regras da
base de regras.
Antes de enunciar o principal resultado dessa secao, que tratar
a da
aproximac
ao da func
ao te
orica (f ) por uma seq
uencia de sistemas fuzzy,
vamos observar que a base de regras deve cobrir totalmente o gr
afico
da func
ao f .
Suponhamos que a base de regras seja dada pelo Quadro 6.1 abaixo.

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

Quadro 6.1: Base de regras para a aproximac


ao da func
ao te
orica f .

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

acima, no plano cartesiano.

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

oes fr : Rn R, obtidas a partir dos sistemas fuzzy:


F das func
r
X
yj (A1j (x1 ) Anj (xn ))
j=1
fr (x1 , x2 , . . . , xn ) = r , (6.7)
X
A1j (x1 ) Anj (xn )
j=1

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.

Teorema 6.6 (Nguyen). Se a t-norma adotada no controlador fuzzy


for a do mnimo (ou do produto) e as funco
es de pertinencia forem do
tipo gaussiana, ent es fr (obtida a partir dos
ao a classe F, das funco
sistemas fuzzy), e densa na classe das funco
es contnuas, definidas em
um compacto (por exemplo, um intervalo fechado da reta).

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]. 

O teorema acima tem grande import


ancia teorica nos controladores
fuzzy do tipo TSK cuja sada n
ao e defuzzificada e tem a forma das
oes fr definidas em (6.7).
func

Teorema 6.7 (Nguyen). Suponhamos que as funco


es de pertinencias que
comp
oem a base de regras sejam contnuas e com valores nulos fora
de intervalos (como por exemplo, as triagulares ou trapezoidais). Se
a t-norma e a t-conorma s
ao contnuas e for adotado um metodo de
defuzzificaca
o, como centro de gravidade ou media dos m
aximos, ent
ao
6.4 Controladores Fuzzy aplicado a Sistemas Din
amicos 181

es fr e densa na classe das funco


a classe F das funco es definidas e
contnuas em conjuntos compactos.

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.

6.4 Controladores Fuzzy aplicado a Sistemas


Din
amicos
Esta sec
ao encerra o Captulo 6 destacando a propriedade de apro-
ximac
ao dos controladores fuzzy especificamente para sistemas din
amicos.
Alem disso, proporemos uma metodologia para estimar solucoes de sis-
temas din
amicos tradicionais por meio dos controladores fuzzy.
Os sistemas din
amicos tradicionais tem a forma

xt+1 = F (xt ) xt+1 xt = f (xt ) (6.8)


182 Equac
oes Relacionais Fuzzy e Aproximac
ao

para o caso discreto, e

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

xt+1 xt = fr (xt ) (6.10)

para o caso discreto; e da equacao diferencial

dx
= fr (x) (6.11)
dt
para o caso contnuo.
6.4 Controladores Fuzzy aplicado a Sistemas Din
amicos 183

Dependendo das propriedades matem


aticas de f (continuidade, por
exemplo) e da metodologia escolhida para os controladores, espera-se
que as soluc
oes de (6.8) e de (6.9) convirjam para as solucoes de (6.10)
e (6.11) respectivamente, uma vez que fr converge para f a medida
que o n
umero de regras (r) cresce. Ha situacoes em que a funcao fr e
explicitamente conhecida (ver Teorema 6.6, [47, 117] e suas referencias).
Por exemplo, fr pode ser dada na forma racional quociente entre
polin
omios (ver [94] e suas referencias). Nestes casos, (6.10) e/ou (6.11)
podem ter soluc
oes analticas.

A seguir detalharemos um pouco mais a metodologia que pretendemos


adotar neste texto. Um estudo mais aprofundado dos sistemas din
amicos
por meio de controladores fuzzy ser
a feito no Captulo 9.

Suponha que um determinado fenomeno seja modelado matematica-


mente pelo Problema de Valor Inicial (PVI)

dx = f (t, x)
dt (6.12)
x(t ) = x
0 0

cuja soluc
ao e
Zt
x(t) = x0 + f (s, x(s))ds. (6.13)
t0

Considere um controlador fuzzy com r regras que levam em conta


caractersticas do campo f. Esta base de regras, via algum controlador
fuzzy, define uma func
ao fr .

Suponha que fr f , como discutido na Secao 6.3.1. Suponha


r
ainda que a func
ao fr tenha boas propriedades de modo que o PVI

dx = fr (t, x)
dt (6.14)
x(t ) = x
0 0
184 Equac
oes Relacionais Fuzzy e Aproximac
ao

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:

Sob quais condicoes xr x se fr f ?


r r

Isto e, sob quais condic


oes a convergencia das funcoes fr para f implica
na convergencia de suas integrais para a integral de f ?
As respostas para essa questao s
ao tpicas da area de analise ma-
tem
atica, como os teoremas da convergencia mon
otona ou da conver-
gencia dominada de Lebesgue. Uma resposta `a questao acima, para
compactos da reta, o leitor pode encontrar em [46].
Com o intuito de estudar a metodologia apresentada aqui, alem de
admitir que xr x, assumiremos que cada funcao fr tenha proprie-
r
dades que nos assegurem que o problema (6.14) est
a bem colocado e sua
soluc
ao seja dada por (6.15).
Finalmente, como a func
ao fr do controlador fuzzy e usualmente dada
na forma de tabela, usaremos metodos numericos classicos para obter
soluc
oes numericas de (6.14), isto e, o metodo fornecer
a uma sequencia
{xr }n que estima xr .
Como estamos admitindo que xr x, e que {xr }n xr , espera-
r n+
n
mos que {xr }n x. Basicamente, esta e a metodologia que queremos
r
utilizar aqui para obter estimativas de solucoes de equacoes diferenciais
ordinarias a partir de controladores fuzzy quando s
o temos informacoes
parciais sobre o campo de direcoes. Veja um primeiro exemplo na Secao
8.1.5 do Captulo 8.
Alem dessa metodologia para modelos contnuos, exploraremos tam-
bem metologia an
aloga para o caso discreto no Captulo 9.
Captulo 7

Medidas, Integrais e Eventos Fuzzy


Por toda a parte, em todos os ramos
do conhecimento, h a a tendencia para
o quantitativo, para a medida, de modo
tal que pode afirmar-se que o estudo
propriamente cientfico de cada ramo
comeca quando nele se introduz a
medida e o estudo da variaca o
quantitativa como explicacao da
evoluca
o qualitativa.

(B. J. Caraca)

O objetivo neste captulo e, prioritariamente, discutir questoes relacio-


nadas com certos tipos de subjetividades qualitativas e formulacoes ma-
tem
aticas para suas mensuracoes. Procuramos discutir e esclarecer as
diferencas/semelhancas b
asicas entre a probabilidade e a possibilidade,
sendo esse u
ltimo conceito exclusivo da teoria dos conjuntos fuzzy.
Intuitivamente, a probabilidade de um evento est
a relacionada `a sua
ocorrencia. J
a a pertinencia relaciona-se com a identificacao do mesmo.
Num experimento aleat
orio, a incerteza termina a partir do momento em
que o evento ocorreu. No caso fuzzy, a d
uvida persiste. Aqui o evento
n
ao e claro; ele tem fronteiras incertas. Por exemplo, no caso proba-
bilstico, ap
os jogar uma moeda, n
ao teremos d
uvidas sobre o resultado:
cara ou coroa. No caso fuzzy, pode haver d
uvida na identificacao da face
186 Medidas, Integrais e Eventos Fuzzy

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.

7.1.1 Medida de probabilidade


Sempre foi uma das preocupacoes da humanidade avaliar fenomenos e,
por meio da regularidade de suas ocorrencias, fazer previs
oes. Em grande
parte dos experimentos analisados, as ocorrencias s
ao aleatorias. Nesse
caso, a abordagem estoc
astica associa cada experimento aleatorio a um
espaco amostral. Para cada espaco amostral existem os eventos, e para
cada evento surge a necessidade de se avaliar sua ocorrencia.
O interesse maior e saber como medir a chance de ocorrencia do evento
ou sua probabilidade, que e representada por um n
umero. Considerando
experimentos com um n
umero finito de resultados, a probabilidade de
um evento foi definida como sendo a raz
ao entre o n
umero de casos
7.1 Medidas Cl
assicas e Medidas Fuzzy 187

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:

(1 ) O conjunto vazio est


a em A;

(2 ) Se um evento A pertence `a A, entao seu complementar A = A


pertence `
a A;

(3 ) Se cada evento A1 , A2 , . . . pertence `a A, entao sua uni


ao pertence
a A.

Como consequencia dos axiomas da -algebra A tem-se:

(4 ) O espaco amostral pertence `a A;

(5 ) Se cada evento A1 , A2 , . . . pertence `a A, entao a interseccao desses


eventos pertence `
a A.
188 Medidas, Integrais e Eventos Fuzzy

Numa escrita mais formal, tem-se:




(1 ) A





(2 ) A A = A A



[
( ) A1 , A2 , . . . , Ai , . . . A = Ai A
3
(7.1)

iN



(4 ) A

\


(5 )
A1 , A2 , . . . , Ai , . . . A = Ai A.

iN

Um exemplo de -
algebra e o conjunto de todos os subconjuntos de
, chamado de conjunto das partes de : P() = {A : A }.

Propriedade 7.2. Estabelecido o domnio A da probabilidade P , esta


deve satisfazer os axiomas:

(P1 ) Para todo evento A de A, a probabilidade P (A) e um n


umero real
entre zero e um;

(P2 ) A probabilidade do espaco amostral (evento certo) e 1 ;

(P3 ) A probabilidade da uni


ao de eventos, dois a dois disjuntos, e a
soma de suas probabilidades.

Numa escrita mais formal




(P1 ) A A = 0 P (A) 1;





(P2 ) P () = 1;
. (7.2)

(P3 ) Se A1 , A2 , . . . , Ai , . . . A e Ai Aj = , i 6= j,

S  X



ent
ao P iN Ai = P (Ai )
iN

A propriedade P3 e denominada -aditividade.


Como consequencia dos axiomas de probabilidades tem-se:
7.1 Medidas Cl
assicas e Medidas Fuzzy 189

(P4 ) P () = 0; isso porque = . . . . Da, segue que


P () = P () + P (). Portanto, P () = 0.

(P5 ) Se A B ent
ao P (A) P (B) (monotonicidade);

(P6 ) A A, P (A ) = 1 P (A) (complementar ), onde A e o comple-


mentar de A;

(P7 ) A, B A, P (A B) = P (A) + P (B) P (A B) (aditividade);


S 
(P8 ) Se A1 A2 . . . Ai . . . entao P iN Ai = lim P (Ai )
i
(continuidade);
T 
(P9 ) Se A1 A2 . . . Ai . . . entao P iN Ai = lim P (Ai )
i
(continuidade).

Na teoria de probabilidade, ou mais geralmente, em teoria de medida,


P deve ser -aditiva. Entretanto, esta propriedade e muito forte e acaba
excluindo, da teoria de medidas, conceitos que nos parecem passveis de
mensurac
ao.
O exemplo a seguir ilustra melhor como e forte a exigencia da -
aditividade.

Exemplo 7.1. Suponha que deseja-se medir a produtividade de um


grupo de trabalhadores de uma determinada ind
ustria. Seja (A) a
produtividade de um subconjunto A destes trabalhadores. Nesse caso,
n
ao e razo
avel que seja necessariamente aditiva, isto e, que (AB) =
(A)+(B), ainda que AB = . Pode ocorrer (AB) < (A)+(B)
se houver incompatibilidade entre as operacoes de A e B.1

Como o exemplo acima, em muitas areas existem fenomenos que de-


vem ser medidos mas n
ao e razo
avel esperar aditividade na medida
sugerida. Ainda na decada de 1950, Choquet [39] usou o conceito de
1
Adaptado de Murofushi [90]
190 Medidas, Integrais e Eventos Fuzzy

medida de capacidade em problemas de mec


anica. Tais medidas n
ao
requerem a -aditividade presente na definicao de uma medida classica.
Em resumo, se func
oes aditivas s
ao admissveis para medir incerte-
zas, ent
ao deve haver espaco para as funcoes n
ao aditivas tambem. A
quest
ao e: quais tipos de incertezas precisam de modelos matem
aticos?
Essa e uma quest
ao generica e por isso mesmo de difcil resposta. Uma
coisa e certa, o homem cada vez mais procura respostas traduzidas por
n
umeros para suas incertezas.

7.1.2 Medidas Fuzzy


Com o principal objetivo de flexibilizar a -aditividade, rgida proprie-
dade exigida na medida cl
assica, Sugeno em 1974 [122] sugeriu o conceito
de medida fuzzy, substituindo o axioma P3 , da medida de probabilidade,
pela propriedade P7 da continuidade da medida. Aqui, em nosso texto,
as medidas com essa mudanca ser
ao denominadas de Medidas de Sugeno.

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;

(ii) A, B A, se A B, entao S (A) S (B);


S 
(iii) Se A1 A2 . . . Ai . . . entao S iN Ai = lim S (Ai );
i
T 
(iv) Se A1 A2 . . . Ai . . . entao S iN Ai = lim S (Ai ).
i

Outra classe de medidas que desempenha papel de destaque na teoria


dos conjuntos fuzzy s
ao as chamadas medidas fuzzy.
A propriedade fundamental que uma medida deve ter, para a partir
da se fazer uma teoria de integracao, e a monotonicidade. Com esta
ferramenta disponvel e possvel ampliar o alcance da matem
atica na
modelagem de problemas da realidade.
7.1 Medidas Cl
assicas e Medidas Fuzzy 191

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;

(ii) (A) (B) sempre que A B.

Com essa definic


ao, uma medida de Sugeno e uma particular medida
fuzzy.

Exemplo 7.2. Sejam A uma algebra e a funcao de conjuntos g :


A [0, 1] satisfazendo:

(1) g () = 1;

(2) g (A B) = g (A) + g (B) + g (A)g (B), para algum > 1, se


A B = .

Vamos mostrar que g e uma medida fuzzy.


De fato, basta verificar que g () = 0 e que g (A) g (B) se A B.

1 = g () = g ( ) = g () + g () + g ()g () =
= 1 + g () + g (),
ou seja,

1 = 1 + g () + g () (1 + )g () = 0.

Da, de (2) vem que g () = 0 pois > 1 ja que = .


192 Medidas, Integrais e Eventos Fuzzy

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).

Porem, [1 + g (A)]g (B A) 0. Portanto, g (B) g (A).

Exerccio 7.1. Prove que para = 0, g e uma medida de Sugeno se, e


somente se, e uma medida de probabilidade. (Sugestao: ver Proposicao
1.4 em [68])

Exemplo 7.3. Consideremos uma alcateia com n lobos, matematica-


mente, = {x1 , x2 , . . . , xn } . A cada elemento do espaco finito atri-
bumos um n
umero pi [0, 1] para seu grau de predacao. Tal valor pode
estar associado `
a idade do lobo em questao, distinguindo filhote, jovem,
adulto ou velho. Vamos definir no conjunto P() das partes de , uma
func
ao de conjuntos g que mede a potencialidade de predacao numa
cacada:
Apenas para a alcateia inteira, o potencial de cacada e m
aximo:

g() = g({x1 , x2 , . . . , xn }) = 1.

Para cacadas de dois grupos A e B, com A B = , tomamos

g(A B) = g(A) + g(B) + g(A)g(B) para algum > 1.

De acordo com o Exemplo 7.2, o potencial de predacao, dado por g,


e uma medida fuzzy.

Vamos explorar um pouco mais o Exemplo 7.3, investigando seu poder


de modelar o fenomeno aqui considerado, avaliando o desempenho da
participac
ao dos lobos mais jovens numa cacada:
7.1 Medidas Cl
assicas e Medidas Fuzzy 193

Se cooperam pouco (capturam e tambem espantam as presas),


ent
ao escolhemos no intervalo aberto (1, 0);

Se cooperam moderadamente (n
ao espantantando as presas) temos
= 0;

Se cooperam fortemente (captam e fazem as presas correrem em


direc
ao aos lobos mais fortes), entao devemos considerar > 0.

Na teoria dos conjuntos fuzzy um conceito bastante estudado e o de


possibilidade. Tal assunto foi introduzido por Zadeh e tem ganhado
muito destaque, tanto na teoria como na sua aplicabilidade. Devido `a
noc
ao de distribuic
ao de possibilidade, a comparacao com a medida de
probabilidade e frequentemente discutida.

7.1.3 Medida de possibilidade

Em 1978 Zadeh publicou o primeiro artigo que trata da medida de pos-


sibilidade [131]. Tal artigo traz importantes discussoes no sentido de en-
tender e distinguir o conceito de possibilidade do de probabilidade. Uma
dessas discuss
oes e a respeito da afirmacao, aparentemente ingenua, mas
bastante frequente no dia-a-dia: tal fato e possvel mas improvavel.
Isto sugere que, seja qual for a nocao de possibilidade () adotada, deve-
se ter (A) P (A). Atualmente, tal desigualdade tem sido bastante
debatida e costuma ser chamada de princpio da consistencia.
Para introduzir o conceito de medida de possibilidade e interessante
algumas reflex
oes preliminares.
Suponha que em um determinado problema deseja-se obter o valor
de um par
ametro 0 . Porem, a u
nica informacao disponvel e que tal
valor pertence a um determinado espaco . Esse conhecimento parcial a
respeito de 0 indica que algum modelo de incerteza deve ser usado para
estimar 0 . Se por algum motivo sabe-se que todos os elementos de
s
ao igualmente possveis, entao, pela metodologia Bayesiana, poder-se-
194 Medidas, Integrais e Eventos Fuzzy

ia supor uma distribuic


ao uniforme em para se estimar 0 . Do ponto
de vista de possibilidade essa informacao pode ser descrita por meio de
uma func
ao de pertinencia onde os elementos de tem o mesmo grau
de pertinencia.
Agora, se houver informacoes de gradualidades (dadas por um especi-
alista, por exemplo), isto e, que h
a elementos mais plausveis que outros
em , como tratar tal informacao? Novamente, o tratamento Bayesiano
sugere a adoc
ao de uma distribuicao de probabilidade (qual deve ser
a adotada e uma quest
ao a ser debatida) para, a partir da, us
a-la no
sentido de se obter 0 .
Na Teoria dos Conjuntos Fuzzy, a informacao do especialista e tratada
por meio de func
oes de pertinencia onde ele (o especialista) indica qual
dos elementos de deve ter maior ou menor peso, de acordo com seu
conhecimento.
A adoc
ao de um modelo matem
atico, concebido a priori, ou de um
construdo juntamente com um especialista, e uma diferenca crucial
entre a teoria de probabilidade e a de possibilidade no tratamento ma-
tem
atico de incertezas.
Em resumo, na teoria estocastica, as informacoes disponveis s
ao tra-
tadas por meio de func
oes de densidade de probabilidade. Na teoria
dos conjuntos fuzzy, tais informacoes s
ao modeladas por funcoes de per-
tinencia : [0, 1], que podem ser construdas segundo um especia-
lista e () indica a possibilidade de ser 0 . Como veremos, a funcao
e vista como uma distribuica
o de possibilidades sobre . Note que,
formalmente, e simplesmente uma funcao de pertinencia de algum
subconjunto fuzzy de .
O exemplo a seguir ilustra o tratamento de informacoes tpicas de
especialista que podem ser modeladas por meio de uma distribuicao de
possibilidade.

Exemplo 7.4. Na proposic


ao X e um n
umero pequeno, considere que
n
umero pequeno e dado por um subconjunto fuzzy de n
umeros inteiros
7.1 Medidas Cl
assicas e Medidas Fuzzy 195

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?

A seguir faremos um resumo sobre a teoria de possibilidades.

Definic
ao 7.5. Uma distribuica
o de possibilidade sobre o conjunto 6=
e uma func
ao : [0, 1] satisfazendo sup () = 1.

Note que qualquer subconjunto fuzzy normal de define uma distri-


buic
ao de possibilidade sobre .

Definic
ao 7.6. Uma medida de possibilidade sobre e uma funcao de
conjuntos : A [0, 1], satisfazendo:

(a) () = 0 e () = 1;

(b) Para qualquer famlia {AiJ } de subconjuntos de tem-se


S 
iJ
Ai = sup{(Ai ) : i J},

onde J um conjunto de ndices.

No sentido estrito, uma medida de possibilidade nada mais e que um


subconjunto fuzzy do conjunto das partes de , uma vez que seu contra-
domnio e o intervalo [0, 1]. Note que, dada a medida de possibilidade
, esta induz uma func
ao de distribuicao de possibilidades, , sobre
atraves de sua restric
ao aos elementos de , ou seja, () = ({}).
196 Medidas, Integrais e Eventos Fuzzy

Por outro lado, dada uma funcao : [0, 1], de distribuicao de


possibilidade, esta induz uma medida de possibilidade sobre dada por

sup () se A 6=
(A) = A ,
0 se A =

para todo A A.
Segue da definic
ao de medida de possibilidade que, para quaisquer
subconjuntos (cl
assicos) A, B A

(A B) = max {(A), (B)} .

No sentido de enfatizar as diferencas entre distribuicao de probabili-


dade e de possibilidade damos o exemplo a seguir.

Exemplo 7.5. Depois de alguns dias perdido num deserto, um sujeito


encontra um o
asis com duas fontes de agua. Na primeira fonte h
a uma
tabuleta com os dizeres a probabilidade da agua estar contaminada e
0, 02. Isto e, P (A) = 0, 02. Na outra fonte, a inscricao na tabuleta e
o grau de contaminac
ao desta fonte e de 0, 02, ou seja, (A) = 0, 02.
A quest
ao que se imp
oe e escolher de qual fonte o indivduo poder
a
saciar sua sede.
Observamos que a d
uvida, neste caso, n
ao e apenas uma questao de
sem
antica mas de sa
ude, pois se o indivduo beber da primeira fonte,
ter
a grande chance de beber agua potavel, mas corre o risco de ser
envenenado em 2%. Se escolher a segunda fonte, o sujeito tem certeza
que n
ao estar
a bebendo
agua totalmente potavel e seu u
nico risco ser
a
algo como uma diarreia ou dor de cabeca.
Observe que somente se ter
a certeza do conte
udo de cada fonte a pos-
teriori o processo de inferencia e um esforco racional para prever o
desconhecido. O que se deve arguir e que tipo de conhecimento instrui
melhor a tomada de decis
ao. Pode-se notar neste exemplo que as duas
7.1 Medidas Cl
assicas e Medidas Fuzzy 197

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

Probabilidade e graus de pertinencia tem naturezas distintas nas suas


interpretac
oes. Embora ambas se expressem por valores de zero a um
e ambas indiquem incertezas, a probabilidade afere e informa a chance
de um determinado evento ocorrer, enquanto que pertinencia (ou possi-
bilidade) mede a tend
encia do evento ser verdadeiro.
O exemplo a seguir tem por objetivo continuar enfatizando a dife-
renca entre probabilidade e possibilidade, porem destacando que nem
toda func
ao de pertinencia pode ser interpretada como distribuicao de
possibilidade.

Exemplo 7.6 (Epidemiologia). No estudo de epidemias e muito comum


o interesse do quao intensa a infecciosidade de determinada doenca, isto
e, quantas pessoas s
ao infectadas por um indivduo infeccioso. Tal infec-
ciosidade est
a estreitamente relacionada com a taxa, [0, 1], com que
indivduos suscetveis se tornam infectados. Biologicamente o par
ametro
, denominado coeficiente de transmiss
ao, est
a diretamente ligado `a
chance ou tendencia de ocorrer a transmiss
ao da doenca quando h
a
contato potencialmente infectante entre um indivduo suscetvel e um
infectado.
Nos modelos cl
assicos (determinsticos) tal par
ametro e avaliado por
uma especie de media, obtida na populacao e, com isso, os indivduos
infectantes tem o mesmo poder de infectar os suscetveis. E como
se admitssemos homogeneidade na classe dos infectados. Entretanto,
2
Adaptado de Bezdek [27]
198 Medidas, Integrais e Eventos Fuzzy

essa e uma hip


otese bastante simplificadora ja que e bastante razo
avel
se esperar o contr
ario, ou seja, que haja indivduos com maior poder de
transmitir a doenca que outros, e os motivos para isto s
ao bem diversos
(ver Sadegh-Zadeh [111]). Um desses, e que ser
a o u
nico considerado
aqui, e a carga viral que o indivduo infectante possui. Desse modo,
podemos considerar = (v) onde v representa a carga viral de um
indivduo infectante.
Das considerac
oes feitas ate aqui, o par
ametro pode ser visto como
uma func
ao de pertinencia de algum subconjunto fuzzy do domnio em
que a carga viral toma seus valores. Como v pode ser traduzido por um
n
umero, tal domnio e o conjunto dos n
umeros reais. Assim,

: 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

: [vmin , vmax ] [0, 1]


7.1 Medidas Cl
assicas e Medidas Fuzzy 199

para v na expectativa de se avaliar v0 .


Essa func
ao pode ser construda diretamente pelo especialista,
de acordo com seus conhecimentos empricos. Tal funcao n
ao precisa
ser nenhuma distribuic
ao de densidade de probabilidade conhecida a
priori. Mais ainda, n
ao precisa ser uma densidade de distribuicao
de probabilidade sua integral n
ao precisa ser necessariamente igual a
1. Com isso, estamos reforcando a diferenca entre o metodo fuzzy e o
estoc
astico, no esforco de obter uma estimacao, no caso do par
ametro
v0 .

` luz do exemplo acima podemos dizer que a densidade de distribuicao


A
de probabilidade est
a para a medida de probabilidades assim como a
distribuic
ao de possibilidade est
a para a medida de possibilidade. Por
exemplo, considere A = R.
Se para algum v [vmin , vmax ] temos (v) = 1, entao a distribuicao
de possibilidade induz uma medida de possibilidade sobre dada por

sup (v) se A 6=
(A) = vA .
0 se A =

NaoZ e difcil verificar que e tambem uma medida fuzzy.


Se (v)dv = 1, ent
ao e uma densidade de distribuicao de proba-

bilidade que induz uma medida de probabilidade em , dada por
Z
P (A) = (v)dv.
A

Nao e difcil verificar que P e uma medida de Sugeno. Porem


pode n
ao ser uma medida de Sugeno. Por outro lado, em qualquer
espaco finito os conceitos de medida de possibilidade e de Sugeno s
ao
equivalentes (ver [11]).
Para resumir, a Figura 7.1 ilustra uma certa hierarquia existente nas
medidas discutidas acima.
200 Medidas, Integrais e Eventos Fuzzy

Figura 7.1: Hierarquia das medidas fuzzy.

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 .

Aqui vamos nos concentrar apenas no metodo de transformacao entre


probabilidade e possibilidade para o caso em que o espaco e finito.
Suponhamos que = {1 , 2 , . . . , n }. Alem disso,

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

O exemplo a seguir e um resumo de um estudo realizado por Castanho


[34] em sua tese de doutorado.

Exemplo 7.7 (Diagnostico do cancer de pr


ostata). Ao diagnosticar um
c
ancer de pr
ostata, o medico avalia o est
agio em que esse se encontra,
para indicar o tratamento apropriado. Sabe-se que tratamentos, como
cirurgia ou radioterapia, tem grande chance de cura quando o cancer
est
a confinado no
org
ao.
Para fazer essa avaliac
ao o medico dispoe de informacoes dadas pelo
exame clnico (toque retal e/ou modalidades de imagem), exame de san-
gue que mede o nvel de antgeno prostatico especfico (PSA) que e
uma substancia que aumenta com o aumento do tumor e pela bi opsia.
Na bi
opsia o tumor e classificado pelo escore de Gleason de acordo com
o grau de diferenciac
ao das celulas (agressividade do tumor).
Combinando essas tres vari
aveis e utilizando dados estatsticos, exis-
tem, na literatura urol
ogica, varias tabelas que indicam a probabilidade
do paciente estar em determinado est
agio de desenvolvimento da doenca,
com envolvimento da c
apsula prostatica, envolvimento de vesculas semi-
nais, e com envolvimento de linfonodos pelvicos. Essas classificacoes s
ao
claramente imprecisas. As fronteiras entre cada um desses est
agios n
ao
s
ao precisas nem bem definidas, o que sugere trat
a-las como vari
aveis
lingusticas, como vimos no Captulo 4.
Com as vari
aveis utilizadas para prognosticar o est
agio do cancer de
pr
ostata foi desenvolvido um sistema baseado em regras fuzzy com a fina-
lidade de se obter o est
agio da doenca. Neste sistema a vari
avel de sada
(est
agio da doenca) e modelada por meio de conjuntos fuzzy. Entao,
202 Medidas, Integrais e Eventos Fuzzy

para cada valor real que representa a sada do sistema, corresponde um


grau de pertinencia ao conjunto fuzzy que descreve determinado est
agio
da doenca. A proposic
ao est
agio da doenca e confinado, por exemplo,
permite ver esse grau como a possibilidade que a doenca esteja confi-
nada no
org
ao. Dessa forma, essa proposicao define uma distribuicao de
possibilidade no conjunto dos indivduos.
Assim sendo, temos informacoes de um mesmo fenomeno dadas em
termos probabilsticos (tabelas de probabilidade) e possibilsticos (sis-
tema baseado em regras fuzzy). Para verificar se essas informacoes s
ao
consistentes, uma transformacao probabilidade/possibilidade deve ser
utilizada.
Seja, por exemplo, um paciente com os seguintes dados pre-cir
urgicos:
estado clnico classificado como palp
avel; circunscrito a menos da me-
tade de um lobo (lobo e cada uma das duas partes em que a pr ostata e
subdividida); nvel de PSA igual a 5, 3 ng/ml (ng siginifica nanograma)
e grau de Gleason na bi
opsia igual a 7, 0. Segundo o sistema baseado
em regras, a possibilidade desse paciente ter cancer confinado no org
ao
e 0, 60; de que tenha envolvimento capsular e 0, 93 e de ter envolvimento
de vesculas e/ou linfonodos e 0, 11. Utilizando a transformacao

(i )
P (i ) = n ,
X
(i )
i=1

obtemos as seguintes possibilidades: 0, 36; 0, 57 e 0, 07, respectivamente.


Nas tabelas de probabilidade de Partin (ver [34]) encontramos 0, 33; 0, 52
e 0, 14 respectivamente. Pelo menos para este caso, podemos afirmar
que os resultados fornecidos em termos de probabilidade e possibilidade
indicam o mesmo est
agio de desenvolvimento da doenca.

O leitor pode encontrar outras transformacoes em diversos textos de


l
ogica fuzzy [34, 40, 48, 49, 72, 121].
7.2 Integrais Fuzzy 203

Vamos encerrar essa secao comentando que, no esforco de se obter


um valor esperado que estime um certo par
ametro, como discutimos
no Exemplo 7.6, alem do conceito de medida, precisamos da nocao de
integral, a exemplo do que e feito no caso classico.
Resumidamente, podemos tracar um paralelo entre as metodologias
estoc
astica e fuzzy a fim de se obter valores que estimem, por exemplo,
par
ametros.
No caso estoc
astico, a partir de um experimento aleatorio tem-se uma
func
ao de distribuic
ao de densidade que, por sua vez, induz uma medida
de probabilidade. A partir dessa medida, constroi-se uma integral para,
finalmente, se obter o valor esperado.
No caso fuzzy, a partir de um subconjunto fuzzy, mais precisamente, de
sua func
ao de pertinencia (que pode ser fornecida por um especialista,
ou construda a partir de um conjunto de dados estatsticos) tem-se
uma func
ao de distribuic
ao de possibilidade, que induz uma medida de
possibilidade (que e uma medida fuzzy).
A ideia agora e partir dessa medida fuzzy, construir uma integral
fuzzy e finalmente obter um valor esperado. Assim, na secao seguinte
nos deteremos ao estudo de diversos tipos de integral.

7.2 Integrais Fuzzy


Acima apresentamos uma pequena justificativa da necessidade de se es-
tudar o conceito de integral, muito embora tanto na matem
atica ou
mais geralmente nas ciencias exatas, tal conceito dispensa qualquer mo-
tivac
ao. Sua import
ancia nas disciplinas teoricas ligadas `a Analise Ma-
tem
atica n
ao e menor que aquela devida `as aplicacoes em variados tipos
de problemas, como c
alculo de volumes, areas, energia, trabalho entre
tantos outros.
Nesta sec
ao, subdividida em subsecoes, ser
ao relatados alguns con-
ceitos e propriedades de integrais com respeito `as medidas classicas e
204 Medidas, Integrais e Eventos Fuzzy

fuzzy.

7.2.1 Integral de Lebesgue

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

onde Ai , 1 i k, e uma particao de e Ai e a funcao caracterstica


de Ai .

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

Exemplo 7.8. Considere g dada apenas por tres valores distintos: 1 , 2 ,


e 3 , ou seja,

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.

Figura 7.2: Integral de Lebesgue de uma func


ao simples.

Por outro lado, a


area citada acima, que d
a a integral de Lebesgue
de g, pode ser obtida fazendo-se a particao no eixo vertical dos . Sob
este ponto de vista, tal
area e dada por

{ : g() > 0}(1 0) + { : g() > 1 }(2 1 )


+{ : g() > 2 }(3 2 ) =
Z 3
= { : g() > } d,
0

sendo que esta u


ltima corresponde `a integral de Riemann da funcao
h() = { : g() > } em relacao a .

Desta forma, tem-se


Z Z 3
g d = { : g() > } d.
0

Este exemplo pode ser facilmente generalizado para qualquer funcao


206 Medidas, Integrais e Eventos Fuzzy

simples, ou seja,
Z
X
g d = { : g() > i }((i+1) i )

Zi=0
= { : g() > } d. (7.4)
0

De acordo com o que foi dito, uma funcao positiva f : [0, ) e


limite de uma sequencia de funcoes simples, sua integral de Lebesgue,
com respeito `
a medida (cl
assica) , e o limite das integrais destas funcoes
simples. Da e de (7.4) vem que
Z
f d = (
area da figura entre o gr
afico de f e )

Z
= h() d (7.5)
0

onde h() = { : f () > }.


A Formula (7.5) indica que a integral abstrata de Lebesgue de f pode
ser obtida pela integral de Riemann da funcao que fornece a medida dos
nveis de f (veja Figura 7.3).

{ : f () > } d

{ : f () > }
Figura 7.3: Integral de Riemann da func
ao h e a de Lebesgue da func
ao f .

Uma consequencia imediata da Formula (7.5) e a seguinte:


7.2 Integrais Fuzzy 207

Se X : [0, ) e uma vari


avel aleatoria em com medida de
probabilidade P , ent
ao
Z Z
E(X) = X dP = P [X > x] dx,
0

onde E(X) e a esperanca matem


atica de X e [X > x] = { :
X() > x}.

Este e um resultado bastante utilizado no calculo da esperanca es-


toc
astica de vari
aveis aleat
orias e serve como motivacao para integral de
Choquet, a qual tem sido utilizada tambem em teoria de integral fuzzy,
e n
ao requer a aditividade na medida em questao.
Observe que se X for uma vari
avel aleatoria com

X() 0 ,

ent
ao Z
E(X) = (1 F (x) dx)
0

onde F (x) = P (X x) e a distribuicao acumulada de X.


Para o caso discreto, tem-se

X
X
E(X) = P (X > n) = P (x n).
n=0 n=1

7.2.2 Integral de Choquet


Definic
ao 7.8. A integral de Choquet da funcao f : [0, ) em
relac
ao `
a medida (n
ao necessariamente aditiva) e dada por:
Z Z
(C) f d = { : f () > } d.
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.

Intuitivamente, para se obter a integral de Choquet de uma funcao

f : [0, ),

usa-se apenas o conceito de integral de Riemann nos nveis estritos de f ,


os quais est
ao definidos no contra-domnio (n
umeros reais) dessa funcao.
Choquet usou este conceito de integral com respeito `a medida de ca-
pacidade (que n
ao e aditiva) em estudos de mec
anica [39].

7.2.3 Integral de Sugeno

A integral de Sugeno foi introduzida ainda na decada de 70 e foi a


primeira que recebeu o nome de integral fuzzy [122]. Tal integral foi
definida de modo que se pudesse defuzzificar um n
umero fuzzy a partir
de uma medida que n
ao fosse necessariamente -aditiva.
A definic
ao dada aqui e para funcoes cujo contra-domnio e o intervalo
[0, 1], isto e, para func
oes de pertinencia de subconjuntos fuzzy. Ha casos
em que essa exigencia e deixada de lado [95].

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

Uma primeira observac


ao a ser feita e que a integral de Sugeno pode
ser obtida formalmente, substituindo a soma pelo supremo (sup) e o
7.2 Integrais Fuzzy 209

produto pelo mnimo () na integral de Lebesgue (ou na de Choquet).


Se A for um subconjunto classico de , entao
Z
(S) f d = sup [ (A H()],
A 01

onde H() = { : f () } e denominada funca o nvel de f.



E interessante notar que H : [0, 1] [0, 1] e uma funcao decrescente
e contnua em quase todo ponto [11]. Essa observacao ter
a utilidade no
entendimento dos pr
oximos resultados.

Teorema 7.1. Sejam f : [0, 1] uma funca


o (tpica de pertinencia)
e uma medida fuzzy sobre . Se a funca
o H() = { : f ()
} tem um ponto fixo , ent
ao
Z
(S) f d = = H(). (7.7)

Em outras palavras, a integral de Sugeno de f coincide com o ponto


fixo de H, se este existir.

Demonstraca
o. A demontracao deste teorema pode ser vista em [122].


A Figura 7.4 e uma ilustracao deste teorema.

H
1 1
f
Bissetriz
=

{ : f () > } H() =
(a) Gr
afico de f e seu nvel . (b) = integral de Sugeno de f .

Figura 7.4: Ilustrac


ao do Teorema 7.1.
210 Medidas, Integrais e Eventos Fuzzy

A parte da curva destacada na Figura 7.4 (b) indica o valor de [


H()], para [0, 1], e tem como sup o valor , que e a interseccao da
bissetriz com o gr
afico de H() e portanto, coincide com o ponto fixo
de H().

Exemplo 7.9. Seja F um subconjunto fuzzy de R, cuja funcao de per-


tinencia f : R [0, 1] e definida por f (x) = 4x2 + 4x. Entao,
 

 2
1 1 1+ 1
[F ] = x R : 4x + 4x = , .
2 2

Se considerarmos a medida usual m de Lebesgue da reta que, obvia-


1 + 1 1 1
mente e uma medida fuzzy, entao m([F ] ) = =
2 2
1 = H().
Logo, Z
 
(S) f dm = sup 1 .
R 01

ao H() = m([F ] ) =
A func 1 , que associa a cada -nvel a
sua medida, e mon
otona decrescente e, neste caso, e contnua. Pelo
Teorema 7.1, temos
Z
1 + 5
(S) f dm = H() = =
R 2

1 + 5
pois, H() = 1 = = = .
2 1 8

se
1 1
Seja agora A = 3 , 2 , entao m(A[F ] ) = 6 9

1 8
se 1
2 9
1

se

6 Z
1 1 8 1

= [ m(A [F ] )] = se < = f dm = .


6 6 9 6

1 8 [ 1 1
,2]
se < 1 3

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()

Figura 7.5: Esquema geometrico da integral de Sugeno de f sobre A.

Deixamos como tarefa para o leitor obter


Z Z Z

(C)
f d e (C) f d (S) f d

para f do Exemplo 7.9.

Teorema 7.2. Sejam f : [0, 1] uma funca


o (tpica de pertinencia)
e uma medida (cl
assica) sobre . Ent
ao
Z Z 1

1
(S) f d H() d . (7.8)
4
0

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

Logo, segue que


Z Z 1
Z

(1 H()) d
H() d (1 H()) d

0 0
212 Medidas, Integrais e Eventos Fuzzy

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). 

Este teorema foi originalmente proposto por Sugeno em 1974 para


vari
avel inexata. No fim desta secao ele ser
a enunciado em tal contexto.

Propriedades da integral de Sugeno

Assim como a integral de Choquet, a integral de Sugeno tambem n


ao e
linear. No entanto, ambas s
ao mon
otonas, isto e,
Z Z
(S) f d (S) g d se f g.

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

O resultado a seguir foi enunciado por Sugeno em 1974 [122] e e uma


consequencia do Teorema 7.2.

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

O resultado segue do Teorema 7.2.

b) Note que 0 E(X) 1.


Da desigualdade de Chebyshev [68]

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. 

Esse corolario legitima o uso da esperanca fuzzy em substituicao `a


esperanca cl
assica quando a incerteza do fenomeno estudado n ao for
proveniente apenas de aleatoriedade, mas de diferentes possibilidades
para a vari
avel de interesse em questao.
Pelo fato de EF (X) ser ponto fixo da funcao H : [0, 1] [0, 1],
teoremas de pontos fixos, como o da contracao de Banach ou o Brouwer
[61] podem ajudar o leitor a estimar EF (X).
A seguir ser
ao apresentados alguns exemplos de vari
aveis aleatorias
com func
ao de densidade de distribuicao f para as quais a diferenca
1
entre EF (X) e E(X) ser
a menor que 4. Antes, vamos lembrar que
valem as seguintes identidades [68].
7.2 Integrais Fuzzy 215

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

No caso em que X e discreta, tem-se


X
E(g(X)) = g(xi )P [X = xi ], (7.11)
i

onde P [X = xi ] = P { : X = xi }.

Em particular
X
E(X) = xi P [X = xi ].
i

b) Para o caso em que X e contnua


Z
P { : X() t} = f (x)dx. (7.12)
t

Em particular, se [0, 1],


Z 1
H() = P { : X() } = f (x)dx.

Exemplo 7.10 (Distribuic


ao uniforme). Suponhamos que a vari
avel ale-
at
oria X : [0, 1] tenha distribuicao uniforme, isto e, sua funcao de
216 Medidas, Integrais e Eventos Fuzzy

densidade de probabilidade seja dada por


(
1 se 0 x 1
f (x) = .
0 caso contr
ario

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 .

Agora, como EF (X) e a solucao de H() = 1 = , temos


1 1
= 2. Nesse exemplo tem-se que EF (X) = E(X) = 2. Portanto,
|EF (X) E(X)| = 0.

Exemplo 7.11 (Distribuic


ao ). A vari
avel aleatoria X : [0, 1] tem
distribuic
ao beta se sua funcao de densidade de probabilidades for dada
por
1
f (x) = xa1 (1 x)b1 , x [0, 1].
(a, b)
Sabe-se [68] que a esperanca estocastica de X e dada por

a
E(X) = .
a+b

Por meio de metodos numericos foram obtidos valores da esperanca


fuzzy EF (X), para diversos valores dos par
ametros a e b da distribuicao
, os quais est
ao dispostos na Tabela 7.1.
Note que para quaisquer valores dos par
ametros a e b a diferenca foi
p
bem inferior a 0, 25 (Teorema de Sugeno) e que EF (X) E(X).
Alem disso, se a = b na distribuicao , entao as esperancas estocastica
e fuzzy coincidem. Na verdade este resultado foi provado para um caso
mais geral [98].
7.2 Integrais Fuzzy 217

a b |a b| E(X) EF(X) |E(X) EF(X)|


1 1 0 0,5000 0,5000 0,0000
1 2 1 0,3333 0,3820 0,0486
1 3 2 0,2500 0,3177 0,0677
1 4 3 0,2000 0,2755 0,0755
2 1 1 0,6667 0,6180 0,0486
2 2 0 0,5000 0,5000 0,0000
2 3 1 0,4000 0,4278 0,0278
2 4 2 0,3333 0,3773 0,0440
3 1 2 0,7500 0,6823 0,0677
3 2 1 0,6000 0,5722 0,0278
3 3 0 0,5000 0,5000 0,0000
3 4 1 0,4286 0,4472 0,0186
4 1 3 0,8000 0,7245 0,0755
4 2 2 0,6667 0,6227 0,0440
4 3 1 0,5714 0,5528 0,0186
4 4 0 0,5000 0,5000 0,0000

Tabela 7.1: Alguns valores de E(X) e EF(X) para distribuic


ao beta ().

Teorema 7.4. Seja X : [0, 1] uma vari


avel aleat
oria com funca
o
1
de densidade f : [0, 1] [0, 1] simetrica em relaca
o a x = 2, isto e,
f (x) = f (1 x) para todo x [0, 1]. Ent
ao, EF (X) = E(X).

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

Por outro lado,


Z 1 Z 1 Z 1
2
f (x) dx = 1 = f (x) dx + f (x) dx =
1
0 0 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. 

Para encerrar esta sec


ao ser
a enunciado um metodo para se obter
EF (X) para o caso em que X e uma vari
avel incerta, que assume apenas
um n
umero finito de valores.

Teorema 7.5. Suponha que a vari


avel X : [0, 1], assume apenas
n + 1 valores {xi }1in+1 e sejam {i }ni=1 os valores distintos de {
: X() xi }, excluindo-se os valores = 1 e = 0.
Supondo, sem perda de generalidade, que 0 xi xj 1 se i j,
ent
ao Z
EF (X) = X d = mediana de A,

onde A = {x1 , x2 , . . . , xn+1 , 1 , . . . , n } e est


a ordenado em ordem cres-
cente.

Demonstraca
o. Ver [70, Teorema 4.2.3, p
ag. 80]. 

Lembramos que a mediana de uma sequencia ordenada {an }nN e


definida por

a(n+1)/2 se n e mpar
med({an }) = [an/2 + a(n/2)+1 ] .
se n e par
2

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

1 pessoa ganha por hora R$ 3,00 1 = 1, 00

2 pessoas ganham por hora R$ 4,00 2 = 0, 60

4 pessoas ganham por hora R$ 4,20 3 = 0, 55

2 pessoas ganham por hora R$ 4,50 4 = 0, 50

3 pessoas ganham por hora R$ 10,00 5 = 0, 40

onde i indica o grau com que cada indivduo ganha bem.


#S #S
Suponha que (S) = # = 12 , onde # S e o n
umero de elementos
de S.


1 = 0 se 0 5







11

= 1 se 5 < 4



12





9

= 2 se 4 < 3

12
{ : X } = .



5

= 3 se 3 < 2

12





3

= 4 se 2 < 1



12





0 = 5 se 1 < 1

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

onde med e a mediana. Observe ainda que a media aritmetica nesse


caso e 0,65.

Note que no Exemplo 7.12, a integral de Sugeno nos d


a uma boa
indicac
ao dos dados, uma vez que o valor extremo de R$ 10,00 n
ao afeta
o resultado. J
a a media aritmetica classica e consideravelmente afetada
pelos valores extremos.

7.3 Eventos Fuzzy


Historicamente, alguns pesquisadores defendem que as teorias de proba-
bilidades e a fuzzy s
ao, de certa forma concorrentes. A nocao de even-
tos fuzzy, introduzida por Zadeh [130], indica justamente o contr
ario.
Esse conceito ilustra o potencial da combinacao das duas teorias: a
fuzzy, tratando da indentificacao do evento; e a probabilstica, lidando
com a ocorrencia do mesmo. Desde entao, varios autores vem se dedi-
cando a esse tema tanto do ponto de vista teorico como das aplicacoes.
Massad et al [84] aplicam o conceito de evento fuzzy para avaliar o risco
de contaminac
ao por HIV de um indivduo sexualmente muito/ou pouco
ativo. Diferentemente de Zadeh, Buckley [30] considera a probabilidade
P (A), de um evento A como um n
umero fuzzy, isto e, P (A) F(R).
Neste texto seguiremos a linha do Zadeh em que A e fuzzy e P (A) e
um n
umero real.
Seja (, P, A) um espaco de probabilidades, isto e, e um conjunto
n
ao vazio, A e uma -
algebra e P uma medida de probabilidades.

Definic
ao 7.11. Um evento fuzzy em e simplesmente um subconjunto
fuzzy de cujos -nveis est
ao na -algebra A.

Claro que um evento cl


assico A se enquadra na definicao acima e,
portanto, pode ser considerado como um evento fuzzy. Neste caso, a
func
ao indicadora (caracterstica) de A e uma vari
avel aleatoria discreta
ja que A : {0, 1}. Por outro lado, se A for fuzzy, sua funcao de
7.3 Eventos Fuzzy 221

pertinencia A : [0, 1] e uma vari


avel aleatoria que pode n
ao ser
discreta.
A quest
ao que surge e como calcular a probabilidade de A?

7.3.1 Probabilidade de Eventos Fuzzy

Como dito acima, e exatamente nesse ponto que h


a sobreposicao de
incertezas: a fuzzy, ligada `a identificacao de A (uma vez que sua fron-
teira n
ao e ntida); e a probabilstica, proveniente da ocorrencia do
evento.
Por motivos did
aticos, vamos iniciar com o classico caso em que o
espaco amostral e finito, = {1 , 2 , . . . , n }, e todos os pontos com
mesma probabilidade n1 . E sabido que se A for um evento com m ele-
mentos, ent
ao
m
P (A) = (7.13)
n
define uma probabilidade em .
Dado o evento A, sua funcao indicadora A : {0, 1} e conhecida
e o n
umero de casos favor
aveis e
X
m= A (i ).
i

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.

Exemplo 7.13. Considere = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} o espaco amos-


tral e o evento

0, 1 0, 25 0, 25 0, 8 0, 8 1, 0
A= + + + + + .
1 2 3 5 0, 8 10

Vamos calcular P (A) e P (A ) a partir de (7.14)


X
A (i )
i 0, 1 + 0, 25 + 0, 25 + 0, 8 + 0, 8 + 1, 0
P (A) = = = 0, 32
10 10

e, lembrando que A (i ) = (1 A (i )) tem-se

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.

Note que esse resultado era esperado, ja que P (A ) = 1 P (A) = 1


0, 32 = 0, 68.

Agora, qualquer outro evento B, com o mesmo n


umero de caso fa-
vor
aveis m que A, tem mesma probabilidade que A. Isso porque, se-
7.3 Eventos Fuzzy 223

gundo a formula (7.13) o que interessa e o quociente entre m e o n


umero
de casos possveis n, n
ao interessando quem s
ao os elementos que fazem
parte de A ou de B.
Para o caso cl
assico, o n
umero de casos favor
aveis m, pode ser obtido
via metodos de contagem da an
alise combinat
oria: permutacao, arranjo
e/ou combinac ao. Como o leitor ja deve estar familiarizado, claramente
tais princpios n
ao levam em conta qualidades dos elementos que fazem
parte do evento. Porem, para o caso fuzzy, se A n
ao for conhecido, o
n
umero de casos favor
aveis n
ao e tao facil de se obter.
Pensando na adaptac
ao de metodos de contagem para o caso fuzzy,
deve-se levar em conta a qualidade de cada elemento do evento fuzzy.
Para obter o n
umero de casos favor
aveis, o que se pode fazer e rela-
tivisar a contribuic
ao de cada elemento no sentido de se apurar o
numero total de casos favor
aveis m.
Seja A um evento fuzzy com -nveis

1 > 2 > . . . > k > k+1 = 0.

Temos [A]1 [A]2 . . . [A]k [A]0 . Assim, o n


umero de casos
favor
aveis e

m = 1 m1 + 2 (m2 m1 ) + . . . + k (mk mk1 )

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

m = (1, 0 0, 8)1 + (0, 8 0, 25)3 + (0, 25 0, 1)5 + (0, 1 0)6 = 3, 2

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

As formulas (7.15) e (7.16) indicam que, para o caso finito, P (A) e


exatamente a esperanca da vari
avel aleatoria A . De modo mais geral, se
A for um evento cl
assico qualquer (finito ou n
ao), sua funcao indicadora
(caracterstica) e uma vari
avel aleatoria discreta, ja que A : {0, 1},
e nesse caso

E(A ) = 1.P (A = 1) + 0.P (A = 0) = P (A).

Tendo em vista os comentarios anteriores e essa u


ltima identidade,
propomos a

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 ).

oportuno obervar que a esperanca fuzzy de A , EF (A ), tambem


E
est
a bem definida uma vez que A : [0, 1]. Mais ainda, fica como
exerccio para o leitor povar que se A for classico, entao

EF (A ) = P (A) = E(A ).

Para explorar os conceitos ate aqui apresentados, vamos considerar


eventos reais, isto e, aqueles que s
ao subconjuntos (classicos ou fuzzy) da
reta real R. Assim, para calcular P (A), vamos nos valer dos comentarios
feitos imediatamente antes do Exemplo 7.10, especificamente (7.10) e
(7.11) os quais sugerem que R e um espaco amostral cuja medida P e
induzida pela distribuic
ao de probabilidades de uma vari
avel aleatoria
X.
Suponha que X seja uma vari
avel aleatoria e A um evento fuzzy real
com func
ao de pertinencia A : R [0, 1]. Entao, a probabilidade de A
e dada por
X
P (A) = E(A ) = E(A (X)) = A (xi P (X = xi )) (7.17)
i

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

Figura 7.6: Em (a): evento cl


assico, f densidade e P (A) = probabilidade de
A. Em (b): evento fuzzy, f densidade e P (A) = probabilidade
de A.

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

As demais propriedades ficam como exerccio, a cargo do leitor. Lembre-


se que
A (x) + B (x) + |A (x) B (x)|
AB (x) =
2
e
A (x) + B (x) |A (x) B (x)|
AB (x) = .
2
7.3 Eventos Fuzzy 227

7.3.2 Independ
encia de Eventos Fuzzy

O conceito de independencia entre eventos fuzzy passa necessariamente


pelo de probabilidade condicional. Para estender a nocao de probabili-
dade condicional cl
assica ao caso fuzzy, devemos repensar a modelagem
matem
atica de ocorrencia simult
anea de dois eventos A e B. Para o
caso cl
assico, a ocorrencia simult
anea e dada pela intersecao A B. No
entanto, para estender ao caso fuzzy, devemos passar pela funcao indica-
dora AB . Como sabemos, qualquer t-norma pode modelar a conjuncao
e , em particular as t-normas do produto e do mnimo. Mais ainda,
para o caso cl
assico, valem

AB (x) = A (x).B (x) e AB (x) = A (x) B (x),

de modo que, a princpio, poderamos adotar tanto . como para


representar a conjunc
ao. Como o mais comum no caso classico e .
e estamos interessados na sua extensao para o caso fuzzy, adotaremos
o produto para representar ocorrencia simult
anea. O mnimo est
a inti-
mamente ligado `
a pertinencia enquanto o produto `a ocorrencia, o que
corrobora com nossa opc
ao.
Para o caso cl
assico, sabemos que se A e B forem eventos de com
P (B) > 0, ent
ao

P (AB) E(A .B )
P (A|B) = = . (7.19)
P (B) E(B )

A e dito independente de B se a ocorrencia de B n


ao interferir na
probabilidade de A, isto e, se P (A|B) = P (A). A notacao AB no lugar
de A B n
ao e por acaso. Ela vem do fato de optarmos por A .B para
representar AB .
Portanto, A independente de B se, e somente se,

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).

Da formula (7.20) acima, e possvel ver que A independe de B se, e


somente se, B independe de A. Mais ainda, A e B s
ao independentes
se, e somente se, as vari
aveis aleatorias A e B s
ao n
ao correlacionadas
( = 0 - ver definic
ao em [31]).
Na verdade, A e B s
ao vari
aveis aleatorias independentes se A e B
forem eventos independentes. Esse fato e consequencia de A e B serem
discretas e assumirem apenas dois valores (ver Exerccio 7.8). De modo
geral, vari
aveis aleat
orias n
ao correlacionadas n
ao necessariamente s
ao
independentes (ver Exerccio 7.9).
Definic
ao 7.13. Considere A e B dois eventos fuzzy de R, com P (B) > 0
( E(B ) > 0). Em vista de (7.19), a probabilidade condicional de A
dado B e definida por

P (AB) E(A .B )
P (A|B) = = . (7.21)
P (B) E(B )

Assim como no caso classico, A e dito independente de B se a ocorrencia


de B n
ao intereferir na probabilidade de A, isto e, se P (A|B) = P (A).
De (7.21), A independe de B se, e somente se,

A .B
= E(A ) E(A .B ) = E(A ).E(B ). (7.22)
B

Portanto, desde que as probabilidades n


ao se anulem, A e B s
ao in-
dependentes se, e somente se, as vari
aveis aleatorias A e B s
ao n
ao
correlacionadas. Aqui, diferentemente do caso classico, a independencia
entre A e B n
ao e equivalente `a independencia entre A e B . Claro que
se A e B forem independentes, entao A e B ser
ao. Porem a recproca
n
ao e necessariamente verdadeira (ver Exerccio 7.9).
A pr
oxima subsec
ao trata de um tema em franco desenvolvimento e
e conhecido na literatura por vari
avel aleatoria fuzzy. A partir de um
7.3 Eventos Fuzzy 229

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

A ideia aqui e explorar o conceito de vari


avel lingustica supondo que
a mesma seja aleat
oria. Varaveis com essas duas caractersticas ser
ao
chamadas de vari
avel aleat
oria lingustica.
Como dissemos na subsecao anterior, uma vari
avel aleatoria X induz
uma medida de probabilidades em R. Da, a questao que se coloca
([130]) e como calcular a probabilidade

P (X ser A)

onde A e um termo lingustico (alto, baixo, muito alto . . .) modelado por


um evento fuzzy real A.
De maneira informal, essa questao ja foi tratada nas subsecoes ante-
riores.
Do ponto de vista da teoria classica, P (X ser A) = P (X A) e
quest
ao acima e traduzida por
X X
P [X = xi ] = A (xi )P [X = xi ]
P (X A) = xi A
R Ri

A f (x)dx = R A (x)f (x)dx

dependendo se X e vari
avel discreta ou contnua. De qualquer forma
P (X A) = E(A ).
230 Medidas, Integrais e Eventos Fuzzy

Desta forma, nada mais natural que definir P (X ser A) com

P (X ser A) = E(A ) = P (A)

onde A e um conjunto fuzzy real modelando o termo ligustico de inte-


resse.
Para tornar a quest
ao mais formal, uma vari
avel aleatoria lingustica
e simplesmente uma func
ao

X : F(R).

Claramente vemos que esse conceito estende o de vari


avel aleatoria
uma vez que R F(R).
A essa altura cabe um parentese a respeito do tema em questao.
Na literatura, em vez de vari
avel aleatoria lingustica, o termo usado
e vari
avel aleat
oria fuzzy. Ha pelo menos duas abordagens para tal con-
ceito. O primeiro est
a ligado `a proposta adotada nesse texto. Especifica-
mente, X : F(R), porem a funcao de densidade de probabilidades
envolvida e a mesma da vari
avel aleatoria X, ou seja, a probabilidade e
induzida em R pela densidade, f : R R, da pr
opria vari
avel aleatoria
(cl
assica) X.
Por outro lado, originalmente tnhamos X : R e ao conside-
rar X : F(R), estamos cometendo um abuso de notacao ja que o
contra-domnio da vari
avel original foi alterado. Sendo assim, estamos
tratando de fato de outra vari avel X : F(R) cuja densidade de
probabilidades e uma F : F(R) F(R), ja que por definicao de densi-
dade, esta deve ter como domnio um subconjunto do contra-domnio da
vari
avel aleat
oria. Dessa maneira, F induz uma medida de probabilida-
des em F(R). Nessa abordadgem, a probabilidade de um evento fuzzy
passa a ser um n
umero fuzzy. Para um estudo a respeito das diversas
abordagens sobre vari
avel aleatoria fuzzy o leitor pode consultar [53].
Para distinguir um caso do outro e que achamos por bem chamar o
7.3 Eventos Fuzzy 231

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 (X ser A ) = E(A ) = E(sA ).

Um caso de particular interesse e quando s = 2:

P (A2 ) = E(2A ),

que e o segundo momento de A , e

P (A2 ) [P (A)]2 = E(2A ) [E(A )]2 = V ar(A ),

em que V ar(Y ) e a vari


ancia da vari
avel aleatoria Y . Por abuso, `as
vezes escreveremos V ar(A) em vez de V ar(A ).
Da desigualde de Jensen [68], temos que se o modificador for restritivo
(s > 1),
E(X s ) [E(X)]s 0,

ja que nesse caso o modificador e dado pela funcao concava m(x) = xs .


Em particular,

E(2A ) [E(A )]2 = P (A2 ) [P (A)]2 0.


232 Medidas, Integrais e Eventos Fuzzy

Uma possibilidade de aplicacao do estudo acima e na construcao de


A e de A , isto e, nos ajustes de A e A . O problema passa a ser obter
par
ametros (s e um deles) de distribuicoes de possibilidades para A e
A . Para isso, a partir de princpios como o de m
aximo verossimilhanca
(ver [31]), os par
ametros que devemos achar podem ser baseados em um
ou nos dois princpios abaixo:

a) P (A ) seja m
axima (m
axima verossimilhanca);

b) V ar(A ) seja mnima (menor vari


ancia).

Claro que outros metodos, como mnimos quadrados, interpolacao


polinomial ou mesmo metodos de inferencia estatstica podem ser usados
oes de possibilidade de A e A .
para obter as distribuic
Outra
area de clara aplicacao e a estimacao de par
ametros de uma
determinada distribuic
ao de densidade, supondo que seja dado um con-
junto fuzzy A (isto e, A ). Tal conjunto pode ser fornecido por um
especialista ou mesmo por um conjunto de dados. O par
ametro em
quest
ao pode ser estimado a partir de tecnicas classicas de estatstica
parametrica. Claro que pode-se usar tambem tecnicas n
ao parametricas
para se estimar func
oes densidades. O leitor interessado em tais estudos
pode consultar [74].
Antes de passar aos exerccios, chamamos a atencao do leitor sobre a
diferenca entre os conceitos de independencia para conjuntos fuzzy vistos
aqui e na Sec
ao 4.6. No Captulo 4 a independencia e dada pela medida
de possibilidade, que tecnicamente relaciona a funcao de pertinencia
condicional com cada uma das funcoes de pertinencias dos conjuntos
fuzzy envolvidos (ver sec
ao 4.6.2). Por outro lado, a independencia entre
eventos fuzzy, vista nessa secao, e dada pela medida de probabilidades
e, tecnicamente, envolve as esperancas das funcoes de pertinencias dos
conjuntos fuzzy em quest
ao, como pode ser visto na formula (7.22).
O exemplo a seguir ilustra os conceitos apresentados nesse secao.
7.3 Eventos Fuzzy 233

Exemplo 7.14. Um fabricante produz pecas em que 5% s


ao defeituosas.
Para uma amostra de 10 pecas, considere X o n
umero de defeituosas.
Pede-se

a) P (X 1);

b) P (X ser pequeno), em que pequeno e o n


umero fuzzy triangular
(0; 0; 2);

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

Assim, pela formula (7.17)


X
P (A) = A (xi )P (X = xi ) = A (0)P (X = 0) + A (1)P (X = 1)
i

! !
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

+B (2)P (X = 2) = 1.P (X = 0) + 21 P (X = 1) + 0.P (X = 2)


! !
10 10 1 10
= 0, 95 + 0, 959 0, 051 = 0, 7563
0 2 1

c) AB (x) = min[A (x), B (x)]. Portanto,


X
P (A B) = AB (xi )P (X = xi ) = AB (0)P (X = 0)
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

d) P (A B) = P (A) + P (B) P (A B) = 0, 7563 + 0, 91 0, 7563

= 0, 91
P (AB) E(A B )
e) P (B/A) = = =
P (A) E(A )

A (0)B (0)P (X = 0) + A (1)B (1)P (X = 1) + A (2)B (2)P (X = 2)


0, 91

1.P (X = 0) + 0, 5P (X = 1) 0, 7563
= = 6= 0, 7563 = P (B)
0, 91 0, 91

f) De acordo com o item e), A e B n


ao s
ao eventos independentes.

Exerccio 7.2. Refaca o exemplo anterior supondo que X tem distri-


buic
ao binomial com n = 8 e p = 0.02.
7.3 Eventos Fuzzy 235

Exerccio 7.3. Calcule a probabilidade do evento fuzzy dado no Exemplo


7.12.

Exerccio 7.4. Numa central telefonica, o n


umero N de chamadas chega
segundo uma distribuic
ao de Poisson, com a media = 8 chamadas por
minutos. Sabendo que a lei de probabilidade de uma distribuicao de
Poisson e dada por
e k
P (N = k) = ,
k!
determine qual a probabilidade de que num minuto se tenha:

a) dez ou mais chamadas;

b) menos que nove chamada;

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);

e) P (C|B) e P (D|B), onde A, B, C e D s


ao os eventos dos respectivos
itens acima.

Exerccio 7.5. Suponha que o tempo T de duracao de certa enfermidade


seja uma vari
avel aleat
oria exponencial com par
ametro

1
= (X exp()),
5

ou seja, sua densidade e dada por


(
1 5t
f (t) = 5e se t 0
.
0 se t < 0

Pede-se:

a) a esperanca T ;
236 Medidas, Integrais e Eventos Fuzzy

b) P (M ) onde M e o evento medio dado pelo conjunto fuzzy tri-


angular (0; 5; 8);

c) P (M/B) onde B e o evento baixo dado pelo conjunto fuzzy


triangular (0; 0; 8);

d) M e B s
ao independentes?

Exerccio 7.6. Suponha que X exp(1), isto e, X e uma vari


avel
aleat
oria com distribuic
ao exponencial com par
ametro = 1.

a) Calcule P (A), onde A e o n


umero fuzzy triangular (0; 1; 1).

b) Calcule P (C) em que


(
x x2 se 0 x 1
C (x) = .
0 caso contr
ario

c) Refaca o item a) supondo X N (0, 1).

Exerccio 7.7. Suponha que X tem distribuicao uniforme no intervalo


[0, 1], que A seja o evento fuzzy com funcao de pertinencia

A (x) = a [0, 1],

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?

d) Sendo C o evento do Exerccio 7.6 b), verifique se A e C s


ao
independentes. E B e C?
7.3 Eventos Fuzzy 237

Exerccio 7.8. Mostre que se X e Y assumem apenas os valoes 0 ou 1,


ent
ao X e Y s
ao n
ao correlacionadas se, e somente se, forem indepen-
dentes.

Exerccio 7.9. Suponha que tanto X como Y assumem os valores 1, 0


e 1, com probabilidades

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.

Exerccio 7.10. Verifique que se X e Y tem distribuicoes normais, entao


X e Y s
ao n
ao correlacionadas se, e somente se, forem independentes.

Exerccio 7.11. Prove que

a) P (A B) P (AB);

b) P (A|B) = 0, se A e B forem mutuamente exclusivos, isto e, A


B = .

Exerccio 7.12. Considere X U [0, 2] e o n


umero fuzzy triangular
(0; 0; ), com 0 < 2. Pede-se:

a) de modo que P (A) seja m


axima;

b) s > 0 de forma que P (A ) seja m


axima onde A = As e A e o
conjunto fuzzy encontrado no item a);

c) V ar(A ) e V ar(A ).

Exerccio 7.13. Considere o n


umero fuzzy triangular A = (0; 0; 2) e X
uma vari
avel aleat
oria triangular cuja densidade e dada por
(
1
f (x; ) = 2 ( |x 1|) se x [1 , 1 + ]
.
0 se x
/ [1 , 1 + ]
238 Medidas, Integrais e Eventos Fuzzy

Pede-se:

a) > 0 de modo que P (A) seja m


axima;

b) represente graficamente a densidade encontrada no item anterior.

Finalizamos essa sec


ao comentando que temos lidado com fenomenos
que apresentam os dois tipos de incertezas aqui discutidas. Via de regra,
temos interesse na din
amica desses fenomenos. A metodologia que temos
utilizado envolve o acoplamento de metodos de simulacao estatstica e
controladores fuzzy, especificamente do tipo Mamdani. Os conjuntos
fuzzy que comp
oem a base de regras servem para simular a din
amica
de interesse. No entanto, as entradas para esses sistemas sao extradas
utilizando algum metodo de simulacao estatstica (Monte Carlo, por
exemplo), levando em conta alguma distribuicao priori. Sendo assim,
podemos olhar os conjuntos fuzzy antecedentes como eventos fuzzy.
Maristela [86] usou essa metodologia para estudar a evolucao da Febre
Aftosa no Mato Grosso do Sul. Gomes [56] utilizou mesma metodologia
para estudar a evoluc
ao da Dengue na cidade de Campinas.
Captulo 8

Sistemas Din
amicos Fuzzy
Deus calcula varios mundos, mas faz
existir o melhor desses mundos.

(Leibniz Sec. XVI d.C.)

Certamente Leibniz deve ter observado varios fatos que o levaram a


concluir seu pensamento. Resta saber se a solucao dada por Deus e
ntida (determinstica) ou nebulosa (fuzzy). Como veremos a seguir,
soluc
oes ntidas, num certo sentido, fazem parte da nebulosa.
Aqui ser
a apresentada uma breve introducao aos sistemas din
amicos
fuzzy com o intuito de ilustrar o potencial da logica fuzzy no estudo de
sistemas evolutivos.
Como geralmente e feito nos sistemas determinsticos e estocasticos,
vamos aqui distinguir dois casos: contnuos e discretos. No caso contnuo,
de alguma forma aparecera algum tipo de derivada para representar as
taxas de variac
oes contnuas. No caso discreto, a evolucao do sistema e
baseada em um processo iterativo.

8.1 Sistemas Din


amicos Fuzzy Contnuos
Nesta sec
ao apresentaremos algumas abordagens, conceitualmente dis-
tintas, para o estudo dos sistemas din
amicos fuzzy contnuos. Funda-
mentalmente, o que distingue cada caso e o tratamento dado a` taxa
240 Sistemas Din
amicos Fuzzy

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];

Base de regras fuzzy (Secao 6.4 do Captulo 6 e Captulo 9).


A seguir apresentaremos uma introducao ao C
alculo Diferencial e In-
tegral para func
oes fuzzy, isto e, funcoes com domnio no conjunto dos
n
umeros reais e com valores fuzzy.
242 Sistemas Din
amicos Fuzzy

8.1.1 Derivada e Integral de Func


ao Fuzzy

Vamos aqui estudar apenas o caso unidimensional, ou seja, o caso em que


a func
ao est
a definida em um intervalo da reta com valores no conjunto
dos n
umeros fuzzy:

u : [a, b] F(R), a 0,

onde F(R) representa o conjunto dos n


umeros fuzzy.
Para o caso mais geral e mais informacoes sobre derivadas de funcoes
fuzzy o leitor pode consultar [12, 45, 69, 115], alem de muitos artigos
presentes na literatura de Matematica Fuzzy.
Para o caso unidimensional definimos a derivada de u(t) a partir de
seus -nveis. Lembramos [69] que a funcao u : [a, b] F(R) que
associa um n
umero real t a um n
umero fuzzy u(t) est
a bem definida se,
e somente se, para cada [0, 1], existem funcoes reais

u1 , u2 : [a, b] R

ao [u1 (t), u2 (t)], ou seja,


tais que os -nveis de u(t) s

[u(t)] = [u1 (t), u2 (t)]. (8.2)

Antes de enunciarmos os conceitos de derivada e integral queremos


ressaltar que, para nao sobrecarregar
Z b a notacao, nesta secao usaremos
u para indicar a derivada e u(t) dt para a integral de funcoes fuzzy
a
u : [a, b] F(R).

ao 8.1 (Derivada de Hukuhara). A funcao u : [a, b] F(R)


Definic
cujos -nveis s
ao dados por

[u (t)] = [(u1 ) (t), (u2 ) (t)], (8.3)


8.1 Sistemas Din
amicos Fuzzy Contnuos 243

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

Assim -nveis da derivada (fuzzy) s


ao as derivadas (classicas) dos
extremos dos -nveis de u.
Observamos que a existencia de u (t) implica necessariamente que os
intervalos [(u1 ) (t), (u2 ) (t)] satisfazem o Teorema 1.4 de representacao.
A integral de u : [a, b] F(R) tambem e definida por meio de seus
-nveis, a partir da integral de Aumann1 , originalmente definida para
func
oes com valores em conjuntos classicos (veja em [12]).
Z b
Definic
ao 8.2. A integral de u no intervalo [a, b], indicada por u(t) dt,
a
e o n
umero fuzzy com -nveis:
Z b  Z b Z b 
u(t) dt = u1 (t) dt, u2 (t) dt , (8.4)
a a a

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

satisfazem o Teorema 1.4 de representacao. Como observado para as


derivadas, aqui tambem estamos supondo que as funcoes u1 e u2 s
ao
Riemann integr
aveis no intervalo [a, b].
Note que se u for uma funcao real (isto e, u : [a, b] R F(R)),
ent
ao os conceitos dados acima de derivada e integral coincidem com os
cl
assicos.
1
Aumann ganhou premio Nobel de Economia em 2005.
244 Sistemas Din
amicos Fuzzy

Exemplo 8.1. Seja a func


ao u(t) = At, t 0, onde A e um n
umero
ao dados pelos intervalos [A] = [a1 , a2 ].
fuzzy, cujos -nveis s

t
a1
a2 a1 t
a
a2 t
Figura 8.1: Func
ao u(t) e seus -nveis.

Temos que [u(t)] = [u1 (t), u2 (t)] = [a1 t, a2 t] e, portanto,

[u (t)] = [(u1 ) (t), (u2 ) (t)] = [(a1 t) , (a2 t) ] = [a1 a2 ] = [A] .

Logo,
u (t) = A.

Por outro lado,

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:

D(A, B) = sup dH ([A] , [B] ), (8.5)


01

onde dH e a metrica de Hausdorff para intervalos compactos de R, cuja


definic
ao e
dH (I, J) = max(sup(d(x, J), sup d(y, I)), (8.6)
xI yJ

onde d(x, J) = inf d(x, j) e d(r, s) = |r s| .


jJ

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.

Teorema 8.1. Se F, G : [a, b] F(R) s


ao funco
es diferenci
aveis e
R, ent
ao

(a) F e G s
ao contnuas na metrica D;
246 Sistemas Din
amicos Fuzzy

(b) (F + G) (t) = F (t) + G (t);

(c) (F ) (t) = F (t).

Demonstraca
o. Ver [12, 69]. 

O teorema a seguir e uma vers


ao do teorema fundamental do c
alculo
para o caso fuzzy com os conceitos de derivada e integral acima.

Teorema 8.2. Seja F : [a, b] F(R) contnua. Ent ao a funca


o G(t) =
Z t
avel e G (t) = F (t) para todo t [a, b].
F (s) ds e deriv
a

Demonstraca
o. Ver [12, 69]. 

Vale tambem o seguinte resultado.

Teorema 8.3. Seja F : [a, b] F(R) integr


avel. Ent
ao, para todo
c [a, b] vale
Z c Z b Z b
F (t) dt + F (t) dt = F (t) dt. (8.7)
a c a

Estes teoremas fornecem o suporte para estudar equacoes diferen-


cias fuzzy. A partir dos conceitos de derivadas e integrais apresentados
acima, podemos comecar nosso estudo de equaco
es diferenciais fuzzy.

8.1.2 Problema de Valor Inicial Fuzzy (PVIF)


Vamos considerar neste texto o problema de valor inicial fuzzy sempre
da forma (
u (t) = F (t, u(t))
, (8.8)
u(a) = u0

onde F : [a, b] F(R) F(R) e a > 0.

Lema 8.4. Seja F : [a, b] F(R) F(R) contnua. Ent


ao a funca
o

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.

o. diam([u(t)] ) = u2 (t) u1 (t), o qual e o di


Demonstraca ametro de
[u(t)] . Assim, de acordo com o Lema 8.4, temos
Z t Z t 

[u(t)] = [u1 (a), u2 (a)] + F1 (s, u(s)) ds, F2 (s, u(s)) ds
a a
 Z t Z t 
= u1 (a) + F1 (s, u(s)) ds, u2 (a) + F2 (s, u(s)) ds .
a a

Portanto,

diam([u(t)] ) = u2 (t) u1 (t)


Z t
= (u2 (a) u1 (a)) + [F2 (s, u(s)) F1 (s, u(s))] ds
a

ao decrescente, uma vez que (F2 (s, u(s))F1 (s, u(s))) 0 para todo
e n
s [a, b]. 

Exemplo 8.2. Para ilustrar as aplicacoes das equaco


es diferenciais fuzzy
vamos supor ent
ao que, no modelo de Malthus, apenas a condicao inicial
248 Sistemas Din
amicos Fuzzy

seja fuzzy e considerar taxas de variacoes positivas (popula


co
es em
expans
ao) e negativas (popula
co
es em retra
c
ao).

Consideremos o modelo malthusiano fuzzy com taxa de cresci-


mento positiva > 0.
(
u (t) = u(t)
. (8.10)
u0 F(R)

Suponhamos que [u(t)] = [u1 (t), u2 (t)] e que a condicao inicial


seja fuzzy e dada pelos -nveis [u0 ] = [u01 , u02 ].

De acordo com a Definicao 8.1, para cada [0, 1], devemos


resolver a equac
ao
(
[u (t)] = [u1 (t), u2 (t)]
. (8.11)
u0 F(R) e > 0

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

Para cada a solucao do sistema (8.11) existe e e dada por:


(
u1 (t) = u01 et
. (8.12)
u2 (t) = u02 et

Observamos que se [u0 ]1 tiver apenas um ponto, isto e, se u01 =


ao [u(t)]1 se comporta como a solucao do modelo
u02 = x0 ent
malthusiano determinstico, isto e, [u(t)]1 = x0 et .
8.1 Sistemas Din
amicos Fuzzy Contnuos 249

t
u01 (t) x(t) [u(t)]1
u02 (t)

[u(t)]

[u0 ] x

Figura 8.2: Soluc


ao do modelo malthusiano fuzzy de expans
ao populacional
( > 0).

Consideremos agora o Problema de Valor Inicial Fuzzy que repre-


senta uma popula
c
ao em retra
c
ao:
(
u (t) = u(t)
. (8.13)
u0 F(R) e > 0

De acordo com a Definicao 8.1, para cada [0, 1] devemos re-


solver a equac
ao

[u (t)] = [u1 (t), u2 (t)],

que pela definic


ao de multiplicacao de n
umero real (negativo) por
n
umero fuzzy, e equivalente a resolver o sistema determinstico:
(
(u1 ) (t) = u2 (t), com u1 (0) = u01
, (8.14)
u2 ) (t) = u1 (t), com u2 (0) = u02

cuja soluc
ao e

u01 u02 t u01 + u02 t


u1 (t) = e + e (8.15)
2 2
u02 u01 t u01 + u02 t
u2 (t) = e + e .
2 2
250 Sistemas Din
amicos Fuzzy

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

Figura 8.3: Decaimento no modelo fuzzy malthusiano ( < 0).

Observac
oes
ametro de [u(t)] , dado por:
1. O di

diam([u(t)] ) = u2 (t) u1 (t) = (u02 u01 )et

e sempre crescente com t, exceto se u02 = u01 , ou seja, se u0 R. Esta


e a maior crtica `
a derivada fuzzy (e `a derivada de Hukuhara de um
modo particular, a qual deu origem `a derivada fuzzy utilizada acima).
Ha uma clara dificuldade para se definir o conceito de estabilidade,
bem como de atrator neste tipo de equacao diferencial fuzzy.

2. Resolver u = u e diferente de resolver u + u = 0 [28].

3. Quando temos um problema de valor inicial fuzzy onde o campo de


direc
oes e extens
ao fuzzy de um campo determinstico, entao toda
soluc
ao determinstica e uma soluca
o preferida, no sentido de ter
8.1 Sistemas Din
amicos Fuzzy Contnuos 251

grau de pertinencia 1 (um) no conjunto das solucoes fuzzy. Esse re-


sultado est
a formalizado e demonstrado em [12]. Para ilustrar melhor
este fato, vamos nos restringir ao Problema de Valor Inicial Fuzzy da
equac
ao malthusiana estudada anteriormente. Associado a este pro-
blema temos o Problema de Valor Inicial determinstico

(
x (t) = x(t)
, (8.16)
x0 R
cuja soluc
ao e
x(t) = x0 et .

Assim, se x0 [u0 ]1 , entao e facil ver que

u1 (t) x(t) u2 (t), [0, 1].

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).

De acordo com a observacao 1, h


a uma dificuldade em definir esta-
bilidade para esse tipo de equacao diferencial, ja que o di
ametro das
soluc
oes e crescente com o tempo para todo do intervalo [0, 1]. Tem-se
procurado contornar este inconveniente utilizando outros metodos para
o estudo de sistemas din
amicos fuzzy contnuos, isto e, com taxa de
varia
c
ao contnua em algum sentido. As inclusoes diferenciais fuzzy
e o metodo de extens
ao de Zadeh que, sob certas condicoes produzem
as mesmas soluc
oes [87], resolvem este problema. Outro enfoque tem
sido apresentado recentemente por Bede [26] estendendo a derivada de
Hukuhara (este metodo nao ser
a discutido aqui).
O metodo das inclusoes diferenciais fuzzy requer conhecimentos de
an
alise de multifunc
oes e de inclusoes diferenciais classicas. Por esse
252 Sistemas Din
amicos Fuzzy

motivo, apresentaremos aqui apenas as ideias principais para introdu-


zir e ilustrar o seu potencial de aplicacoes (o leitor interessado pode
consultar [7, 13, 37, 38, 77, 87], entre tantos outros textos de Analise
Multivaluada).
O metodo da extens
ao de Zadeh pode ser considerado mais simples,
pois exige apenas a aplicacao do princpio de extensao nas solucoes de-
terminsticas. Mais especificamente, a partir da solucao determinstica,
que para cada t fixo pode ser vista como uma funcao da condicao ini-
cial x0 , aplica-se o Princpio de Extens
ao de Zadeh. Portanto, este
u
ltimo metodo e aplic
avel apenas em sistemas fuzzy originados de de-
terminsticos, para os quais e conveniente considerar a condicao inicial
e/ou algum par
ametro fuzzy.

8.1.3 Problema de Valor Inicial Fuzzy Generalizado (PVIFG)

Para dar continuidade ao nosso estudo sobre os sistemas fuzzy contnuos,


vamos analisar o problema de valor inicial fuzzy generalizado conside-
rando dois enfoques distintos: via inclusoes diferenciais fuzzy e com o
princpio de extens
ao de Zadeh.
Considere o problema

du = F (t, u(t))
dt , (8.17)
u(a) = u
0

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 ),

onde u(t, u0 ) e soluc


ao de (8.17) no instante t, com condicao inicial
u(a) = u0 .
As subsec
oes seguintes tem por objetivo propor duas maneiras de se
obter a famlia t .

Problema de Valor Inicial Fuzzy via Inclus


ao Diferencial Fuzzy

Como ja dissemos antes, uma abordagem alternativa `a derivada de Hu-


kuhara para se estudar um problema de valor inicial fuzzy e por meio das
inclusoes diferenciais fuzzy. Nesse caso, n
ao e usado qualquer conceito
para derivada de func ao fuzzy. A derivada utilizada e a de funcoes deter-
minsticas e a soluc
ao fuzzy e constituda de funcoes determinsticas.
Ha varias formas de se utilizar as inclusoes diferenciais no sentido de
adapt
a-las ao contexto fuzzy (ver [9, 37, 64, 87]).
Aqui daremos enfase `
a sugestao de Hullermeier [64]. Sua ideia e a
seguinte: como o campo F : [a, b] F(R) F(R) e tal que, para
cada par (t, u) tem-se F (t, u) F(R), entao a solucao fuzzy de (8.17)
ser
a constituda de todas as trajetorias determinsticas que satisfazem
as inclusoes diferenciais cl
assicas:
(
x (t) [F (t, x(t))]
. (8.18)
x(a) [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

[u] = {x : [a, b] R, que s


ao solucoes de (8.18)}.

Observac
ao

Sob certas condic


oes de regularidade de F , Diamond [44] provou que
os conjuntos {x : [a, b] R, que s
ao solucoes de (8.18)} satisfazem o
Teorema 1.4 de representacao (no espaco das funcoes), e neste caso, a
func
ao u est
a bem definida.

Assim, para cada t, as funcoes t : F(R) F(R) associadas ao


PVIFG (8.17) s
ao dadas por:

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

Vamos ilustrar os conceitos apresentados aqui com o modelo malthu-


ametros dos -nveis das solucoes [t (u0 )]
siano e verificar que os di
s
ao crescentes para populacao em expans
ao e s
ao decrescentes para po-
pulac
ao em retrac
ao.

Exemplo 8.3 (Taxa de crescimento bem determinada). Se R e u0


F(R), ent
ao o modelo de Malthus toma a forma
(
x (t) = x(t)
(8.19)
x (a) [u0 ] = [u01 , u02 ]

cuja soluc
ao (fuzzy) e formada pelas funcoes determinsticas

x (t) = x (a)et , com x (a) [u01 , u02 ].


8.1 Sistemas Din
amicos Fuzzy Contnuos 255

Portanto,

[t (u0 )] = [u01 et , u02 et ] = [u01 , u02 ]et ,

de modo que
t (u0 ) = u0 et .

Os di
ametros dos -nveis da solucao s
ao

diam([t (u0 )] ) = (u02 u01 )et .

Logo, para populac


ao em expans
ao ( > 0), temos di
ametro crescente
com o tempo t, e decrescente para populacao em retracao ( < 0).

Exemplo 8.4 (Taxa de crescimento e condicao inicial incertas). Se a taxa


de crescimento e a condic
ao inicial s
ao incertas, isto e, F(R), com
[] = [1 , 2 ], e u0 F(R), entao o modelo malthusiano toma a forma
(
x (t) [x(t)] = x(t)[1 , 2 ]
(8.20)
x (a) [u0 ] = [u01 , u02 ]

cuja soluc
ao (fuzzy) e formada pelas funcoes determinsticas:

x (t) = x (a)et , com [1 , 2 ] e x (a) [u01 , u02 ].

Portanto, supondo que 1 0 (expans


ao forte), temos

[t (u0 )] = [u01 e1 t , u02 e2 t ],

e neste caso, diam[t (u0 )] cresce com t, ja que 2 > 1 > 0.


Por outro lado, supondo que 2 < 0 (retra
c
ao forte),


[t (u0 )] = [u01 e2 t , u02 e1 t ],

e neste caso, diam[t (u0 )] decresce com t, ja que 2 > 1 .


256 Sistemas Din
amicos Fuzzy

Os casos em que 1 e 2 tem sinais contr


arios, ficam como exerccio
para o leitor.

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.

Problema de Valor Inicial Fuzzy via Extens


ao de Zadeh

Como fizemos no caso das inclusoes diferenciais fuzzy, vamos estudar


dois casos distintos aqui. O primeiro e quando apenas a condicao inicial
e dada por um n
umero fuzzy. No segundo caso vamos admitir que a
condic
ao inicial e/ou algum par
ametro do problema de valor inicial em
quest
ao seja fuzzy.

Caso (a) Condic


ao inicial fuzzy

Consideramos apenas a condicao inicial fuzzy. Neste caso, o pro-


blema de valor inicial e dado por

dx = f (t, x(t))
dt , (8.21)
x(a) = u F(R)
0

com f : [a, b] R contnua.


Supondo que para cada condicao inicial x0 R o problema deter-
minstico
8.1 Sistemas Din
amicos Fuzzy Contnuos 257


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 u0 F(R) entao t (u0 ) = bt (u0 ).

Neste caso, como t e contnua em relacao `a condicao inicial, pelo


Teorema 2.1 do Captulo 2, temos que

[t (u0 )] = [bt (u0 )] = t ([u0 ] ) = t ([u01 , u02 ]).

Observamos que a formula acima indica que o grau de pertinencia


de x0 a u0 e o mesmo grau de pertinencia de t (x0 ) a bt (u0 ), para
todo t.

Com esse procedimento vamos encontrar a solucao do modelo


malthusiano.

Se R e u0 F(R), temos


dx = x(t)
dt . (8.23)
x(a) = u
0

O fluxo determinstico do modelo malthusiano (8.1) e dado por


t (x0 ) = x0 et . Entao, usando a Definicao 2.1, o fluxo fuzzy e
bt (u0 ) = u0 et , cujos -nveis s
ao dados por

[bt (u0 )] = t ([u0 ] ) = [u0 ] et = [u01 , u02 ]et .


258 Sistemas Din
amicos Fuzzy

Portanto, para cada t, os di


ametros dos -nveis da solucao fuzzy
s
ao dados por

diam([bt (u0 )] ) = (u02 u01 )et

que, como se ve, coincidem com aqueles obtidos no caso anterior


de inclusoes diferenciais (8.19). Isto nos permite concluir que tais
di
ametros crescem para populacoes em expans
ao e decrescem para
populac
oes em retracao.

Caso (b) Condic


ao inicial e par
ametro fuzzy

Vamos supor agora que o PVIFG (8.17) seja fuzzy porque algum
par
ametro () e tambem a condicao inicial s
ao fuzzy.

Assim, o problema de valor inicial toma a forma



dx = fb(t, , x(t))
dt . (8.24)
x (a) = u F(R)
0

Nesse caso, recamos no caso anterior, acrescentando uma nova


ao (y = , com y = 0), isto e, olhando o par
equac ametro como
uma vari
avel e adotando, no modelo determinstico original (8.22),
o par (, x0 ) como condicao inicial. Para um formalismo ma-
tem
atico dessa metodologia o leitor pode consultar [87].

Vamos exemplificar este caso considerando ainda o modelo malthu-


siano.

Suponhamos que a taxa de crescimento F(R) e a condicao


inicial u0 F(R). Sabemos que as solucoes determinsticas do
8.1 Sistemas Din
amicos Fuzzy Contnuos 259

modelo maltusiano (8.1) ampliado




dx

= x
dt
dy

= 0

dt
x(a) = x e y =
0

ao dadas por t (, x0 ) = x0 et , onde x0 e s


s ao reais.
Agora, se
[] = [1 , 2 ]e [u0 ] = [u01 , u02 ]

ent ao de (8.24) com fb(t, , x(t)) = x e dada por


ao a soluc

[t (, u0 )] = [bt (, u0 )] = t ([1 , 2 ], [u01 , u02 ]). (8.25)

Portanto, supondo que 1 0 (expans


ao forte),


[t (, u0 )] = [u01 e1 t , u02 e2 t ],

e neste caso, diam[t (, u0 )] cresce com t, uma vez que 2 > 1 .


Por outro lado, supondo 2 0 (retra
c
ao forte),


[t (, u0 )] = [u01 e2 t , u02 e1 t ],

e neste caso, diam[t (, u0 )] decresce com t, ja que 2 > 1 .


Os casos em que 1 e 2 tem sinais contr
arios ficam para o leitor
analisar.

Como o leitor pode perceber, as solucoes para o modelo de Malthus


obtidas via inclusao diferencial e via princpio de extensao s
ao as mes-
mas. Isto n
ao foi uma coincidencia apenas para o modelo escolhido. Sob
certas condic
oes tais metodos produzem as mesmas solucoes (veja [87]
para maiores informac
oes).
260 Sistemas Din
amicos Fuzzy

Jafelice et al [66] tem utilizado essa metodologia no estudo da din


amica
do HIV com tratamento, considerando a acao do retardo fuzzy na acao
do farmaco.
O estudo de estabilidade dos estados estacion
arios (equilbrios) de-
sempenham papel fundamental em sistemas din
amicos. Por isso, apre-
sentaremos a seguir uma introducao sobre estabilidade dos sistemas
din
amicos fuzzy formulados via inclusoes diferenciais fuzzy e/ou via
princpio de extens
ao. Queremos salientar que ainda n
ao h
a uma te-
oria consolidada sobre estabilidade de sistemas din
amicos fuzzy.

Estabilidade de Sistemas Din


amicos Fuzzy Contnuos

Vamos iniciar esta sec


ao definindo estados estacion
arios (ou de equilbrio)
para o PVIFG (8.17).

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

t (u) = u, para todo t a,

ou seja, se u e ponto fixo para todas as t , com t > 0.

Lembramos que para um problema de valor inicial determinstico,


os pontos de equilbrio s
ao aqueles cuja derivada e zero, e estes s
ao
exatamente os pontos fixos de suas solucoes, vistas como funcoes das
condic
oes iniciais. Como aqui n
ao temos a nocao de derivadas para
func
oes fuzzy, definimos equilbrios como sendo os pontos fixos dos fluxos
gerados pelos PVIFGS .
A partir daqui estamos interessados apenas nos problemas de valor
inicial que sejam aut
onomos, isto e, o campo F n
ao depende explici-
tamente de t. Vamos considerar apenas os sistemas aut
onomos que, em
que os pvis tenham solucao u
nica. A grande vantagem dos sistemas
aut
onomos, e que ser
a explorada aqui, vem do fato de suas solucoes
8.1 Sistemas Din
amicos Fuzzy Contnuos 261

terem a propriedade de fluxo, que esclareceremos abaixo.


Iremos apresentar resultados de estabilidade apenas para problema de
valor inicial fuzzy generalizado aut
onomo PVIFGA da forma

du = F (u(t))
dt . (8.26)
u(a) = u F(R)
0

Para este problema e sabido que a famlia de solucoes t tem a carac-


terstica de fluxo, ou seja,
(1) 0 (u0 ) = u0 para todo u0 F(R), isto e, 0 e a funcao identidade
de F(R);

(2) t+s (u0 ) = t (s (u0 )) = (t os ) (u0 ) para todo u0 F(R).


A propriedade (2) acima e a que de fato caracteriza um fluxo. Ela
significa que, partindo-se de um estado u0 , o estado atingido, t+s (u0 ),
ap
os t + s instantes, e o mesmo que aquele atingido ap
os t instantes,
t (s (u0 )), partindo-se de s (u0 ).
Exemplos desses fluxos s
ao as solucoes de problemas de valores ini-
ciais aut
onomos determinsticos e tambem aqueles fluxos gerados por
inclusoes diferenciais (veja [64]).
Proposic
ao 8.6. Dado o problema de valor inicial determinstico aut
onomo

dx = f (x(t))
dt , (8.27)
x(a) = x
0

considere o PVIFGA (8.26) associado ao PVI (8.27)



dx = f (x(t))
dt . (8.28)
x(a) = u F(R)
0

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

equilbrios de (8.27), se a soluca


o for dada pelo metodo da extens
ao
ou da inclus
ao diferencial fuzzy.

Demonstraca
o. Do Teorema 2.1 temos

[bt ({x} )] = t ([{x} ] ) = t (x),

ao caracterstica de x, t o fluxo determinstico e bt o


sendo {x} a func
fluxo fuzzy.
Desse modo,

t (x) = x [bt ({x} )] = [{x} ] ,

ou seja, x e equilbrio de (8.27) se, e somente se, {x} e equilbrio de


(8.28). 

A estabilidade dos sistemas din


amicos contnuos ser
a estudada por
meio dos fluxos de suas solucoes.
A partir da metrica D (Definicao 8.3), vamos definir estabilidade dos
pontos de equilbrio.

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

se D(u, u) , entao D(u, t (u)) , para todo t a.

Os equilbrios que n
ao s
ao est
aveis s
ao chamados de inst
aveis.

(b) Assintoticamente est


avel se for est
avel e existir r > 0 de modo que

lim D(t (u), u) = 0 sempre que D(u, u) r.


t+
8.1 Sistemas Din
amicos Fuzzy Contnuos 263

Com esta noc


ao de estabilidade e facil ver que n
ao e possvel ter
equilbrio assintoticamente est
avel para sistemas fuzzy contnuos, para
os quais a derivada utilizada e a de Hukuhara. Lembremos que para tais
sistemas os di
ametros dos -nveis das solucoes s
ao sempre crescentes.
O principal resultado que enunciaremos aqui sobre estabilidade e para
os sistemas fuzzy contnuos cujas solucoes s
ao obtidas por meio do
princpio de extens
ao de Zadeh.
Observamos que, com a Definicao 8.5 de estabilidade e facil verificar
que as populac
oes em retra
c
ao no modelo malthusiano, cujas solucoes
s
ao obtidas via inclusoes diferenciais fuzzy ou extensao de Zadeh, s
ao as-
sintoticamente est
aveis. O resultado seguinte generaliza essa observacao
feita para o modelo de Malthus.

Teorema 8.7. Seja x um equilbrio do problema de valor inicial deter-


minstico (8.27). Ent
ao:

(a) x e est
avel para o PVI (8.27) se, e somente se, {x} e est
avel para
o PVIFGA (8.28);

(b) x e assintoticamente est


avel para o PVI (8.27) se, e somente se,
{x} e assintoticamente est
avel para o PVIFGA (8.28).

Demonstraca
o. Ver [87]. 

ario 8.8. Seja x um equilbrio de (8.27). Ent


Corol ao, o equilbrio {x}
de (8.28) ser
a est avel se f (x) > 0.
avel se f (x) < 0, e inst

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. 

Para encerrar esta sec


ao queremos observar que, embora o Teorema 8.7
seja bastante intuitivo, ele revela algo que consideramos forte: x ser
assintoticamente est
avel para (8.27), significa que x atrai pontos de R.
264 Sistemas Din
amicos Fuzzy

Agora, ser assintoticamente est


avel no espaco fuzzy (F(R), D), quer
dizer que tal ponto atrai conjuntos fuzzy, e portanto atrai seus nveis, que
s
ao subconjuntos compactos de R. Do ponto de vista de modelagem isto
significa que a estabilidade de x independe das incertezas das condicoes
iniciais.
Um estudo mais abrangente de estabilidade de sistemas fuzzy via
princpio de extens
ao o leitor pode encontrar em [87].
Lembrando que no incio da Secao 8.1 havamos prometido quatro
abordagens para os sistemas din
amicos fuzzy contnuos, vamos comentar
rapidamente a u
ltima delas, ou seja, os sistemas fuzzy onde o campo de
direc
oes e dado por meio de uma base de regras.

Problema de Valor Inicial p-fuzzy

A nomeclatura p-fuzzy significa parcialmente fuzzy. Esses sistemas s


ao
parcialmente fuzzy no sentido que o campo de direcoes F do PVI em
quest
ao e apenas conhecido parcialmente. No entanto, sua solucao (tra-
jetoria) e crisp, ja que, em cada instante t, e um valor obtido ap
os um
processo de defuzzificac
ao. Formalmente teremos

Definic
ao 8.6. Um PVI p-fuzzy pode ser dado por

du = F (t, u(t))
dt , (8.29)
u(a) = u
0

em que F e parcialmente conhecida e decrita por uma base de regras


fuzzy (ver Captulo 5).

Ate aqui, nenhum processo de defuzzificacao est


a sendo exigido para
modelar F . Isto desobriga que a solucao u(t) de (8.29), em algum sen-
tido, seja um n
umero real.
Entretanto, se algum metodo de defuzzificacao for adotado, entao
espera-se que u(t) R. Neste caso, estaremos diante da metodolo-
8.1 Sistemas Din
amicos Fuzzy Contnuos 265

gia estudada na Sec


ao 6.4 em que F e a funcao dada por controladores
fuzzy.
Mantendo a linha de investigacao adotada neste captulo vamos estu-
dar o PVI
dx = f (x)
dt , (8.30)
x(a) = x
0

em que f e substituda por uma base de regras fuzzy coerente com o


modelo malthusiano, cuja principal suposicao e que, em cada instante t,
a taxa de crescimento de uma populacao e diretamente proporcional `a
populac
ao.
A base de regras construda aqui e para a taxa de variacao por unidade
dX
de tempo, denotada por dt , em funcao da populacao X. Assim, x e o
dx
valor da vari
avel de entrada, enquanto dt e o valor da vari
avel de sada.
Adotaremos apenas quatro qualificacoes para cada uma dessas vari
aveis
ligusticas, resumidas no Quadro 8.1.

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).

Quadro 8.1: Base de regras para modelar a variac


ao da populac
ao com base
na densidade da mesma.

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

0 50 100 150 200 250 0 10 20 30 40 50 60 70 80 90 100


Populacao Variacao

(a) Populac
ao (b) Variac
ao

Figura 8.4: Func


oes de pertinencia da base de regras.

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.

Figura 8.5: Granulos para o modelo malthusiano e uma possvel func


ao de
crescimento f .

Os sistemas p-fuzzy ter


ao destaque no Captulo 9.

8.2 Sistemas Din


amicos Fuzzy Discretos
Um sistema din
amico discreto e modelado atraves de uma forma de re-
correncia (processo iterativo). Nesta secao vamos introduzir os sistemas
din
amicos fuzzy discretos como uma generalizacao dos modelos classicos.
8.2 Sistemas Din
amicos Fuzzy Discretos 267

250
Malthus pfuzzy
Malthus deterministico

200

150

populao
100

50

0
0 2 4 6 8 10
tempo (t)

Figura 8.6: Soluc


ao x(t) do p-fuzzy malthusiano e do determinstico com
a = 9.5% e x0 = 2.

Para ilustrar o processo, usamos mais uma vez os modelos populacionais


o modelo exponencial (de Malthus) e o logstico (de Verhulst).

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)

onde F : F(R) F(R) e uma aplicacao entre espacos dos subconjuntos


fuzzy.

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 .

De acordo com estas definicoes, o fluxo t , para sistemas discretos, e


dado pelas sucessivas composicoes do campo F :

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 .

A seguir vamos analisar brevemente a din


amica do modelo malthusi-
ano, supondo a incerteza na condicao inicial, o que e bastante razo
avel
em problemas de din
amica de populacoes, principalmente quando se ini-
cia com uma populac
ao muito grande ou estimada. Um exemplo tpico
e o n
umero inicial de uma cultura de bacterias.

8.2.1 Modelo Malthusiano Fuzzy Discreto


Como no caso contnuo, vamos supor que em cada geracao t, o n
umero
de indivduos seja proporcional `a populacao na geracao anterior. Alem
disso, que a condic
ao inicial seja incerta, dada por u0 F(R) de modo
que seus -nveis sejam os intervalos fechados [u0 ] = [u01 , u02 ] R+ ,
para todo [0, 1].
Como fizemos no caso contnuo, aqui vamos tambem distinguir duas
situac
oes:

Caso (a) Taxa de crescimento crisp e condic


ao inicial incerta

Se > 0, o modelo malthusiano fuzzy discreto e dado por:


(
ut+1 = ut
. (8.32)
u0 F(R)
8.2 Sistemas Din
amicos Fuzzy Discretos 269

Levando-se em conta a multiplicacao de n


umero real por n
umero
fuzzy (Captulo 2), a solucao de (8.32) e dada por:

ut = t u0 , (8.33)

ao [ut ] = t [u0 ] = [t u01 , t u02 ].


cujos -nveis s

Caso (b) Taxa de crescimento e condic


ao inicial incertas

Neste caso, alem da condicao inicial, tambem e considerado que a


taxa de crescimento () e fuzzy.
Se F(R) com [] = [1 , 2 ] e u0 F(R), o modelo malthu-
siano fuzzy discreto e dado por:
(
ut+1 = ut
, (8.34)
u0 F(R)

com soluc
ao fuzzy
ut = t u0 , (8.35)

ao [ut ] = [(1 )t u01 , (2 )t u02 ].


cujos nveis s

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,

diam[ut ] = diam[t u0 ] = t diam[u0 ]


270 Sistemas Din
amicos Fuzzy

e assim,


0 se 0 < < 1

lim diam[ut ] = + se > 1 .
t+

diam[u0 ] se = 1

Estabilidade do Ponto de Equilbrio {0}

Da definic
ao da metrica D temos

D({0} , u0 ) = sup dH ([{0} ] , [u0 ] ) = u002


01

e
D({0} , ut ) = D({0} , t u0 ) = t u002 .

Portanto, para o modelo (8.32), {0} e est


avel se 0 < 1, e assinto-
ticamente est
avel se 0 < < 1 pois, neste caso, lim D({0} , ut ) = 0.
n+
Para > 1, o ponto de equlbrio {0} e inst
avel.
Deixamos para o leitor estudar o caso em que a taxa de crescimento
e fuzzy.
As conclusoes obtidas no modelo de Malthus discreto fuzzy, quanto `a
estabilidade, s
ao de fato mais gerais como veremos abaixo.
Seja o sistema discreto determinstico

xt+1 = f (xt ). (8.36)

Associado a este sistema, temos um sistema fuzzy (8.31) (basta con-


ao fb da funcao f ). Agora, se x e um ponto de
siderar em (8.31) a extens
equilbrio do sistema (8.36), entao {x} e um equilbrio do sistema (8.31)
obtido pela fuzzificac
ao do campo determinstico f , e estes equilbrios
tem as mesmas caractersticas quanto `a estabilidade.
O teorema seguinte nos permite caracterizar os tipos de estabilidade
dos equilbrios de sistemas din
amicos fuzzy discretos que s
ao oriundos
8.2 Sistemas Din
amicos Fuzzy Discretos 271

dos sistemas determinsticos. Ou seja, e a vers


ao do Teorema 8.7 para
o caso discreto.

o contnua e fb sua extens


Teorema 8.9. Seja f : R R uma funca ao
de Zadeh. Ent
ao,

(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 );

avel para o sistema fuzzy ut+1 = fb(ut ) se, e somente se, x


(b) {x} e est
e est
avel para o sistema determinstico xt+1 = f (xt );

avel para o sistema ut+1 = fb(ut ) se, e so-


(c) {x} e assintoticamente est
mente se, x e assintoticamente est
avel para o sistema determinstico
xt+1 = f (xt ).

Demonstraca
o. Ver [12]. 

Corol ario 8.10. Suponha que f e diferenciavelmente contnua. Ent ao, o


b
equilbrio {x} do sistema fuzzy discreto, ut+1 = f (ut ), ser
a assintotica-
avel se |f (x)| < 1, e inst
mente est avel se |f (x)| > 1.

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).

8.2.2 O Modelo Logstico Fuzzy Discreto

O modelo logstico (ou de Verhulst) determinstico supoe uma inibicao


no crescimento quando a populacao e muito alta, isto e, xt+1 xt para
t +. Sua formulac
ao matem
atica e a equacao discreta
(
xt+1 = axt (1 xt )
, (8.37)
x0 R+
onde xt denota a densidade populacional na geracao t e a e a taxa de
crescimento intrnsico, 1 a 4.
1
Os equilbrios desta equacao sao x = 0 e xa = 1 . Sabemos
a
1
tambem que x = 0 e inst avel, e xa = 1 e assintoticamente est avel
a
se 1 < a < 3. Mais ainda, quando a = a1 = 3 (primeiro valor de
1
ao), o ponto fixo xa = 1 perde a estabilidade e, a partir
bifurcac
a
da, a populac
ao oscila entre dois valores [x1 , x2 ] ate o pr
oximo valor de

bifurcac
ao que e a = a2 = 1 + 6. Em a2 esta orbita de perodo 2 perde
a estabilidade e origina-se uma orbita de perodo 4, que e est
avel ate o
pr
oximo valor de bifurcac
ao a = a3 . Este comportamento de duplicacao
do perodo das
orbitas (Figura 8.7) continua ocorrendo ate que o sistema
alcance o caos em a = 3, 569 . . . (veja [50]).
Lembramos que, no modelo logstico discreto, estamos assumindo que
a populac
ao e homogenea e que a taxa de crescimento a e constante para
toda populac
ao. Entretanto, em qualquer comunidade existe sempre
uma diferenciac
ao comportamental e fsica entre seus elementos. Essa
heterogenidade e mais acentuada quando os indivduos s
ao considerados
isoladamente e menos quando se considera o grupo. Porem, aqui nesse
8.2 Sistemas Din
amicos Fuzzy Discretos 273

u

1

1 2 3 4 a
Figura 8.7: Diagrama de bifurcac
ao determinstico.

exemplo, consideramos a mesma taxa a para toda a populacao.


Diferentemente da an
alise que fizemos do modelo malthusiano, aqui
vamos estudar apenas o caso em que a condicao inicial e fuzzy e o
par
amentro a e determinstico. Fica como desafio para o leitor o caso
em que a taxa de crescimento e tambem fuzzy (o leitor pode consultar
[79]).
Consideremos ent
ao o caso fuzzy em que a e real, com 1 a 4, e a
condic
ao inicial como sendo um n
umero fuzzy, ou seja,
(
ut+1 = fb(ut )
, (8.38)
u0 F(R)

ao logstica normalizada f (x) = ax(1 x) e fb e sua


em que f e a func
extens
ao de Zadeh.

Pontos de Equilbrio

ao os pontos fixos de fb,


Os pontos de equilbrio do sistema fuzzy (8.38) s
isto e, os n
umeros fuzzy u que s
ao solucoes da equacao

fb(u) = u
274 Sistemas Din
amicos Fuzzy

ou, equivalentemente em nveis, ja que f e contnua (pelo Teorema 2.1),

[fb(u)] = f ([u] ) = [u] = [u1 , u2 ]

para todo [0, 1], isto e,



u1 =
min f (x)
u
1 xu2

. (8.39)

u2 = max f (x)
u
1 xu2

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 1 a 2, os u nicos pontos fixos da equacao fuzzy logstica


ao:
s a e u1 , onde u1 e definido por [u1 ] = [0, xa ], [0, 1].
0, x

Se 2 < a 3, alem dos pontos fixos 0 e x


a , temos tambem u2 ,
definido por [u2 ] = [0, a4 ], [0, 1].

Se 3 < a 1 + 5, alem de 0, xa e u2 , temos o ponto fixo u3 com
ao pontos fixos de fb, isto
[u3 ] = [x1 , x2 ], [0, 1], onde x1 e x2 s
e, f (x1 ) = x2 e f (x2 ) = x1 .

ao 0, x
Se 1 + 5 < a < 4, os pontos fixos s a , u2 , u3 , u4 , onde
[u4 ] = [f ( a4 ), a4 ] e u5 que e definido por:
(
[0, f ( a4 )] se
[u5 ] =
[f ( a4 ), a4 ] se >

para todo [0, 1] e algum .

Se a = 4, os u ao: 0, x
nicos pontos fixos s a e u6 com [u6 ] = [0, 1]
para todo [0, 1].

Na Figura 8.8 est


ao resumidos os pontos fixos desse exemplo.
8.2 Sistemas Din
amicos Fuzzy Discretos 275

u1 u2 u3

R R R

u4 u5 u6

R R R

Figura 8.8: Equilbrios do sistema fuzzy logstico.

Estabilidade dos pontos de equilbrio

A estabilidade dos equilbrios 0, x a e dos ciclos de f, que s


ao funcoes
ao as mesmas quando se estuda f ou f,
caractersticas dos ciclos de f , s
de acordo com o Teorema 8.9.
nicos pontos fixos novos (fuzzy) de f que s
Os u ao assintoticamente
est
aveis s
ao u3 e u4 . Os demais s
ao inst
aveis. Este estudo pode ser
encontrado com detalhe em [12, 79].
A Figura 8.9 representa as bifurcacoes dos pontos de equilbrio e mos-
tra a mudanca em sua magnitude quando variamos o par
ametro a. Para
o modelo fuzzy, a ramificacao determinstica e igual ao diagrama de
bifurcac
ao cl
assico (Figura 8.7) e a ramificacao fuzzy ilustra os novos
pontos fixos de acordo com nossos resultados.
Como ja salientamos, no caso determinstico, a = 3 e um valor de
bifurcac
ao, isto e, se a e pouco superior a 3, o ponto fixo xa deixa de ser
est
avel e surge uma
orbita de perodo 2. Para valores de a ligeiramente
276 Sistemas Din
amicos Fuzzy

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.

(Princpio da Incompatibilidade - Zadeh)

A caracterstica essencial da modelagem matem


atica de processos va-
riacionais, utilizando equacoes determinsticas, e a exatidao obtida
nas previs
oes do fenomeno estudado. Evidentemente, tais previs
oes s
ao
dependentes de hip
oteses sobre a precisao tanto das vari
aveis de es-
tado como dos par
ametros, inseridos nos modelos por meio de valores
medios de um conjunto de dados.
Os modelos cl
assicos de biomatematica, particularmente os mode-
los de din
amica populacional e epidemiologia, s
ao fundamentados em
hip
oteses quase sempre provenientes da fsico-qumica, onde a reacao
entre duas substancias (vari
aveis de estado) e modelada pelo produto de
suas concentrac
oes lei da aca
o das massas. Esta mesma lei e usada
280 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

nos modelos de Lotka-Volterra de interacao entre duas especies e nos


modelos de Kermack-MacKendrick de epidemiologia. O par
ametro que
representa a taxa de predacao do modelo presa-predador ou a forca de
infecc
ao dos modelos epidemiologicos s
ao valores medios simulados ou
obtidos empiricamente.
Nos modelos que lidam com incerteza, os estocasticos, por exemplo,
as soluc
oes s
ao processos estocasticos cujas medias podem ser obtidas
a posteriori, quando se tem as densidades de distribuicao das vari
aveis
e/ou dos par
ametros envolvidos no modelo referente ao fen
omeno ana-
lisado. Porem, se numa populacao, alem de quantificar seus elemen-
tos, pretendemos levar em conta certas qualidades dos indivduos, as
vari
aveis devem captar tais incertezas. Por exemplo, numa populacao
de presas de uma determinada especie, a cada presa podemos levar em
conta a facilidade como e predada, o que pode estar relacionado com a
sua idade, seu estado de sa
ude, habitat etc. Consideracoes deste tipo
(vari
aveis com adjuntos qualitativos) s
ao muito frequentes em fenomenos
biol
ogicos e muitas vezes essenciais na modelagem e entendimento do
fenomeno. Num sistema evolutivo, o que parece ser insignificante inici-
almente pode ter import
ancia extrema no futuro.
Os varios tipos de incertezas que aparecem nos fenomenos de bioma-
tem
atica podem ter modelagem bem variadas. Quando optamos pelos
modelos estoc
asticos, implicitamente estamos supondo conhecer, a pri-
ori, as distribuic
oes de probabilidades dos par
ametros e condicoes iniciais
do fenomeno estudado. Este e o caso do modelo estocastico malthusiano
estudado por Pielou (veja [22]). Entretanto, se no fenomeno em questao
pretendemos levar em conta heterogeneidade, como gradualidades, que
n
ao s
ao provenientes de aleatoriedades, como modelar matematicamente
estas caractersticas?
Por exemplo, se temos uma populacao de fumantes num instante
t0 , sujeita a alguma taxa de mortalidade, podemos querer saber como
estar
a composta esta populacao no futuro. Se considerarmos que cada
281

indivduo desta populac


ao e simplesmente fumante ou n
ao-fumante o
problema pode ser resolvido com um modelo determinstico, tomando
separadamente ambas as populacoes. Por outro lado, se temos inicial-
mente uma distribuic
ao de probabilidades dos fumantes desta populacao,
podemos usar um modelo estocastico para estudar a evolucao desta dis-
tribuic
ao inicial. Porem, se a caracterstica de ser fumante depender da
quantidade de cigarros que se fuma diariamente, qualidade dos cigar-
ros fumados, intermitencia do ato de fumar, etc., devemos caracterizar
tambem o grau de ser fumante. Neste caso, cada indivduo pertence `a
populac
ao de fumantes com um grau especfico de pertinencia: Se n
ao
fumar, seu grau de pertinencia e zero; se fumar 3 carteiras di
arias pode-
mos dizer que e uma fumante de grau 1; Agora, se o indivduo fumar 10
cigarros por dia, quanto ele ser
a fumante? Esta subjetividade, ser fu-
mante, pode ser expressa por uma funcao A , onde A (x) indica o grau
com que o indivduo que fuma x cigarros est
a em concordancia com o
conceito de fumante. Um estudo sobre esperanca de vida de um grupo,
considerando a quantidade de cigarros fumados por dia, foi realizado por
A. Kandel [70].
Os modelos variacionais fuzzy podem comportar varios tipos de in-
certezas (vagueza ou fuzziness), traduzidas por coeficientes, condicoes
iniciais ou pelas pr
oprias vari
aveis de estado.
Se a subjetividade vem na vari
avel de estado ou nos par
ametros dos
modelos temos, respectivamente, fuzziness demogr
afica ou fuzziness am-
biental. Assim, quando as vari
aveis de estado s
ao modeladas por meio
da teoria dos conjuntos fuzzy, temos fuzziness demogr
afica, e temos fuz-
ziness ambiental quando somente os par
ametros s
ao considerados fuzzy.
Em geral, ambos os tipos de fuzziness est
ao presentes nos fenomenos
biol
ogicos.
O coment
ario feito acima sugere que a adocao de fuzziness ambiental
permite a utilizac
ao dos conceitos classicos de taxa de variacao, uma
vez que as vari
aveis de estado s
ao determinsticas. Essa abordagem ser
a
282 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

explorada no Captulo 10 deste texto.


Para a fuzziness demografica, devemos adotar algum conceito para va-
riac
ao (ou taxa de variac
ao) que seja compatvel com a nocao de vari
aveis
incertas.
Ha muitas possibilidades de se modelar fuzziness demografica. Dado
que, para esse caso, a variacao de estado e incerta, qualquer uma das
metodologias vistas nas Secoes 8.1.2 e 8.1.3 poderiam ser utilizadas para
modelos contnuos. A escolha de qual delas adotar est
a relacionada com
a modelagem adequada do fenomeno. Por outro lado, se o modelo for
discreto, ent
ao temos a metodologia da Secao 8.2 como opcao. No en-
tanto, devido a riqueza dos sistemas p-fuzzy (veja abaixo), utilizaremos
essa metodologia para estudar a evolucao de sistemas dinamicos em que
as vari
aveis de estado s
ao incertas.
Os sistemas considerados aqui s
ao do tipo aut
onomo, ou seja, as va-
riac
oes (ou taxas de variac
oes) n
ao dependem explicitamente do tempo.
Mais ainda, tanto as vari
aveis de estado como suas variacoes s
ao con-
sideradas lingusticas. Dessa forma, as vari
aveis de estado est
ao cor-
relacionadas com suas variacoes, n
ao por meio de equacoes que e o
caso mais comum na literatura, e sim por uma base de regras fuzzy cuja
caracterstica principal e ter as vari
aveis de estado como entradas
enquanto as varia
co
es s
ao as sadas.
Como denominamos na Secao 8.1.5, os sistemas estudados aqui s
ao
chamados p-fuzzy porque o campo de direcoes, conhecido parcialmente
a priori, e obtido por meio de metodologias de controladores fuzzy. As-
sim, p-fuzzy e uma abreviacao de parcialmente fuzzy. Como em tais
metodologias est
ao previstos processos de defuzzificacao, a solucao de
um sistema p-fuzzy e crisp, isto e, um valor preciso x(t) que representa
a vari
avel de estado em cada instante t.
Os sistemas p-fuzzy podem ser discretos ou contnuos. Para efeito
did
atico, abordaremos primeiro o caso discreto, e em seguida, o contnuo.
9.1 Fuzziness Demogr
afica: modelagem discreta 283

9.1 Fuzziness Demogr


afica: modelagem discreta

Os principais conceitos que estudaremos nesta secao fazem parte do


recente trabalho de tese de doutorado de Silva [117]. Portanto, o leitor
interessado no aprofundamento desse assunto est
a convidado a consultar
tal trabalho.
Nao estamos interessados nesta parte no estudo da convergencia dos
modelos p-fuzzy para os determinsticos. A modelagem matematica dos
fenomenos aqui analisados e fundamentalmente proveniente dos con-
troladores fuzzy. Por isso n
ao adotaremos o ndice r, que indica o
n
umero de regras, no campo de direcoes para distingu-lo do modelo
determinstico.
Os sistemas p-fuzzy discretos tem a forma
(
xt+1 = F (xt )
, (9.1)
x0 = x(t0 )

onde F : Rn Rn e a funcao F (x) = x+x e x e a sada defuzzificada


dada por um controlador fuzzy para a entrada x. Um sistema p-fuzzy
discreto nada mais e que uma equacao de diferencas, xt+1 xt = f (xt ),
em que a func
ao f (x) = x e a sada do controlador fuzzy. A Figura 9.1
representa esquematicamente um sistema p-fuzzy discreto.

xk Controlador xk
Fuzzy

Modelo Matemtico
xk+1 = xk + xk

Figura 9.1: Arquitetura de um modelo p-fuzzy discreto.

Recentemente, Ortega et al [96] aplicaram essa metodologia aliada ao


284 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

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.

9.1.1 Regras Fuzzy com Oposic


ao Sem
antica
Se considerarmos o princpio malthusiano para crescimento populacio-
nal, isto e,

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

Figura 9.2: Numero de indivduos em func


ao do tempo a partir do sistema
p-fuzzy discreto e da base de regras do Quadro 8.1.

De acordo com a Figura 9.2, o sistema p-fuzzy discreto produz uma


trajetoria compatvel com o modelo exponencial malthusiano, no qual o
9.1 Fuzziness Demogr
afica: modelagem discreta 285

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.

R1 : Se (X) e baixa (A1 ) ent


ao a variac
ao e baixa positiva (B1 )
R2 : Se (X) e media baixa (A2 ) ent
ao a variac
ao e media positiva (B2 )
R3 : Se (X) e media (A3 ) ent
ao a variac
ao e alta positiva (B3 )
R4 : Se (X) e media alta (A4 ) ent
ao a variac
ao e media positiva (B4 = B2 )
R5 : Se (X) e alta (A5 ) ent
ao a variac
ao e baixa positiva (B5 = B1 )
R6 : Se (X) e altssima (A6 ) ent
ao a variac
ao e baixa negativa (B6 )

Quadro 9.1: Base de regras para modelar a variac


ao da populac
ao com base
na sua densidade, com oposic
ao sem antica.

Com o proposito de aprimorar o modelo malthusiano acima, tais in-


formac
oes devem ser inseridas na base de regras. Se esperamos es-
tabilidade ou equilbrios, a base de regras deve apresentar regras com
oposi
c
ao sem
antica nos consequentes. Oposicao sem
antica e caracte-
rizada aqui pela altern
ancia de sinais nas variacoes (consequentes). Um
estudo te
orico sobre esse assunto o leitor pode encontrar em [102]. Por
exemplo, poderamos refinar a base de regras do Quadro 8.1 de modo a
obter a base de regras do Quadro 9.1 com oposicao sem
antica nas regras
sucessivas R5 e R6 , em que os conjuntos fuzzy dos antecedentes e dos
consequentes est
ao ilustrados na Figura 9.3(a) e 9.3(b) respectivamente.
Levando em conta esta base de regras, o controlador de Mamdani
e a defuzzificac
ao do centro de gravidade, o sistema p-fuzzy produz a
286 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

trajetoria mostrada na Figura 9.4.

Baixa Me dia Baixa Me dia Me dia Alta Alta Alts s ima


Baixa Neg Baixa Pos Me dia Pos Alta Pos
1

0 100 200 210 2 0 2 4 6 8 10

(a) Conjuntos fuzzy antecedentes para (b) Conjuntos fuzzy conseq


uentes para
populaco
es (X). variaco
es (X).

Figura 9.3: Func


oes de Pertinencia para o Quadro 9.1.

200

180

160

140

120
Populao

100

80

60

40

20

0
0 2 4 6 8 10 12 14
Tempo

Figura 9.4: Soluc


ao do sistema p-fuzzy discreto para base de regras Qua-
dro 9.1 e x0 = 2.

A trajetoria apresentada na Figura 9.4 tem comportamento quali-


tativo compatvel com os modelos que apresentam inibicao como, os
modelos logstico, de Gompertz, de Montroll etc.
Para facilitar o estudo de equilbrios de sistemas p-fuzzy faremos al-
gumas exigencias a respeito da base de regras. Uma delas diz respeito
a monotonicidade, isto e, as regras devem estar dispostas numa escala
`
ordinal. Por exemplo, as regras do Quadro 9.1 apresentam tal ordem:
os antecedentes est
ao monotonicamente dispostos do menor para o
9.1 Fuzziness Demogr
afica: modelagem discreta 287

maior. Isso facilitara a localizacao de possveis equilbrios do mo-


delo. Claro que a n
ao ordenacao n
ao elimina os pontos de equilbrio.
A existencia ou n
ao deles depende, dentre outros fatores, da existencia
de oposic
ao sem
antica nas regras. Regras sem oposicao sem
antica im-
plicam na n
ao existencia de equilbrios hiperb
olicos ([59]) que s
ao
os de nosso interesse. Por outro lado, regras com oposicao sem
antica
implicam na possibilidade de existencia desses equilbrios. A existencia
de tais pontos depende da continuidade na base de regras. No caso
cl
assico essa garantia vem do Teorema do Anulamento de Bolzano [5, 57].

Vale ressaltar que n


ao temos interesse no estudo da din
amica em
torno de equilbrios n
ao hiperb
olicos. Intuitivamente, equilbrio n
ao hi-
perb
olico significa que em torno dele a variacao n
ao muda de sinal.

9.1.2 Equilbrio e Estabilidade dos Sistemas p-fuzzy Discretos


Unidimensionais
Como ja comentamos, de agora em diante a base de regras fuzzy deve
satisfazer algumas propriedades, listadas a seguir. Tal procedimento visa
facilitar a localizac
ao de possveis equilbrios do sistema.

(i) Os universos devem ser intervalos limitados do conjunto dos n


umeros
reais;

(ii) Os conjuntos fuzzy da base de regras devem ser n


umeros fuzzy
(ver Cap. 2);

(iii) A base de regras deve ser uma cobertura do universo relacionado,


no sentido que cada elemento dos universo tem pertinencia n
ao
nula a pelo menos um dos n
umeros fuzzy da base de regras;

(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

(v) Os elementos de pertinencia m


axima (igual a 1) pertencem somente
a um dos n
umeros fuzzy da base de regras, isto e, tem grau de
pertinencia nula aos demais n
umeros fuzzy das regras;

(vi) A base de regras deve ser ordenada monotonicamente (cres-


cente ou decrescente), isto e, os qualificadores dos antecedentes
devem ser ordenados: pequeno, medio e grande, por exemplo.
Formalmente, isto significa que o maior elemento do suporte do
antecedente da regra Ri deve ser menor que o da regra seguinte
Ri+1 .

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

Teorema 9.3 (Existencia de equilbrio). Suponha que uma base de regras


esteja nas condico
es da Proposica
o 9.1 e que as regras Ri e Ri+1 , com
antecedentes Ai e Ai+1 , apresentem oposica
o sem
antica nos consequen-
tes Bi e Bi+1 . Nestas condico
es o intervalo
\
I = supp {Ai } supp {Ai+1 } =
6

possui pelo menos um equilbrio do sistema (9.1).

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]. 

A Figura 9.5 ilustra o Teorema 9.3.

Figura 9.5: Existencia de equilbrio para base de regras com oposic


ao
sem
antica: Bi > 0 e Bi+1 < 0.

O estudo de unicidade do equilbrio de sistemas p-fuzzy e um tanto


extenso e o leitor pode consultar [117]. A seguir vamos apenas mencionar
alguns resultados.
Com sistemas p-fuzzy em que a base de regras fuzzy satisfaz a Pro-
posic
ao 9.1, a sada x tem uma express
ao explcita com relacao `as
func
oes de pertinencia dos antecedentes e conseq
uentes das regras que
290 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

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.

Teorema 9.4 (Unicidade de equilbrio para sadas simetricas). Suponha


que uma base de regras esteja nas condicoes da Proposica
o 9.1 e que
as regras Ri e Ri+1 , com antecedentes Ai e Ai+1 , apresentem oposica
o
sem
antica nos consequentes Bi e Bi+1 cujas funco
es de pertinencia se-
jam simetricas, isto e, Bi (s) = Bi+1 (s) para todo s do universo.
T
es o intervalo I = supp {Ai } supp {Ai+1 } possui ape-
Nestas condico
nas um equilbrio x do sistema p-fuzzy (9.1), que e dado por

x = max [min(Ai (x), Ai+1 (x) )]


xI

ou pela soluca
o da equaca
o

Ai (x) = Ai+1 (x),

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. 

O estudo que apresentaremos a seguir sobre estabilidade de equilbrios


dos sistemas p-fuzzy discretos s
ao feitos a partir do Corol
ario 8.10 para
sistemas discretos cl
assicos.

Teorema 9.5 (Estabilidade de equilbrio de sistemas p-fuzzy discretos).


Suponha que x seja um equilbrio do sistema p-fuzzy (9.1). Nestas
condico
es valem

(a) x e assintoticamente est


avel se

d(x)

|F (x)| < 1 1 + <1
dx
x=x

d(x)
2 < < 0.
dx
x=x

(b) x e inst
avel se

d(x) d(x)
< 2 ou > 0.
dx dx
x=x x=x

interessante observar que, dependendo do sinal de d(x)


E dx |x=x , tere-
mos variadas formas para o comportamento de estabilidade dos sistemas
discretos:

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.

O exemplo a seguir ilustra os conceitos vistos acima.

Exemplo 9.1. Considere o sistema p-fuzzy discreto cuja base de regras


apresenta autoinibic
ao e e dada pelas regras do Quadro 9.1 e cujos an-
tecedentes e consequentes s
ao dados na Figura 9.3.
Pela base de regras podemos observar oposicao sem
antica nos con-
seq
uentes B5 e B6 . Assim, temos uma u
nica regi
ao de equilbrio que e
o intervalo
\
I = supp {A5 } supp {A6 } = [200, 210].

Como nessa regi


ao os consequentes B5 e B6 s
ao simetricos e

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

A estabilidade deste equilbrio e estudada a partir da formula (9.2)


d(x)
para dx |x=x , no Teorema 9.4.
Como B + (x) = 1 x = 1
B+
(x) = 1 x = 1
B+
(A5 (x)) = 43 .
6 6 6
Tambem

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

Portanto, de acordo com o Teorema 9.5(a), x = 205 e assintoticamente


est
avel.
possvel verificar que pequenas perturbacoes nos conjuntos da base
E
de regras acarretam alteracoes qualitativas no tipo de estabilidade do
equilbrio deste sistema (ver [117, Secao 4.1.1] e o Exerccio 9.1). Isto
significa que o sistema p-fuzzy estudado e estruturalmente inst
avel. Esse
fato est
a em total acordo com o modelo discreto de Verhulst estudado
na Secc
ao 8.2.2.
Um aspecto interessante dos sistemas p-fuzzy discretos que pode ser
explorado, do ponto de vista pr
atico, e sua utilizacao para ajustar pa-
r
ametros de modelos te
oricos. Supondo que o sistema do Exemplo 9.1
represente a din
amica de uma populacao com inibicao, um modelo de-
terminstico deveria ter as mesmas propriedades que o p-fuzzy. Por
exemplo, se quisessemos ajustar um modelo de Verhulst discreto ao p-
fuzzy estudado acima, a capacidade suporte K e a taxa de crescimento
intrnseca a devem satisfazer 205 = K a1 , ja que o equilbrio do modelo
de Verhulst discreto e dado por x = K a1 . O ajuste propriamente dito
seria feito a partir dos valores gerados pelo sistema p-fuzzy.
Claro que tal metodologia deveria ser aplicada com mais cuidado se
quisessemos ajustar o sistema p-fuzzy discreto a um modelo classico
contnuo, pelos motivos comentados anteriormente estabilidade estru-
tural por exemplo. No entanto, se o equilbrio do sistema p-fuzzy dis-
creto tiver as mesmas propriedades qualitativas que a de um contnuo,
ou seja, se o equilbrio do p-fuzzy for est
avel, entao e possvel usar os da-
dos gerados pelo p-fuzzy discreto para ajuste de par
ametros do modelo
te
orico contnuo. Um estudo para esses casos os leitor pode encontrar
em [118].
294 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

Exerccio 9.1. Faca alteracoes nos suportes dos antecedentes A5 e A6


das regras do Quadro 9.1 que contem o equilbrio, de modo a obter um
equilbrio est
avel oscilat
orio e faca o estudo a partir dos resultados ja vis-
tos. Em seguida, faca alteracoes para obter equilbrio n
ao nulo inst
avel.
(Sugestao: combine a formula (9.2) com os resultados do Teorema 9.5).

Vamos encerrar esta sec


ao apresentando uma introducao aos sistemas
p-fuzzy bidimensionais.

9.1.3 Modelo tipo presa-predador p-fuzzy discreto

Especificamente nossa abordagem e sobre um modelo tipo presa-preda-


dor, no qual simulamos os contingentes populacionais das presas e dos
predadores e apresentamos um plano de fase.
Para estudarmos esta din
amica, por meio de um sistema p-fuzzy dis-
creto, consideramos que as vari
aveis de entrada s
ao o n
umero de presas
(X) e o n
umero de predadores (Y ), cujas propriedades qualitativas s
ao:
as presas favorecem os predadores e s
ao desfavorecidas por estes. Es-
sas s
ao as principais caractersticas desse fenomeno ecologico. As sadas
X e Y representam, respectivamente, as variacoes das populacoes
das presas e dos predadores.
Todas as vari
aveis sao consideradas lingusticas e cada uma delas pode
ser avaliada qualitativamente atraves de termos como: baixa (B), media
aveis de estado e, alta positiva (A+ ), media
(M ) e alta (A) para as vari
positiva (M + ), baixa positiva (B + ), baixa negativa (B ), media negativa
(M ), e alta negativa (A ) para as respectivas variacoes.
Suponhamos que tais termos sejam modelados por conjuntos fuzzy,
cujas func
oes de pertinencia s
ao obtidas junto a um especialista. Tais
func
oes est
ao representadas na Figura 9.6.
As func
oes de pertinencia para as variacoes das populacoes s
ao ilus-
tradas na Figura 9.7.
A correlac
ao entre as vari
aveis lingusticas e dada por uma base de
9.1 Fuzziness Demogr
afica: modelagem discreta 295

B M A B M A
1 1

0 20 40 60 80 100 120 140 0 5 10 15 20 25 30 35

(a) Presas (X) (b) Predadores (Y )

Figura 9.6: Func


oes de pertinencia das populac
oes.

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.

Figura 9.7: Func


oes de pertinencia das variac
oes das populac
oes.

regras que deve ser coerente com as caractersticas de um sistema inte-


rativo do tipo presa-predador, como comentado acima.

A base de regras, apresentada no Quadro 9.2, pode ser representada


graficamente na Figura 9.8, onde as setas indicam as magnitudes e sen-
tidos das variac
oes.

Como no caso unidimensional, aqui tambem adotaremos o metodo de


inferencia de Mamdani com defuzzificacao dada pelo centro de massa.

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

Figura 9.8: Representac


ao da base de regras do sistema p-fuzzy (9.3).

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

em que 1 [x, y] e 2 [x, y] s


ao as sadas defuzzificadas para as entradas
(X, Y ) = (x, y).
A soluc
ao do sistema p-fuzzy (9.3), com os conjuntos dados nas Figu-
ras 9.6 e 9.7 e (x0 , y0 ) = (70, 10), pode ser visualizada na Figura 9.9 e o
9.1 Fuzziness Demogr
afica: modelagem discreta 297

plano de fase na Figura 9.10.

Figura 9.9: Soluc


ao do sistema. Figura 9.10: Plano de fase do sistema.

Observamos que existe uma regi


ao E que n
ao est
a coberta por ne-
nhuma regra. No entanto, como h
a oposicao sem
antica nos consequentes
das regras 4 e 5, que envolvem E, espera-se que a estejam os equilbrios
do sistema.
Se quisessemos preencher a regi
ao E de forma contnua, a regra
deveria relacionar as populacoes medias.
Por exemplo,

Se X e M e Y e M entao X e B e Y e B.

Salientamos que quando usamos o termo Populacao Media para a


vari
avel lingustica, na verdade estamos, a priori, considerando a existencia
de um valor fuzzy de equilbrio para o sistema real. E como dizer que,
com poucas informac
oes como as que temos as presas favorecem os pre-
dadores e s
ao desfavorecidas por estes, ou seja, o equilbrio est
a sempre
em torno da media.
O leitor interessado em um estudo mais detalhado sobre os sistemas
p-fuzzy bidimensionais discretos pode consultar [36, 117].
298 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

9.2 Fuzziness Demogr


afica: modelagem contnua

Como ja dissemos na introducao desse captulo, existem varias aborda-


gens para sistemas din
amicos fuzzy contnuos (ver Captulo 8). Aqui
reafirmamos nosso interesse naquela do tipo p-fuzzy.
Tais sistemas desempenham papel importante quando deseja-se mo-
delar algum sistema din
amico contnuo onde o campo de direcoes e ape-
nas conhecido parcialmente, como discutido na Secao 6.4 do Captulo
6. L
a comentamos que tais sistemas s
ao bons aproximadores de siste-
mas te
oricos. A exemplo do que fizemos para o caso discreto, aqui n
ao
estamos interessados nessa propriedade e, por isso, omitiremos o ndice
r do campo fr que o diferencia do campo teorico. Aqui o modelo
matem
atico para o fenomeno em questao e dado pelo PVI

dx = f (x)
dt , (9.4)
x(t ) = x
0 0

onde o campo f de direc


oes e dado por um controlador fuzzy.
Os coment
arios a seguir s
ao feitos no sentido de ressaltar as diferencas
entre os sistemas p-fuzzy contnuos e discretos, ja que em ambos os casos
o que se usa essencialmente s
ao as sadas de um controlador fuzzy.

9.2.1 Caractersticas de um sistema p-fuzzy contnuo

Antes de tudo, lembramos que estamos estudando sistemas aut


onomos
(os campos de direc
oes n
ao dependem explicitamente do tempo). Isso
significa que as regras co-relacionam as entradas, que s
ao as vari
aveis de
estado, com as variac
oes (para o caso discreto) e/ou taxas de variacoes
(para o caso contnuo) que s
ao as vari
aveis de sada. Formalmente, a
base de regras de um sistema p-fuzzy contnuo e semelhante a de um
discreto. A diferenca se d
a fundamentalmente na formulacao de cada
regra.
9.2 Fuzziness Demogr
afica: modelagem contnua 299

Nos sistemas discretos, as variacoes s


ao qualificadas em termos abso-
lutos, isto e, as qualificac
oes s
ao formuladas para os intervalos de tempo
em que ocorrem as sucessoes de geracoes (mudancas sucessivas nas en-
tradas).
Para o caso contnuo, as geracoes se sobrepoem e as taxas de variacoes
devem ter propriedades qualitativas condizentes com o conceito de de-
rivada. Portanto, as qualificacoes para as sadas devem ser compatveis
com o conceito de variac
ao por unidade de tempo. Tal unidade nada
tem a ver com sucessoes de geracoes, simplesmente porque essa n
ao est
a
definida aqui. Como dissemos, num modelo contnuo as geracoes se so-
brepoem.
A metodologia de controladores fuzzy que utilizaremos aqui e nova-
mente a de Mamdani com defuzzificacao dada pelo centro de massa.
Tambem, como ja frisamos antes, usaremos base de regras bem ordena-
das (Definic
ao 9.1). Assim sendo, dependendo das regras, o campo f
(que e a sada do controlador) pode ter propriedades que garantam a
existencia e unicidade de solucao para o PVI (9.4). Por exemplo, com
as hip
oteses do Teorema 9.3, a funcao f e contnua ou derivavel. Se f
for conhecida explicitamente, atraves de metodos tradicionais, pode-se
chegar `
a soluc
ao analtica do PVI (9.4). Porem, dependendo da com-
plexidade de f , o que se faz e apelar para metodos numericos a fim de
obter estimativas para a solucao do PVI em questao. Esse e nosso in-
teresse aqui pois, pela metodologia dos controladores fuzzy, em geral f
e implicitamente conhecida, sendo possvel calcular as imagens de todo
ponto de seu domnio.

9.2.2 M etodos num


ericos para soluc
oes do PVI p-fuzzy
contnuo
As estimativas xn ser
ao obtidas por meio de metodos numericos para
soluc
oes de Equac
oes Diferenciais Ordinarias (E.D.O) como, por exem-
plo, o de Euler e os de Runge-Kutta, ou por meio de metodos numericos
300 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

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 ),

onde h e o passo e f e a aplicacao produzida pelo controlador fuzzy.

(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

Figura 9.11: Trajet


orias do modelo de Verhulst com K = 200 e x0 = 25,
200 e 270.

Lembremos que no exemplo que estamos analisando, a funcao que


modela o campo de direc
oes e dada explicitamente por

dx
g(x) = = ax(K x). (9.7)
dt

Entretando, para adotar a nossa metodologia n


ao precisamos conhecer
explicitamente tal express
ao. Aqui ela e apresentada apenas com a fina-
lidade de comparar as propriedades qualitativas das trajetorias classicas
com as produzidas pelo sistema p-fuzzy contnuo.
A seguir vamos obter estimativas para as trajetorias logsticas a partir
302 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

da metodologia descrita no incio desta secao para E.D.O.


Para tracarmos um paralelo nas formulacoes das regras com o modelo
cl
assico, re-escreveremos (9.7) como

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 )

Quadro 9.3: Regras para o modelo fuzzy contnuo.

Nesta base de regras, os n


umeros fuzzy Ai e Bi s
ao os mesmos da
base de regras do Quadro 9.1, exceto os suportes de Bi , que devem estar
entre 1 e 1, por raz
oes evidentes.
Assim, utilizando regras do Quadro 9.3, obtemos valores para f e
com um dos metodos numericos anteriores (ver 9.2.2), calculamos as
9.2 Fuzziness Demogr
afica: modelagem contnua 303

estimativas para o modelo de Verhulst.

Para efeito de ilustrac


ao optamos pelo metodo numerico de Euler
(para a func
ao xf (x), ja que a taxa para as regras do Quadro 9.3 e a
especfica) e chegamos nas estimativas xn :

xn+1 = xn + hxn f (xn ),

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

Figura 9.12: Trajet


oria do modelo p-fuzzy contnuo com x0 = 5 referente
ao Quadro 9.3.

As regras do Quadro 9.3 est


ao de acordo com as principais carac-
tersticas de um modelo geral de populacao com crescimento inibido que
seja regulado por uma capacidade suporte. O modelo de Verhulst, estu-
dado por n
os acima, e um caso particular. Alem desse, com pequenas
modificac
oes, a mesma base de regras poderia servir para os modelos
inibidos de Gompertz, de Montroll, de von Bertalanffy, etc (ver [22]).

A seguir vamos fazer um breve estudo do modelo geral de Montroll e,


supondo que a base de regras (Quadro 9.3) corresponda ao modelo de
Verhulst, ilustrar uma maneira de ajustar tais regras a fim de levar
em conta as particularidades do modelo de Montroll.
304 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

9.2.3 Estudo do modelo p-fuzzy de Montroll


A maioria dos modelos aut
onomos contnuos de crescimento populacio-
nais, formalizados a partir de equacoes diferenciais, tem a forma

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

Figura 9.13: Granulos e possibilidades de campos de diversos modelos de


crescimento inibido; x = x1 dx
dt
.
9.2 Fuzziness Demogr
afica: modelagem contnua 305

Embora os modelos comentados acima tenham uma forma geral para


suas bases de regras, cada um deles tem sua particularidade. Aqui es-
tamos interessado apenas no ajuste da base de regras do Quadro 9.3
para o modelo de Montroll.
Dependendo do par
ametro s no modelo de Montroll tem-se cresci-
mento especfico maior ou menor que o modelo de Verhulst (ver Fi-
gura 9.13).

Se s > 1, o crescimento especfico do modelo de Montroll e maior


que o de Verhulst ate a capacidade suporte. Depois desse valor, o
modelo de Montroll cresce menos.

Se 0 < s < 1, tem-se invers


ao nos crescimento em relacao ao
par
ametro s > 1.

Essas particularidades sugerem as modificacoes que devem ser fei-


tas na base de regras (Quadro 9.3), supondo que esta represente o de
Verhulst, para chegarmos numa outra coerente com o modelo de Mon-
troll.

Exemplo 9.2. A seguir faremos modificacoes no sentido de incorporar


as particularidades do modelo de Montroll, supondo 0 < s < 1:

Base de regras para o modelo de Montroll com 0 < s < 1

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 )

Quadro 9.4: Regras para o modelo fuzzy de Montroll contnuo.


306 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

Os antecedentes das regras do Quadro 9.4 s


ao os mesmos que os das
regras do Quadro 9.3. Para modelar as modificacoes especificadas nas
regras da Quadro 9.4, vamos utilizar o conceito de modificador fuzzy
visto na Sec
ao 4.5 do Captulo 4.
Para o caso especfico que estamos tratando acima, vamos utilizar
os modificadores do tipo potencia, em que a potencia e um par
ametro
1
0 < < 1 ou seu inverso . Vamos aplicar os seguintes modificadores
nos consequentes das regras do Quadro 9.3 para obter os das regras do
Quadro 9.4,



(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.

pB3 =pB4 pB1 =pB2

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

p-fuzzy de Montroll que pode ser visualizada na Figura 9.15.

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

Figura 9.15: Trajet


oria dos modelos p-fuzzy contnuos para as regras do
Quadro 9.3 e regras modificadas ( = 0, 05) conforme Qua-
dro 9.4.

Exerccio 9.2. Refaca o exemplo acima supondo o par


ametro s > 1.

Encerraremos esta sec


ao fazendo comentarios sobre estimativa de pa-
r
ametros a partir do modelo p-fuzzy. Por exemplo, como fizemos no
modelo de Verhulst, o equilbrio no modelo p-fuzzy de Montroll pertence
ao intervalo
\
I = supp (A5 ) supp (A6 ) = [200, 210],

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.

Portanto, a capacidade suporte K deve ser igual a 205. O par


ametro
a e obtido a partir de um ajuste do tipo quadrados mnimos. Claro que
308 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

tanto a como K podem ser obtidos por ajustes, do campo ou da solucao


cl
assica do modelo.
Um estudo a respeito de obtencao de par
ametros para modelos p-
fuzzy contnuos o leitor pode encontrar em [47]. A estabilidade de tais
sistemas s
ao obtidas a partir de resultados semelhantes aos que fizemos
para os p-fuzzy discretos.
A sugestao acima, para nos aproximarmos do modelo de Montroll a
partir do de Verhulst, n
ao e a u apenas uma dentre tantas outras
nica. E
possibilidades, como por exemplo, transladar os consequentes da base
de regras ou aplicar o princpio de extensao na funcao f (x) = 1 xs .
A sec
ao seguinte encerra esse captulo e trata dos sistemas p-fuzzy
contnuos para modelos bidimensionais.

9.2.4 Modelos Bidimensionais: modelo presa-predador


p-fuzzy de Lotka-Volterra

Vamos rapidamente relembrar o modelo classico de Lotka-Volterra para,


em seguida, formular o modelo p-fuzzy correspondente. Queremos sa-
lientar que a formulac
ao dada por n os para o modelo p-fuzzy Lotka-
Volterra n
ao utiliza as hip
oteses dadas por Volterra para o seu modelo
cl
assico. Este e colocado aqui apenas com o intuito de compararmos
ambas abordagens: cl
assica e p-fuzzy.

Modelo presa-predador de Lotka-Volterra

Por volta de 1925, Lotka e Volterra desenvolveram um dos modelos ma-


tem
aticos de mais largo uso e de destacada import
ancia para representar
interac
oes entre presas e seus predadores. Tal modelo e conhecido como
Modelo Presa-Predador de Lotka-Volterra.
O modelo criado por Volterra foi bem aceito por explicar as alteracoes
observadas nas populac
oes de pescadas e tubaroes no Mar Adriatico,
por ocasi
ao da paralisac
ao das atividades pesqueiras devido `a I Guerra
9.2 Fuzziness Demogr
afica: modelagem contnua 309

Mundial e posterior retomada, quando do termino da guerra.


O modelo presa-predador classico de Lotka-Volterra pressup
oe que:

1. Tanto as presas como os predadores est


ao distribudos uniforme-
mente num mesmo habitat, ou seja, todos os predadores tem a
mesma chance de encontrar cada presa;

2. O encontro entre os elementos das duas especies seja ao acaso, a


uma taxa proporcional ao tamanho das duas populacoes, ja que
quanto maior o n
umero de presas, mais facil ser
a encontr
a-las e
quanto mais predadores, maior o n
umero de ataques;

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.

Estas seis hip


oteses (ver [24, 55]) s
ao resumidas nas equacoes abaixo,
denominadas Modelo de Lotka-Volterra:

dx
= ax xy
dt . (9.9)
dy = by + xy

dt

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 : taxa de crescimento da populacao de presas na ausencia de


predadores;
310 Modelagem em Biomatem
atica: Fuzziness Demogr
afica


: 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;

b : taxa de mortalidade de predadores na ausencia de presas;

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

Figura 9.16: Plano de fase do modelo de Lotka-Volterra (9.9).

Modelo presa-predador p-fuzzy

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

estudado, fizeram com que o modelo de Lotka-Volterra, embora teorico,


tenha se tornado um paradgma para os modelos do tipo presa-predador.
Na subsec
ao 9.1.3 procuramos modelar a principal caracterstica de
um sistema presa-predador: as presas favorecem o crescimento dos pre-
dadores e s
ao desfavorecidas por eles. Como consequencia, o plano de
fase apresenta trajetorias que oscilam. Aqui queremos ir alem disso.
Pretendemos reproduzir, por meio de um sistema p-fuzzy bidimensional
contnuo, um plano de fase semelhante ao do modelo contnuo de Lotka-
Volterra, em que as trajetorias s
ao ciclos (ver Figura 9.16). Para isto e
necessario re-interpretarmos as seis hip
oteses comentadas acima:

1 dentro de cada especie, o ambiente n


ao previlegia nenhum indivduo.
Portanto e natural que as vari
aveis de estado sejam apenas quanti-
dades;

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;

4 como em 3, para um dado n umero de presas, o crescimento es-


pecfico dos predadores seja constante, podendo ser positivo ou ne-
gativo;

5 o crescimento especfico dos predadores aumenta com o n


umero de
presas;

6 o crescimento especfico das presas diminui com o aumento dos pre-


dadores.

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

Note que se as regras do modelo p-fuzzy malthusiano (Quadro 8.1)


tivessem sido enunciadas em termos de crescimento especfico, este de-
veria ter sido classificado com o mesmo adjetivo, isto e, o conseq
uente
seria o mesmo para todas as regras.
Considerando as observacoes acima, temos como objetivo elaborar
uma base de regras fuzzy que substitua as Equacoes (9.9), para mo-
delar a din
amica entre as presas e os predadores, por meio de um modelo
p-fuzzy contnuo de Lotka-Volterra.
Como no caso unidimensional, temos as vari
aveis lingusticas de en-
trada: quantidade de presas (X) e quantidade de predadores (Y ), e duas
vari
aveis de sada: variacao relativa da quantidade de presas por uni-
1 dX
dade de tempo, denotada por X dt , que e o crescimento especfico das
presas; e variac
ao relativa da quantidade de predadores por unidade de
1 dY
tempo, denotada por Y dt crescimento especfico dos predadores. A
Figura 9.17 representa um esquema do modelo.

Figura 9.17: Sistema baseado em Regras Fuzzy para (9.9).

Os valores assumidos pela vari


avel X s
ao: baixa (A1 ), media baixa
(A2 ), media alta (A3 ) e alta (A4 ) e pela vari
avel Y s
ao baixa (B1 ),
media baixa (B2 ), media alta (B3 ) e alta (B4 ).
1 dX 1 dY
Ambos os crescimentos especficos, X dt e Y dt , assumirao os valores
alto positivo (P2 ), baixo positivo (P1 ), baixo negativo (N1 ) e alto nega-
9.2 Fuzziness Demogr
afica: modelagem contnua 313

tivo (N2 ). No esquema acima (Figura 9.17), a base de conhecimentos e


traduzida por um conjunto de regras fuzzy que desempenham o papel
do campo de direc
oes.
A partir das seis reinterpretacoes para as hip
otese de Lotka-Volterra
feitas acima, principalmente a observacao ap
os a 6, propomos a base
de regras fuzzy do Quadro 9.5.
Podemos representar graficamente a base de regras considerando que
n
ao deve haver variac
ao nos crescimentos especficos, quanto `as mag-
nitudes e sentidos, de cada especie quando mantemos a quantidade da
outra constante (crescimento malthusiano para cada especie, dada a ou-
tra especie). Por exemplo, para uma quantidade fixa de predadores, a
variac
ao especfica de presas deve ser constante (ver setas horizontais
na Figura 9.18). Claro que outra base de regras poderia ser adotada,
ja que, as magnitudes envolvidas, tanto para as vari
aveis como para os
crescimentos especficos, s
ao incertas.
A Figura 9.18 ilustra a base de regras que est
a no Quadro 9.5. As
1 dX
setas horizontais representam as magnitudes e sentidos de X dt e as
1 dY
verticais representam Y dt .
Presa
1 0

B4

B3
Predador

B2

B1
0

1
A1 A2 A3 A4

Figura 9.18: Representac


ao gr afica das regras do Quadro 9.5 na forma de
vetores de direc
oes.

Nos apresentamos a Figura 9.18 para tracarmos um paralelo com a


314 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

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

Quadro 9.5: Regras fuzzy para o modelo presa-predador.


9.2 Fuzziness Demogr
afica: modelagem contnua 315

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

Figura 9.19: Representac


ao gr
afica do campo de direc
oes gerados pelas re-
gras do Quadro 9.5.

Voltando ao nosso exemplo, a Figura 9.18 e bastante e u


til no estudo
da din
amica do sistema. Por exemplo, atraves dela e possvel localizar
a regi
ao do plano que contem os possveis equilbrios (n
ao nulos) do
sistema. No nosso caso essa regi
ao e
\ \
E = [supp (A2 ) supp (A3 )] [supp (B2 ) supp (B3 )] = Ix Iy .

Observamos que as oposicoes sem


anticas ocorrem nessa regi
ao. E
possvel tambem sugerir que as interseccoes de A2 com A3 e B2 com
B3 formam as coordenardas de um forte candidato a equilbrio desse
sistema. Isso est
a em acordo com a Proposicao 9.1. Recentemente,
Cecconello [36] desenvolveu um procedimento numerico para buscar tais
coordenadas. Com tais valores em m
aos, poderamos adot
a-los para o
equilbrio de um sistema classico de Lotka-Volterra (9.9) e, juntamente
com ajustes, obter os valores dos par
ametros a, b, e desse sistema.
316 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

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

0 50 100 150 200 250 0 1 2 3 4 5 6 7


x y

(a) Presas (X) (b) Predadores (Y )

Figura 9.20: Func


oes de pertinencia dos antecedentes.

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

0.03 0.02 0.01 0 0.01 0.02 0.03 0.04


0.05 0.04 0.03 0.02 0.01 0 0.01 0.02 0.03 0.04 0.05
Variao especfica de X Variao especfica de Y

1 dX 1 dY
(a) Variaco
es das presas X dt
(b) Variaco
es dos predadores Y dt

Figura 9.21: Func


oes de pertinencia dos consequentes.

Utilizando o Metodo de Inferencia de Mamdani e a defuzzificacao do


9.2 Fuzziness Demogr
afica: modelagem contnua 317

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:

Para comecar o processo, adotamos os valores x0 = 100, y0 = 3,


h = 0, 1 e t0 = 0.

Dados iniciais para o controlador fuzzy: a populacao de presas x0


e a de predadores y0 ;
318 Modelagem em Biomatem
atica: Fuzziness Demogr
afica

Figura 9.22: (a) Evoluc


ao dos contingentes populacionais ao longo do
tempo; (b) Plano de fase do sistema p-fuzzy para x0 = 100
e y0 = 3.

As sadas fornecidos pelo controlador fuzzy, multiplicadas pelas


entradas, fornecem os valores: x0 e y0 ;

Por (9.11), encontramos x1 e y1 ;

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

Os primeiros trabalhos que se utilizaram dos sistemas p-fuzzy contnuos


para modelar interac
ao entre especies o leitor pode encontrar em [101].
L
a a autora usa tal metodologia para modelar a relacao entre pulg
oes e
joaninhas no controle biol
ogico de uma doenca chamada Morte S
ubita
dos Citros. O pulg
ao, supostamente hospedeiro do vrus causador da
morte s
ubita, e a presa e a Joaninha, que se alimenta do pulg
ao, e o
predador. Neste sistema presa-predador o modelo p-fuzzy pressup
oe
inibic
ao em ambas populacoes. Portanto as regras devem levar isso em
conta, de maneira que as trajetorias deixam de apresentar um car
ater
cclico para apresentar ciclos limites. Tal modelo p-fuzzy apresenta pro-
priedades qualitativas coincidentes com as do modelo classico de Holling
Tanner. A partir da, um estudo a respeito da estabilidade e ajustes de
par
ametros desse modelo e feito.
Um aspecto importante dos sistemas p-fuzzy explorado pela autora e a
facilidade em lidar com possveis heterogeneidades nas populacoes. Por
exemplo, para o caso especfico da morte s
ubita, os predadores apre-
sentam varios nveis de predacao, dependendo de seu est
agio: larval
e adulto. Neste caso, a autora optou, para vari
aveis de estado, pelo
n
umero de pulg
oes e pontencial de predacao, que leva em conta n
ao s
o
o n
umero de predadores, mas tambem a qualidade dos mesmos.
Captulo 10

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)

Como ja comentamos no Captulo 9, as maneiras de se incorporar incer-


tezas em modelos matem
aticos s
ao bastante variadas. Didaticamente,
procuramos separar os casos em que as vari
aveis que modelam o sistema
s
ao incertas fuzziness demografica daqueles em que algum par
ametro
de uma equacao cl
assica e incerto fuzziness ambiental. As termi-
nologias acima adotadas tem origem em din amica de populacao. Nos
adotamos o termo fuzziness demografica em analogia `a estocasticidade
demografica que trata de estudar, por exemplo, o n
umero de descenden-
tes dos indivduos de uma populacao (ver Turelli [124]). Claramente, o
n
umero de descendentes e totalmente incerto. Indivduos aparentemente
identicos, sob algum aspecto, gemeos, por exemplo, podem ter n
umeros
de descendentes totalmente diferentes.
J
a a estocasticidade ambiental pressup
oe incerteza na previs
ao do
n
umero de indivduos de uma populacao devido `a perturbacoes no ambi-
ente. Neste caso o ambiente atua na populacao como um todo. Exemplos
322 Modelagem em Biomatem
atica: Fuzziness ambiental

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 Esperanca de Vida Pobreza


Para modelar a pobreza, poderamos usar qualquer indicador, como por
exemplo, consumo de calorias, de vitaminas, saneamento b
asico etc.
10.1 Esperanca de Vida Pobreza 323

Aqui, usaremos a renda do grupo estudado [11, 23].

10.1.1 O Modelo

Suponha que A seja um grupo fechado com n(t) indivduos no instante


t. Assumindo que a pobreza (aqui avaliada subjetivamente pelo nvel de
renda) seja um fator de reducao no tempo de vida de cada elemento de
A, podemos considerar que

dn = [ + (r) ] n
1 2
dt , (10.1)
n = n(0)
0

onde

1 e a taxa de mortalidade natural (obtida em um grupo que disp


oe de
condic
oes satisfat
orias de sobrevivencia);

(r)2 indica a influencia da pobreza no aumento de 1 ;

(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.

Note que a taxa m


axima de mortalidade e 1 + 2 , obtida quando
(r) = 1
A soluc
ao de (10.1) e

n(t) = n0 e[1 +(r)2 ]t .

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.

10.1.2 Esperanca Estoc


astica: E[n(t)]

A esperanca estoc
astica e dada por
Z
E[n(t)] = n(t)h(r) dr, (10.3)

onde h(r) e a densidade de distribuicao da renda.


Para o nosso caso especfico, vamos usar a distribuicao de Pareto,
indicada para pases em desenvolvimento (ver [31]) com par
ametros a e
b: (
aba r (a+1) se r b
h(r) = .
0 se r < b
Assim,
10.1 Esperanca de Vida Pobreza 325

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

como um fator de reducao na expectativa de vida devido `a pobreza.

A seguir vamos calcular a esperanca fuzzy a fim de compara-la com a


esperanca estoc
astica obtida acima.
326 Modelagem em Biomatem
atica: Fuzziness ambiental

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)

onde P e a probabilidade definida pela funcao de densidade da renda


h(r).
Assim, H() = 0 se > e1 t .
Por outro lado, se e1 t ,

H() = P {r : e(1 +2 k (r))t < e1 t } + P {r : r r0 }

que, com alguma manipulacao algebrica, chegamos a




1 se 0 e(1 +2 k (b))t

a


q b
H() = se e(1 +2 k (b))t < e1 t .

ln 1 k1
r0 1 (( 2 t +
2 ))


0 se e1 t < 1
(10.6)
facil ver que H() e contnua em [0, 1], exceto quando = e1 t , e
E
a compreendido entre Yt (b) e e1 t , isto e,
que o ponto fixo de H est

(1 +2 k (b))t n(t)
Yt (b) = e EF e1 t .
n(0)

Algumas conclusoes aqui s


ao ligeiramente diferentes das obtidas no
caso da esperanca estoc
astica.hEspecificamente:
i
n(t)
Se ( rb0 )a e1 t , ent
ao EF n(0) = e1 t = EF [e1 t ].
10.1 Esperanca de Vida Pobreza 327

H
1
bissetriz
EF
 a
b
r0

Yt (r) EF e1 t 1
Figura 10.2: H() e esperanca fuzzy (EF).

Em particular, temos que se b r0 , entao a pobreza n


ao interfere
na esperanca de vida. Este foi o caso que obtivemos para a espe-
ranca cl
assica. No entanto, a esperanca fuzzy indica mais: para que
a pobrezah nao interfirai na expectativa de vida, o que interessa e a
a
b
relac
ao r0 e1 t entre a renda do indivduo e a renda mnima
do grupo. Por exemplo, um indivduo pode ter renda relativamente pe-
quena (b < r0 ) e, ainda assim,
 esta n
ao interferir em sua espectativa de
a
b
vida. Para isto, basta que r0 e 1 t . Este e o caso tpico de alguem

solteiro que tem toda a infra-estrutura para sobreviver.


Queremos ressaltar que, do ponto de vistahtecnico,
i e mais difcil obter
n(t)
E(n(t)), por n
ao ter primitiva, do que EF n(0) cujo valor e o ponto
fixo de H, e pode ser obtido via Teorema do Ponto Fixo de Banach
(ver [20]).
 a h i
n(t)
Se rb0 < e1 t , podemos calcular o valor de EF n(0) determi-
nando o ponto fixo de H, uma vez que esta funcao e contnua e decres-
cente para < e1 t . Observamos que H tem os mesmos pontos fixos
que sua inversa, isto e,
    a
1 b b
H () = exp 1 + 2 k ( 1/a ) t, se < < 1.
r0

Este modelo foi usado para avaliar a esperanca de vida de um grupo


328 Modelagem em Biomatem
atica: Fuzziness ambiental

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

Faixa de salario Distribuicao populacional % da folha


mnimo n0 % de pagamento
ate 2 4003 45,0 21,1
2a3 2099 23,6 18,8
ate 3 6102 68,7 39,9
3a4 933 10,5 12,0
4a5 670 7,5 11,0
5a6 300 3,4 6,0
6a7 264 3,0 6,2
7 a 10 367 4,1 11,1
10 a 15 171 1,9 7,8
mais de 15 81 0,9 6,1

Tabela 10.1: Distribuic


ao total dos trabalhadores, por faixas de sal
arios
mnimos. Recife, 1988 Fonte: DIEESE.

De acordo com os dados da tabela 10.1 podemos determinar o valor


dos par
ametros a e b da vari
avel renda, considerada numa distribuicao
de Pareto h(r). Consideremos a funcao de distribuicao acumulada da
renda
Z r Z r
F (r) = h(r)dx = aba xa1 dx = 1 ba r a = R.
b b

Desta forma,
ln(1 R) = a ln b a ln r.

Fazendo um ajuste linear com os dados da tabela, obtemos a 2, 031


10.1 Esperanca de Vida Pobreza 329

e b 1, 726. Assim,
(
6, 15r 3031 se r 1, 726
h(r) = .
0 se r < 1, 726

A tabela de esperanca de vida no Nordeste em 1977, na zona urbana,


onde o sal
ario mnimo era de Cr$ 156,00, e dada pela Tabela 10.2.

Classe de Renda Esperanca


Renda Cr$ de vida (anos)
1 1 a 150 40,0
2 151 a 300 45,9
3 301 a 500 50,8
4 mais de 500 54,4

Tabela 10.2: Fonte: Carvalho e Wood (1977).

Vamos supor agora que a renda r seja proporciononal a uma potencia


ario S do grupo estudado: r = S m , sendo m uma constante.
do sal
Ent
ao, temos
(
m [1 ( SS0 )2m ]k se 0 < S < S0
k (S ) = .
0 se S S0

A esperanca de vida, independente da renda familiar, e 54, 4 anos.


1
Logo, a taxa de mortalidade natural e 1 = 54,4 . Por outro lado, 1 + 2
e a maior taxa de mortalidade do grupo, ou seja, 1 + 2 = 1/40 =
1 1
2 = 40 54,4 = 6, 618 103 .
Vamos considerar como nvel de renda satisfatorio o valor Cr$ 500,00
500
que equivale a S0 = 156 = 3, 2 sal
arios mnimos. Da Tabela 10.2 ainda
temos dois valores de esperanca de vida

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 .

Como 2 = 6, 618 103 , temos


h ik
k (1) = 0, 514 = 1 ( S10 )2m = 0, 514
h ik
k (2m ) = 0, 197 = 1 ( S20 )2m = 0, 197

Logo, m = 0, 4435 e k = 1, 51.


Como S0 = 3, 2 tem-se que r0 = (3, 2)0,4435 1, 68.
Ent
ao, o subconjunto fuzzy k (r) e dado por
 1,51
 
1 r 0,887 se 0 < r < 1, 68
k (r) = 3,2 . (10.7)

0 se r 1, 68

1,51

1.68 r

Figura 10.3: Func


ao de pertinencia do conjunto dos pobres para k = 1, 51

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

10.1.2 e 10.1.3. A Tabela 10.3 ilustra esse n


umero.
h i h i h i h i
n(t) n(t) n(t) n(t) 3
t E n(0) EF n(0) E n(0) EF n(0) 10
1 0,9810872 0,9800555 1,0317
2 0,9625352 0,9605718 1,9634
3 0,9443294 0,941537 2,7924
4 0,9264697 0,9229397 3,5300
5 0,908949 0,9047686 4,1804
10 0,8261962 0,8199376 6,2486
20 0,682632 0,6766003 6,0317
40 0,4660586 0,4687494 2,6908

Tabela 10.3: Esperancas cl


assicas e fuzzy do n
umero de trabalhadores. A
u
ltima coluna mostra a diferenca entre as metodologias.

A quarta coluna da Tabela 10.3 nos mostra as diversas diferencas entre


as duas metodologias para o calculo de esperanca.
De um modo geral, o Corol
ario 7.3 nos garante que essas diferencas
n
ao ultrapassam 0, 25. Para os valores da tabela, a maior diferenca para
essas esperancas e da ordem de 0, 63%. h i
n(t)
Ainda, para esse exemplo especfico, e facil ver que EF n(0) est
a
compreendida entre Y (cbm ) e e1 t . Assim
   
n(t) n(t)

lim E EF = 0,
t n(0) n(0)
h i h i
n(t) n(t)
ou seja, E n(0) EF n(0) para t suficientemente grande.
Ainda, como exemplificacao, vamos supor que as rendas sejam dadas
por faixas e usar o Teorema 7.5.
Suponhamos agora que o grupo de trabalhadores A tenha 150 elemen-
tos, isto e, #A = 150 = n0 e as rendas estejam distribudas da seguinte
maneira:
n1 = 100 elementos recebem na faixa de r = 2, 0 sal
arios minimos 7
Y (2) = e0,0013t e1 t ;
332 Modelagem em Biomatem
atica: Fuzziness ambiental

n2 = 40 com renda na faixa de r = 2, 5 sal


arios mnimos 7 Y (2, 5) =
e0,00057t e1 t ;
arios mnimos 7 Y (3, 5) = e1 t .
n3 = 10 na faixa de r = 3, 5 sal
Podemos considerar que

# {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)

EF [Yt (r)] = sup inf [, P {n |Y > }]


01
n o
= med 0, 0667; 0, 333; e0,0013t e1 t ; e0,00057t e1 t ; e1 t
= e0,0013t e1 t .

Observamos que para t = 1 temos EF (Y1 (r)) 0, 9987e1 .


Por outro lado, se tomarmos a media classica para estes mesmos dados,
obtemos

100Y1 + 40Y2 + 10Y3 e1 t


E[Yt ] = = (100e0,0013t + 40e0,00057t + 10)
150 150

Assim, para t = 1
E[Y1 ] 0, 9998e1 .

Os dois exemplos seguintes tem caractersticas semelhantes quanto `a


modelagem e, portanto, ser
ao tratados com ferramentas matem
aticas
an
alogas. A principal semelhanca entre eles est
a no fato de que suas
incertezas tem origem nas vari
aveis de estado, tratando-se portanto
de fuzziness demografica. No entanto, de certa forma, tais incertezas
ser
ao transferidas para par
ametros dos modelos, o que nos permite usar
10.2 O Modelo Epidemiol
ogico SI 333

tecnicas de fuzziness ambiental. Este procedimento objetiva a reducao


de complexidade nos metodos adotados. Mais especificamente, tratar
matematicamente fuzziness demografica e, via de regra, mais compli-
cado que fuzziness ambiental. Claro que nem sempre podemos empregar
este processo de transferencia, que depende muito do tipo de situacao
modelada.

10.2 O Modelo Epidemiol


ogico SI

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

Figura 10.4: Diagrama Compartimental do Modelo SI.

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

tomar a carga viral como um fator influente na propagacao da doenca,


acreditando que indivduos com carga viral alta tem mais chance de
transmitir a doenca que aquele com carga baixa (veja [111]).
O modelo SI fuzzy que descreveremos a seguir leva em consideracao a
carga viral como caracterstica relevante do indivduo infeccioso.

10.2.1 O Modelo SI Fuzzy

Os conceitos de suscetvel, bem como de infeccioso, s


ao incertos no sen-
tido que h
a diferentes graus, tanto de suscetibilidade como de infeccio-
sidade.
Visando incorporar essa heterogeneidade populacional no modelo, con-
sideramos que quanto mais um indivduo estiver infectado, maior ser
aa
chance de transmiss
ao da doenca. Em outras palavras, assumimos que
= (v), onde v e a carga viral, e uma funcao n
ao decrescente com v.
Por outro lado, espera-se que quando a carga viral e muito baixa n
ao
h
a chance de ocorrer a transmiss
ao. Em outras palavras, admitimos que
existe uma carga mnima necessaria vmn para que haja possibilidade
n
ao nula de transmiss
ao da doenca. Alem disso, a partir de uma certa
carga viral vM , a chance de transmiss
ao e m
axima. Admitimos ainda
que a carga viral e limitada por um valor m
aximo vmax .
Escolhemos para a seguinte funcao


0 se v vmin



v vmin
se vmin < v vM
(v) = vM vmin . (10.10)

1 se vM < v vmax



0 se v > vmax

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

necessaria de vrus para que ocorra a transmiss


ao, e isto significa que o
grupo estudado possui uma baixa suscetibilidade `a doenca. Em outras
palavras, quanto maior for vmin , maior e a resistencia dos indivduos
suscetveis. J
a o par
ametro vM representa a carga viral a partir da qual
a chance de transmiss
ao e m
axima, isto e, (v) = 1. Obviamente, n
ao
significa que de fato ocorra a transmiss
ao da doenca quando (v) = 1.
Desde que (v) [0, 1], podemos interpretar como a funcao de
pertinencia de algum subconjunto fuzzy cujo domnio contem os valores
para a carga viral (veja Exemplo 7.6).

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 + ]

Note que (v) pode ser visto como a possibilidade de ocorrer V = v e,


passa a ser uma distribuicao de possibilidades para a vari
avel V . Para
uma melhor interpretac
ao de veja Exemplo 7.6 do Captulo 7.

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

Os conjuntos fuzzy assumidos pela vari


avel lingustica V ser
ao classi-
ficados baseados nos par
ametros vmin e vM que aparecem na definicao
de .

10.2.2 Esperanca fuzzy do n


umero de indivduos infectados

A seguir iremos calcular o n


umero medio de indivduos infectados nos
distintos casos correspondentes `as distribuicao de carga viral do grupo.
Como ja definido no Captulo 7, a esperanca fuzzy EF do conjunto
fuzzy I(V, t) e dada por

EF [I(V, t)] = sup min[, {I(v, t) }],


01

onde {v : I(v, t) } e uma medida fuzzy do conjunto classico -nvel


de I(v, t) = [I(V, t)] .
Assim, para cada t, a funcao H(), cujo ponto fixo e o valor EF [I(V, t)],
de acordo com o Teorema 7.1, e dada por
Z
H() = {v : I(v, t) } = (v)dv = 1 {v : I(v, t) < }.
[I(v,t)]

Primeiro, observamos que H(0) = 1 e H(1) = 0. Para 0 < < 1,


S0
fazendo k = I0 temos

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.

fraca media forte


vmin vM v
Figura 10.7: Classificac
oes das cargas virais.

Carga viral fraca (V ): Neste caso, tomamos vmin > v + .


Como B > vmin , temos {v [0, B]} = 1 e assim,
(
1 se 0 I0
H() = .
0 se I0 < 1

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

mesmo do instante inicial e portanto, a doenca n


ao se propaga. Este
resultado est
a em acordo com o fato de que, nesta faixa, (v) = 0.
Carga viral forte (V + ): Neste caso, tomamos vM v .
Para esta situac
ao, como B vM , obtemos {v [0, B]} = 0, logo
(
I 0 et
1 se 0 S0 +I0 et
H() = I 0 et
0 se S0 +I0 et <1

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(