Escolar Documentos
Profissional Documentos
Cultura Documentos
C ENTRO DE T ECNOLOGIA
P ROGRAMA DE P ÓS -G RADUAÇÃO EM E NGENHARIA E LÉTRICA E
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
DE C OMPUTAÇÃO
Ao professor Adrião, pela orientação, acessibilidade e principalmente por ter sido a ins-
piração do tema desse trabalho.
A Roberto, por toda a sua dedicação, companheirismo, apoio nos momentos difícies e
pela contribuição com sua vasta experiência matemática no desenvolvimento desta tese.
A meu amigo João Agnaldo, por sua grande ajuda que me incentivou e colaborou com
sua experiência estatística na disciplina de Processos Estocásticos.
A Fabiana, que me ajudou desde do primeiro dia de aula até o último dia, com a sua
ternura, paciência e amizade em assistir minhas apresentações nas defesas de qualificação
e da tese.
Aos meus pais, por cuidarem e amarem meus filhos enquanto estudava, viajava e traba-
lhava.
Aos meus amigos, Péricles e Náthalee que tornaram minha vida durante esta jornada
muito mais leve e feliz, estando sempre ao meu lado.
The idea of considering imprecision in probabilities is old, beginning with the Booles
George work, who in 1854 wanted to reconcile the classical logic, which allows the mo-
deling of complete ignorance, with probabilities. In 1921, John Maynard Keynes in his
book made explicit use of intervals to represent the imprecision in probabilities. But only
from the work of Walley in 1991 that were established principles that should be respected
by a probability theory that deals with inaccuracies.
With the emergence of the theory of fuzzy sets by Lotfi Zadeh in 1965, there is another
way of dealing with uncertainty and imprecision of concepts. Quickly, they began to pro-
pose several ways to consider the ideas of Zadeh in probabilities, to deal with inaccura-
cies, either in the events associated with the probabilities or in the values of probabilities.
In particular, James Buckley, from 2003 begins to develop a probability theory in which
the fuzzy values of the probabilities are fuzzy numbers. This fuzzy probability, follows
analogous principles to Walley imprecise probabilities.
On the other hand, the uses of real numbers between 0 and 1 as truth degrees, as
originally proposed by Zadeh, has the drawback to use very precise values for dealing with
uncertainties (as one can distinguish a fairly element satisfies a property with a 0.423 level
of something that meets with grade 0.424?). This motivated the development of several
extensions of fuzzy set theory which includes some kind of inaccuracy.
This work consider the Krassimir Atanassov extension proposed in 1983, which add
an extra degree of uncertainty to model the moment of hesitation to assign the membership
degree, and therefore a value indicate the degree to which the object belongs to the set
while the other, the degree to which it not belongs to the set. In the Zadeh fuzzy set
theory, this non membership degree is, by default, the complement of the membership
degree. Thus, in this approach the non-membership degree is somehow independent of
the membership degree, and this difference between the non-membership degree and the
complement of the membership degree reveals the hesitation at the moment to assign a
membership degree. This new extension today is called of Atanassov’s intuitionistic fuzzy
sets theory. It is worth noting that the term intuitionistic here has no relation to the term
intuitionistic as known in the context of intuitionistic logic.
In this work, will be developed two proposals for interval probability: the restricted
interval probability and the unrestricted interval probability, are also introduced two no-
tions of fuzzy probability: the constrained fuzzy probability and the unconstrained fuzzy
probability and will eventually be introduced two notions of intuitionistic fuzzy probabi-
lity: the restricted intuitionistic fuzzy probability and the unrestricted intuitionistic fuzzy
probability
Index terms: Interval probability, fuzzy number, fuzzy probability, intuitionistic fuzzy
logic, intuitionistic fuzzy number, Intuitionistic fuzzy probability, Markov chains.
Sumário
Sumário i
Lista de Figuras iv
1 Introdução 1
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Estado da Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Organização do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Teoria Intervalar 18
2.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Aritmética Intervalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Métrica sobre IR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Sequências e Limites de Intervalos . . . . . . . . . . . . . . . . . . . . . 22
2.5 Relações de Ordem sobre Intervalos . . . . . . . . . . . . . . . . . . . . 23
i
3.4.2 Um exemplo considerando a atual classificação sul-americana para
copa do mundo de 2014-FIFA . . . . . . . . . . . . . . . . . . . 40
3.5 Probabilidade Condicional Intervalar . . . . . . . . . . . . . . . . . . . . 43
3.6 Cadeias de Markov Intervalares . . . . . . . . . . . . . . . . . . . . . . . 48
3.6.1 Cadeias de Markov Intervalares finitas com tempo discreto . . . . 49
4 Teoria Fuzzy 57
4.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Conjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1 Operações Conjuntistas sobre conjuntos Fuzzy . . . . . . . . . . 62
4.3 Números Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3.1 Números Fuzzy Triangulares e Trapezoidais . . . . . . . . . . . . 68
4.3.2 Operações Aritméticas de Números Fuzzy . . . . . . . . . . . . . 69
4.3.3 Métrica sobre N . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.3.4 Sequências e Limites de Números Fuzzy . . . . . . . . . . . . . 72
4.3.5 Relações de Ordem entre Números Fuzzy . . . . . . . . . . . . . 73
8 Conclusão 129
8.1 Artigos Publicados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
iv
Lista de Símbolos e Abreviaturas
v
PI: Probabilidade intervalar.
PIR: Probabilidade intervalar restrita.
PF: Probabilidade fuzzy.
PFI: Probabilidade fuzzy intuicionista.
PFIR: Probabilidade fuzzy intuicionista restrita.
FPFI: Função de probabilidade fuzzy intuicionista.
PTFI: Probabilidade de transição fuzzy intuicionista.
CMFI: Cadeias de Markov fuzzy intuicionista.
NFITA: Número fuzzy intuicionsta triangular de Atanassov.
Capítulo 1
Introdução
1.1 Motivação
1
Capítulo 1. Introdução
genérico que cobre todos os modelos matemáticos que medem a possibilidade ou a incer-
teza sem probabilidades numéricas refinadas. Os julgamentos, na maior parte das vezes,
são qualitativos e é comum utilizar expressões como: "eu acho que", "é provável que",
etc.. A imprecisão ocorre quando o especialista está para armar uma probabilidade supe-
rior e inferior sobre algum evento. Para Smithson [138] os estudos do julgamento humano
sobre a incerteza têm uma história que é quase contemporânea com as teorias das proba-
bilidades. Ainda de acordo com Smithson [138] o uso da probabilidade para descrever
estados cognitivos ou julgamentos subjetivos tem provocado muitos debates, além do de-
senvolvimento de teorias e da realização de pesquisas empíricas.
Exemplos de probabilidades imprecisas são: a probabilidade intervalar como Yager
[154], Zhang, Jia e Jiang [162], Tanaka e Sugihara [144], Weichelberger [152], Sar-
veswaran, Smith e Blockey [133], Campos, Dimuro, Costa e Araújo [29], Intan [71]
entre outros; e a probabilidade fuzzy como Zadeh [161], Buckley [20, 21], Dunyak, Saad
e Wunsch [50], Rentería [126], entre outros. A probabilidade intervalar tem diversas apli-
cações como tomada de decisão [155], corrosão de estruturas metálicas [133], e a pro-
bablidade fuzzy tem aplicações nas áreas de estimação de futuras mudanças climáticas
[87], avaliação de risco da água potável [33], sistema de reabilitação [50], classificação
de grupo sanguíneo, teste de HIV, daltonismo, modelo de decisão, pesquisas políticas
[20].
Neste trabalho, serão introduzidas duas novas noções de probabilidades intervalares e
fuzzy, que satisfazem os princípios da probabilidade imprecisa. Uma das probabilidades
intervalares introduzidas é ótima no sentido de [65, 132], porém tem como desvantagem
que além de ser um pouco mais complexa de se calcular que a outra, ela impõe uma res-
trição às probabilidades intervalares associada a cada elemento do espaço de amostras
e por isso foi denominada de probabilidade intervalar restrita. A segunda probabilidade
intervalar, embora seja correta no sentido de [65, 132], não é ótima, porém tem como
vantagem que as probabilidades intervalares associadas a cada amostra podem ser inde-
pendentes entre si, ou seja, não impõe qualquer restrição. A abordagem aqui utilizada
para as duas probabilidades fuzzy é a mesma utilizada por Buckley em [20], ou seja,
elas são obtidas a partir de seus α-níveis, que no caso são intervalos. Assim, uma das
probabilidades fuzzy introduzidas nesta tese é determinada pela probabilidade intervalar
irrestrita enquanto a outra é determinada pela outra probabilidade intervalar. Vale salien-
tar que, a probabilidade fuzzy baseada na probabilidade intervalar irrestrita é sutilmente
diferente a do Buckley, pois no caso dele, devido à ordem considerada entre números
fuzzy, admite probabilidades fuzzy que tenha como α-nível um intervalo cujo extremo
inferior seja um número negativo enquanto em ambas probabilidades fuzzy introduzidas
2
Capítulo 1. Introdução
aqui, sempre os α-níveis serão intervalos não-negativos, ou seja, onde o extremo inferior
é um número maior que zero. Outro aspecto que diferencia a probabilidade fuzzy restrita
da do Buckley, é a ordem considerada. Por exemplo, em [20, página 32] fica evidente que
a probabilidade de Buckley não atende os axiomas de probabilidade intervalar do Walley
[148].
Após diversas pesquisas realizadas sobre possíveis extensões da noção de conjunto
fuzzy, surgiu uma extensão que tem chamado a atenção de muitas pesquisas nas últi-
mas décadas é a teoria dos conjuntos fuzzy intuicionistas (CFI) introduzida por Krassimir
Atanassov em 1983 [5]. Este fato ocorre, principalmente, devido ao fato de CFI serem
coerentes com o comportamento humano. Os CFI consideram um grau extra para os con-
juntos fuzzy no intuito de modelar a hesitação e incerteza ao momento de se atribuir o
grau de pertinência ao conjunto. Este segundo grau representa o quanto o especialista
acredita que o elemento não pertence ao conjunto. Na teoria dos conjuntos fuzzy o grau
de não-pertinência de um elemento do universo é implicitamente definido como o com-
plemento do grau de pertinência, ou seja, um menos o grau de pertinência e, portanto, é
fixo. Em teoria dos CFI o grau de não-pertinência é de alguma forma independente do
grau de pertinência e sua distância ao complemento deste expressa a hesitação no grau de
pertinência.
Também será introduzido nesta tese um novo tipo de imprecisão nas probabilidades
imprecisas, a saber, a probabilidade fuzzy intuicionista, a qual considera números fuzzy
intuicionistas para representar ao mesmo tempo imprecisão, incerteza e hesitação que
pode-se ter ao momento de determinar a probabilidade de algum evento. As duas pro-
babilidades fuzzy intuicionistas introduzidas nesta tese, são derivadas das probabilidades
intervalares introduzidas também nesta tese. Uma outra forma de ver esta probabilidade
fuzzy intuicionista, é quando precisa-se lidar com eventos que tem uma certa probabili-
dade de acontecer e outra de não acontecer, onde a soma de ambas probabilidades não
necessariamente é 1, e onde há uma incerteza e imprecisão em cada uma dessas duas
probabilidades associadas ao evento a qual pode ser modelada através de números fuzzy.
O uso da teoria dos conjuntos fuzzy intuicionistas em probabilidades não é novo,
porém todos os trabalhos anteriores a utilizam para tratar com eventos que são inerente-
mente fuzzy e onde ocorra hesitação na hora de definir o grau de incerteza da ocorrência
do evento (veja por exemplo [138, 59, 53]). Estes tipos de eventos são chamados de even-
tos fuzzy intuicionistas. Portanto, a abordagem utilizada nesta tese é substancialmente
diferente, pois considera eventos crisp e números fuzzy intuicionistas para modelar a pro-
babilidade e não probabilidade de um evento acontecer, ou a hesitação ao momento de se
determinar o número fuzzy que representa a probabilidade do evento.
3
Capítulo 1. Introdução
1.2 Justificativa
4
Capítulo 1. Introdução
1.3 Objetivos
• Apresentar duas propostas para cada tipo de probabilidade imprecisa: a intervalar,
a intervalar restrita, a fuzzy, a fuzzy restrita, a fuzzy intuicionista e a fuzzy intuici-
onista restrita. Como também definir a probabilidade condicional e provar a versão
do Teorema de Bayes em cada uma dessas teorias.
5
Capítulo 1. Introdução
sica formal, fatalmente chegam-se a conclusões que vão contra o senso comum. Isto
mostra que algo está errado quando manipulados termos vagos a partir do raciocínio ló-
gico formal, a primeira atitude deve ser a de identificar onde realmente encontra-se o
problema. Talvez ele esteja na forma de como é usada a lógica clássica nos termos va-
gos. Contudo, muitos resultados já mostraram que a lógica clássica realmente funciona de
forma satisfatória quando aplicada a termos com fronteiras bem definidas, isto é, termos
não-vagos.
Em 1965, Loft A. Zadeh [158], devido à necessidade de ferramentas mais flexíveis
a certos termos linguísticos subjetivos, como "aproximadamante", "em torno de", dentre
outros, sugeriu uma teoria para modelar a imprecisão, propondo uma teoria alternativa
de conjuntos, onde a passagem da pertinência para a não-pertinência fosse gradual e não
abrupta, assim publicou o seu primeiro trabalho sobre conjuntos fuzzy, baseado na lógica
multinível. Com este trabalho foi possível obter uma formalização matemática de um
conjunto fuzzy, generalizando a teoria convencional dos conjuntos.
Mais precisamente, um conjunto fuzzy A de um universo X é o conjunto
A = {(x, µA (x)) : x ∈ X}
6
Capítulo 1. Introdução
onde MA (x) e MA (x) são os extremos inferior e superior do intervalo MA (x), respectiva-
mente.
Esta teoria tem sido amplamente estudada e utilizada. Por exemplo, vale a pena des-
tacar os trabalhos de Gorzalczany sobre raciocínio aproximado [56, 57], Sambuc, e Roy
e Biswas sobre diagnósticos médicos [131, 128], Turksen sobre lógica multivaloradas
[145], Bedregal, Dimuro e Costa sobre Intervalo fuzzy baseado em regras de reconhe-
cimento de gestos de mão [15], Bustince sobre processamento digital de imagem [24],
Yager sobre tomada de decisão [156].
Uma outra extensão da teoria de conjuntos fuzzy foi introduzida por Atanassov [5].
Em conjuntos fuzzy, o grau de não-pertinência é dado a priori pelo seu complemento,
isto é, como sendo "um menos o grau de pertinência". Entretanto, um ser humano que
expressa o grau de pertinência de um elemento num conjunto fuzzy muitas vezes, fruto de
sua insegurança ou hesitação, não manifesta o grau de não-pertinência como o seu com-
plemento, isso reflete um fato bem conhecido que a negação lingüística psicológica nem
sempre se identifica com a negação lógica. Por esse motivo, Atanassov [5] introduziu o
conceito de conjunto fuzzy intuicionista que se caratcteriza por duas funções, uma expres-
sando o grau de pertinência e outra o grau de não-pertinência, respectivamente. Assim,
os conjuntos fuzzy intuicionistas são uma generalização natural dos conjuntos fuzzy, e
estes são úteis na modelagem de muitas situações da vida real, como por exemplo: pro-
cessos de negociações [5, 7], tomada de decisões [140, 141, 142], processamento digital
de imagens [76], visão computacional [70], reconhecimentos de padrões [163], imagens
de células humanas [31], etc.
Um conjunto fuzzy intuicionista (CFI) atribui a cada elemento do universo um grau
de pertinência, e um grau de não-pertinência que reflete o seu grau de hesitação. Mais
precisamente, um conjunto fuzzy intuicionista A de um universo X é o conjunto
7
Capítulo 1. Introdução
são e incerteza de opiniões não só pela função de pertinência. Isto é devido ao fato de
que em algumas situações é mais fácil descrever sentimentos negativos que as atitudes
positivas. Ainda mais, muitas vezes é mais fácil especificar os objetos ou as alternativas
daquilo que não se gosta, mas simultaneamente não é possível especificar claramente o
que se prefere. Considere uma situação observada numa imobiliária. Muitas vezes, um
cliente que procura um apartamento para alugar ou comprar, porém não está totalmente
convencido sobre a localização e considera várias opções. É óbvio que alguns bairros tem
mais preferência do que outros, assim como também existem bairros que não é do gosto
do cliente. Os CFI são muito úteis para a modelagem de situações da vida cotidiana como
esta. Por exemplo, pode acontecer que uma pessoa indagada sobre o seu bairro favorito
em Natal não pode escolher definitivamente se é Ponta Negra, Petrópolis ou Tirol, mas ele
tem certeza de que definitivamente não quer morar no Alecrim. Assim, pode-se empregar
um conjunto fuzzy intuicionista para a modelagem das preferências do cliente, onde a
função de pertinência mostra o grau que um determinado bairro tenha mais preferência,
enquanto a função de não-pertinência indica o grau que uma determinada região não deve
ser tomada em consideração.
Tem-se uma situação semelhante quando se comparam as preferências expressas por
meio de ordenações que admitem a incerteza devido à indefinição, imprecisão e hesita-
ção, ou seja, onde pode-se indicar os objetos que certamente são melhores que outros, que
certamente são piores que outros, mas tem-se também objetos que são indiferentes e in-
comparáveis. Neste caso, os conjuntos fuzzy intuicionistas fornece também ferramentas
perfeitas e naturais para a modelagem de tais ordenações.
É por esta versatilidade em suas aplicações que a teoria de CFI de Atanassov tem
despertado um crescente interesse mundial o que pode ser percebido pelo fato que após
quase 30 anos de existência já existem mais de 1000 trabalhos publicados sobre os con-
juntos fuzzy intuicionista (uma visão geral pode ser encontrada em [115]). Além disso,
há uma revista internacional (Notes on Intuitionistic Fuzzy Sets, ISSN 1310-4926) ex-
clusivamente devotada para esta extensão de lógica fuzzy, desde 1997 uma conferência
dedicada à conjuntos fuzzy intuicionistas é anualmente organizada, bem como várias ses-
sões especiais em conferências internacionais, as quais são úteis para verificar a situação
da teoria dos conjuntos fuzzy intuicionistas no âmbito das diferentes teorias de modela-
gem de imprecisão.
É importante salientar que Atanassov e Gargov em [6] provam que, desde o ponto de
vista matemático, a teoria dos CFIV e a teoria dos CFI são equivalentes. De fato, eles
mostram que a função f , que associa a cada CFIV A o CFI B = f (A ) dado por µB (x) =
MA (x) e νB (x) = 1 − MA (x), e a função g que associa a cada CFI B o CFIV A = g(B )
8
Capítulo 1. Introdução
dado por MA (x) = [µB (x), 1 − νB (x)], são inversas uma da outra, e portanto as teorias de
CFIV e CFI são generalizações equivalentes da noção de conjuntos fuzzy. Este fato não
vem desmerecer nenhuma destas teorias e nem os resultados obtidos baseados em alguma
destas teorias. De fato, desde o ponto de vista semântico (imprecisão de pertinência versus
ponderando/modelando preferências) elas são muito diferentes. Uma coisa é que elas
sejam equivalentes do ponto de vista matemático e outra são os conceitos e propriedades
matemáticas que elas modelam (suas semânticas) e este último é o que mais importa nas
aplicações. O mais importante é que estas duas teorias tem se desenvolvido com diferentes
fundamentos e são baseadas em semânticas diferentes e ambas são necessárias para lidar
com incertezas em diferentes contextos.
As considerações apresentadas são cruciais em eventos onde a imperfeição da infor-
mação é uma regra, tais como, tomada de decisões, por exemplo. Existem vários aspectos
de imperfeição da informação, dentre eles a incerteza e imprecisão são as mais importan-
tes. A imprecisão pode ser modelada por conjuntos fuzzy intuicionistas e a incerteza é
modelada pela teoria de probabilidades.
Em 1968, Zadeh [161] também foi o primeiro a definir um evento fuzzy e a estender o
conceito de probabilidade clássica para tais eventos, preservando as propriedades básicas
da teoria da probabilidade clássica. Em teoria clássica de probabilidades, um evento A é
um elemento de uma σ-álgebra F formada por subconjuntos de um espaço amostral X e
uma medida de probabilidade P é uma medida normalizada sobre um espaço mensurável
(X, F ); ou seja, P é uma função real-valorada que associa a cada evento A em F uma
probabilidade, P(A), tal que (a) P(A) ≥ 0 para todo A ∈ F ; (b) P(X) = 1; e (c) P é
contavelmente aditiva, ou seja, se {Ai } é uma coleção de eventos disjuntos, então
!
∞
[ ∞
P Ai = ∑ P(Ai ).
i=1 i=1
9
Capítulo 1. Introdução
n
P(A ) = ∑ P(xi )µA (xi ),
i=1
n
Pmin (A ) = ∑ P(xi )µA (xi ),
i=1
10
Capítulo 1. Introdução
esta expressão foi proposta por Gerstenkorn e Manko em [53] como uma definição de
probabilidade de eventos fuzzy intuicionistas.
Estas noções de evento fuzzy intuicionista e sua probabilidade foi estendida para o
caso contínuo por Grzegorzewski em [59]. Para Grzegorzewski, um evento fuzzy intui-
cionista é entendido como um conjunto fuzzy intuicionista A de universo X ⊆ Rn , cuja
função de pertinência µA e de não-pertinência νA (e portanto o índice de hesitação) são
funções mensuráveis à Borel e cuja probabilidade é um número P(A ) no intervalo
Z Z
µA (x)dP, (1 − νA (x))dP .
X X
esta expressão foi proposta por Gerstenkorn e Manko em [53] como uma definição de
probabilidade de eventos fuzzy intuicionistas.
Até o momento tratou-se de teorias de probabilidades em que os eventos são fuzzy
ou fuzzy intuicionistas, porém sua probabilidade é exata, pois é um número no intervalo
[0, 1]. Porém, em muitas situações práticas existem imprecisões no valor probabilístico de
um evento, especialmente quando há pouca informação a disposição para evaluar a proba-
bilidade; ou quando a informação disponível não é suficientemente específica; ou quando
existem situações de conflito devido à existência de várias fontes de informação. É nestas
situações, por exemplo, que se faz necessário atribuir a um evento clássico um valor pro-
babilístico impreciso, como por exemplo um valor intervalar (Probabilidade Intervalar);
ou um número fuzzy (Probabilidade Fuzzy) ou fuzzy intuicionista (Probabilidade Fuzzy
Intuicionista). Estes tipos de probabilidade são chamadas de probabilidades imprecisas
por modelarem a incerteza sem probabilidades numéricas exatas.
Uma proposta de axiomática para a Probabilidade Intervalar foi apresentada por Wal-
ley e Fine em [149, 148], a qual é descrita da seguinte maneira:
Seja (Ω, F ) um espaço de probabilidade. Uma probabilidade intervalar é uma fun-
ção P : F → I([0, 1]), dada por P(A) = [P(A), P(A)], que satisfaz as seguintes proprieda-
des:
11
Capítulo 1. Introdução
/ = 0 e P(Ω) = 1;
Axioma IV: P(0)
É possível provar que todas probabilidades inferiores que são 2-monótonas são também
coerentes (veja por exemplo [68]Lemma 2.5)
Com respeito da probabilidade fuzzy, ou seja, aquela que atribui um número fuzzy
como valor de probabilidade a um evento clássico, pode-se dizer que o primeiro trabalho
nesta direção foi feito por Buckley em [20]. Buckley considera como espaço amostral um
conjunto discreto Ω = {x1 , . . . , xn }, e um conjunto de números fuzzy Fi , i = 1, . . . , n com
n
a propriedade 0 < Fi < 1 que existam pi ∈ N(Fi ) tais que ∑ pi = 1, onde N(Fi ) é o núcleo
i=1
de Fi .
12
Capítulo 1. Introdução
Além disso, Buckley prova que estas probabilidades são semi-aditivas, no sentido que
para todo A, B ⊂ Ω
PI(A) = PI(A), PI(A) ,
onde
∑ pi
i∈IA
PI(A) = min : pi ∈ Li , ∀i = 1, . . . , n
n
∑ pi
i=1
13
Capítulo 1. Introdução
e
∑ pi
i∈IA
PI(A) = max n : pi ∈ Li , ∀i = 1, . . . , n
∑ pi
i=1
onde ( )
n
PB(A) = min ∑ pi; pi ∈ Li∀i = 1, . . . , n e ∑ pi = 1
i∈IA i=1
e ( )
n
PB(A) = max ∑ pi; pi ∈ Li∀i = 1, . . . , n e ∑ pi = 1 .
i∈IA i=1
e
PB(A) + PB(B) ≤ PB(A ∪ B) + PB(A ∩ B);
Inicialmente será proposto como definição de probabilidade fuzzy uma extensão na-
tural da proposta restrita, acima mencionada, sobre probabilidade fuzzy. Neste trabalho
será proposto a seguinte definição de PF para eventos discretos. Considere como es-
paço amostral um conjunto discreto Ω = {x1 , . . . , xn }, e um conjunto de números fuzzy
Fi , i = 1, . . . , n. Nestas condições, será definida a probabilidade fuzzy PF(A) de um sub-
conjunto A de Ω como sendo o conjunto fuzzy cujos α-níveis PF(A)α são dados por:
14
Capítulo 1. Introdução
∑ pi
i∈IA
PF(A)α = : pi ∈ Fi,α , ∀i = 1, . . . , n .
n
∑ pi
i=1
Neste trabalho será provado que tanto PF(A) como PFB(A) são de fato um números
fuzzy e que estas probabilidades são semi-aditivas, no sentido que para todo A, B ⊂ Ω
e
PFB(A ∪ B) ≤ PFB(A) + PFB(B) − PFB(A ∩ B).
Neste trabalho será provado que tanto PFI(A) como PFIB(A) são de fato um números
fuzzy intuicionistas e que estas probabilidades são semi-aditivas, no sentido que para todo
A, B ⊂ Ω
PFI(A ∪ B) ≤ PFI(A) + PFI(B) − PFI(A ∩ B)
15
Capítulo 1. Introdução
e
PFIB(A ∪ B) ≤ PFIB(A) + PFIB(B) − PFIB(A ∩ B).
16
Capítulo 1. Introdução
17
Capítulo 2
Teoria Intervalar
18
Capítulo 2. Teoria Intervalar
rio identificar sua origem. Com isso, o uso da matemática intervalar torna-se uma forte
alternativa na resolução de problemas caracterizados pela falta de exatidão.
A aritmética intervalar é uma aritmética bem elaborada matematicamente, onde são
definidas as principais operações aritméticas para intervalos, baseadas nas respectivas
operações reais sobre os extremos dos intervalos como Moore em [107], Campos, Di-
muro, Costa e Araújo em [29], Kulish em [91], Jaulin, Kieffer, Didrit e Walter em [75].
Atualmente, a matemática intervalar ultrapassou as fronteiras das aplicações numéri-
cas desenvolvidas em diversas áreas das ciências, tais como: teoria fuzzy [58, 57], pro-
cessamento de sinais [27], inteligência artificial [15], teoria de controle [158], economia
[136], sistemas de informações geográficas [134], controle robustos e robótica [75], com-
putação gráfica [34], e em outras diversas aplicações que lidam com dados imprecisos.
IR = {[a, b] : a, b ∈ R, a ≤ b}
Os intervalos degenerados, ou seja, da forma [a, a], serão escritos na forma simplificada
[a].
A seguir será apresentada as definições das operações aritméticas sobre IR em termos
de respectivas operações aritméticas no conjunto da reta real.
Definição 2.2.1 (Adição) Sejam X, Y ∈ IR, então a soma de X com Y é dada por:
X +Y = {x + y : x ∈ X, y ∈ Y }.
Definição 2.2.2 (Pseudo Inverso Aditivo) Seja X ∈ IR, o pseudo inverso aditivo de X
é dado por:
−X = {−x : x ∈ X}.
O nome de pseudo inverso aditivo é devido ao fato que, nem sempre a igualdade
X − X = [0] é verdadeira. De fato, tome um intervalo X = [0, 1], assim −X = [−1, 0], logo
X − X = [−1, 1] 6= [0], mas [0] está contido como conjunto no intervalo X − X = [1, −1].
19
Capítulo 2. Teoria Intervalar
Definição 2.2.5 (Divisão) Sejam X e Y ∈ IR tal que 0 6∈ Y , então a divisão X/Y é dada
por:
X x
= : x ∈ X, y ∈ Y
Y y
Os elementos de IR algumas vezes serão denotados por: X = [l(X), r(X)]. Neste caso,
l(X) é o extremo esquerdo do intervalo X e r(X) é o extremo direito de X.
Teruo Sunaga [137] provou que
• −X = [−r(X), −l(X)];
• X ·Y = [min S, max S] onde S = {l(X) · l(Y ), l(X) · r(Y ), r(X) · l(Y ), r(X) · r(Y )};
Definição 2.2.7 Seja X = [l(X), r(X)] um intervalo, diz-se que X é positivo, e será deno-
tado por X > 0, se l(X) for positivo, isto é se l(X) > 0. Será denotado por IR+ o conjunto
dos intervalos positivos.
Observação 2.2.8 Se X = [l(X), r(X)] e Y = [l(Y ), r(Y )] são dois intervalos positivos,
então o produto e a divisão de X e Y podem ser descritos da seguinte maneira:
20
Capítulo 2. Teoria Intervalar
• Comutatividade na adição: X +Y = Y + X
• Associatividade na multiplicação: (X ·Y ) · Z = X · (Y · Z)
• Comutatividade na multiplicação: X ·Y = Y · X
• Subdistributividade: X · (Y + Z) ⊆ X ·Y + X · Z
Prova: Ver [108]
Note que, em IR+ é satisfeita a lei de distributividade no seguinte sentido:
X · (Y + Z) = X ·Y + X · Z
É fácil provar que, esta noção de distância entre intervalos fechados define uma mé-
trica sobre IR, ou seja, dM : IR × IR → R satisfaz as seguintes propriedades: Se A, B,C ∈
IR então
(i) dM (A, B) ≥ 0;
21
Capítulo 2. Teoria Intervalar
{[an , bn ] ∈ IR : n ∈ N}.
De agora em diante, diz-se que {[an , bn ]}n∈N é uma sequência de intervalos fechados,
ou uma sequência em IR, para representar a sequência f : N → IR dada por f (n) =
[an , bn ]. Note que, com esta identificação têm-se que a soma e produto de sequências de
intervalos fechados pode ser descrita assim:
e
{[an , bn ]}n∈N · {[cn , dn ]}n∈N = {[an , bn ] · [cn , dn ]}n∈N = {[xn , yn ]}n∈N ,
Definição 2.4.2 Diz-se que a sequência {[an , bn ]}n∈N converge para [a, b] ∈ IR, e será
escrita
[an , bn ] → [a, b] ou lim [an , bn ] = [a, b]
n→∞
se dado ε > 0, existe n0 ∈ N tal que dM ([an , bn ], [a, b]) < ε para todo n ≥ n0 .
Proposição 2.4.3 A sequência {[an , bn ]}n∈N converge se, e somente se, as sequências de
números reais {an }n∈N e {bn }n∈N convergem. Neste caso, têm-se que
h i n o
lim [an , bn ] = lim an , lim bn = lim cn : an ≤ cn ≤ bn , para todo n ∈ N .
n→∞ n→∞ n→∞ n→∞
22
Capítulo 2. Teoria Intervalar
Prova: Se lim [an , bn ] = [a, b], então dado ε > 0, existe n0 ∈ N tal que dM ([an , bn ], [a, b]) <
n→∞
ε para todo n ≥ n0 . Mas,
Logo, |an − a| < ε e |bn − b| < ε para todo n ≥ n0 . Portanto, lim an = a e lim bn = b.
n→∞ n→∞
Reciprocamente, se lim an = a e lim bn = b, então dado ε > 0, existe n1 , n2 ∈ N tais
n→∞ n→∞
que |an − a| < ε para todo n ≥ n1 e |bn − b| < ε para todo n ≥ n2 . Seja n0 = max{n1 , n2 }.
Então,
dM ([an , bn ], [a, b]) = max{|an − a|, |bn − b|} < ε
para todo n ≥ n0 , ou seja, lim [an , bn ] = [a, b], o que prova a afirmação e a primeira igual-
n→∞
dade.
A segunda igualdade segue das propriedades dos limites de sequências de números
reais. De fato, se {cn }n∈N é uma sequência de números reais tais que an ≤ cn ≤ bn para
todo n ∈ N então,
lim an ≤ lim cn ≤ lim bn ,
n→∞ n→∞ n→∞
h i
ou seja, lim cn ∈ lim an , lim bn . Por outro lado, se lim an = a e lim bn = b e c ∈ [a, b]
n→∞ n→∞ n→∞ n→∞ n→∞
então, existe t ∈ [0, 1] tal que c = a + t(b − a). Defina cn = an + t(bn − an ), n ∈ N. É fácil
verificar que lim cn = c e que an ≤ cn ≤ bn .
n→∞
[a, b] ⊆ [c, d] ⇔ c ≤ a e b ≤ d
[a, b] ≤K [c, d] ⇔ a ≤ c e b ≤ d.
23
Capítulo 2. Teoria Intervalar
Note que, <M não é de fato uma ordem, pois não é reflexiva, porém seu fecho refle-
xivo, denotado por ≤M , é uma ordem parcial sobre IR. Uma caracterização de ≤M é dada
por:
X ≤M Y ⇔ X <M Y ou X = Y.
É fácil provar que esta ordem é uma ordem total sobre IR, a qual está sendo introdu-
zida neste trabalho e desenvolverá um papel importante nos capítulos subsequentes.
Observação 2.5.5 Note que, a ordem E é mais fina que a ordem de inclusão entre inter-
valos, no sentido que se A, B ∈ IR e A ⊆ B então, A E B.
A
Lema 2.5.6 Sejam A, B,C intervalos positivos tais que B ⊆ C. Então, B ⊆ CA .
a1 a1 a2 a2
≤ ≤ ≤ .
c2 b2 b1 c1
24
Capítulo 3
25
Capítulo 3. Teoria de Probabilidade Intervalar
Axioma III: Dada qualquer sequência enumerável, mutuamente disjunta, {An }n∈N
de elementos de F tem-se que
[
P A = ∑ P(An).
n∈N n
n∈N
/ = 0 e P(Ω) = 1;
Axioma IV: P(0)
Note que, o axioma V é equivalente à propriedade P(A) = [1] − P(Ac ), pois pelo
axioma V, P(Ac ) = 1 − P(Acc ) = 1 − P(A).
P é coerente se existir um conjunto não-vazio M de funções de probabilidades clás-
sicas sobre F tal que
26
Capítulo 3. Teoria de Probabilidade Intervalar
É possível provar que todas probabilidades inferiores que são 2-monótonas são também
coerentes (veja por exemplo [68], Lemma 2.5).
27
Capítulo 3. Teoria de Probabilidade Intervalar
r
Ii ⊆ [0, 1] e existam ai ∈ Ii , i = 1, . . . , r tais que ∑ ai = 1. (3.1)
i=1
Neste caso, diz-se que I satisfaz a restrição aritmética intervalar (3.1). Observe que, esta
n
condição garante que 1 ∈ ∑ Ii .
i=1
Diz-se que a = (a1 , . . . , ar ) pertence a I, e será escrito a ∈ I, se ai ∈ Ii para todo
i = 1, . . . , r.
onde IA = { j ∈ {1, . . . , r} : x j ∈ A}. Esta função PIR algumas vezes será denotada por
PIRI para enfatizar a dependência desta função de probabilidade com o conjunto I.
Teorema 3.3.2 Para cada A ⊆ Ω, PIR(A) é um intervalo fechado contido em [0, 1]. Em
particular, tem-se uma função PIR : ℘(Ω) → I([0, 1]), onde I([0, 1]) é o subconjunto de
IR consistindo dos intervalos fechados contidos em [0, 1].
r r
Prova: Seja S = {(y1 , . . . , yr ) ∈ [0, 1]r : ∑ yi = 1}. Defina D = S ∩ ∏ Ii e f : D → [0, 1]
i=1 i=1
por
f (a1 , . . . , ar ) = ∑ ai . (3.3)
i∈IA
28
Capítulo 3. Teoria de Probabilidade Intervalar
Corolário 3.3.3 As funções PIR, PIR : ℘(Ω) → [0, 1], definidas para todo A ⊆ Ω por:
1 − ∑ r(Ii ),
se ∑ l(Ii ) + ∑ r(Ii ) ≤ 1
i6∈IA i∈IA i6∈IA
PIR(A) = (3.4)
∑ l(Ii ),
caso contrário
i∈I
A
∑ r(Ii ),
se ∑ r(Ii ) + ∑ l(Ii ) ≤ 1
i∈IA i∈IA i6∈IA
PIR(A) = (3.5)
1 − ∑ l(Ii ),
caso contrário
i6∈IA
Suponha agora que ∑ l(Ii ) + ∑ r(Ii ) ≥ 1. Como, pela restrição aritmética intervalar,
i∈IA i6∈IA
r r
existem pi ∈ Ii , i = 1, . . . , r, tais que ∑ pi = 1 tem-se que ∑ l(Ii ) ≤ 1.
i=1 i=1
Mas, a função f : ∏ Ii → R dada por f ((ai )i6∈IA ) = ∑ l(Ii ) + ∑ ai é contínua e ∏ Ii
i∈IA i∈IA i6∈IA i6∈IA
c
é um subconjunto conexo de R]A ,
portanto pelo Teorema do Valor Intermediário ([98]
p.56), existem ai ∈ Ii , i 6∈ IA , tais que ∑ l(Ii ) + ∑ ai = 1. Logo,
i∈IA i6∈IA
PIR(A) = ∑ l(Ii).
i∈IA
Portanto,
1 − ∑ r(Ii ),
se ∑ l(Ii ) + ∑ r(Ii ) ≤ 1
i6∈IA i∈IA i6∈IA
PIR(A) = .
∑ l(Ii ),
caso contrário
i∈IA
29
Capítulo 3. Teoria de Probabilidade Intervalar
a1 + a2 + . . . + ar = 1
Seja I = ([a1 ], . . . , [ar ]). Então, PIRI = P, ou seja, esta definição de probabilidade interva-
lar estende a noção de probabilidade clássica.
Teorema 3.3.5 Seja Ω = {x1 , . . . , xr } e seja PIR : ℘(Ω) → I([0, 1]) a função de probabi-
lidade intervalar restrita. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
(i) Se A ∩ B = 0,
/ então PIR(A ∪ B) ⊆ PIR(A) + PIR(B). Em particular, tem-se que
PIR(A ∪ B) E PIR(A) + PIR(B).
(v) Se A ∩ B 6= 0,
/ então PIR(A ∪ B) ⊆ PIR(A) + PIR(B) − PIR(A ∩ B). Em particular,
tem-se que então PIR(A ∪ B) E PIR(A) + PIR(B) − PIR(A ∩ B).
Prova: Itens (ii) e (iii) são triviais e (iv) segue do item (i). Portanto, será provado apenas
os itens (i) e (v).
Note que, A ∩ B = 0/ se e somente se, IA ∩ IB = 0. /
Para provar a relação PIR(A ∪ B) ⊆ PIR(A) + PIR(B) de (i) é suficiente provar que
( )
r
∑ ai + ∑ a j : a ∈ I e ∑ al = 1
i∈IA j∈IB l=1
está contido em
( ) ( )
r r
∑ ai : a ∈ I e ∑ al = 1 + ∑ a j : a ∈ I e ∑ al = 1 ,
i∈IA l=1 j∈IB l=1
o que é óbvio. Em particular, pela Observação 2.5.5 tem-se que PIR(A ∪ B) E PIR(A) +
PIR(B), o que prova (i).
Para provar a relação PIR(A ∪ B) ⊆ PIR(A) + PIR(B) − PIR(A ∩ B) de (v), é suficiente
mostrar que ( )
r
∑ ai : a ∈ I e ∑ al = 1
i∈IA ∪IB l=1
30
Capítulo 3. Teoria de Probabilidade Intervalar
está contido em
( )
r r
∑ ai : a ∈ I e ∑ al = 1 + ∑ a j : a ∈ I e ∑ al = 1
i∈IA l=1 j∈IB l=1
r
− ∑ ai : a ∈ I e ∑ al = 1
i∈IA ∩IB l=1
o que é obvio. Em particular, pela Observação 2.5.5, tem-se que PIR(A ∪ B) E PIR(A) +
PIR(B) − PIR(A ∩ B), o que prova (v).
Em outras palavras, a probabilidade intervalar restrita pode ser entendida como uma famí-
r
lia de probabilidades clássicas, parametrizadas por todos os a = (a1 , . . . , ar ) ∈ I com ∑ ai =
i=1
1, ou seja, ( )
r
PIR(A) = Pa (A) : a ∈ I e ∑ ai = 1 .
i=1
31
Capítulo 3. Teoria de Probabilidade Intervalar
Além disso, ( )
r
PIR(A) = inf Pa (A) : a ∈ I e ∑ ai = 1
i=1
e ( )
r
a
PIR(A) = sup P (A) : a ∈ I e ∑ ai = 1 ,
i=1
onde IA = { j ∈ {1, . . . , r} : x j ∈ A}. Esta função PI algumas vezes será denotada por PII
para enfatizar a dependência desta função de probabilidade com o conjunto I.
Teorema 3.3.9 Para cada A ⊆ X, PI(A) é um intervalo fechado contido em [0, 1]. Em
particular, tem-se uma função PI : ℘(Ω) → I([0, 1]), onde I([0, 1]) é o subconjunto de IR
consistindo dos intervalos fechados contidos em [0, 1].
r
Prova: Defina D = ∏ Ii e f : D → [0, 1] por
i=1
∑ ai
i∈IA
f (a1 , . . . , ar ) = r . (3.7)
∑ ai
i=1
32
Capítulo 3. Teoria de Probabilidade Intervalar
∑ l(Ii )
i∈IA
PI(A) = (3.8)
∑ l(Ii ) + ∑ r(I j )
i∈IA j6∈IA
∑ r(Ii )
i∈IA
PI(A) = (3.9)
∑ r(Ii ) + ∑ l(I j )
i∈IA j6∈IA
são tais que PI(A) = [PI(A), PI(A)]. A função PI é chamada de Probabilidade Interva-
lar.
PIR(A) ⊆ PI(A)
pois,
∑ ai
( )
r
i∈IA
∑ ai : a ∈ I e ∑al = 1 ⊆
r
:a∈I .
i∈IA l=1 ∑ ai
i=1
Isto mostra que PIR(A) resulta num intervalo mais estreito e portanto com menos in-
certezas que PI(A). De fato, pode-se afirmar que PIR(A) resulta no intervalo ótimo, no
sentido de [132], enquanto PI(A) apesar de satisfazer a propriedade de corretude, não
necessariamente é ótimo. Uma vantagem de PI(A) sobre PIR(A) é ser um pouco mais
simples de se calcular (compare equações (3.8) e (3.9) com as equações (3.4) e (3.5)),
ou seja, de determinar seus extremos. No entanto, sua maior vantagem reside no fato
de não impor restrições no I, isto permite lidar com situações onde as probabilidades in-
tervalares atribuídas a cada elemento de Ω sejam absolutamente independentes entre si.
33
Capítulo 3. Teoria de Probabilidade Intervalar
Pode-se pensar que isso não é um forte obstáculo, uma vez que sempre é possível nor-
malizar essas probabilidades a fim de se obter uma tupla de probabilidades que satisfaça
a condição (3.1), porém existem diversas formas de normalizar resultando portanto, em
valores diferentes para PIR(A).
Por exemplo, considere Ω = {x1 , x2 , x3 }, I = ([0.1, 0.2], [0.2, 0.3], [0.3, 0.4]) e A =
{x1 , x2 }. Claramente I não satisfaz a condição (3.1) o que parece não natural, pois consi-
derando cada intervalo Ii em I como uma aproximação da probabilidade de xi , seria natural
que a probabilidade real de cada xi esteja dentro de Ii , e portanto a soma dessas probabi-
lidades (reais) deveria somar 1, ou seja, I deveria satisfazer a condição (3.1). No entanto,
estas probabilidades intervalares não necessariamente encapsulam a probabilidade real,
pois podem trazer a incerteza do próprio processo do cálculo da probabilidade que está
sujeita a diversas imprecisões. Logo, essa imprecisão pode levar a desrespeitar esta con-
dição. Na seção será apresentado um estudo de caso onde esta probabilidade intervalar
respeita, caso considere certos parâmetros, e outra em que desrespeita esta condição.
Então, se I for normalizado pelo fator 10 1 2 2 1 1 4
9 , isto é, I = ([ 9 , 9 ], [ 9 , 3 ], [ 3 , 9 ]), então PIR(A) =
[ 59 , 59 ]. Porém, se for normalizado pelo fator 16 , então PIR(A) = [0.5, 0.5].
Seja I = ([a1 ], . . . , [ar ]). Então, PII = P, ou seja, esta definição de probabilidade intervalar
estende a noção de probabilidade clássica.
Teorema 3.3.12 Seja Ω = {x1 , . . . , xr } e seja PI : ℘(Ω) → I([0, 1]) a função de probabi-
lidade intervalar. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
(i) Se A ∩ B = 0,
/ então PI(A ∪ B) ⊆ PI(A) + PI(B). Em particular, tem-se que
PI(A ∪ B) E PI(A) + PI(B).
(v) Se A ∩ B 6= 0,
/ então PI(A ∪ B) ⊆ PI(A) + PI(B) − PI(A ∩ B). Em particular, tem-se
que PI(A ∪ B) E PI(A) + PI(B) − PI(A ∩ B).
34
Capítulo 3. Teoria de Probabilidade Intervalar
Prova: Itens (ii) e (iii) são triviais e item (iv) segue do item (i). Portanto, serão provados
apenas os itens (i) e (v).
Note que, A ∩ B = 0/ se e somente se, IA ∩ IB = 0. /
Para provar a relação PI(A ∪ B) ⊆ PI(A) + PI(B) de (i) é suficiente provar que
∑ ai
i∈IA ∪IB
:a∈I
r
∑ ai
i=1
está contido em
∑ ai ∑ aj
i∈IA j∈IB
r : a ∈ I + r : a ∈ I ,
∑ ai ∑ ai
i=1 i=1
o que é óbvio. Em particular, pela Observação 2.5.5, tem-se que PI(A ∪ B) E PI(A) +
PI(B), o que prova (i).
Para provar a relação PI(A ∪ B) ⊆ PI(A) + PI(B) − PI(A ∩ B) de (v), é suficiente
mostrar que
∑ ai
i∈IA ∪IB
r : a ∈ I
∑ ai
i=1
está contido em
∑ ai ∑ aj ∑ ai
i∈IA j∈IB i∈IA ∩IB
r : a ∈ I + : a ∈ I − : a ∈ I
r r
∑ ai ∑ ai ∑ ai
i=1 i=1 i=1
o que é obvio. Em particular, pela Observação 2.5.5, tem-se que PI(A ∪ B) E PI(A) +
PI(B) − PI(A ∩ B), o que prova (v).
35
Capítulo 3. Teoria de Probabilidade Intervalar
∑ l(I j )
j∈IAc
PI(Ac ) = .
∑ l(I j ) + ∑ r(Ii )
j∈IAc i∈IA
Logo, da Equação (3.8) segue-se facilmente que PI(A) + PI(Ac ) = 1, o que prova que PI
satisfaz o axioma V. Além disso, PI é 2-monótona pelo item (v) do Teorema 3.3.12.
A seguinte observação é crucial para entender melhor as cadeias de Markov interva-
lares.
Observação 3.3.14 Note que, para cada a = (a1 , . . . , ar ) ∈ I pode-se definir a seguinte
função de probabilidade no sentido clássico Pa : ℘(Ω) −→ [0, 1] dada por
∑ ai
a i∈IA
P (A) = r , para todo A ⊆ X.
∑ ai
i=1
Em outras palavras, a probabilidade intervalar pode ser entendida como uma família de
probabilidades clássicas, parametrizadas por todos os a = (a1 , . . . , ar ) ∈ I, ou seja,
Além disso, ( )
r
PI(A) = inf Pa (A) : a ∈ I e ∑ ai = 1
i=1
e ( )
r
a
PI(A) = sup P (A) : a ∈ I e ∑ ai = 1 ,
i=1
36
Capítulo 3. Teoria de Probabilidade Intervalar
37
Capítulo 3. Teoria de Probabilidade Intervalar
O valor de n pode ser calculado como uma função do número de ciclos na competição
atual e seu respectivo peso deve ser maior para os jogos mais recentes. α e β podem ser
dados de forma ad-hoc pelo perito que considera alguns aspectos subjetivos, tais como:
o nível da equipe na competição atual, se para o jogo de todos os jogadores da equipe
estão em boas condições para atuar, se houver um jogador de volta de uma lesão, o juiz,
se o artilheiro da equipe está em uma boa ou uma má fase, etc. Mas também pode ser
determinada através da utilização de um modelo matemático com base no presente índice
na tabela de resultados da competição. Neste trabalho, será considerada esta última abor-
dagem: Seja p> e p⊥ a máxima e mínima pontuação de todos os times de competição,
respectivamente, pA é a pontuação A e pB a pontuação de B. Em seguida, o fator de ajuste
de A e B são
pA − p⊥ pB − p⊥
α = 1− and β = 1 − . (3.10)
2(p> − p⊥ ) 2(p> − p⊥ )
38
Capítulo 3. Teoria de Probabilidade Intervalar
n
β ∑ wi (φ(hi ) + φ(ai ))
i=1
Pganhar (A, B) = (3.11)
8
onde
4, se A vence a partida m por mais de 1 gol
3, se A vence a partida m por um gol 1 gol
φ(m) = 2, se A empata a partida m
1, se A perde a partida m por 1 gol
0, se A perde a partida m por mais que um 1 gol
n
α ∑ wi (ψ(vi ) + ψ(bi ))
i=1
Pperder (A, B) = (3.12)
8
onde
4, se B venve a partida m por mais de 1 gol
3, se B vence a partida m por 1 gol
ψ(m) = 2, se B empata a partida m
1, se B perde a partida m por 1 gol
0, if B perde a partida m por mais que 1 gol
n n
β ∑ wi (θ(A, hi ) + θ(A, ai )) + α ∑ wi (θ(B, vi ) + θ(B, bi ))
i=1 i=1
Pempate (A, B) = (3.13)
8
onde
2, se X empata a partida m
1, se X ganha ou perde a partida m por 1 gol
θ(X, m) = 0, se X ganha ou perde a partida m por mais que 1 gol
1, se X perde a partida m por 1 gol
0, se X perde a partida m por mais que 1 gol
39
Capítulo 3. Teoria de Probabilidade Intervalar
40
Capítulo 3. Teoria de Probabilidade Intervalar
21
26 ([0.3,0.5](2+1)+[0.2,0.4](3+2)+[0.1,0.3](1+2)+[0,0.2](4+3))
Pganhar (Peru,Chile) = 8
21
= 208 ([0.3, 0.5]3 + [0.2, 0.4]5 + [0.1, 0.3]3 + [0, 0.2]7)
21
= 208 ([0.9, 1.5] + [1, 2] + [0.3, 0.9] + [0, 1.4])
21
= 208 [2.2, 5.8]
231 609
= 1040 , 1040
≈ [0.22, 0.58]
41
Capítulo 3. Teoria de Probabilidade Intervalar
25
26 ([0.3,0.5](0+1)+[0.2,0.4](4+0)+[0.1,0.3](4+0)+[0,0.2](0+4))
Pperder (Peru,Chile) = 8
25
= 208 ([0.3, 0.5] + [0.2, 0.4]4 + [0.1, 0.3]4 + [0, 0.2]4)
25
= 208 ([0.3, 0.5] + [0.8, 1.6] + [0.4, 1.2] + [0, 0.8])
25
= 208 [1.5, 4.1]
75 205
= [ 416 , 416 ]
≈ [0.18, 0.49]
21
26 ([0.3,0.5](2+1)+[0.2,0.4](1+2)+[0.1,0.3](1+2)+[0,0.2](0+1))
Pempate (Peru,Chile) = 8 +
25
26 ([0.3,0.5](0+1)+[0.2,0.4](0+0)+[0.1,0.3](0+0)+[0,0.2](0+0))
8
21
= 208 ([0.3, 0.5]3 + [0.2, 0.4]3 + [0.1, 0.3]3 + [0, 0.2]1)+
25
208 ([0.3, 0.5]1 + [0.2, 0.4]0 + [0.1, 0.3]0 + [0, 0.2]0)
21
= 208 ([0.9, 1.5] + [0.6, 1.2] + [0.3, 0.9] + [0, 0.2])+
25
208 [0.3, 0.5)]
21 25
= 208 [1.8, 3.8] + 208 [0.3, 0.5]
= [0.21, 0.44]
Observe que, ao somar as probabilidade de Peru ganhar, empatar e perder tem-se que
42
Capítulo 3. Teoria de Probabilidade Intervalar
Por outro lado, considere os seguintes pesos: w1 = [0.4, 0.5], w2 = [0.3, 0.4], w3 =
[0.2, 0.3] e w4 = [0.1, 0.2]. Então, Pganhar (Peru,Chile) ≈ [0.4, 0.58], Pperder (Peru,Chile) ≈
[0.33, 0.49] e Pempate (Peru,Chile) ≈ [0.31, 0.44] e portanto
Assim, para esses pesos a probabilidade intervalar usando este método não satisfaz a
condição da Eq. (3.1).
Proposição 3.5.1 Dados A, B ⊆ Ω tem-se que PIR(A | B), PI(A | B) ∈ I([0, 1]).
r
Prova: Defina D = ∏ Ii e f : D → [0, 1] por
i=1
∑ ai
i∈IA ∩IB
f (a1 , . . . , ar ) = . (3.16)
∑ aj
i∈IB
43
Capítulo 3. Teoria de Probabilidade Intervalar
PI(A | B) = f (D), o que prova que PI(A | B) ∈ I([0, 1]). A condição PIR(A | B) ∈ I([0, 1])
prova-se analogamente.
Seja
PIR(A ∩ B) PIR(A ∩ B)
PIR(A | B) = c
e PIR(A | B) =
PIR(A ∩ B) + PIR(A ∩ B) PIR(A ∩ B) + PIR(Ac ∩ B)
e
PI(A ∩ B) PI(A ∩ B)
PI(A | B) = c
e PI(A | B) =
PI(A ∩ B) + PI(A ∩ B) PI(A ∩ B) + PI(Ac ∩ B)
onde
∑ ai
i∈IA ∩IB
Pa (A|B) = , para todo A ⊆ Ω,
∑ ai
i∈IB
ou seja, estas duas probabilidades condicionais intervalares podem ser vista como famílias de
probabilidades condicionais clássicas.
44
Capítulo 3. Teoria de Probabilidade Intervalar
PI(A ∩ B)
= .
PI(B)
Teorema 3.5.4 Seja Ω = {x1 , . . . , xr }. Então, para cada A, B ⊆ Ω têm-se as seguintes proprieda-
des:
(i) Se A1 ∩ A2 = 0.
/ Então, PI(A1 ∪ A2 | B) ⊆ PI(A1 | B) + PI(A2 | B).
(v) Se A ∩ B = 0.
/ Então, PI(A | B) = [0].
Além disso, se I satisfaz a restrição aritmética intervalar dada pela condição (3.1) têm-se que
(i) − (v) também são verdadeiros se substituir PI(· | ·) por PIR(· | ·).
está contido em
i∈IA∑∩IB ai
i∈IA∑∩IB ai
1 2
:a∈I + :a∈I
∑ aj
∑ aj
j∈IB j∈IB
o que é óbvio.
Note que, o último termo da igualdade acima coincide com
PI(A1 | B) + PI(A2 | B).
É claro que a última afirmação do teorema é facilmente verificada.
45
Capítulo 3. Teoria de Probabilidade Intervalar
(ii) Se I satisfaz a restrição aritmética intervalar dada pela condição (3.1) tem-se que
( )
∑ ai ∑ aj
i∈IA ∩IB j∈IB
⊆ ∑ aj
:a∈I · r :a∈I
j∈IB
∑ ai
i=1
= PI(A | B) · PI(B).
Lema 3.5.6 Seja I = (I1 , . . . , Ir ) um conjunto ordenado de intervalos positivos. Dados A, B,C ⊆ Ω
tem-se que
(ii) Se I satisfaz a restrição aritmética intervalar dada pela condição (3.1) tem-se que
( ) ( )
∑ ai ∑ ai
i∈IA ∩IB ∩IC i∈IA ∩IC
⊆ ∑ ai :a∈I · ∑ ai
:a∈I
i∈IA ∩IC i∈IC
46
Capítulo 3. Teoria de Probabilidade Intervalar
(ii) Se I satisfaz a restrição aritmética intervalar dada pela condição (3.1) tem-se que
k
PIR(D) ⊆ ∑ PIR(Ai ) · PIR(D | Ai ).
i=1
k
(Ai ∩ D), então pelo Teorema 3.3.12,
S
Prova: Desde que, D =
i=1
O que prova o item (i). A demonstração do item (ii) segue analogamente utilizando o Teorema
3.3.5 e o Lema 3.5.5.
(ii) Se I satisfaz a restrição aritmética intervalar dada pela condição (3.1) tem-se que
k
PIR(B|C) ⊆ ∑ PIR(Ai |C) · PIR(B | Ai ∩C).
i=1
k
B ∩ A j , pelo Teorema 3.5.4 tem-se que
S
Prova: Como B =
j=1
k
PI(B|C) ⊆ ∑ PI(B ∩ A j |C).
j=1
47
Capítulo 3. Teoria de Probabilidade Intervalar
Teorema 3.5.9 Teorema de Bayes Intervalar Seja I = (I1 , . . . , Ir ) um conjunto ordenado de in-
tervalos positivos. Sejam A1 , . . . , Ak subconjuntos de Ω = {x1 , . . . , xr } tais que Ai ∩ A j = 0/ se i 6= j
k
S
eX= Ai . Seja D um evento qualquer, então,
i=1
PI(Ai ∩ D)
(i) PI(Ai | D) ⊆ k
;
∑ PI(A j ) · PI(D | A j )
j=1
(ii) Se I satisfaz a restrição aritmética intervalar dada pela condição (3.1) tem-se que
PIR(Ai ∩ D)
PIR(Ai | D) ⊆ k
;
∑ PIR(A j ) · PIR(D | A j )
j=1
PI(Ai ∩ D) PI(Ai ∩ D)
PI(Ai | D) ⊆ ⊆ k
,
PI(D)
∑ PI(A j ) · PI(D | A j )
j=1
48
Capítulo 3. Teoria de Probabilidade Intervalar
49
Capítulo 3. Teoria de Probabilidade Intervalar
Observação 3.6.1 Note que, pela Observação 3.5.2 os processos Markovianos intervalares podem
ser olhados como famílias de processos Markovianos clássicos. Mais precisamente, pode-se olhar
as probabilidades de transição intervalares Pi j como uma família de probabilidades de transição
clássica da seguinte forma
n o
a
Pi j = {Pa (X1 = j | X0 = i) : a ∈ I} = Pi j : a ∈ I , se P = PI
ou ( ) ( )
r r
a
Pi j = Pa (X1 = j | X0 = i) : a ∈ I e ∑ ai = 1 = Pi j :a∈Ie ∑ ai = 1 ,
i=1 i=1
se P = PIR.
De forma análoga pode-se caracterizar a probabilidade intervalar de transição de n-passos
Pi j (n) como uma família de probabilidades de transição de n-passos clássica, da seguinte forma
n o
a
Pi j (n) = {Pa (Xn = j | X0 = i) : a ∈ I} = Pi j (n) : a ∈ I , se P = PI
ou
( ) ( )
r r
a a
Pi j (n) = P (Xn = j | X0 = i) : a ∈ I e ∑ ai = 1 = Pi j (n) :a∈Ie ∑ ai = 1 ,
i=1 i=1
se P = PIR.
50
Capítulo 3. Teoria de Probabilidade Intervalar
Prova: Note que, os eventos {Xs = k}, com k = 1, . . . , m, formam uma partição do conjunto Ω
no sentido que são mutuamente disjuntos e cobrem Ω. Logo, pelo Teorema 3.5.8, tem-se que
Pi j (s + t) = P(Xs+t = j|X0 = i)
m
⊆ ∑ P(Xs = k|X0 = i) · P(Xs+t = j|Xs = k, X0 = i).
k=1
ou seja,
m m
Pi j (s + t) ⊆ ∑ P(Xs = k|X0 = i) · P(Xt = j|X0 = k) = ∑ Pik (s) · Pk j (t).
k=1 k=1
tem-se que j é acessível intervalarmente a partir do estado i se, e somente se, j é acessível a
partir do estado i com respeito da probabilidade Pa para todo a ∈ I (respectivamente, a ∈ I com
r
∑ ai = 1) se P = PI (respectivamente, se P = PIR.)
i=1
Se um estado j é acessível intervalarmente a partir de i e i é acessível intervalarmente a partir
de j, diz-se que i e j se comunicam intervalarmente, e será escrito i ↔ j. Esta relação de comuni-
cação intervalar é uma relação de equivalência, ou seja, satisfaz as seguintes propriedades:
Prova: Como Pii (0) = P(X0 = i|X0 = i) = [1] > 0, tem-se a propriedade (1). A propriedade
(2) segue trivialmente da definição. Resta provar a propriedade (3). Como i ↔ k e k ↔ j então,
51
Capítulo 3. Teoria de Probabilidade Intervalar
m
existem inteiros s,t ∈ N tais que Pik (s) > 0 e Pk j (t) > 0. Em particular, ∑ Pik (s) · Pk j (t) > 0.
k=1
Portanto, pelo Teorema 3.6.2 tem-se que Pi j (s + t) > 0. Assim, i ↔ j.
Como esta relação de comunicação intervalar é uma relação de equivalência, tem-se que o
espaço de estados S pode ser decomposto em uma união finita disjunta de classes de equivalência
módulo a relação "↔", ou seja, existem subconjuntos C1 , . . . ,Cs de S, dois a dois disjuntos, tais que
s
S
S= Ci e tais que todos os estados em Ci se comunicam intervalarmente entre si. Os conjuntos
i=1
C1 , . . . ,Cs são chamados de classes de comunicação intervalar da cadeia de Markov.
Seja i um estado e AI(i) o conjunto de todos os estados que são acessíveis intervalarmente a
partir de i. Diz-se que i é recorrente intervalarmente se para todo j que é acessível intervalarmente
a partir de i tem-se que i é acessível intervalarmente a partir de j; ou seja, i satisfaz a propriedade
que se j ∈ AI(i) então i ∈ AI( j). Em particular, tem-se que i é recorrente intervalarmente se, e
somente se, i é recorrente com respeito das probabilidades crisp Pa para todo a ∈ I, se P = PI, ou
r
para todo a ∈ I com ∑ ai = 1, se P = PIR.
i=1
Quando a cadeia de Markov começa no estado recorrente intervalarmente i, somente podem
ser visitados os estados j ∈ AI(i) a partir dos quais i é acessível intervalarmente, ou seja, dado
qualquer estado futuro, existe sempre alguma probabilidade intervalar de retornar ao estado i e,
após um certo tempo, tem-se a certeza que isto de fato vai acontecer. Assim, repetindo este
argumento indefinidamente, pode-se concluir que, se um estado recorrente intervalarmente i é
visitado alguma vez, ele será revisitado uma infinidade de vezes.
Um estado i que não é recorrente intervalarmente é dito transiente intervalarmente. Assim,
o estado i é transiente intervalarmente se existirem estados j ∈ AI(i) tais que i não é acessível a
partir de j. Em particular, tem-se que i é transiente intervalarmente se, e somente se, i é transiente
com respeito da probabilidade crisp Pa para algum a ∈ I, se P = PI, ou para algum a ∈ I com
r
∑ ai = 1, se P = PIR.
i=1
Após a cadeia ter visitado o estado transiente intervalarmente i, há uma probabilidade interva-
lar positiva de visitar o estado j e, após algum tempo, isto de fato vai acontecer, e quando aconteça,
o estado i nunca mais será visitado. Pode-se concluir, que um estado transiente intervalarmente
será visitado somente um número finito de vezes.
Note que, uma cadeia de Markov intervalar finita sempre possui pelo menos um estado re-
corrente intervalarmente pois, se todos os estados forem transiente intervalarmente então, pelo
comentado acima, após um número finito de passos (tempo) a cadeia deixará todos os estados e
nunca mais os visitarão. Para onde irá?
Pode-se dividir os estados transientes intervalarmente em dois tipos: os fortemente transientes
intervalarmente, ou seja, aqueles que são transientes com respeito da probabilidade crisp Pa para
r
todo a ∈ I, se P = PI, ou para todo a ∈ I com ∑ ai = 1, se P = PIR; e os fracamente transientes
i=1
intervalarmente, ou seja, aqueles que são transientes com respeito da probabilidade crisp Pa e
recorrentes com respeito da probabilidade crisp Pb para algum a, b ∈ I, se P = PI, ou para algum
52
Capítulo 3. Teoria de Probabilidade Intervalar
r r
a, b ∈ I com ∑ ai = ∑ bi = 1, se P = PIR.
i=1 i=1
As propriedades de recorrência e transiência intervalar são propriedades solidárias, no se-
guinte sentido:
Prova: O item (3) é uma consequência imediata dos itens anteriores, assim será provado apenas
os itens (1) e (2).
Foi visto que i é recorrente (resp. fortemente transiente) intervalarmente se, e somente se, i é
recorrente (resp. transiente) com respeito da probabilidade crisp Pa para todo a ∈ I, se P = PI, ou
r
para todo a ∈ I com ∑ ai = 1, se P = PIR. Logo, o resultado segue de [127] [Proposition 2.8.1].
i=1
Uma classe recorrente de comunicação intervalar que não é periódica é chamada de aperiódica
intervalarmente, ou seja, em uma classe recorrente de comunicação intervalar periódica os estados
se visitam intervalarmente seguindo a sequência de subconjuntos e, depois de d passos, termina
no mesmo subconjunto.
53
Capítulo 3. Teoria de Probabilidade Intervalar
É interesse desse trabalho o estudo dos estados estacionários de uma cadeia de Markov interva-
lar. Os estados estacionários representam uma característica crucial das cadeias de Markov pois,
como será visto, elas controlam em vários aspectos o comportamento a longo prazo da cadeia.
Mais precisamente, é interesse desse trabalho estudar as probabilidades intervalares de transição
de n-passos Pi j (n) quando n é suficientemente grande.
Se a cadeia de Markov intervalar possue duas ou mais classes de estados recorrentes é claro
que o valor intervalar limite de Pi j (n) dependerá do estado inicial i, pois visitar j a longo prazo
vai depender se j está ou não na mesma classe recorrente de comunicação intervalar que i. Por
esta razão, será restringido nesse trabalho o estudo a cadeias de Markov que consistem somente
de uma classe recorrente de comunicação intervalar e possivelmente alguns estados transientes
intervalarmente.
Note que, a sequência intervalar Pi j (n) pode não convergir, mesmo que a cadeia de markov
intervalar possua uma única classe recorrente de comunicação intervalar. Por exemplo, considere
a classe recorrente com dois estados, 1 e 2, tais que P12 = P21 = [1], ou seja a partir do estado
1 somente pode-se ir para o estado 2, e vice-versa. Portanto, se começar em um desses estados,
estará no mesmo estado após um número par de transições e no outro estado após um número
ímpar de transições. O que está por trás deste fenômeno é que a classe de comunicação intervalar
é periódica e, para esta classe, Pi j (n) oscila. Será provado a seguir que para qualquer estado j, as
probabilidades intervalares de transição de n-passos Pi j (n) aproximam-se de um valor intervalar
limite, o qual é independente do estado inicial i, desde que exclua-se as duas situações descritas
acima: classes recorrentes múltiplas e/ou classes periódicas.
54
Capítulo 3. Teoria de Probabilidade Intervalar
Prova: Com o intuito de colocar os argumentos de forma mais claros, a demonstração será feita
apenas no caso em que P = PI. O caso em que P = PIR é totalmente análogo.
Como
a
Pi j (n) = {Pi j (n) : a ∈ I}
e esta é uma igualdade entre intervalos fechados de números reais, tem-se que
n o
a
lim Pi j (n) = lim Pi j (n) : a ∈ I . (3.17)
n→∞ n→∞
Por outro lado, como a cadeia de Markov intervalar possui uma única classe recorrente de
comunicação intervalar, têm-se que todas as cadeias de Markov crisp, com respeito das probabili-
dades crisp Pa , induzidas por esta cadeia de Markov intervalar também possuem uma única classe
recorrente, a qual também é aperiódica. Portanto, pelo Teorema da Convergência de estados esta-
a
cionários crisp ([127] Theorem 2.13.2 and Corollary 2.13.4), tem-se que para cada a ∈ I existe π j
tal que
a a
(i) lim Pi j (n) = π j para todo i, j ∈ S;
n→∞
m
a a a
(ii) π j = ∑ πk Pk j para todo j ∈ S;
k=1
m
a
(iii) ∑ πk = 1;
k=1
Defina π j = [π j , π j ], onde
a
π j = inf{π j : a ∈ I}
e
a
π j = sup{π j : a ∈ I}.
55
Capítulo 3. Teoria de Probabilidade Intervalar
m m m
a( j) a(1)
∑ πj = ∑ πj ≤ ∑ πj =1
j=1 j=1 j=1
e m m m
b( j) a(1)
∑ πj = ∑ πj ≥ ∑ πj = 1.
j=1 j=1 j=1
56
Capítulo 4
Teoria Fuzzy
57
Capítulo 4. Teoria Fuzzy
Desta forma, dados numéricos fuzzy podem ser representados por meio de subconjuntos re-
ais fuzzy, chamados de números fuzzy com o tratamento dos aspectos imprecisos e ambíguos
apresentados na lei da contradição. E a partir deste trabalho surge a expressão lógica fuzzy.
Com a incorporação do conceito "grau de verdade", a teoria dos conjuntos fuzzy estende a te-
oria de conjuntos clássicos. Os grupos são rotulados qualitativamente (usando termos linguísticos,
tais como: alto, morno, ativo, pequeno, perto, etc.) e os elementos deste conjuntos são caracteri-
zados variando o seu grau de pertinência (valor que indica o grau em que um elemento pertence
a um conjunto). Por exemplo, um homem de 1,80 metro e um homem de 1,75 metro pertencem
ao conjunto dos "alto", embora o homem de 1,80 metro tenha um grau de pertinência maior neste
conjunto.
Os números fuzzy foram introduzidos em 1978 com os trabalhos de Steven Nahmias [112] e
Didier Dubois e Henry Prade [48], porém o primeiro texto a abordar de forma profunda e rigorosa
a aritmética fuzzy foi o livro de Arnald Kaufmann e Madan M. Gupta [77]. Desde então, esta
área tem sido alvo de intensas pesquisas com aplicações nas mais diversas áreas, tais como: em
Geologia [14], em eletricidade [47], em engenharia [64], administração financeira [41], etc.
Existem diversas noções, sutilmente diferentes, para o conceito de números fuzzy (veja por
exemplo [13, 64, 79, 95, 114]). Já para as operações aritméticas entre números fuzzy, há dois
métodos equivalentes de se definir, uma via α-níveis e outra via princípio da extensão de Zadeh
[79, 13]. No primeiro caso como os α-níveis de um número fuzzy são intervalos, as operações
aritméticas se reduzem a operações da aritmética intervalar. No caso do princípio da extensão
de Zadeh o grau de pertinência do número fuzzy resultante de uma operação aritmética ⊕ sobre
números fuzzy A e B , tem como graus de pertinência
Considerando que podem existir infinitos y e z tais que y + z = x, esta forma de calcular não é um
método prático de ser implementado [64, p.53]. Por esta razão, em geral é mais usada a abordagem
de α-níveis. Operações aritméticas sobre números fuzzy, além de ser uma estrutura algébrica
pobre [37], não são simples de determinar. Porém, existem algumas subclasses de números fuzzy
que são mais simples de manipular, tais como: números fuzzy triangulares, trapezoidais, L-R,
quadráticos, etc. [64]. Mas, essas classes de números fuzzy não são fechadas sobre a multiplicação
definida em termos de α-níveis, ou equivalente em termos do princípio da extensão de Zadeh [64].
Porém, essas definições de operações aritméticas, embora bem embasadas e justificadas, são muito
específicas para uma teoria tão aberta e vaga como a teoria fuzzy.
Há inúmeras aplicações da lógica fuzzy, dentre elas: O funcionamento de ar-condicionado
onde o sistema fuzzy controla o aparelho de acordo com a temperatura e as preferências do usuário;
as indústrias automobilísticas os sistemas fuzzy controlam a força com que os freios são acionados
para evitar derrapagens. os elevadores que reduzem o tempo de espera baseado no tráfego; em
58
Capítulo 4. Teoria Fuzzy
Definição 4.2.2 Um conjunto fuzzy A é normal, se existe ao menos um elemento x ∈ X tal que
µA (x) = 1.
Definição 4.2.5 Dado qualquer α ∈ (0, 1], o α-nível de um conjunto fuzzy A , é o conjunto clás-
sico:
Aα = {x ∈ X : µA (x) ≥ α}.
Teorema 4.2.6 Seja A um conjunto fuzzy em X com a função de pertinência µA (x). Seja Aα o
α-nível do conjunto fuzzy A e χAα (x) a função característica do conjunto crisp Aα para α ∈ (0, 1].
Então,
µA (x) = sup (α ∧ χAα (x)), x ∈ X.
α∈(0,1]
59
Capítulo 4. Teoria Fuzzy
e
x 6∈ Aα ⇒ χAα (x) = 0 ( e µA (x) < α).
Assim,
Note que, o resultado acima diz, em particular, que todo conjunto fuzzy é completamente
determinado pelos seus α-níveis. Uma outra maneira de recuperar um conjunto fuzzy A a partir
de seus α-níveis é pelo primeiro teorema da decomposição [79], onde A = supα∈[0,1] α · Aα .
A figura 4.1 abaixo ilustra as componentes de um conjunto fuzzy em [158, 122, 164].
60
Capítulo 4. Teoria Fuzzy
Definição 4.2.7 Um conjunto fuzzy A de Rn é convexo se todos seus α-níveis são conjuntos con-
vexos (clássicos), ou seja, se a relação
onde
t = λr + (1 − λ)s; r, s ∈ Rn , λ ∈ [0, 1]
é verdadeira.
As figuras 4.2 e 4.3 são exemplos de conjuntos fuzzy convexos. E a figura 4.4 é um exemplo
de um conjunto fuzzy não-convexo.
61
Capítulo 4. Teoria Fuzzy
62
Capítulo 4. Teoria Fuzzy
Proposição 4.2.8 Sejam A e B conjuntos fuzzy com o mesmo universo. Então, A ⊆ B se, e
somente se, para todo α ∈ (0, 1], Aα ⊆ Bα . Em particular, A = B ⇔ Aα = Bα para todo α ∈ (0, 1].
Prova: suponha que A ⊆ B . Seja α ∈ (0, 1]. Se x ∈ Aα , então µA (x) ≥ α. Como µA (x) ≤ µB (x),
tem-se que µB (x) ≥ α. Logo, x ∈ Bα e portanto, Aα ⊆ Bα .
Reciprocamente, suponha que
Aα ⊆ Bα , ∀α ∈ (0, 1].
Logo, A ⊆ B .
Note que, como mostrado nas figuras 4.6, 4.7 e 4.8, aplicando estas operações padrão para os
conjuntos fuzzy na figura 4.5, podemos obter por exemplo, que A2 = A1 ∩ A3 .
63
Capítulo 4. Teoria Fuzzy
64
Capítulo 4. Teoria Fuzzy
Figura 4.8: A2 = A1 ∩ A3
65
Capítulo 4. Teoria Fuzzy
Prova: (i) Por definição, tem-se que: Aβ = {x ∈ X : µA (x) ≥ β}. ∀x ∈ Aβ , tem-se que µA (x) ≥ β,
mas β ≥ α. Logo, µA (x) ≥ α, ou seja, x ∈ Aα . Portanto, Aβ ⊆ Aα .
(ii)
x ∈ (A ∩ B )α ⇔ µ(A ∩B ) (x) ≥ α
⇔ min[µA (x), µB (x)] ≥ α
⇔ µA (x)) ≥ α e µB (x) ≥ α
⇔ x ∈ Aα ∩ Bβ .
Logo, (A ∩ B )α = Aα ∩ Bβ .
(iii)
x ∈ (A ∪ B )α ⇔ µ(A ∪B ) (x) ≥ α
⇔ max[µA (x), µB (x)] ≥ α
⇔ µA (x)) ≥ α ou µB (x) ≥ α
⇔ x ∈ Aα ∪ Bβ .
Logo, (A ∪ B )α = Aα ∪ Bβ .
(iv)
[
x∈ (Ai )α ⇒ x ∈ (Ai )α , para algum i
i∈I
⇒ µAi (x) ≥ α, para algum i
⇒ sup[µAi (x)] ≥ α
i∈I
⇒ µ∪ A (x) ≥ α
i∈I i
[
⇒ x ∈ ( Ai )α .
i∈I
66
Capítulo 4. Teoria Fuzzy
[ [
Logo, (Ai )α ⊆ ( Ai )α .
i∈I i∈I
(v)
\
x∈ (Ai )α ⇔ x ∈ (Ai )α , ∀i
i∈I
⇔ µAi (x) ≥ α, ∀i
⇔ inf[µAi (x)] ≥ α
i∈I
⇔ µ∩ A (x) ≥ α
i∈I i
\
⇔ x ∈ ( Ai )α .
i∈I
\ \
Logo, (Ai )α = ( Ai )α .
i∈I i∈I \
(vi) ∀β < α, tem-se que por (i) que Aα ⊆ Aβ . Então, Aα ⊆ Aβ .
β<α
\
Seja x ∈ Aβ e ∀ε > 0, tem-se que x ∈ Aα−ε , ( onde α − ε < α), ou seja,
β<α
µA (x) ≥ α − ε, (ε → 0). Logo, µA (x) ≥ α. Portanto, x ∈ Aα .
1. A é normal;
2. A é convexo;
3. µA é semi-contínua superiormente1
4. S(A ) é limitado.
67
Capítulo 4. Teoria Fuzzy
Teorema 4.3.2 Seja A ∈ F (R). Então, A é um número fuzzy se, e somente se, existir um intervalo
fechado [a, b] 6= 0/ tal que
1, se x ∈ [a, b]
µA (x) = u(x), se x ∈ (−∞, a)
x ∈ (b, ∞)
v(x), se
onde u é uma função de (−∞, a) até (b, ∞) que é monotônica crescente, contínua pela direita,
onde u(x) = 0 para x ∈ (∞, ω1 ); v é uma função de (b, ∞) até [0, 1] que é monotônica decrescente,
contínua pela esquerda, onde v(x) = 0 para x ∈ (ω2 , ∞).
68
Capítulo 4. Teoria Fuzzy
A ⊆ B ⇔ Aα ⊆ Bα , ∀α ∈ (0, 1].
A seguir serão dadas algumas definições básicas para os números fuzzy trapezoidais. Seja
A = (a, b, c, d) um número fuzzy trapezoidal. então
• A é simétrico se a = −d e b = −c.
• A é degenerado ou crisp se a = b = c = d.
69
Capítulo 4. Teoria Fuzzy
usando aritmética intervalar baseia-se no princípio de extensão de Zadeh. Não será apresentado
neste trabalho este princípio de extensão.
Assuma nesta seção que os números fuzzy são representados por funções de pertinência con-
tínuas.
Obtêm-se as operações de soma, subtração, multiplicação e divisão entre números fuzzy A
e B como sendo os conjuntos fuzzy tais que seus α-níveis são determinados por:
(A + B )α = Aα + Bα (4.3)
(A − B )α = Aα − Bα (4.4)
(A · B )α = Aα · Bα (4.5)
(A /B )α = Aα /Bα (4.6)
e
0, se x≤1ex>5
µB (x) = (x − 1)/2, se 1<x≤3
(5 − x)/2, 3<x≤5
se
Pela equação 4.2, tem-se que
Aα = [2α − 1, 3 − 2α]
e
Bα = [2α + 1, 5 − 2α]
70
Capítulo 4. Teoria Fuzzy
(
−4α2 + 12α − 5, 4α2 − 16α + 15
para α ∈ [0, 5]
(A · B )α = 2
4α − 1, 4α2 − 16α + 15
para α ∈ [5, 1]
(
[(2α − 1) / (2α + 1) , (3 − 2α) / (2α + 1)] para α ∈ [0, 5]
(A /B )α =
[(2α − 1) / (5 − 2α) , (3 − 2α) / (2α + 1)] para α ∈ [5, 1]
Logo,
0, se x≤0ex>8
(µA + µB )(x) = x/4, se 0<x≤4
(8 − x)/4, 4<x≤8
se
0, se x≤6ex>2
(µA − µB )(x) = (x + 6)/4, se −6 < x ≤ −2
(2 − x)/4, −2 < x ≤ 2
se
0, se x < −5 e x ≥ 15
h i
1/2
3 − (4 − x)
/2 para − 5 ≤ x < 0
(µA · µB )(x) =
(1 + x)1/2 /2 para 0 ≤ x < 3
h i
4 − (1 + x)1/2 /2
para 3 ≤ x < 15
0, se x < −1 e x ≥ 3
(x + 1) / (2 − 2x) para − 1 ≤ x < 0
(µA /µB )(x) =
(5x + 1) / (2x + 2)
para 0 ≤ x < 1/3
(3 − x) / (2x + 2) para 1/3 ≤ x < 3
Observação 4.3.5 As operações de soma e subtração de números fuzzy trapezoidais têm uma
expressão bem simples: Sejam A = (a1 , b1 , c1 , d1 ) e B = (a2 , b2 , c2 , d2 ) dois números fuzzy trape-
zoidais. É fácil provar que,
A + B = (a1 + a2 , b1 + b2 , c1 + c2 , d1 + d2 )
e
A − B = (a1 − d2 , b1 − c2 , c1 − b2 , d1 − a2 )
71
Capítulo 4. Teoria Fuzzy
onde dM (Aα , Bα ) é a distância de Moore entre os intervalos fechados Aα e Bα que são os α-níveis
de A e B . Ou seja
É fácil provar que esta noção de distância entre números fuzzy define uma métrica sobre N .
Ou seja dM : N × N → R satisfaz as seguintes propriedades: Se A , B , C ∈ N então
(i) dM (A , B ) ≥ 0;
(iii) dM (A , B ) = dM (B , A );
(iv) dM (A , C ) ≤ dM (A , B ) + dM (B , C ).
Observação 4.3.7 Se A e B forem números triangulares simétricos, então dM (A , B ) = dM (S(A ), S(B )).
{An ∈ N : n ∈ N}.
72
Capítulo 4. Teoria Fuzzy
De agora em diante, {An }n∈N serão ditas uma sequência de números fuzzy, ou uma sequên-
cia em N , para representar a sequência f : N → N dada por f (n) = An . Note que, com esta
identificação têm-se que a soma e o produto de sequências de números fuzzy podem ser descritas
assim:
{An }n∈N + {Bn }n∈N = {An + Bn }n∈N
e
{An }n∈N · {Bn }n∈N = {An · Bn }n∈N .
Definição 4.3.9 Diz-se que a sequência {An }n∈N converge para A ∈ N , e escreve-se
An → A ou lim An = A ,
n→∞
Proposição 4.3.10 Se a sequência {An }n∈N em N converge então, as sequências {(An )α }n∈N em
IR convergem, para todo α ∈ [0, 1]. Neste caso, tem-se que
Prova: Se lim An = A , então dado ε > 0, existe n0 ∈ N tal que dM (An , A ) < ε para todo n ≥ n0 .
n→∞
Mas,
dM (An , A ) = sup dM ((An )α , (A )α ).
α∈[0,1]
Logo, dM ((An )α , (A )α ) < ε para todo α ∈ [0, 1] e para todo n ≥ n0 . Portanto, lim (An )α = Aα para
n→∞
todo α ∈ [0, 1].
73
Capítulo 4. Teoria Fuzzy
onde,
Aα E Bα ⇔ r(Aα ) < r(Bα ) ou (r(Aα ) = r(Bα ) e l(Bα ) ≤ l(Aα )
Observação 4.3.15 Em [20], James Buckley define uma nova ordem sobre os números fuzzy, que
a seguir será descrita:
Sejam A e B dois números fuzzy. Buckley define primeiramente a noção de A <B B da
seguinte forma. Defina
Defina A <B B se, e somente se, γ(A , B ) = 1, mas γ(B , A ) < η, onde η é um número racional
fixado em (0, 1], o qual ele geralmente considera como sendo 0.8. Defina agora A ≈ B se A <B B
e B <B A são ambos falsos. Por último, defina
Observação 4.3.16 Note que, a ordem é mais fina que a ordem de inclusão entre números fuzzy,
no sentido que se A ⊆ B , então A B .
Definição 4.3.17 Diz-se que um número fuzzy A é positivo, se todos seus α-níveis são intervalos
positivos.
Note que, se A é um número fuzzy positivo, então 0 A , porém a recíproca não é verdadeira,
ou seja, existem números fuzzy B tais que 0 B mas para os quais existe um α-nível tal que
l(Bα ) < 0 (por exemplo, B = (−1, 0.5/1/1.5, 2)).
1. Se A ⊆ B e C é positivo, então A B
C ⊆C
2. Se B ⊆ C são números fuzzy positivos, então A ⊆ A
B C
3. Se A é um número fuzzy positivo, então B ⊆ A · B
A
74
Capítulo 4. Teoria Fuzzy
Prova: Será provada somente a primeira propriedade, pois as outras seguem de forma análoga.
Como um número fuzzy positivo C tem a propriedade que l(Cα ) > 0 para cada α ∈ (0, 1]. Se
Aα ⊆ Bα então l(Bα ) ≤ l(Aα ) ≤ r(Aα ) ≤ r(Bα ). Assim,
75
Capítulo 5
76
Capítulo 5. Teoria de Probabilidade Fuzzy
(seção 5.3). Será utilizada esta noção de probabilidade fuzzy no cálculo das probabilidades de
transição de uma cadeia de Markov.
(1) Pα (0)
/ = 0 e Pα (Ω) = 1;
77
Capítulo 5. Teoria de Probabilidade Fuzzy
É possível provar que todas probabilidades fuzzy que são 2-monótonas são também coerentes
(veja por exemplo [68] Lemma2.5).
78
Capítulo 5. Teoria de Probabilidade Fuzzy
Definição 5.3.1 Seja Ω = {x1 , . . . , xr } e seja seja F = (F1 , . . . , Fr ) um conjunto ordenado de nú-
meros fuzzy positivos que satisfaz a restrição aritmética fuzzy (5.1). Dado qualquer subconjunto
A de Ω, defina a probabilidade fuzzy restrita de A como sendo o conjunto fuzzy PFR(A) cujos
α-níveis são dados por
( )
r
(PFR(A))α = ∑ ai : a = (a1 , . . . , ar ) ∈ Fα e ∑ ai = 1 . (5.2)
i∈IA i=1
onde IA = { j ∈ {1, . . . , r} : x j ∈ A}. Esta função PFR algumas vezes será denotada por PFRF
para enfatizar a dependência desta função de probabilidade com o conjunto F.
A equação (5.1) define uma restrição à aritmética fuzzy para este modelo de probabilidade
fuzzy.
Note que, existe uma íntima relação entre a probabilidade fuzzy restrita e a probabilidade
intervalar restrita, dada por:
(PFR(A))α = PIRFα (A) (5.3)
Teorema 5.3.2 Para cada A ⊆ Ω, PFR(A) é um número fuzzy cujo suporte está contido em [0, 1].
Em particular, tem-se uma função
Prova: Será provado que, (PFR(A))α são os α-níveis de um número fuzzy PFR(A).
r r
Seja S = {(y1 , . . . , yr ) ∈ [0, 1]r : ∑ yi = 1}. Defina D[α] = S ∩ ∏ Fi,α e f : D[α] → [0, 1] por
i=1 i=1
f (a1 , . . . , ar ) = ∑ ai . (5.4)
i∈IA
Observação 5.3.3 Suponha que P : ℘(Ω) → [0, 1] é uma função de probabilidade no sentido clás-
sico, onde Ω = {x1 , . . . , xr }. Por exemplo, P({xk }) = ak , ∀k = 1, . . . , r. Então,
a1 + a2 + . . . + ar = 1
Seja F = (a1 , . . . , ar ). Então, PFRF = P, ou seja, esta definição de probabilidade fuzzy estende a
noção de probabilidade clássica.
79
Capítulo 5. Teoria de Probabilidade Fuzzy
Teorema 5.3.4 Seja Ω = {x1 , . . . , xr } e seja PFR : ℘(Ω) → N ([0, 1]) a função de probabilidade
fuzzy restrita. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
(i) Se A ∩ B = 0,
/ então PFR(A ∪ B) ⊆ PFR(A) + PFR(B). Em particular, tem-se que PFR(A ∪
B) PFR(A) + PFR(B).
/ = 0 PFR(A) 1 = PFR(Ω).
(iii) PFR(0)
(v) Se A∩B 6= 0,
/ então PFR(A∪B) ⊆ PFR(A)+PFR(B)−PFR(A∩B). Em particular PFR(A∪
B) PFR(A) + PFR(B) − PFR(A ∩ B).
Prova: Itens (ii) e (iii) são triviais e item (iv) segue do item (i). Portanto, será provado apenas
os itens (i) e (v).
Note que, A ∩ B = 0,
/ se e somente se, IA ∩ IB = 0.
/
Para provar (i) é suficiente provar que, dado α ∈ [0, 1], tem-se que
e que
(PFR(A ∪ B))α (PFR(A))α + (PFR(B))α .
e que
(PFR(A ∪ B))α (PFR(A))α + (PFR(B))α − (PFR(A ∩ B))α .
Proposição 5.3.5 A Probabilidade fuzzy restrita PFR é uma probabilidade fuzzy no sentido axio-
mático, ou seja, satisfaz as propriedades (1) − (4) da seção 5.2 da teoria de probabilidade fuzzy.
Além disso, PFR é 2-monótona, e portanto coerente.
Prova: Seja α ∈ [0, 1]. Será provado que estas relações (1)−(4) são verdadeiras quando restringir
aos seus α-níveis. Mas, isto segue diretamente do Corolário 3.3.6 e da equação (5.3).
A seguinte observação é crucial para entender melhor as cadeias de Markov fuzzy.
80
Capítulo 5. Teoria de Probabilidade Fuzzy
r
Observação 5.3.6 Note que, para cada α ∈ [0, 1] e para cada a = (a1 , . . . , ar ) ∈ Fα com ∑ ai = 1.
i=1
Define-se a função de probabilidade no sentido clássico P(a,α) : ℘(Ω) −→ [0, 1], dada por:
Em outras palavras, a probabilidade fuzzy restrita pode ser entendida como uma família de proba-
bilidades intervalares, parametrizadas por α ∈ [0, 1], que são os α-níveis PFRα de PFR, as quais
r
são parametrizadas por todos os a = (a1 , . . . , ar ) ∈ Fα com ∑ ai = 1. Mais precisamente,
i=1
( )
r
(a,α)
PFRα (A) = (PFR(A))α = P (A) : a ∈ Fα e ∑ ai = 1 .
i=1
Além disso, ( )
r
(a,α)
PFRα (A) = inf P (A) : a ∈ Fα e ∑ ai = 1
i=1
e ( )
r
(a,α)
PFRα (A) = sup P (A) : a ∈ Fα e ∑ ai = 1 ,
i=1
Definição 5.3.7 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy positivos. Seja
Ω = {x1 , . . . , xr }. Dado qualquer subconjunto A de Ω, defina a probabilidade fuzzy de A como
sendo o conjunto fuzzy PF(A) cujos α-níveis são dados por:
∑ ai
i∈IA
(PF(A))α = : a = (a1 , . . . , ar ) ∈ Fα . (5.5)
r
∑ ai
i=1
onde IA = { j ∈ {1, . . . , r} : x j ∈ A}. Esta função PF algumas vezes será denotada por PFF para
enfatizar a dependência desta função de probabilidade com o conjunto F.
Note que, há uma íntima relação entre a probabilidade fuzzy e a probabilidade intervalar, dada
por:
(PF(A))α = PIFα (A) (5.6)
81
Capítulo 5. Teoria de Probabilidade Fuzzy
Teorema 5.3.8 Para cada A ⊆ Ω, PF(A) é um número fuzzy cujo suporte está contido em [0, 1].
Em particular, tem-se uma função:
Prova: Será provado que (PF(A))α são os α-níveis de um número fuzzy PF(A).
r
Defina D[α] = ∏ Fi,α e f : D[α] → [0, 1] por:
i=1
∑ ai
i∈IA
f (a1 , . . . , ar ) = r . (5.7)
∑ ai
i=1
Observação 5.3.9 A probabilidade fuzzy proposta neste trabalho é menos restrita que a probabi-
lidade fuzzy restrita, pois não foi assumida que os números fuzzy positivos F1 , . . . , Fr tenham seus
suportes contidos em [0, 1], nem que satisfazem a restrição aritmética fuzzy dada pela condição
(5.1). Por esta razão, a probabilidade fuzzy PF(A) é mais fácil de ser calculada que a probabili-
dade PFR(A). No entanto, existe uma forte relação entre as duas abordagens que a seguir serão
discutidas.
Suponha que F = (F1 , . . . , Fr ) é um conjunto ordenado de números fuzzy positivos, cujos su-
portes estejam contidos em [0, 1], que satisfazem a condição (5.1). Neste caso, as duas funções de
probabilidade fuzzy estão bem definidas. Além disso, tem-se que, para todo subconjunto A de Ω:
PFR(A) ⊆ PF(A)
pois, das equações (5.3) e (5.6) tem-se que para todo α ∈ [0, 1]
(PFR(A))α ⊆ (PF(A))α .
Observação 5.3.10 Suponha que P : ℘(Ω) → [0, 1] é uma função de probabilidade no sentido
clássico, onde Ω = {x1 , . . . , xr }. Por exemplo, que P({xk }) = ak , ∀k = 1, . . . , r. Então,
a1 + a2 + . . . + ar = 1
Seja F = (a1 , . . . , ar ). Então, PFF = P, ou seja, esta definição de probabilidade fuzzy estende a
noção de probabilidade clássica.
82
Capítulo 5. Teoria de Probabilidade Fuzzy
Teorema 5.3.11 Seja Ω = {x1 , . . . , xr } e seja PF : ℘(Ω) → N ([0, 1]) a função de probabilidade
fuzzy. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
(i) Se A ∩ B = 0,
/ então PF(A ∪ B) ⊆ PF(A) + PF(B). Em particular, tem-se que PF(A ∪ B)
PF(A) + PF(B).
/ = 0 PF(A) 1 = PF(Ω).
(iii) PF(0)
(v) Se A ∩ B 6= 0,
/ então PF(A ∪ B) ⊆ PF(A) + PF(B) − PF(A ∩ B).
Prova: Itens (ii) e (iii) são triviais e item (iv) segue do item (i). Portanto, será provado apenas
os itens (i) e (v).
Note que, A ∩ B = 0/ se e somente se, IA ∩ IB = 0.
/
Para provar (i) é suficiente provar que dado α ∈ [0, 1], tem-se que
e que
(PF(A ∪ B))α (PF(A))α + (PF(B))α .
e que
(PF(A ∪ B))α (PF(A))α + (PF(B))α − (PF(A ∩ B))α .
Prova: Seja α ∈ [0, 1]. Será provado que estas relações (1) − (4) são verdadeiras quando restringir
aos seus α-níveis. Mas, isto segue diretamente do Corolário 3.3.13 e da equação (5.6).
A seguinte observação é crucial para entender melhor as cadeias de Markov fuzzy.
83
Capítulo 5. Teoria de Probabilidade Fuzzy
Observação 5.3.13 Note que, para cada α ∈ [0, 1] e para cada a = (a1 , . . . , ar ) ∈ Fα , define-se a
seguinte função de probabilidade no sentido clássico P(a,α) : ℘(Ω) −→ [0, 1] dada por:
Em outras palavras, a probabilidade fuzzy pode ser entendida como uma família de probabili-
dades intervalares, parametrizadas por α ∈ [0, 1], que são os α-níveis PFα de PF, as quais são
parametrizadas por todos os a = (a1 , . . . , ar ) ∈ Fα . Mais, precisamente
n o
PFα (A) = (PF(A))α = P(a,α) (A) : a ∈ Fα .
Além disso, n o
PFα (A) = inf P(a,α) (A) : a ∈ Fα
e n o
PFα (A) = sup P(a,α) (A) : a ∈ Fα ,
Observação 5.3.14 Observe que, o método utilizado para o cálculo das probabilidades interva-
lares no estudo de caso visto na seção 3.4 pode ser adaptado para obter as probabilidades fuzzy,
para isto será suficiente considerar como peso números fuzzy ao invés de intervalos, por exemplo:
considerando como peso os números fuzzy triangulares: w1 = (0.3, 0.4, 0.5), w2 = (0.2, 0.3, 0.4),
w3 = (0.1, 0.2, 0.3) e w4 = (0, 0.1, 0.2), tem-se as probabilidades fuzzy:
Pperder (Peru,Chile) ≈ (0.18, 0.33, 0.49), Pempatar (Peru,Chile) ≈ (0.21, 0.33, 0.44) e
Pganhar (Peru,Chile) ≈ (0.22, 0.4, 0.58)
Portanto, a probabilidade fuzzy de Peru não ganhar do Chile é por um lado
Ou seja, há uma hesitação na probabilidade fuzzy de Peru não ganhar do Chile. Mensurada essa he-
sitação considerando a função do índice de hesitação H(¬Pganhar (Peru,Chile), Pnão-ganhar (Peru,Chile)),
o qual é definido como a máxima diferença entre os graus de pertinência dos números fuzzy
(0.39, 0.66, 0.93) e (0.42, 0.6, 0.78), o qual acontece quando x = 0.78, i.e. quando µ¬P (0.78) =
ganhar (Peru,Chile)
84
Capítulo 5. Teoria de Probabilidade Fuzzy
0 e µP (0.78) = 21 . Logo,
não-ganhar (Peru,Chile)
O próximo passo é utilizar este índice de hesitação para incluir uma hesitação na probabilidade
fuzzy Pganhar (Peru,Chile), para isto obtêm-se a probabilidade fuzzy de Peru ganhar do Chile
modificada por H(¬Pganhar (Peru,Chile), Pnão-ganhar (Peru,Chile)) como segue:
0
Pganhar (Peru,Chile) = (K(0.4 − 0.22) + 0.22, 0.4, 0.58 − K(0.58 − 0.4)) ≈ (0.5(0.4 − 0.22) + 0.22, 0.4, 0.58
= (0.33, 0.4, 0.49)
Note que, existe uma estreita relação entre a probabilidade condicional fuzzy restrita e a pro-
babilidade condicional intervalar restrita dada por
para todo α ∈ [0, 1] e para todo A, B ⊆ Ω. Analogamente, tem-se uma relação estreita entre a
85
Capítulo 5. Teoria de Probabilidade Fuzzy
Proposição 5.4.1 Dados A, B ⊆ Ω tem-se que PFR(A | B), PF(A | B) ∈ N ([0, 1]).
r
Prova: Dado α ∈ [0, 1], defina D[α] = ∏ Ii e f : D[α] → [0, 1] por
i=1
∑ ai
i∈IA ∩IB
f (a1 , . . . , ar ) = . (5.12)
∑ aj
i∈IB
Observação 5.4.2 Seja α ∈ [0, 1] e seja Fα = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy
positivos. Para cada a ∈ Fα e para cada A, B ⊆ Ω defina
∑ ai
(a,α) i∈IA ∩IB
P (A|B) = , para todo A ⊆ Ω.
∑ ai
i∈IB
tem-se que n o
(PF(A | B))α = P(a,α) (A|B) : a ∈ Fα
ou seja, estas duas probabilidades condicionais fuzzy podem ser entendidas como uma família
de probabilidades condicionais intervalares, parametrizadas por α ∈ [0, 1], que são os α-níveis
PFα e PFRα de PF e de PFR, respectivamente, as quais são parametrizadas por todos os a =
(a1 , . . . , ar ) ∈ Fα .
Proposição 5.4.3 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy positivos. Dados
A, B ⊆ Ω tem-se que
PF(A ∩ B)
(i) PF(A | B) ⊆ ;
PF(B)
86
Capítulo 5. Teoria de Probabilidade Fuzzy
PFR(A ∩ B)
(ii) Se F satisfaz a condição (5.1) então PFR(A | B) ⊆ .
PFR(B)
(PF(A ∩ B))α
(PF(A | B))α ⊆ ;
(PF(B))α
(PFR(A ∩ B))α
(PFR(A | B))α ⊆ .
(PFR(B))α
Teorema 5.4.4 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy positivos. Seja
Ω = {x1 , . . . , xr }. Então, para cada A, B ⊆ Ω tem-se as seguintes propriedades:
(i) Se A1 ∩ A2 = 0.
/ Então, PF(A1 ∪ A2 | B) ⊆ PF(A1 | B) + PF(A2 | B).
(ii) 0 PF(A | B) 1.
(iii) PF(A | A) = 1.
(v) Se A ∩ B = 0.
/ Então, PF(A | B) = 0.
Além disso, se F satisfaz a restrição aritmética fuzzy dada pela condição (5.1) tem-se que (i) − (v)
também são verdadeiros se substituidos PF(· | ·) por PFR(· | ·).
Prova: Seja α ∈ [0, 1]. Será provado que estas relações (i) − (v) são verdadeiras quando restringir
aos seus α-níveis. Mas, isto segue do Teorema 3.5.4 e das equações (5.11) e (5.10).
O próximo objetivo é provar a versão fuzzy do importante teorema da probabilidade total, mas
para isto é necessário alguns resultados prévios.
Lema 5.4.5 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy positivos. Dados
A, B ⊆ Ω tem-se que
(ii) Se F satisfaz a restrição aritmética fuzzy dada pela condição (5.1) tem-se que
Prova: Seja α ∈ [0, 1]. Será provado que estas relações são verdadeiras quando restringir aos seus
α-níveis. Mas, isto segue do Lema 3.5.5 e das equações (5.11) e (5.10).
87
Capítulo 5. Teoria de Probabilidade Fuzzy
Lema 5.4.6 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy positivos. Dados
A, B,C ⊆ Ω tem-se que
(ii) Se F satisfaz a restrição aritmética fuzzy dada pela condição (5.1) tem-se que
Prova: Seja α ∈ [0, 1]. Será provado que estas relações são verdadeiras quando restringir aos seus
α-níveis. Mas, isto segue do Lema 3.5.6 e das equações (5.11) e (5.10).
Teorema 5.4.7 (Teorema da Probabilidade Total Fuzzy) Seja F = (F1 , . . . , Fr ) um conjunto or-
denado de números fuzzy positivos. Sejam A1 , . . . , Ak subconjuntos de Ω = {x1 , . . . , xr } tais que
k
Ai ∩ A j = 0/ se i 6= j e Ω =
S
Ai . Seja D um evento qualquer. Então,
i=1
k
(i) PF(D) ⊆ ∑ PF(Ai ) · PF(D | Ai );
i=1
(ii) Se F satisfaz a restrição aritmética fuzzy dada pela condição (5.1) tem-se que
k
PFR(D) ⊆ ∑ PFR(Ai ) · PFR(D | Ai ).
i=1
Prova: Seja α ∈ [0, 1]. Será provado que estas relações são verdadeiras quando restringir aos seus
α-níveis. Mas, isto segue do Teorema da Probabilidade Total Intervalar, Teorema 3.5.7, e das
equações (5.11) e (5.10).
k
(i) PF(B|C) ⊆ ∑ PF(Ai |C) · PF(B | Ai ∩C);
i=1
(ii) Se F satisfaz a restrição aritmética fuzzy dada pela condição (5.1) tem-se que
k
PFR(B|C) ⊆ ∑ PFR(Ai |C) · PFR(B | Ai ∩C).
i=1
Prova: Seja α ∈ [0, 1]. Estas relações são verdadeiras quando são restringidas aos seus α-níveis.
Mas, isto segue do Teorema da Probabilidade Condicional Total Intervalar, Teorema 3.5.8, e das
equações (5.11) e (5.10).
88
Capítulo 5. Teoria de Probabilidade Fuzzy
O próximo objetivo é provar a versão fuzzy do importante Teorema de Bayes em teoria clássica
de probabilidades.
Teorema 5.4.9 Teorema de Bayes Fuzzy Seja F = (F1 , . . . , Fr ) um conjunto ordenado de inter-
valos positivos. Sejam A1 , . . . , Ak subconjuntos de Ω = {x1 , . . . , xr } tais que Ai ∩ A j = 0/ se i 6= j e
k
S
Ω= Ai . Seja D um evento qualquer, então,
i=1
PF(Ai ∩ D)
(i) PF(Ai | D) ⊆ k
;
∑ PF(A j ) · PF(D | A j )
j=1
(ii) Se F satisfaz a restrição aritmética fuzzy dada pela condição (5.1) tem-se que
PFR(Ai ∩ D)
PFR(Ai | D) ⊆ k
;
∑ PFR(A j ) · PFR(D | A j )
j=1
Prova: Seja α ∈ [0, 1]. Será provado que estas relações são verdadeiras quando restringir aos seus
α-níveis. Mas, isto segue do Teorema de Bayes Intervalar, Teorema 3.5.9 e das equações (5.11) e
(5.10).
A suposição principal que norteia os processos de Markov é que as probabilidades fuzzy de tran-
sição PFi j estão definidas sempre que o estado i seja visitado, independente do que aconteceu no
passado e de como o estado i foi atingido.
89
Capítulo 5. Teoria de Probabilidade Fuzzy
onde a probabilidade intervalar do lado direito é considerada com respeito da família de intervalos
Fα .
Observação 5.5.1 Note que, pela Observação 5.4.2 os processos Markovianos fuzzy podem ser
olhados como famílias de processos Markovianos clássicos. Mais precisamente, pode-se olhar
os α-níveis das probabilidades de transição fuzzy PFi j como uma família de probabilidades de
transição clássica da seguinte forma:
n o n o
(a,α)
(PFi j )α = P(a,α) (X1 = j | X0 = i) : a ∈ Fα = Pi j : a ∈ Fα , se PF = PF
ou
r
(PFi j )α = P(a,α) (X1 = j | X0 = i) : a ∈ Fα e ∑ ai = 1
i=1
(a,α) r
= Pi j : a ∈ Fα e ∑ ai = 1 ,
i=1
90
Capítulo 5. Teoria de Probabilidade Fuzzy
se PF = PF ou
r
(PFi j (n))α = P(a,α) (Xn = j | X0 = i) : a ∈ Fα e ∑ ai = 1
i=1
(a,α) r
= Pi j (n) : a ∈ Fα e ∑ ai = 1 ,
i=1
se PF = PFR.
m
(PFi j (s + t))α ⊆ ∑ (PFik (s))α · (PFk j (t))α .
k=1
então, j é fuzzy acessível a partir do estado i se, e somente se, j é acessível intervalarmente a partir
do estado i com respeito da probabilidade intervalar PFα para todo α ∈ [0, 1].
Se um estado j é fuzzy acessível a partir de i e i é fuzzy acessível a partir de j, diz-se que i
e j se comunicam no sentido fuzzy, e escreve-se i ↔ j. Esta relação de comunicação fuzzy é uma
relação de equivalência, ou seja, satisfaz as seguintes propriedades:
Prova: Como PFii (0) = PF(X0 = i|X0 = i) = 1 > 0, tem-se a propriedade (1). A propriedade
(2) segue trivialmente da definição. Resta provar a propriedade (3). Como i ↔ k e k ↔ j então,
91
Capítulo 5. Teoria de Probabilidade Fuzzy
m
existem inteiros s,t ∈ N tais que PFik (s) > 0 e PFk j (t) > 0. Em particular, ∑ PFik (s)·PFk j (t) > 0.
k=1
Portanto, pelo Teorema 5.5.2 tem-se que PFi j (s + t) > 0. Assim, i ↔ j.
Como esta relação de comunicação fuzzy é uma relação de equivalência, tem-se que o espaço
de estados S pode ser decomposto em uma união finita disjunta de classes de equivalência módulo a
s
S
relação "↔", ou seja, existem subconjuntos C1 , . . . ,Cs de S, dois a dois disjuntos, tais que S = Ci
i=1
e tais que todos os estados em Ci se comunicam entre si no sentido fuzzy. Os conjuntos C1 , . . . ,Cs
são chamados de classes de comunicação fuzzy da cadeia de Markov.
Seja i um estado e AF(i) o conjunto de todos os estados que são acessíveis no sentido fuzzy a
partir de i. Diz-se que i é recorrente no sentido fuzzy se para todo j que é fuzzy acessível a partir
de i tem-se que i é fuzzy acessível a partir de j; ou seja, i satisfaz a propriedade que se j ∈ AF(i)
então, i ∈ AF( j). Em particular, tem-se que i é recorrente no sentido fuzzy se, e somente se, i é
recorrente intervalarmente com respeito da probabilidade intervalar PFα para todo α ∈ [0, 1].
Quando a cadeia de Markov começa no estado recorrente no sentido fuzzy i, somente podem
ser visitados os estados j ∈ AF(i) a partir dos quais i é fuzzy acessível, ou seja, dado qualquer
estado futuro, existe sempre alguma probabilidade fuzzy de retornar ao estado i e, após um certo
tempo, tem a certeza que isto de fato vai acontecer. Assim, repetindo este argumento indefinida-
mente, conclui-se que, se um estado recorrente no sentido fuzzy i é visitado alguma vez, ele será
revisitado uma infinidade de vezes.
Um estado i que não é recorrente no sentido fuzzy é dito transiente no sentido fuzzy. Assim,
o estado i é transiente no sentido fuzzy se existirem estados j ∈ AF(i) tais que i não é acessível a
partir de j. Em particular, tem-se que i é transiente no sentido fuzzy se, e somente se, i é transiente
intervalarmente com respeito da probabilidade intervalar PFα para algum α ∈ [0, 1].
Após a cadeia ter visitado o estado transiente no sentido fuzzy i, há uma probabilidade fuzzy
positiva de visitar o estado j e, após algum tempo, isto de fato vai acontecer, e quando aconteça,
o estado i nunca mais será visitado. Assim, pode-se concluir, que um estado transiente no sentido
fuzzy será visitado somente um número finito de vezes.
Note que, uma cadeia de Markov fuzzy finita sempre possue pelo menos um estado recorrente
no sentido fuzzy pois, se todos os estados forem transiente no sentido fuzzy então, pelo comentado
acima, após um número finito de passos (tempo) a cadeia deixará todos os estados e nunca mais
os visitará. Para onde irá?
Pode-se dividir os estados transientes no sentido fuzzy em dois tipos: os fortemente transientes
no sentido fuzzy, ou seja, aqueles que são fortemente transientes intervalarmente com respeito da
probabilidade intervalar PFα para todo α ∈ [0, 1], e os fracamente transientes no sentido fuzzy,
ou seja, aqueles que são fracamente transientes intervalarmente com respeito da probabilidade
intervalar PFα para algum α ∈ [0, 1].
As propriedades de recorrência e transiência fuzzy são propriedades solidárias, no seguinte
sentido:
92
Capítulo 5. Teoria de Probabilidade Fuzzy
Prova: O item (3) é uma consequência imediata dos itens anteriores, portanto será provado
apenas os itens (1) e (2).
Foi visto que, i é recorrente (resp. fortemente transiente) no sentido fuzzy se, e somente se, i
é recorrente (resp. transiente) intervalarmente com respeito da probabilidade intervalar PFα para
todo α ∈ [0, 1]. Portanto, o resultado segue da Proposição 3.6.4
Segue desta proposição que se i é um estado recorrente no sentido fuzzy, então o conjunto de
estados AF(i) que são acessíveis no sentido fuzzy de i formam uma classe de comunicação fuzzy,
a qual é recorrente no sentido fuzzy, no sentido que todos os estados em AF(i) são recorrentes
no sentido fuzzy. Além disso, segue também que um estado transiente no sentido fuzzy não pode
ser fuzzy acessível de um estado recorrente no sentido fuzzy, ou seja, se i é recorrente no sentido
fuzzy e i → j então j é recorrentes no sentido fuzzy.
Com o intuito de entender o comportamento a longo prazo das cadeias de Markov fuzzy é
importante entender o que acontece com cadeias que consistem somente de uma classe recorrente
de comunicação fuzzy. Por este motivo, é importante caracterizar as classes recorrentes de comu-
nicação fuzzy de acordo com a presença ou ausência de padrões de periodicidade nos tempos que
um estado é visitado. Por isto, diz-se que uma classe recorrente de comunicação fuzzy é periódica
no sentido fuzzy se seus estados podem ser agrupados em d > 1 subconjuntos disjuntos S1 , . . . , Sd
de tal forma que todas as transições fuzzy de um subconjunto levam ao seguinte subconjunto.
Matematicamente,
(
j ∈ Sk+1 , se k = 1, . . . , d − 1,
Se i ∈ Sk e PFi j > 0 então,
j ∈ S1 , se k = d.
Uma classe recorrente de comunicação fuzzy que não é periódica é chamada de aperiódica
no sentido fuzzy, ou seja, em uma classe recorrente de comunicação fuzzy periódica os estados se
visitam no sentido fuzzy seguindo a sequência de subconjuntos e, depois de d passos, termina no
mesmo subconjunto.
É interesse deste trabalho o estudo dos estados estacionários de uma cadeia de Markov fuzzy.
Os estados estacionários representam uma característica crucial das cadeias de Markov pois, como
será visto, elas controlam em vários aspectos o comportamento a longo prazo da cadeia. Mais
precisamente, é interesse deste trabalho em estudar as probabilidades fuzzy de transição de n-
passos PFi j (n) quando n é suficientemente grande.
93
Capítulo 5. Teoria de Probabilidade Fuzzy
Se a cadeia de Markov fuzzy possui duas ou mais classes de estados recorrentes é claro que
o valor fuzzy limite de PFi j (n) dependerá do estado inicial i pois, visitar j a longo prazo vai
depender se j está ou não na mesma classe recorrente de comunicação fuzzy que i. Por esta razão,
será restringido o estudo a cadeias de Markov que consistem somente de uma classe recorrente de
comunicação fuzzy e possivelmente alguns estados transientes no sentido fuzzy. Esta suposição
não é restritiva como possa em principio parecer pois sabe-se que se um estado entra numa classe
recorrente de comunicação fuzzy particular, ele permanecerá nessa classe para sempre.
Observe que, a sequência fuzzy PFi j (n) pode não convergir, mesmo que a cadeia de markov
fuzzy possua uma única classe recorrente de comunicação fuzzy. Isto decorre da equação (5.13)
e do fato que foi visto que Pi j (n) pode não convergir. Por exemplo, considere a classe recorrente
com dois estados, 1 e 2, tais que PF12 = PF21 = 1, ou seja, a partir do estado 1 somente pode-se
ir para o estado 2, e vice-versa. Portanto, ao começar em um desses estados, estará no mesmo
estado após um número par de transições e no outro estado após um número ímpar de transições.
O que está por trás deste fenômeno é que a classe de comunicação fuzzy é periódica e, para esta
classe, PFi j (n) oscila. Será provado a seguir que para qualquer estado j, as probabilidades fuzzy
de transição de n-passos PFi j (n) se aproxima de um valor fuzzy limite, o qual é independente
do estado inicial i, desde que seja excluído as duas situações descritas acima: classes recorrentes
múltiplas e/ou classes periódicas.
Teorema 5.5.5 (Teorema da Convergência Estacionária Fuzzy) Considere uma cadeia de Markov
fuzzy com uma única classe recorrente de comunicação fuzzy, a qual é aperiódica. Então, dado
qualquer estado j existe um único número fuzzy A j que satisfaz as seguintes propriedades:
(1) lim (PFi j (n))α = (A j )α , para todo i, j ∈ S e para todo α ∈ [0, 1].
n→∞
m
(2) A j ⊆ ∑ Ak · PFk j para todo j ∈ S.
k=1
m
(3) 1 ⊆ ∑ Ak .
k=1
Prova: Sabe-se pelo Teorema 3.6.5 que dado qualquer α ∈ [0, 1] e qualquer estado j existe um
único intervalo παj = [παj , παj ] que satisfaz as seguintes propriedades:
94
Capítulo 5. Teoria de Probabilidade Fuzzy
m m
(3) ∑ παk ≤ 1 ≤ ∑ παk .
k=1 k=1
Portanto, o resultado segue se considerado A j como o número fuzzy cujos α-níveis são dados
por παj .
95
Capítulo 6
96
Capítulo 6. Teoria Fuzzy Intuicionista
oria dos conjuntos fuzzy intuicionistas é uma generalização da teoria dos conjuntos fuzzy. Neste
sentido, diversos conceitos da teoria dos conjuntos fuzzy tem sido estendidos para esta teoria
dos conjuntos fuzzy intuicionistas. Em particular, números fuzzy foram estendidos para núme-
ros fuzzy intuicionistas como Grzegorzewski em [60], Wei e Tang em [153]. Desde então, esta
área tem sido alvo de intensas pesquisas com aplicações nas mais diversas áreas, tais como: em
segmentação de imagens médicas [30], tomada de decisão [101], reconhecimento de padrões [69].
Exemplo 6.2.2 (Atanassov [7]) Seja X o conjunto de todos os países cujos governos são escolhi-
dos por eleição. Assuma que, para cada país x ∈ X, a porcentagem do eleitorado que votou para o
governo será denotada por M(x) e seja µ(x) = M(x)
100 . Seja ν(x) = 1 − µ(x), este número corresponde
aos eleitores que não votaram pelo governo. Do ponto de vista da teoria dos conjuntos fuzzy, não
N(x)
poderia estudar este valor ν(x) em mais detalhes. No entanto, se definir ν(x) como 100 , onde
N(x) é a porcentagem dos eleitores que votaram em partidos ou pessoas de fora do governo, então
o número 1 − (µ(x) + ν(x)) corresponde à parte do eleitorado que não votaram ou seus votos não
foram válidos. Assim, contruiu-se seguinte conjunto
Exemplo 6.2.3 Suponha que esteja interessado em classificar o i-ésimo aluno de um grupo X de
n pessoas para a categoria dos "alunos superdotados". Seja µ(xi ) o grau de pertinência do aluno
xi do”aluno superdotado“ (i.e, o grau da nossa convicção sobre isso), seja ν(xi ) o grau de não-
pertinência e π(xi ) o grau de hesitação sobre a univocidade da classificação, assim tem-se que
µ(xi ) + ν(xi ) + π(xi ) = 1.
97
Capítulo 6. Teoria Fuzzy Intuicionista
Suponha que, µ(xi ) = 0.2, ν(xi ) = 0.5, então π(xi ) = 0.3. Sob circunstâncias favoráveis para
o aluno (como testes, exames orais ou escritas, feitos adicionais), o maior grau para classificá-lo
ao conjunto dos "alunos superdotados"é µmax (xi ) = µ(xi ) + π(xi ) = 0.5 (uma vez que ν(xi ) = 0.5,
o grau das circunstâncias desfavoráveis, permanece inalterado). Por outro lado, as circunstân-
cias podem revelar-se desfavorável e, então, µ(xi ) = 0.2 permanece inalterada, considerando que
νmax (xi ) = ν(xi ) + π(xi ) = 0.8. Com esses dados, o aluno tem poucas chances para ser classificado
entre os "talentosos".
Suponha agora, que µ(xi ) = ν(xi ) = 0.5 (então, π(xi ) = 0 uma completa falta de hesitação
para classificá-lo). Tal situação deve ser interpretada da seguinte forma: o aluno é uma pessoa de
capacidade média e nada mudará nossa opinião sobre ele.
Agora, vá aos extremos e suponha que µ(xi ) = ν(xi ) = 0 e π(xi ) = 1. Tal situação significa
que, sob o influxo de informação, tudo pode acontecer e pode alterar livremente sua decisão sobre
os números µ(xi ) e ν(xi ), respectivamente.
Finalmente, suponha que tem-se µ(xi ) = 0.5, ν(xi ) = 0.2 e π(xi ) = 0.3. Então, µmax (xi ) =
µ(xi ) + π(xi ) = 0.8 e νmax (xi ) = ν(xi ) + π(xi ) = 0.5. Estes valores significam que este aluno tem
chances muito considerável a ser contada como uma pessoa "talentosa".
Note que, este exemplo mostra a essência do valor π(xi ) na interpretação de um conjunto fuzzy
intuicionista e, ao mesmo tempo, dá uma liberdade e uma possibilidade de manobrar os valores de
µ(xi ) e ν(xi ) de acordo com o fluxo de informações e a evolução do conhecimento da pessoa em
análise de um problema concreto.
Glad Deschrijver e Etiene Kerre em [42] dão uma abordagem alternativa para CFI, eles pro-
varam que CFI podem também ser vistos como um conjunto fuzzy L∗ -valorados no sentido de
Joseph Goguen [55] por considerar o reticulado completo hL∗ , ≤L∗ i onde
e
(x1 , x2 ) ≤L∗ (y1 , y2 ) se e somente se x1 ≤ y1 e x2 ≥ y2 .
Note que, 0L∗ = (0, 1) e 1L∗ = (1, 0). Assim, CFI são nada mais que conjuntos fuzzy L∗ -
valorados.
Definição 6.2.4 O supremo de um subconjunto A ⊆ L∗ , com respeito a ≤L∗ , pode ser obtido como
segue:
sup A = (sup{π1 (x) : x ∈ A}, inf{π2 (x) : x ∈ A})
Definição 6.2.5 O ínfimo de um subconjunto A ⊆ L∗ , com respeito a ≤L∗ , pode ser obtido como
segue:
inf A = (inf{π1 (x) : x ∈ A}, sup{π2 (x) : x ∈ A})
98
Capítulo 6. Teoria Fuzzy Intuicionista
Observação 6.2.7 Os (α, β)-níveis para (α, β) = (0, 1) são definidos como o fecho do suporte de
A , ou seja, A(0,1) = fecho(S(A )).
Observe que, qualquer conjunto fuzzy intuicionista é completamente determinado pelos seus
(α, β)-níveis. De fato,
onde o supremo é com respeito a ≤L∗ . Mais precisamente, tem-se o seguinte resultado que é uma
generalização do Teorema 4.2.6
Exemplo 6.2.8 Seja α = 0.3 e β = 0.4, o (α, β)-nível do número NFIT da (figura 6.1) pode ser
determinado da seguinte maneira:
(a, b/c/d, e)(α,β) = [max(a + (c − a)α, b + (c − b)β), min(e + (e − c)α, d + (d − c)β)]. (6.3)
Porttanto,
99
Capítulo 6. Teoria Fuzzy Intuicionista
Teorema 6.2.9 Seja A um conjunto fuzzy intuicionista em X com a função de pertinência e não-
pertinência µA e νA , respectivamente. Seja χA(α,β) a função característica do conjunto crisp A(α,β)
para (α, β) ∈ L∗ . Então, para todo x ∈ X
(µA (x), νA (x)) = sup (α, β) ∧ (χA(α,β) (x), χA(α,β)
c (x)) ,
(α,β)∈L∗
c
onde A(α,β) é o complementar de A(α,β) .
Em particular, todo conjunto fuzzy intuicionista é completamente determinado pelos seus
(α, β)-níveis.
100
Capítulo 6. Teoria Fuzzy Intuicionista
Assim,
sup (α, β) ∧ (χA(α,β) (x), χA(α,β)
c (x))
(α,β)∈L∗
!
= sup (α, β) ∧ (χA(α,β) (x), χA(α,β)
c (x)) ∨
(α,β)≤L∗ (µA (x),νA (x))
!
sup (α, β) ∧ (χA(α,β) (x), χA(α,β)
c (x))
(α,β)6≤L∗ (µA (x),νA (x))
!
= sup (α, β) ∧ (1, 0) ∨
(α,β)≤L∗ (µA (x),νA (x))
!
sup (α, β) ∧ (0, 1)
(α,β)6≤L∗ (µA (x),νA (x))
= sup (α, β)
(α,β)≤L∗ (µA (x),νA (x))
101
Capítulo 6. Teoria Fuzzy Intuicionista
Proposição 6.3.1 Sejam A e B conjuntos fuzzy intuicionistas. Então, A ⊆ B se, e somente se,
para todo (α, β) ∈ L∗ , A(α,β) ⊆ B(α,β) . Em particular, A = B ⇔ A(α,β) = B(α,β) .
Prova: Suponha que A ⊆ B . Seja (α, β) ∈ L∗ . Se x ∈ A(α,β) , então (α, β) ≤L∗ (µA (x), νA (x)).
Como (µA (x), νA (x)) ≤L∗ (µB (x), νB (x)), tem-se que (α, β) ≤L∗ (µB (x), νB (x)). Logo, x ∈ B(α,β) .
Portanto, A(α,β) ⊆ B(α,β) .
(µA (x), νA (x)) = sup (α, β) ∧ (χA(α,β) (x), χA(α,β)
c (x))
(α,β)∈L∗
= sup (α, β) ∧ (χB(α,β) (x), χB(α,β)
c (x))
(α,β)∈L∗
= (µB (x), νB (x)).
Logo, A ⊆ B .
102
Capítulo 6. Teoria Fuzzy Intuicionista
Prova: (i) Por definição, tem-se que: A(α0 ,β0 ) = {x ∈ X : (α0 , β0 ) ≤L∗ (µA (x), νA (x))}. ∀x ∈ A(α0 ,β0 ) ,
tem-se que (α0 , β0 ) ≤L∗ (µA (x), νA (x)). Mas (α, β) ≤L∗ (α0 , β0 ). Logo, (α, β) ≤L∗ (µA (x), νA (x)),
ou seja, x ∈ A(α,β) . Portanto, A(α0 ,β0 ) ⊆ A(α,β) .
(ii)
[ [
Logo, (Ai )(α,β) ⊆ ( Ai )(α,β) .
i∈J i∈J
103
Capítulo 6. Teoria Fuzzy Intuicionista
(v)
\
x∈ (Ai )(α,β) ⇒ x ∈ (Ai )(α,β) , para todo i
i∈J
⇒ (α, β) ≤L∗ (µAi (x), νAi (x)), para todo i
⇒ (α, β) ≤L∗ inf[(µAi (x), νAi (x))]
i∈J
⇒ (α, β) ≤L∗ (µ\ (x), ν\ (x))
Ai Ai
i∈J i∈J
\
⇒ x∈( Ai )(α,β) .
i∈J
\ \
Logo, (Ai )(α,β) ⊆ ( Ai )(α,β) .
i∈J i∈J
(vi) ∀(α0 , β0 ) <L∗ (α, β), tem-se por (i) que A(α,β) ⊆ A(α0 ,β0 ) . Então,
\
A(α,β) ⊆ A(α0 ,β0 ) .
(α0 ,β0 )<L∗ (α,β)
\
Seja x ∈ A(α0 ,β0 ) então ∀ε > 0, tem-se que x ∈ A(α−ε,β+ε) , ( onde (α − ε, β + ε) <L∗
(α0 ,β0 )<L∗ (α,β)
(α, β)), ou seja, (α − ε, β + ε) ≤L∗ (µA (x), νA (x)).
Fazendo ε → 0 tem-se que (α, β) ≤L∗ (µA (x), νA (x)). Portanto, x ∈ A(α,β) .
Observe que, para (α, β) = (1, 0), o A(α,β) corresponde aos elementos de N(A ).
Definição 6.3.6 Um conjunto fuzzy intuicionista A de Rn é convexo se todos seus (α, β)-níveis
são conjuntos conexos (clássicos), ou seja, cada (α, β)-nível é um intervalo fechado.
104
Capítulo 6. Teoria Fuzzy Intuicionista
última.
1. A é normal;
2. A é convexo;
4. S(A ) é limitado.
De agora em diante, o conjunto de todos os números fuzzy intuicionistas será denotado por
N I.
Observe que, para qualquer conjunto fuzzy intuicionista A sobre R, µA e νA são semi-contínua
superiormente e inferiormente respectivamente se, e somente se, A(α,β) é fechado para todo (α, β) ∈
L∗ . Assim, para cada (α, β), os (α, β)-níveis de um número fuzzy intuicionista A são um intervalo
fechado, ou seja, tem-se que A(α,β) ∈ IR.
Note que, todo conjunto fuzzy pode ser visto como um conjunto fuzzy intuicionista, definindo
a função de não-pertinência νA por νA = 1 − µA . Em particular, todo número real r, pode ser visto
como um número fuzzy intuicionista, chamado de “crisp”, e será denotado por r.
105
Capítulo 6. Teoria Fuzzy Intuicionista
onde dM (A(α,β) , B(α,β) ) é a distância de Moore entre os intervalos fechados A(α,β) e B(α,β) que
são os (α, β)-níveis de A e B , ou seja,
É fácil provar que, esta noção de distância entre números fuzzy intuicionistas define uma
métrica sobre N I , ou seja, dM : N I × N I → R satisfaz as seguintes propriedades: Se A , B , C ∈
N I , têm-se que:
(i) dM (A , B ) ≥ 0;
(iii) dM (A , B ) = dM (B , A );
(iv) dM (A , C ) ≤ dM (A , B ) + dM (B , C ).
106
Capítulo 6. Teoria Fuzzy Intuicionista
{An ∈ N I : n ∈ N}.
De agora em diante, {An }n∈N será dita uma sequência de números fuzzy intuicionistas, ou
uma sequência em N I , para representar a sequência f : N → N I dada por f (n) = An . Note que,
com esta identificação tem-se que a soma e produto de sequências de números fuzzy intuicionistas
pode ser descrita assim:
{An }n∈N + {Bn }n∈N = {An + Bn }n∈N
e
{An }n∈N · {Bn }n∈N = {An · Bn }n∈N .
Definição 6.4.4 Diz-se que a sequência {An }n∈N converge para A ∈ N I , e escreve-se
An → A ou lim An = A ,
n→∞
Proposição 6.4.5 Se a sequência {An }n∈N em N I converge, então as sequências {(An )(α,β) }n∈N
em IR convergem, para todo (α, β) ∈ L∗ . Neste caso, tem-se que
lim An = A ⇒ lim (An )(α,β) = A(α,β) para todo (α, β) ∈ [0, 1].
n→∞ n→∞
Prova: Se lim An = A , então dado ε > 0, existe n0 ∈ N tal que dM (An , A ) < ε para todo n ≥ n0 .
n→∞
Mas,
dM (An , A ) = sup dM ((An )(α,β) , (A )(α,β) ).
(α,β)∈L∗
Logo, dM ((An )(α,β) , (A )(α,β) ) < ε para todo (α, β) ∈ L∗ e para todo n ≥ n0 . Portanto, lim (An )(α,β) =
n→∞
A(α,β) para todo (α, β) ∈ L∗ .
107
Capítulo 6. Teoria Fuzzy Intuicionista
Observação 6.4.10 Note que, a ordem é mais fina que a ordem de inclusão entre números fuzzy
intuicionistas, no sentido que se A ⊆ B então A B .
Definição 6.4.11 Diz-se que um número fuzzy intuicionista A é positivo se todos seus (α, β)-níveis
são intervalos positivos.
Note que, se A é um número fuzzy intuicionista positivo, então 0 A , mas a recíproca não
é verdadeira, ou seja, existem números fuzzy intuicionistas B tais que 0 B mas para os quais
existe um (α, β)-nível tal que l(B(α,β) ) < 0.
1. Se A ⊆ B e C é positivo, então A B
C ⊆C
108
Capítulo 6. Teoria Fuzzy Intuicionista
109
Capítulo 7
110
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
N(α,β) ◦ P : F → I([0, 1]), dada por P(α,β) (A) = (P(A))(α,β) ∈ I([0, 1]), é uma probabilidade inter-
valar, para todo (α, β) ∈ L∗ , no sentido que existem duas funções P(α,β) , P(α,β) : F → [0, 1] tais que
P(α,β) (A) = [P(α,β) (A), P(α,β) (A)] para todo A ∈ F e que satisfazem os axiomas IV-VII da seção
3.2, ou seja, para todo (α, β) ∈ L∗ , tem-se que
A função de probabilidade intervalar P(α,β) é chamada de função induzida por P nos (α, β)-
níveis, ou simplesmente os (α, β)-níveis de P. As funções P(α,β) e P(α,β) são chamadas de probabi-
lidades inferior e superior, respectivamente, induzidas por P no (α, β)-níveis.
Uma probabilidade fuzzy intuicionista P : F → N I ([0, 1]) é coerente se a probabilidade infe-
rior P(α,β) : F → [0, 1] induzida por P nos (α, β)-níveis é coerente para todo (α, β) ∈ L∗ , ou seja, se
para todo (α, β) ∈ L∗ existir um conjunto não-vazio M(α,β) de funções de probabilidades clássicas
sobre F tal que
P(α,β) (A) = inf{π(A) : π ∈ M(α,β) }, para todo A ∈ F .
É possível provar que todas probabilidades fuzzy intuicionistas que são 2-monótonas são tam-
bém coerentes (veja por exemplo [68] Lemma 2.5).
111
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
r
S(Fi ) ⊆ [0, 1] e existam ai ∈ N(Fi ), i = 1, . . . , r tais que ∑ ai = 1, (7.1)
i=1
Definição 7.3.1 Seja Ω = {x1 , . . . , xr } e seja seja F = (F1 , . . . , Fr ) um conjunto ordenado de nú-
meros fuzzy intuicionistas positivos que satisfazem a restrição aritmética fuzzy intuicionista (7.1).
Dado qualquer subconjunto A de Ω, defina a probabilidade fuzzy intuicionista restrita de A
como sendo o conjunto fuzzy intuicionista PFIR(A) cujos (α, β)-níveis são dados por:
( )
r
(PFIR(A))(α,β) = ∑ ai : a = (a1 , . . . , ar ) ∈ F(α,β) e ∑ ai = 1 . (7.2)
i∈IA i=1
onde IA = { j ∈ {1, . . . , r} : x j ∈ A}. Esta função PFIR algumas vezes será denotada por PFIRF
para enfatizar a dependência desta função de probabilidade com o conjunto F.
A equação (7.1) define uma restrição à aritmética para este modelo de probabilidade fuzzy
intuicionista.
112
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Note que, existe uma íntima relação entre a probabilidade fuzzy intuicionista restrita e a pro-
babilidade intervalar restrita, dada por:
Teorema 7.3.2 Para cada A ⊆ Ω, PFIR(A) é um número fuzzy intuicionista cujo suporte está
contido em [0, 1]. Em particular, tem-se uma função
Prova: Será provado que, (PFIR(A))(α,β) são os (α, β)-níveis de um número fuzzy intuicionista
PFIR(A).
r r
Seja S = {(y1 , . . . , yr ) ∈ [0, 1]r : ∑ yi = 1}. Defina D[(α, β)] = S ∩ ∏ Fi,(α,β) e f : D[(α, β)] →
i=1 i=1
[0, 1] por
f (a1 , . . . , ar ) = ∑ ai . (7.4)
i∈IA
Tem-se que f é contínua e D[(α, β)] é conexo, fechado e limitado. Assim, a imagem de f é
um subintervalo limitado e fechado de [0, 1]. Mas, pela equação (7.2), é claro que PFIR(A) =
f (D[(α, β)]). Além disso, PFIR(A) é normal pois (PFIR(A))(1,0) 6= 0.
/
A função PFIR é chamada de Probabilidade Fuzzy Intuicionista Restrita.
Observação 7.3.3 Suponha que P : ℘(Ω) → [0, 1] é uma função de probabilidade no sentido clás-
sico, onde Ω = {x1 , . . . , xr }. Por exemplo, P({xk }) = ak , ∀k = 1, . . . , r. Então,
a1 + a2 + . . . + ar = 1
Seja F = (a1 , . . . , ar ). Então, PFIRF = P, ou seja, esta definição de probabilidade fuzzy intui-
cionista estende a noção de probabilidade clássica.
Teorema 7.3.4 Seja Ω = {x1 , . . . , xr } e seja PFIR : ℘(Ω) → N I ([0, 1]) a função de probabilidade
fuzzy intuicionista restrita. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
/ = 0 PFIR(A) 1 = PFIR(Ω).
(iii) PFIR(0)
113
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
(v) Se A ∩ B 6= 0,
/ então PFIR(A ∪ B) ⊆ PFIR(A) + PFIR(B) − PFIR(A ∩ B). Em particular
PFIR(A ∪ B) PFIR(A) + PFIR(B) − PFIR(A ∩ B).
Prova: Itens (ii) e (iii) são triviais e item (iv) segue do item (i). Portanto, será provado apenas
os itens (i) e (v).
Note que, A ∩ B = 0/ se e somente se, IA ∩ IB = 0.
/
Para provar (i) é suficiente provar que dado (α, β) ∈ L∗ , tem-se que
e que
(PFIR(A ∪ B))(α,β) (PFIR(A))(α,β) + (PFIR(B))(α,β) .
e que
Proposição 7.3.5 A Probabilidade fuzzy intuicionista restrita PFIR é uma probabilidade fuzzy
intuicionista no sentido axiomático, ou seja, satisfaz as propriedades (1) − (4) da seção 7.2 da
teoria de probabilidade fuzzy intuicionista. Além disso, PFIR é 2-monótona, e portanto coerente.
Prova: Seja (α, β) ∈ L∗ . Será provado que estas relações (1) − (4) são verdadeiras quando res-
tringidos aos seus (α, β)-níveis. Mas, isto segue diretamente do Corolário 3.3.6 e da equação (7.3).
A seguinte observação é útil para entender melhor as cadeias de Markov fuzzy intuicionista.
r
Observação 7.3.6 Note que, para cada (α, β) ∈ L∗ e para cada a = (a1 , . . . , ar ) ∈ F(α,β) com ∑ ai =
i=1
1 será definida a seguinte função de probabilidade no sentido clássico P(a,α,β) : ℘(Ω) −→ [0, 1],
dada por:
P(a,α,β) (A) = ∑ ai , para todo A ⊆ X.
i∈IA
Em outras palavras, a probabilidade fuzzy intuicionista restrita pode ser entendida como uma
família de probabilidades intervalares, parametrizadas por (α, β) ∈ L∗ , que são os (α, β)-níveis
114
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
r
PFIR(α,β) de PFIR, as quais são parametrizadas por todos os a = (a1 , . . . , ar ) ∈ F(α,β) com ∑ ai =
i=1
1.
Mais precisamente,
( )
r
(a,α,β)
PFIR(α,β) (A) = (PFIR(A))(α,β) = P (A) : a ∈ F(α,β) e ∑ ai = 1 .
i=1
Além disso, ( )
r
(a,α,β)
PFIR(α,β) (A) = inf P (A) : a ∈ F(α,β) e ∑ ai = 1
i=1
e ( )
r
(a,α,β)
PFIR(α,β) (A) = sup P (A) : a ∈ F(α,β) e ∑ ai = 1 ,
i=1
Definição 7.3.7 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy intuicionista posi-
tivos. Seja Ω = {x1 , . . . , xr }. Dado qualquer subconjunto A de Ω, defina a probabilidade fuzzy
intuicionista de A como sendo o conjunto fuzzy intuicionista PFI(A) cujos (α, β)-níveis são dados
por:
∑ ai
i∈IA
(PFI(A))(α,β) = r : a = (a1 , . . . , ar ) ∈ F(α,β) . (7.5)
∑ ai
i=1
onde IA = { j ∈ {1, . . . , r} : x j ∈ A}. Esta função PFI algumas vezes será denotada por PFIF para
enfatizar a dependência desta função de probabilidade com o conjunto F.
Note que, existe uma íntima relação entre a probabilidade fuzzy intuicionista e a probabilidade
intervalar dada por:
(PFI(A))(α,β) = PIF(α,β) (A) (7.6)
Teorema 7.3.8 Para cada A ⊆ Ω, PFI(A) é um número fuzzy intuicionista cujo suporte está con-
tido em [0, 1]. Em particular, tem-se a função
115
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Prova: Será provado que (PFI(A))(α,β) são os (α, β)-níveis de um número fuzzy intuicionista
PFI(A).
r
Defina D[(α, β)] = ∏ Fi,(α,β) e f : D[(α, β)] → [0, 1] por
i=1
∑ ai
i∈IA
f (a1 , . . . , ar ) = r . (7.7)
∑ ai
i=1
Tem-se que f é contínua e D[(α, β)] é conexo, fechado e limitado. Assim, a imagem de f é
um subintervalo limitado e fechado de [0, 1]. Mas, pela equação (7.5), é claro que PFI(A) =
f (D[(α, β)]).
A função PFI é chamada de Probabilidade Fuzzy Intuicionista.
Observação 7.3.9 A probabilidade fuzzy intuicionista proposta neste trabalho é menos restrita
que a probabilidade fuzzy intuicionista restrita pois não foi assumida que os números fuzzy intui-
cionista positivos F1 , . . . , Fr tenham seus suportes contidos em [0, 1] e nem que satisfaça a restrição
aritmética fuzzy intuicionista dada pela condição (7.1). Por esta razão, a probabilidade fuzzy intui-
cionista PFI(A) é mais fácil de ser calculada que a probabilidade PFIR(A). No entanto, existe uma
forte relação entre as duas abordagens que a seguir serão discutidas. Suponha que F = (F1 , . . . , Fr )
é um conjunto ordenado de números fuzzy intuicionistas positivos, cujos suportes estejam conti-
dos em [0, 1], que satisfazem a condição (7.1). Neste caso, as duas funções de probabilidade fuzzy
intuicionista estão bem definidas. Além disso, analogamente ao que ocorre com probabilidade
intervalar e fuzzy, tem-se que para todo subconjunto A de Ω,
PFIR(A) ⊆ PFI(A)
pois, das equações (7.3) e (7.6) têm-se que para todo (α, β) ∈ L∗ , (PFIR(A))(α,β) ⊆ (PFI(A))(α,β) .
Observação 7.3.10 Suponha que P : ℘(Ω) → [0, 1] é uma função de probabilidade no sentido
clássico, onde Ω = {x1 , . . . , xr }. Por exemplo, P({xk }) = ak , ∀k = 1, . . . , r. Então,
a1 + a2 + . . . + ar = 1
Seja F = (a1 , . . . , ar ). Então, PFIF = P, ou seja, esta definição de probabilidade fuzzy intuicionista
estende a noção de probabilidade clássica.
Teorema 7.3.11 Seja Ω = {x1 , . . . , xr } e seja PFI : ℘(Ω) → N I ([0, 1]) a função de probabilidade
fuzzy intuicionista. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
(i) Se A ∩ B = 0,
/ então PFI(A ∪ B) ⊆ PFI(A) + PFI(B). Em particular, tem-se que PFI(A ∪
B) PFI(A) + PFI(B).
116
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
/ = 0 PFI(A) 1 = PFI(Ω).
(iii) PFI(0)
(v) Se A ∩ B 6= 0,
/ então PFI(A ∪ B) ⊆ PFI(A) + PFI(B) − PFI(A ∩ B).
Prova: Itens (ii) e (iii) são triviais e item (iv) segue do item (i). Portanto, será provado apenas
os itens (i) e (v).
Note que, A ∩ B = 0/ se e somente se, IA ∩ IB = 0.
/
Para provar (i) é suficiente provar que dado (α, β) ∈ L∗ , tem-se que
e que
(PFI(A ∪ B))(α,β) (PFI(A))(α,β) + (PFI(B))(α,β) .
e
(PFI(A ∪ B))(α,β) (PFI(A))(α,β) + (PFI(B))(α,β) − (PFI(A ∩ B))(α,β) .
Proposição 7.3.12 A probabilidade fuzzy intuicionista PFI é uma probabilidade fuzzy intuicio-
nista no sentido axiomático, ou seja, satisfaz as propriedades (1) − (4) da seção 7.2 da teoria de
probabilidade fuzzy intuicionista. Além disso, PFI é 2-monótona, e portanto coerente.
Prova: É suficiente provar que estas relações são verdadeiras quando restritas aos seus (α, β)-
níveis. Mas, isto segue diretamente do Corolário 3.3.13 e da equação (7.6).
A seguinte observação é útil para entender melhor as cadeias de Markov fuzzy intuicionista.
Observação 7.3.13 Note que, para cada (α, β) ∈ L∗ e para cada a = (a1 , . . . , ar ) ∈ F(α,β) defina a
seguinte função de probabilidade no sentido clássico P(a,α,β) : ℘(Ω) −→ [0, 1] dada por
117
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Em outras palavras, a probabilidade fuzzy intuicionista pode ser entendida como uma família
de probabilidades intervalares, parametrizadas por (α, β) ∈ L∗ , que são os (α, β)-níveis PFI(α,β)
de PFI, as quais são parametrizadas por todos os a = (a1 , . . . , ar ) ∈ F(α,β) .
Mais precisamente,
n o
PFI(α,β) (A) = (PFI(A))(α,β) = P(a,α,β) (A) : a ∈ F(α,β) .
Além disso, n o
PFI(α,β) (A) = inf P(a,α,β) (A) : a ∈ F(α,β)
e n o
PFI(α,β) (A) = sup P(a,α,β) (A) : a ∈ F(α,β) ,
Observação 7.3.14 Retomando o exemplo da observação 5.3.14, tem-se que o número fuzzy in-
tuicionista triangular de Atanassov (NFITA) que representa a probabilidade fuzzy intuicionista de
Atanassov do Peru ganhar o Chile no próximo jogo é (0.22, 0.33/0.4/0.49, 0.58).
Note que, existe uma estreita relação entre a probabilidade condicional fuzzy intuicionista
restrita e a probabilidade condicional intervalar restrita dada por:
118
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
para todo (α, β) ∈ L∗ e para todo A, B ⊆ Ω. Analogamente, tem-se uma relação estreita entre a
probabilidade condicional fuzzy intuicionista e a probabilidade condicional intervalar, dada por:
Proposição 7.4.1 Dados A, B ⊆ Ω tem-se que PFIR(A | B), PFI(A | B) ∈ N I ([0, 1]).
r
Prova: Dado (α, β) ∈ L∗ , defina D[(α, β)] = ∏ Ii e f : D[(α, β)] → [0, 1] por
i=1
∑ ai
i∈IA ∩IB
f (a1 , . . . , ar ) = . (7.12)
∑ aj
i∈IB
Tem-se que f é contínua e D[(α, β)] é conexo, fechado e limitado. Assim, a imagem de f é um
subintervalo limitado e fechado de [0, 1]. Mas, pela equação (7.9), é claro que (PFI(A | B))(α,β) =
f (D[(α, β)]), o que prova que PFI(A | B) ∈ N I ([0, 1]). A condição PFIR(A | B) ∈ N I ([0, 1])
prova-se analogamente.
Observação 7.4.2 Seja (α, β) ∈ L∗ e seja F(α,β) = (F1 , . . . , Fr ) um conjunto ordenado de números
fuzzy intuicionistas positivos. Para cada a ∈ F(α,β) e para cada A, B ⊆ Ω defina
∑ ai
(a,α,β) i∈IA ∩IB
P (A|B) = , para todo A ⊆ Ω.
∑ ai
i∈IB
tem-se que n o
(PFI(A | B))(α,β) = P(a,α,β) (A|B) : a ∈ F(α,β)
ou seja, estas duas probabilidades condicionais fuzzy intuicionistas podem ser entendidas
como uma família de probabilidades condicionais intervalares, parametrizadas por (α, β) ∈ L∗ ,
que são os (α, β)-níveis PFI(α,β) e PFIR(α,β) de PFI e de PFIR, respectivamente, as quais são
parametrizadas por todos os a = (a1 , . . . , ar ) ∈ F(α,β) .
119
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
PFIR(A ∩ B)
(ii) Se F satisfaz a condição (7.1) então PFIR(A | B) ⊆ .
PFIR(B)
(PFI(A ∩ B))(α,β)
(PFI(A | B))(α,β) ⊆ ;
(PFI(B))(α,β)
(PFIR(A ∩ B))(α,β)
(PFIR(A | B))(α,β) ⊆ .
(PFIR(B))(α,β)
Teorema 7.4.4 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy intuicionistas posi-
tivos. Seja Ω = {x1 , . . . , xr }. Então, para cada A, B ⊆ Ω têm-se as seguintes propriedades:
(i) Se A1 ∩ A2 = 0.
/ Então, PFI(A1 ∪ A2 | B) ⊆ PFI(A1 | B) + PFI(A2 | B).
(ii) 0 PFI(A | B) 1.
(iii) PFI(A | A) = 1.
(v) Se A ∩ B = 0.
/ Então, PFI(A | B) = 0.
Além disso, se F satisfaz a restrição aritmética fuzzy intuicionista dada pela condição (7.1)
tem-se que (i) − (v) também são verdadeiros se substituir PFI(· | ·) por PFIR(· | ·).
Prova: Seja (α, β) ∈ L∗ . É suficiente provar que estas relações são verdadeiras quando restritas
aos seus (α, β)-níveis. Mas, isto segue do Teorema 3.5.4 e das equações (7.11) e (7.10).
O próximo objetivo será provar a versão fuzzy intuicionista do importante teorema da proba-
bilidade total, mas para isto é necessário alguns resultados prévios.
Lema 7.4.5 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy intuicionistas positivos.
Dados A, B ⊆ Ω, têm-se que:
(ii) Se F satisfaz a restrição aritmética fuzzy intuicionista dada pela condição (7.1) tem-se que
Prova: É suficiente provar que estas relações são verdadeiras quando restritas aos seus (α, β)-
níveis. Mas, isto segue do Lema 3.5.5 e das equações (7.11) e (7.10).
120
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Lema 7.4.6 Seja F = (F1 , . . . , Fr ) um conjunto ordenado de números fuzzy intuicionistas positivos.
Dados A, B,C ⊆ Ω tem-se que
(ii) Se F satisfaz a restrição aritmética fuzzy intuicionista dada pela condição (7.1) tem-se que
Prova: É suficiente provar que estas relações são verdadeiras quando restritas aos seus (α, β)-
níveis. Mas, isto segue do Lema 3.5.6 e das equações (7.11) e (7.10).
(ii) Se F satisfaz a restrição aritmética fuzzy intuicionista dada pela condição (7.1) tem-se que
k
PFIR(D) ⊆ ∑ PFIR(Ai ) · PFIR(D | Ai ).
i=1
Prova: É suficiente provar que estas relações são verdadeiras quando restritas aos seus (α, β)-
níveis. Mas, isto segue do Teorema da Probabilidade Total Intervalar, Teorema 3.5.7, e das equa-
ções (7.11) e (7.10).
(ii) Se F satisfaz a restrição aritmética fuzzy intuicionista dada pela condição (7.1) tem-se que
k
PFIR(B|C) ⊆ ∑ PFIR(Ai |C) · PFIR(B | Ai ∩C).
i=1
Prova: É suficiente provar que estas relações são verdadeiras quando restritas aos seus (α, β)-
níveis. Mas, isto segue do Teorema da Probabilidade Condicional Total Intervalar, Teorema 3.5.8,
e das equações (7.11) e (7.10).
121
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Teorema 7.4.9 Teorema de Bayes Fuzzy intuicionista Seja F = (F1 , . . . , Fr ) um conjunto orde-
nado de intervalos positivos. Sejam A1 , . . . , Ak subconjuntos de Ω = {x1 , . . . , xr } tais que Ai ∩ A j =
k
0/ se i 6= j e Ω =
S
Ai . Seja D um evento qualquer, então,
i=1
PFI(Ai ∩ D)
(i) PFI(Ai | D) ⊆ k
;
∑ PFI(A j ) · PFI(D | A j )
j=1
(ii) Se F satisfaz a restrição aritmética fuzzy intuicionista dada pela condição (7.1) tem-se que
PFIR(Ai ∩ D)
PFIR(Ai | D) ⊆ k
;
∑ PFIR(A j ) · PFIR(D | A j )
j=1
Prova: É suficiente provar que estas relações são verdadeiras quando restritas aos seus (α, β)-
níveis. Mas isto segue do Teorema de Bayes Intervalar, Teorema 3.5.9 e das equações (7.11) e
(7.10).
A principal suposição que norteia os processos de Markov é que as probabilidades fuzzy in-
tuicionista de transição PFIi j estão definidas sempre que o estado i seja visitado, independente do
122
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
que aconteceu no passado e de como o estado i foi atingido. Matematicamente, suponha a seguinte
propriedade de Markov, que demanda:
Note que, pelo Teorema da probabilidade total fuzzy intuicionista tem-se que
m m
PFI(Xn = j) ⊆ ∑ PFI(X0 = i) · PFI(Xn = j | X0 = i) = ∑ PFI(X0 = i) · PFIi j (n).
i=1 i=1
onde a probabilidade intervalar do lado direito é considerada com respeito da família de intervalos
F(α,β) .
Observação 7.5.1 Note que, pela Observação 7.4.2 os processos Markovianos fuzzy intuicio-
nistas podem ser vistos como famílias de processos Markovianos clássicos. Mais precisamente,
pode-se olhar os (α, β)-níveis das probabilidades de transição fuzzy intuicionistas PFIi j como uma
família de probabilidades de transição clássica da seguinte forma
n o n o
(a,α,β)
(PFIi j )(α,β) = P(a,α,β) (X1 = j | X0 = i) : a ∈ F(α,β) = Pi j : a ∈ F(α,β)
se PFI = PFI ou
r
(PFIi j )(α,β) = P(a,α,β) (X1 = j | X0 = i) : a ∈ F(α,β) e ∑ ai = 1
i=1
(a,α,β) r
= Pi j : a ∈ F(α,β) e ∑ ai = 1 ,
i=1
123
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
ou
r
(PFIi j (n))(α,β) = P (a,α,β) (Xn = j | X0 = i) : a ∈ F(α,β) e ∑ ai = 1
i=1
(a,α,β) r
= Pi j (n) : a ∈ F(α,β) e ∑ ai = 1 ,
i=1
se PFI = PFIR.
m
(PFIi j (s + t))(α,β) ⊆ ∑ (PFIik (s))(α,β) · (PFIk j (t))(α,β) .
k=1
então, j é fuzzy intuicionista acessível a partir do estado i se, e somente se, j é acessível interva-
larmente a partir do estado i com respeito da probabilidade intervalar PF(α,β) para todo (α, β) ∈ L∗ .
Se um estado j é fuzzy intuicionista acessível a partir de i e i é fuzzy intuicionista acessível
a partir de j, diz-se que i e j se comunicam no sentido fuzzy intuicionista, e é escrito i ↔ j.
Esta relação de comunicação fuzzy intuicionista é uma relação de equivalência, ou seja satisfaz as
seguintes propriedades:
124
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Prova: Como PFIii (0) = PFI(X0 = i|X0 = i) = 1 > 0, tem-se a propriedade (1). A propriedade (2)
segue trivialmente da definição. Resta provar a propriedade (3). Como i ↔ k e k ↔ j então, exis-
m
tem inteiros s,t ∈ N tais que PFIik (s) > 0 e PFIk j (t) > 0. Em particular, ∑ PFIik (s)·PFIk j (t) > 0.
k=1
Portanto, pelo Teorema 7.5.2 tem-se que PFIi j (s + t) > 0. Assim, i ↔ j.
Como esta relação de comunicação fuzzy intuicionista é uma relação de equivalência, tem-se
que o espaço de estados S pode ser decomposto em uma união finita disjunta de classes de equiva-
lência módulo a relação "↔", ou seja, existem subconjuntos C1 , . . . ,Cs de S, dois a dois disjuntos,
s
S
tais que S = Ci e tais que todos os estados em Ci se comunicam entre si no sentido fuzzy intui-
i=1
cionista. Os conjuntos C1 , . . . ,Cs são chamados de classes de comunicação fuzzy intuicionista da
cadeia de Markov.
Seja i um estado e AFI(i) o conjunto de todos os estados que são acessíveis no sentido fuzzy
intuicionista a partir de i. Diz-se que i é recorrente no sentido fuzzy intuicionista se para todo j
que é fuzzy intuicionista acessível a partir de i tem-se que i é fuzzy intuicionista acessível a partir
de j, ou seja, i satisfaz a propriedade que se j ∈ AFI(i) então i ∈ AFI( j). Em particular, tem-se
que i é recorrente no sentido fuzzy intuicionista se, e somente se, i é recorrente intervalarmente
com respeito da probabilidade intervalar PF(α,β) para todo (α, β) ∈ L∗ .
Quando a cadeia de Markov começa no estado recorrente no sentido fuzzy intuicionista i, so-
mente podem ser visitados os estados j ∈ AFI(i) a partir dos quais i é fuzzy intuicionista acessível,
ou seja, dado qualquer estado futuro, existe sempre alguma probabilidade fuzzy intuicionista de
retornar ao estado i e após um certo tempo, tem-se a certeza que isto de fato vai acontecer. As-
sim, repetindo este argumento indefinidamente, pode-se concluir que, se um estado recorrente no
sentido fuzzy intuicionista i é visitado alguma vez, ele será revisitado uma infinidade de vezes.
Um estado i que não é recorrente no sentido fuzzy intuicionista é dito transiente no sentido
fuzzy intuicionista. Assim, o estado i é transiente no sentido fuzzy intuicionista se existirem es-
tados j ∈ AFI(i) tais que i não é acessível a partir de j. Em particular, tem-se que i é transiente
no sentido fuzzy intuicionista se, e somente se, i é transiente intervalarmente com respeito da
probabilidade intervalar PF(α,β) para algum (α, β) ∈ L∗ .
Após a cadeia ter visitado o estado transiente no sentido fuzzy intuicionista i, há uma pro-
babilidade fuzzy intuicionista positiva de visitar o estado j e, após algum tempo, isto de fato vai
acontecer, e quando aconteça, o estado i nunca mais vai ser visitado. Pode-se concluir, que um
estado transiente no sentido fuzzy intuicionista será visitado somente um número finito de vezes.
Note que, uma cadeia de Markov fuzzy intuicionista finita sempre possue pelo menos um
estado recorrente no sentido fuzzy intuicionista pois, se todos os estados forem transiente no sen-
tido fuzzy intuicionista então, pelo comentado acima, após um numero finito de passos (tempo) a
cadeia deixará todos os estados e nunca mais os visitará. Para onde irá?
125
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Pode-se dividir os estados transientes no sentido fuzzy intuicionista em dois tipos: os forte-
mente transientes no sentido fuzzy intuicionista, ou seja aqueles que são fortemente transientes
intervalarmente com respeito da probabilidade intervalar PF(α,β) para todo (α, β) ∈ L∗ , e os fraca-
mente transientes no sentido fuzzy intuicionista, ou seja aqueles que são fracamente transientes
intervalarmente com respeito da probabilidade intervalar PF(α,β) para algum (α, β) ∈ L∗ .
As propriedades de recorrência e transiência fuzzy intuicionista são propriedades solidárias,
no seguinte sentido:
(2) i é fortemente transiente no sentido fuzzy intuicionista se, e somente se, j também é.
(3) i é fracamente transiente no sentido fuzzy intuicionista se, e somente se, j também é.
Prova: O item (3) é uma consequência imediata dos itens anteriores, portanto será provado
somente os itens (1) e (2).
Foi visto que, i é recorrente (resp. fortemente transiente) no sentido fuzzy intuicionista se, e
somente se, i é recorrente (resp. transiente) intervalarmente com respeito da probabilidade inter-
valar PF(α,β) para todo (α, β) ∈ L∗ . Portanto, o resultado segue da Proposição 3.6.4
Segue desta proposição que se i é um estado recorrente no sentido fuzzy intuicionista, então
o conjunto de estados AFI(i) que são acessíveis no sentido fuzzy intuicionista de i formam uma
classe de comunicação fuzzy intuicionista, a qual é recorrente no sentido fuzzy intuicionista, no
sentido que todos os estados em AFI(i) são recorrentes no sentido fuzzy intuicionista. Além disso,
segue também que um estado transiente no sentido fuzzy intuicionista não pode ser fuzzy intuici-
onista acessível de um estado recorrente no sentido fuzzy intuicionista, ou seja, se i é recorrente
no sentido fuzzy intuicionista e i → j então j é recorrentes no sentido fuzzy intuicionista.
Com o intuito de entender o comportamento a longo prazo das cadeias de Markov fuzzy in-
tuicionistas é importante entender o que acontece com cadeias que consistem somente de uma
classe recorrente de comunicação fuzzy intuicionista. Por este motivo, é importante caracterizar
as classes recorrentes de comunicação fuzzy intuicionista de acordo com a presença ou ausência
de padrões de periodicidade nos tempos que um estado é visitado. Por isto, diz-se que uma classe
recorrente de comunicação fuzzy intuicionista é periódica no sentido fuzzy intuicionista se seus
estados podem ser agrupados em d > 1 subconjuntos disjuntos S1 , . . . , Sd de tal forma que todas
as transições fuzzy intuicionistas de um subconjunto levam ao seguinte subconjunto. Matematica-
mente, (
j ∈ Sk+1 , se k = 1, . . . , d − 1,
Se i ∈ Sk e PFIi j > 0 então
j ∈ S1 , se k = d.
Uma classe recorrente de comunicação fuzzy intuicionista que não é periódica é denominada de
aperiódica no sentido fuzzy intuicionista, ou seja, em uma classe recorrente de comunicação fuzzy
126
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
intuicionista periódica os estados são visitados no sentido fuzzy intuicionista seguindo a sequência
de subconjuntos e, depois de d passos, termina no mesmo subconjunto.
Um aspecto importante em cadeias de Markov fuzzy intuicionistas é o estudo dos seus esta-
dos estacionários, pois eles representam uma característica crucial das cadeias de Markov fuzzy
intuicionistas uma vez que elas controlam em vários aspectos o comportamento a longo prazo
da cadeia. Mais precisamente, o interesse em estudar as probabilidades fuzzy intuicionista de
transição de n-passos PFIi j (n) quando n é suficientemente grande.
Se a cadeia de Markov fuzzy intuicionista possui duas ou mais classes de estados recorrentes
é claro que o valor fuzzy intuicionista limite de PFIi j (n) dependerá do estado inicial i pois, visitar
j a longo prazo vai depender se j está ou não na mesma classe recorrente de comunicação fuzzy
intuicionista que i. Por esta razão, este estudo será restringido a cadeias de Markov que consistem
somente de uma classe recorrente de comunicação fuzzy intuicionista e possivelmente alguns es-
tados transientes no sentido fuzzy intuicionista. Esta suposição não é restritiva como em princípio
possa parecer, pois sabe-se que se um estado entra numa classe recorrente de comunicação fuzzy
intuicionista particular, ele permanecerá nessa classe para sempre.
Observe que, a sequência fuzzy intuicionista PFIi j (n) pode não convergir, mesmo que a cadeia
de markov fuzzy intuicionista possua uma única classe recorrente de comunicação fuzzy intuici-
onista. Isto decorre da equação (7.13) e do fato que Pi j (n) pode não convergir. Por exemplo,
considere a classe recorrente com dois estados, 1 e 2, tais que PFI12 = PFI21 = 1, ou seja a partir
do estado 1 somente pode-se ir para o estado 2, e vice-versa.
Portanto, começando em um desses estados, se permanecerá nesse mesmo estado após um
número par de transições e em um outro estado após um número ímpar de transições. O que está
por trás deste fenômeno é que a classe de comunicação fuzzy intuicionista é periódica e, para esta
classe, PFIi j (n) oscila. A seguir será provado que para qualquer estado j, as probabilidades fuzzy
intuicionistas de transição de n-passos PFIi j (n) se aproximan de um valor fuzzy intuicionista
limite, o qual é independente do estado inicial i, desde que exclua as duas situações descritas
acima: classes recorrentes multiplas e/ou classes periódicas.
Teorema 7.5.5 (Teorema da Convergência Estacionária Fuzzy Intuicionista) Considere uma ca-
deia de Markov fuzzy intuicionista com uma única classe recorrente de comunicação fuzzy in-
tuicionista, a qual é aperiódica. Então, dado qualquer estado j existe um único número fuzzy
intuicionista A j que satisfaz as seguintes propriedades:
(1) lim (PFIi j (n))(α,β) = (A j )(α,β) para todo i, j ∈ S e para todo (α, β) ∈ L∗ .
n→∞
m
(2) A j ⊆ ∑ Ak · PFIk j para todo j ∈ S.
k=1
m
(3) 1 ⊆ ∑ Ak .
k=1
127
Capítulo 7. Teoria de Probabilidade Fuzzy Intuicionista
Prova: Sabe-se pelo Teorema 3.6.5 que dado qualquer (α, β) ∈ L∗ e qualquer estado j existe um
(α,β) (α,β) (α,β)
único intervalo π j = [π j ,πj ] que satisfaz as seguintes propriedades:
(α,β)
(1) lim (PF(α,β) )i j (n) = π j , para todo i, j ∈ S.
n→∞
(α,β) m (α,β)
(2) π j ⊆ ∑ πk · (PF(α,β) )k j para todo j ∈ S.
k=1
m (α,β) m (α,β)
(3) ∑ πk ≤ 1 ≤ ∑ πk .
k=1 k=1
Portanto, o resultado segue se considerado A j como o número fuzzy intuicionista cujos (α, β)-
(α,β)
níveis são dados por π j .
128
Capítulo 8
Conclusão
Essas incertezas, nesse sentido amplo que se refere Klir [83], estão presentes no dia a dia, e
podem emergir de diversas formas e fontes [110].
A teoria da probabilidade clássica considera eventos bem definidos e valores exatos (um nú-
mero real entre zero e um) para as probabilidades desses eventos, isto permitiu lidar com probabili-
dades com um rigor matemático, erguindo-la como uma das teorias matemáticas sobre algum tipo
de incerteza (neste caso a probabilística), porém bem consolidadas. No entanto, assim, como se
tem a incerteza probabilística num determinado problema real, outros tipos de incertezas também
podem co-existir nesse problema, o que torna-se inviável usar esta teoria.
Isto tem motivado diversos pesquisadores a considerar incertezas seja nos eventos como nos
próprios valores das probabilidades, considerando diversos tipos de incertezas de forma rigorosa.
Isto motivou Peter Walley em [148] a propor uma teoria unficada de probabilidades com incertezas
que denominou de probabilidades imprecisas.
À luz das probabilidades imprecisas, nesta tese foram formuladas novas teorias de probabili-
dade intervalar, fuzzy e fuzzy intuicionistas.
As duas probabilidades intervalares propostas visam contribuir com probabilidades intervala-
res ao apresentar conceitos e propriedades próximas dos respectivos conceitos e propriedades da
teoria das probabilidades convencionais, como por exemplo, probabilidade condicional e cadeias
de Markov. Assim, como em matemática intervalar algumas propriedades álgebricas do corpo
dos reais (distributividade e inverso aditivo) são relaxados substituindo a igualdade pela inclusão,
aqui as propriedades da teoria de probabilidade convencional, como teorema de Bayes, são relaxa-
das nessas teorias de probabilidades intervalares por considerarem inclusão em vez da igualdade.
A probabilidade intervalar (irrestrita) permite considerar atribuição de probabilidades para cada
evento que sejam independentes entre si, ou seja, sem restrição, que é algo inédito nas teorias de
129
Capítulo 8. Conclusão
probabilidades intervalares que podem ser encontradas na literatura (veja por exemplo [62]). Um
outro aspecto que é importante destacar, é que aqui fica explicíto que a noção de probabilidade
intervalar fundamental que antecede a probabilidade fuzzy no espírito de Buckley [20], o qual fica
escondido (não há qualquer referência a probabilidade intervalar) nesse livro.
Os parâmetros dos modelos de cadeias de Markov muitas vezes não são conhecidos com
precisão. Em vez de ignorar este problema, a melhor maneira de lidar com isso é incorporar
a imprecisão nos modelos. A idéia básica é que, precisamente conhecidas distribuições iniciais
e matrizes de transição são substituídas por outras imprecisas, o que efetivamente significa que
conjuntos de possíveis candidatos são considerados.
Algumas aplicações das cadeias de Markov intervalares são: problemas relacionados a Gené-
tica [29], problemas de tomada de decisão [40].
As duas probabilidades fuzzy introduzidas aqui, que são inspiradas na probabilidade fuzzy
do Buckley [20], também contribuem para um melhor entendimento das probabilidades fuzzy
que consideram números fuzzy como valores de probabilidades. A diferença do Buckley é a
ordem usada nesta tese para números fuzzy não permite que o suporte do número fuzzy contenha
valores negativos. Além disso, ao analisar as propriedades de probabilidade condicional e total
fuzzy, considerou-se a inclusão entre números fuzzy para relaxar a relação de igualdade presente
nas respectivas propriedades da probabilidade convencional e total usual, enquanto que Buckley
usa sua ordem que além de ser pouco intuitiva, nos seus α-níveis não garante a corretude no
sentido de [65] e [132]. Uma outra contribuição aqui foi adaptar a axiomática de Walley para as
probabilidades intervalares e para as probabilidades fuzzy.
Existem várias aplicações das cadeias de Markov fuzzy, tais como: interpretação de imagens
[1], tomada de decisão [3], sistemas dinâmicos complexos [2], imagens de ressonância magnética
[130], potência de processadores [89], predição de erros de redes neurais [100].
A probabilidade fuzzy intuicionista, é a mais importante contribuição desta tese, pois incor-
pora no seio das probabilidades imprecisas um novo tipo de imprecisão (híbrida) o qual não apenas
abre espaço para o aprofundamento desta nova classe de probabilidade imprecisa, mas também
motiva o estudo de outras classes de probabilidades imprecisas como fuzzy intervalar, fuzzy in-
tuicionista intervalar, conjuntos rough, conjuntos rough fuzzy, conjuntos soft, etc. Também nesta
classe de probabilidades imprecisas contribui-se com duas probabilidades fuzzy intuicionistas e
estudou-se os conceitos de probabilidades condicionias e totais, entre outras coisas e suas pro-
priedades. Aqui também foram considerados axiomas análogos aos axiomas de probabilidade
intervalar de Walley.
Como dito na secão 1.4 existem poucas contribuições em probabilidade fuzzy intuicionista
e a maioria delas só trabalham com eventos fuzzy intuicionistas, mas para o caso de cadeia de
markov não há precedente, nem de trabalhos que considerem eventos fuzzy intuitcionistas nem de
trabalhos que usem probalidades fuzzy intuicionistas. Assim, a proposta de cadeias de Markov
fuzzy intuicionistas propostas na seção 7.5.1 pode-se considerar o primeiro trabalho que integra
130
Capítulo 8. Conclusão
1. DA COSTA, C. G., BEDREGAL, B.R.C. O Corpo Local dos Números Fuzzy com Opera-
ções Baseadas em α-Cortes. VIII ERMAC, Natal-RN, Novembro de 2008.
2. DA COSTA, C. G., BEDREGAL, B.R.C. Uma Aritmética Contínua para Números Fuzzy
Trapezoidais. VIII ERMAC, Natal, Novembro de 2008.
Os artigos publicados com versões preliminares de parte desta tese estão descritos abixo:
Mas ainda pretende-se publicar pelo menos outros dois artigos que apresentem as contribui-
ções desta tese em probabilidade intervalar, probabilidade fuzzy e probabilidade fuzzy intuicio-
nista.
131
Capítulo 8. Conclusão
132
Referências Bibliográficas
[1] Alves, A. O.; Mota, G. L. A.; Costa, G. A. O. P.; Feitosa, R. Q. Interpretação de imagens mul-
titemporais de sensoriamento remoto com base na combinação de cadeias de Markov fuzzy.
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil (2011),
7309.
[2] Arkov, V.; Kulikov, G.G. Fuzzy Markov modeling in automatic control of complex dynamic
systems. International Conference on Accelerator and Large Experimental Physics Control
Systems, Trieste, Italy (1999).
[3] Avrachenkov, K.E.; Sanchez, E. Fuzzy Markov chains and decision-making. Fuzzy Optimiza-
tion and Decision Making, 1 (2002), 143–159.
[4] Arnold, K.; Gupta, M. Introduction to fuzzy arithmetic: theory and applications. Van Nostrand
Reinhold, New York (1985).
[5] Atanassov, K.T. Intuitionistic fuzzy sets. Central Tech. Library, Bulgarian Academy Science,
Sofia, Bulgaria, (1983), Rep. No. 1697/84.
[6] Atanassov, K.T.; Gargov, G. Interval valued intuitionistic fuzzy sets. Fuzzy Sets and Systems,
31 (1989), 343–349.
[7] Atanassov, K.T. Intuitionistic fuzzy sets: theory and applications, Springer Verlag, (1999).
[8] Atanassov, K. T. Intuitionistic fuzzy sets, Fuzzy Sets and Systems 20 (1986) 87–96.
[9] Bai, J.; Wang, P. Conditional Markov chain and its application in economic time series analy-
sis. Journal of Applied Econometrics, 26(5) (2011), 715–891.
[10] Ban, A.I. Nearest interval approximation of an intuitionistic fuzzy number. In: Computatio-
nal Intelligence, Theory and Applications, Springer-Verlag, Berlin-Heildelberg (2006), 229–
240.
[11] Ban, A.I. Trapezoidal approximations of intuitionistic fuzzy numbers expressed by value.
NIFS, 14 (2008), 38–47.
[12] Barros, L. C.; Bassanezi, R.C. Tópicos de lógica fuzzy e biomatemática. Campinas: IMECC-
UNICAMP 2 (2010).
133
REFERÊNCIAS BIBLIOGRÁFICAS
[13] Bector, C.R.; Chandra, S. Fuzzy mathematical programming and fuzzy matrix games,
Springer-Verlag, Berlin-Heildelberg, (2005).
[14] Bede, B.; Fodor, J. Product type operations between fuzzy numbers and their applications in
geology. Acta Polytechnica Hungarica, 3 (2006), 123–139.
[15] Bedregal, B.R.C.; Dimuro, G.P.; Costa, A.C.R., Fuzzy rule-based hand gesture recognition.
IFIP-International Federation for Information Processing, Artificial Intelligence in Theory
and Practice, 217 (2006), 285–294.
[16] Bertuccelli, L. F. Robust decision-making with model uncertainty in aerospace systems. PhD
thesis Massachusetts Institute of Technology, September (2008).
[18] Biswas, R. On fuzzy sets and intuitionistic fuzzy sets. NIFS, 3 (1997).
[19] Buchdahl, J. Fixed odds sports betting: statistical - Forecasting and Risk Management. High
Stakes Publishing, (2003).
[20] Buckley, J.J. Fuzzy Probabilities: A New Approach and Applications. Springer, Berlin,
(2005).
[21] Buckley, J.J. Fuzzy Probabilities and Statistics. Springer, Berlin, (2006).
[22] Burillo, P.; Bustince, H.; Mohedano, V. Some definitions of intuitionistic fuzzy number. First
properties. In: Proceedings of the 1st Workshop on Fuzzy Based Expert Systems, D. Lakov,
Sofia, Bulgaria, (1994) 53–55.
[23] Bustince, H.; Montero, J.; Orduna, R.; Barrenechea, E.; Pagola, M. A survey of Atanas-
sov’s intuitionistic fuzzy relations. In: Intuitionistic Fuzzy Sets: Recent Advances, Studies in
Fuzziness and Soft Computing. Springer (2008).
[24] Bustince, H.; Pagola, M.; Barrenechea, E. Construction of fuzzy indices from fuzzy sub-
sethood measures: Application to the global comparison of images. Information Sciences,
177 (2007), 906–929.
[25] Bustince, H.; Burillo, P. Vague sets are intuitionistic fuzzy sets. Fuzzy Sets and Systems 79
(1996), 403–405.
[26] Cabrelli, C. A.; Forte, B.; Molter, U. M.; Vrscay, E. R. Iterated fuzzy set systems: A new ap-
proach to the inverse problem for fractals and other sets. Journal of Mathematics, 171 (1992),
79–100.
134
REFERÊNCIAS BIBLIOGRÁFICAS
[28] Campos, M. A. Uma extensão intervalar para a probabilidade real. Tese de Doutorado, Cen-
tro de Informática/UFPE,(1997).
[29] Campos, M.A.; Dimuro, G.P.; Costa, A.C.R.; Araújo, J.F.; Dias A.M. Probabilidade interva-
lar e cadeias de Markov intervalares no Maple. TEMA - Tendências em Matemática Aplicada
e Computacional, 3(2) (2002), 53–62.
[31] Chaira, T. A novel intuitionistic fuzzy means color clustering on human cell images. IEEE
Nature and Biologically Inspired Computing, (2009), 736–741.
[32] Chen, S.; Tan, J. Handling multicriteria fuzzy decision-making problems based on vague set
theory. Fuzzy Sets and Systems, 67(2) (1994), 163–172.
[33] Chowdhury, S.; Champgne, P.; Mclellan, J. Uncertainty characterization approaches for risk
assessment of DBPs in drinking water: A review. Journal of Environmental Management,
90(5) (2009), 1680–1691.
[34] Comba, J.L.D.; Stolfi J. Affine arithmetic and its applications to computer graphics. Anais
do VII SIBGRAPI, (1993), 1–10.
[35] Connell, S.D. A comparison of hidden Markov model features for the recognition of cursive
handwriting. Master‘s Thesis, Dept. of Computer Science - Michigan State University (1996).
[37] DA Costa, C. G.; Bedregal, B.R.C. O Corpo Local dos Números Fuzzy com Operações
Baseadas em α-Cortes. VIII ERMAC, Natal-RN, Novembro de 2008.
[38] Da Costa, C. G.; Bedregal, B.R.C.; Doria Neto, A. D. Relating De Morgan triples with
Atanassov’s Intuitionistic De Morgan Triples via Automorphisms. Approximate Reasoning,
52(4) (2011), 473–487.
[39] da Cruz, A. T.; Dimuro, G.P. On fuzzy probabilities in Bayesian games. IEEE - Workshop-
School on Theoretical Computer Science, (2011), 25–31.
[40] Delahaye, B.; Larsen, K. G.; Legay, A.; Pedersen, M. L.; Wasowski, A. Decision problems
for interval Markov chains. In Language and Automata Theory and Applications (LATA),
2011.
135
REFERÊNCIAS BIBLIOGRÁFICAS
[42] Deschrijver, G.; Kerre, E. On the relationship between some extensions of fuzzy set theory.
Fuzzy Sets and Systems, 133(2) (2003), 227–235.
[43] Deschrijver, G.; Cornelis, C.; Kerre, E. Intuitionistic fuzzy connectives revised. In Proc.
9th Int. Conf. Information Processing Management Uncertainty Knowledge-based Systems,
(2002), 1839–1844.
[44] Deschrijver, G.; Cornelis, C.; Kerre, E. On the representation of intuitionistic fuzzy t-norms
and t-conorms. IEEE- Transactions on Fuzzy Systems, 12(1) (2004), 45–61.
[45] Deschrijver, G.; Cornelis, C.; Kerre, E. Implication in intuitionistic fuzzy and interval-valued
fuzzy set theory: construction, classification, application. International Journal of Approxi-
mate Reasoning, 35 (2004), 55–95.
[46] Dimuro, G.P.; Costa, A.C.R.; Gonçalves, L.V.; Hübner, A. Interval-valued hidden Markov
models for recognizing personality traits in social exchanges in open multiagent systems.
Tema - Tendências em Matemática Aplicada e Computacional, 9 (2008), 83–93.
[48] Dubois, D.; Prade, H. Operations on fuzzy numbers. International Journal of Systems Scien-
ces, 9 (1978), 613–626.
[49] Dubois, D.; Prade, H. Rough fuzzy sets and fuzzy rough sets. International Journal of Ge-
neral Systems, 7 (1990), 2–3.
[50] Dunyak, J.; Saad, L.W.; Wunsch, D. A theory of independent fuzzy probability for system
reliability. IEEE Transactions Fuzzy Systems, 7 (1999), 286–294.
[51] Dutra, J. E. M. JAVA-XSC: Uma biblioteca Java para computações intervalares. Dissertação
de Mestrado em Informática - DIMAp/UFRN„ (2000).
[52] Delgado, K. V.; Barros, L. C.; Cozman, F. G.; Filho, R.S. Representing and solving factored
Markov decision processes with Imprecise Probabilities. In: Sixth International Symposium
on Imprecise Probability: Theories and Applications, (2009).
[53] Gerstenkorn, T.; Manko, J. Probability of fuzzy intuitionistic sets. BUSEFAL, 45 (1990/91),
128–136.
136
REFERÊNCIAS BIBLIOGRÁFICAS
[54] Gerstenkorn, T.; Manko, J. On hesitancy margin and a probability of intuitionistic fuzzy
events. IFS 7(1) (2001), 4–9.
[55] Goguen, J.A. L-fuzzy sets. Journal of Mathematical Analysis and Applications. 18(1) (1967),
623–668.
[57] Gorzalczany, M. An interval-valued fuzzy inference method some basic properties. Fuzzy
Sets and Systems, 31 (1989), 243–251.
[58] Grattan-Guinness, I. Fuzzy membership mapped into intervalar and many-valued quantities.
Z. Math. Logik. Grundladen Matn, 22 (1975), 149–160.
[61] Guha, D.; Chakraborty, D. A theoretical development of distance measure for intuitionistic
fuzzy numbers. International Journal of Mathematics and Mathematical Sciences, 2010, 25
pages.
[62] Guo, P.; Tanaka, H. Decision-making with interval probabilities. European Journal of Ope-
rational Research, 203(2) (2010), 444–454.
[63] Haigh, J. Taking chances: winning with probability. Oxford University Press, Oxford (2003).
[64] Hanss, M. Applied fuzzy arithmetic an introduction with engineering applications. Springer-
Verlag, Berlin-Heildelberg, (2005).
[65] Hickey, T.; Ju, Q.; Emden, M. Interval arithmetic: from principles to implementation. Jour-
nal of the ACM, 48(5) (2001), 1038–1068.
[66] Hirotsu, N.; Wright, M. Using a Markov process model of an association football match to
determine the optimal timing of substitution and tactical decisions. Journal of the Operational
Research Society 53: 88–96, (2002).
[67] Hovland, G.E. Skill acquisition from human demonstration using a hidden Markov model,
Proc. IEEE International Conference Robotics Automatic, (1996), 2706–2711.
[68] Huber, J. P; Strassen V. Minimax tests and the Neyman-Pearson lemma for capacities. The
Annais of Statistics,1 (1973), 251–263.
137
REFERÊNCIAS BIBLIOGRÁFICAS
[69] Hung, W.; Yang, M. On the J-divergence of intuitionisticfuzzy sets with its application to
pattern recognition. Information Sciences, 178(6) (2008), 1641–1650.
[70] Iakovidis, D. K.; Pelekis N.; Kotsifakos E.; Kopanakis, I. Intuitionistic fuzzy clustering
with applications in computer vision. In Advanced Concepts for Intelligent Vision Systems.
Springer Berlin/ Heidelberg, (2008), 764–774.
[71] Intan, R. Interval probability of data querying based on fuzzy conditional probability relation.
IAENG - International Journal of Computer Science, 34(1) (2007).
[72] Jafelice, R.S.M.; Barros, L. C.; Bassanezi, R.C. Sobre sistemas dinâmicos fuzzy com retardo:
Uma aplicação na dinâmica do HIV com tratamento. Revista de Biomatemática, Campinas,
18(4) (2008), 131–148.
[74] Jotsov, V.S.; Sgurev, V.S. Human-centered methods for applications of fuzzy probabilities in
intelligent systems. Proceedings 2nd International IEEE Conference Intelligent Systems, 1
(2004), 122–129.
[75] Jaulin, L.; Kieffer, M.; Didrit, O.; Walter E. Applied interval analysis: with examples in
parameter and state estimation, robust control and robotic. Springer-Verlag, London, (2001).
[76] Jurio, A.; Paternain D.; Bustince H. A construction method of Atanassov’s intuitionistic
fuzzy sets for image processing. In 5th IEEE International Conference Intelligent Systems,
London (2010).
[77] Kaufmann A.; Gupta, M. M. Introduction to Fuzzy Arithmetic: Theory and Applications,
Van Nostrand Reinhold, New York, (1985).
[78] Klement, E.P.; Mesiar, R.; Pap, E. Triangular norms. Position paper I: Basic analytical and
algebraic properties. Fuzzy Sets and Systems, 143(1) (2004), 5–26.
[79] Klir, G. J.; Yuan B. Fuzzy Sets and Fuzzy Logic, Prentice-Hall, Upper Saddle River, New
Jersey, (1995).
[80] Klir, G.J. Fuzzy arithmetic with requisite constraints. Fuzzy Sets and Systems, 91 (1997),
165–175.
[81] Klir, G.J.; Pan, Y. Constrained fuzzy arithmetics: Basic questions and some answers. Soft
Computing, 2 (1998), 100–108.
138
REFERÊNCIAS BIBLIOGRÁFICAS
[83] Klir, G.J. Uncertainty and Information: Foundations of Generalized Information Theory.
Willey & Sons, (2006).
[84] Kolev, B.; Chountas, Petrounias P. I.; Kodogiannis, V. An application of intuitionistic fuzzy
relational databases in football match result predictions. In: Computational Intelligence, The-
ory and Applications, Bernd Reusch (Ed.), Springer-Verlag, Berlin-Heildelberg, (2005), 281–
289.
[85] Kosko, B.; Isaka, S. Fuzzy Logic. Scientific American, 269 (1993), 76–81.
[86] Kratschmer, V. A unified approach to fuzzy random variables. Fuzzy Sets and Systems,
123(1) (2001), 1–9.
[87] Kriegler, E.; Held, H. Utilizing belief functions for the estimation of future climate change.
International Journal of Approximate Reasoning, 39 (2005) 185–209.
[88] Kruse, R.; Meyer, K.D. Statistics with Vague Data. Reidel, Dordrecht, (1987).
[89] Kruse R.; Buck-Emden R.; Cordes R. Processor power considerations - An application of
fuzzy Markov chains. Fuzzy Sets and Systems, 21(3), (1987) 289–299.
[90] Kulisch, U.; Takano W.; Nakamura, Y. Incremental learning, clustering and hierarchy forma-
tion of whole body motion patterns using adaptive hidden Markov chains. The International
Journal of Robotics Research, 27 (2008), 761–784.
[91] Kulisch, U.; Miranker, W. Computer arithmetic, Academic Press, New York (1982).
[92] Kulp, D., Haussler, D., Reese, M.G.; Eeckman, F.H. A generalized hidden Markov model for
the recognition of human genes in DNA, Proceedings of the Fourth International Conference
on Intelligent Systems for Molecular BiologyAAAI Press, Menlo Park (1996).
[93] Leizarowitz, A.; Shwartz, A. Exact finite approximations of average-cost countable Markov
decision processes. Automatica, 44 (2008), 1480–1487.
[94] Lee, A.J. Modeling scores in Premier League: is Manchester United really the best. Chance,
10 (1997) 15–19.
[95] Lee, K. H. First course on fuzzy theory and applications, Springer-Verlag, Berlin-
Heildelberg, (2005).
[96] Li, H.; Wu, Z. The application of Markov chain into the forecast for population age structure
in Shanghai. International Conference on Computational Intelligence and Software Enginee-
ring, (2009) 1–3.
139
REFERÊNCIAS BIBLIOGRÁFICAS
[97] Lien, J.J. Subtly different facial expression recognition and expression intensity estimation.
IEEE Computer Society Conference on Computer Vision and Pattern Recognition (1998) 853–
859.
[98] Lima, E.L. Curso de análise vol.2. Coleção: Coleção Projeto Euclides (2011).
[99] Liu, H.; Shi, K. Intuitionistic fuzzy numbers and intuitionistic distribution numbers. Journal
of Fuzzy Mathematics, 8(4) (2000), 909–918.
[100] Liu, J.; Li, S.; Jia, S. A prediction model based on neural network and fuzzy Markov chain.
IEEE - Intelligent Control and Automation, (2008), 790–793.
[101] Liu, Y.; Xie N. Amelioration operators of fuzzy number intuitionistic fuzzy geometric and
their application to multi-criteria decision-making. IEEE-Control and Decision Conference,
(2009), 6172–6176.
[102] Lyra, A. Computabilidade no espaço dos intervalos reais: Um Modelo BSS Intervalar. Dis-
sertação de Mestrado em Informática - DIMAp/UFRN, (1999).
[103] Marsudi, M.; Bin, A. N. Queuing theory application to analyze production capacity, In:
Proceedings of IEEE- International Conference on Fuzzy Systems (2010).
[104] Melo, G. J. A. Lógica fuzzy aplicada ao problema de propagação de um vírus. In: Simpósio
de Aplicações de Lógica Fuzzy, Sorocaba - SP (2008).
[105] Molodtsov, D. Soft set theory first results. Computers and Mathematics with Applications,
37 (1999) 19–31.
[106] Moore, R. Automatic error analysis in digital computation. Tech. Rep. LMSD - 48421,
Lockheed Aircraft Corporation - Missiles and Space Division, Sunnyvale - California, 1
(1959). Work Carried Out Under Lockheed General Research Program.
[107] Moore, R. Methods and applications for interval analysis. SIAM, Philadelphia, (1979).
[108] Moore, R.; Yang, C. Interval analysis i. Tech. Rep. LMSD - 285875, Lockheed Aircraft
Corporation - Missiles and Space Division, Sunnyvale - California, Work Carried Out Under
Lockheed General Research Program, 9 (1959).
[109] Moraes, R. M. ; Machado, L. S. Using fuzzy hidden Markov models for online training
evaluation and classification in virtual reality simulators. International Journal of General
Systems, 33(2-3) (2004), 281–288.
140
REFERÊNCIAS BIBLIOGRÁFICAS
[111] Munos, R.; Moore A. Influence and variance of a Markov chain: application to adaptive
discretization in optimal control. IEEE Conference on Decision and Control, (1999), 1464 –
1469.
[112] Nahmias, S. Fuzzy variables. Fuzzy sets and systems, 1 (1978), 97–110.
[113] Nayagam, V.L.G.; Venkateshwari, G.; Sivaraman, G. Ranking of intuitionistic fuzzy num-
bers. In: Proceedings of IEEE- International Conference on Fuzzy Systems, Hong Kong, June
(2008), 1971–1974.
[114] Nguyen, H.T.; Walker, E. A. A first course in fuzzy logic, Chapman & Hall/CRC, Boca
Raton, 2 (2000).
[115] Nikolova, M.; Nikolov N.; Cornelis C.; Deschrijver, G. Survey of the research on the intui-
tionistic fuzzy sets, Advanced Studies in Contemporary Mathemathics, 4 (2) (2002), 127–157.
[116] Nissim, B.D. A model for estimating the probabilities of soccer game results. The Journal
Gambling Business and Economics, 4(3) (2010), 13–19.
[117] Olej, V.; Hájek P. Air pollution assessment using intuitionistic hierarchical fuzzy inference
systems. Institute of System Engineering and Informatics, Faculty of Economics and Admi-
nistration, University of Pardubice.
[120] Pankowska, A.; Wygralak, M. Intuitionistic fuzzy sets – An alternative approach. In: EUS-
FLAT (2003), 135–140.
[121] Pawlak, Z. Rough sets. International Journal of Parallel Programming, 11(5) (1982), 341–
356.
[122] Pedrycz, W.; Gomide, F. An Introduction to Fuzzy Sets: Analysis and Design. MIT Press,
(1998).
[123] Puri, M.L., Ralescu, D. Fuzzy random variables. Journal of Mathematical Analysis and
Applications, (1986).
[124] Rabiner, L., A tutorial on hidden Markov models and selected applications in speech recog-
nition, Proceedings of the IEEE, 77 (2) (1989), 257–286.
141
REFERÊNCIAS BIBLIOGRÁFICAS
[125] Reconvá, M.; Riecan, B. Observables on intuitionistic fuzzy sets: an elementary approach.
Cybernetics and Information Technologes, 9(2) (2009), 38–42.
[128] Roy, M. K.; Biswas, R. I-v fuzzy relations and Sanchez‘s approach for medical diagnosis,
Fuzzy Sets and Systems, 47 (1992) 35–38.
[129] Rue, H.; ∅. Salvesen. Prediction and retrospective analysis of soccer matches in a league.
The Statistician, 49(3) (2000), 399–418.
[130] Ruana, S.; Morettib, B.; Fadilib, J.; Bloyetb, D. Fuzzy Markovian segmentation in applica-
tion of magnetic resonance images. Computer Vision and image understanding, 85(1) (2002),
54–69.
[132] Santiago, R.H. N.; Bedregal, B. R. C.; Acióly, B. M. Formal aspects of correctness and
optimality of interval computations. Formal Aspects of Computing, 18(2) (2006), 231–243.
[133] Sarveswaran, V.; Smith J.W.; Blockey, D.I. Reliability of corrosion-damaged steel structu-
res using interval probability theory. Structural Safety, 20(3) (1998) 237–255.
[134] Scott, A. S.; Kreinovich. Aerospace applications of soft computations (with an emphasis on
Multi-spectral satellite imaging). In: Proceedings of the Would Automatics Congress, Hawaii
(2000).
[135] Silva, I. A., et al. Uma abordagem intervalar para o tratamento de custos imprecisos. En-
contro Regional de Matemática Aplicada e Computacional, Anais UFPB. 6 (2006).
[137] Sunaga, T. Theory of an interval algebra and its applications to numerical analysis. RAAG
Memoirs, 2 (1958), 29–46.
[138] Smithson, M. J. Human judgment and imprecise probabilities. Web site of The Imprecise
Probabilities Project: http:ippserv.rug.ac.be (1997 - 2000).
[139] Szmidt, E.; Kacprzyk, J. A concept of a probability of an intuitionistic fuzzy event. Proce-
edings of IEEE- International Conference onFuzzy , (1999), 22–25.
142
REFERÊNCIAS BIBLIOGRÁFICAS
[140] Szmidt, E.; Kacprzyk, J. Intuitionistic fuzzy sets in decision making. NIFS, 2,(1996) 15–32.
[141] Szmidt, E.; Kacprzyk, J. Group decision making via intuitionistic fuzzy sets in decision
making.
Proceeding of FUBEST’96, (1996), 107–112.
[142] Szmidt, E.; Kacprzyk, J. Remarks on some applications on intuitionistic fuzzy Sets in deci-
sion making. NIFS. 2 (1996), 22–31.
[143] Tanaka, H.; Sugihara, K.; Maeda, Y. Non-additive measures by interval probability functi-
ons. Journal Information Sciences Informatics and Computer Science: An International Jour-
nal, 164 (2004), 1–4.
[144] Tanaka, H.; Sugihara, K. Interval probability and its application to decision problems. The
10th IEEE International Conference, 3 (2001), 952 – 955.
[145] Turksen, I. B. Interval valued fuzzy sets based on normal forms, Fuzzy Sets and Systems,
20 (1986), 338–353.
[146] Xiong, Y., Huo, Q. and Chan, C. A discrete contextual stochastic model for the offline re-
cognition of handwritten Chinese characters. IEEE Trans. Pattern Anal. Machine Intelligence,
23(7) (2001), 774–782.
[147] Waghabi, E.R.; Benevides, M.R.F. Aplicação de modelos ocultos de Markov na teoria dos
jogos.In: ENIA - VII Encontro Nacional de Inteligência Artificial, 29a Congresso da Socie-
dade Brasileira de Computação, 1 (2009), 1–10.
[148] Walley, P. Statistical reasoning with imprecise probabilities, Chapman and Hall, London
(1991).
[149] Walley, P.; Fine, T.L. Towards a frequentist theory of upper and lower probability. The
Annals of Statistics, 10(3) (1982), 741–761.
[150] Wang, Y. Imprecise probabilities based on generalized intervals for system reliability as-
sessment. International Journal of Reliability & Safety, 4(4) (2010), 319–342.
[151] Wei, C. P.; Tang, X. Possibility degree Method for ranking intuitionistic fuzzy num-
bers. IEEE-International Conference on Web Intelligence and Intelligent Agent Technology, 3
(2010), 142–145.
143
REFERÊNCIAS BIBLIOGRÁFICAS
[153] Wei, C. P.; Tang, X. Possibility degree method for ranking intuitionistic fuzzy numbers.
IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Techno-
logy, (2010), 142–145.
[154] Yager, R.R. Probabilities from fuzzy observations. Information Science, 32 (1984), 1–31.
[155] Yager, R.R.; Kreinovich, V. Decision making under interval probabilities. International
Journal of Approximate Reasoning, 22(3) (1999), 195–215.
[156] Yager, R.R. Decision making with fuzzy probability assessments. IEEE Transactions on
Fuzzy Systems, 7 (1999), 462–467.
[157] Yao, B.; Liu, J.; Yan, R. Fuzzy soft set and soft fuzzy set. IEEE - Fourth International
Conference on Natural Computation, 6 (2008), 252–255.
[158] Zadeh L.A. Fuzzy sets. Information and Control, 8 (1965), 338–353.
[159] Zadeh, L.A. Probability measures of fuzzy events. J. Math. Anal. Appl.,23 (1968), 421–427.
[160] Zadeh, L.A. The concept of a linguistic variable and its application to approximate
reasoning-I. Information Science, 8 (1975), 199–249.
[161] Zadeh, L.A. Fuzzy Probabilities. Information Processing and Management, 20 (1984),
363–372.
[162] Zhang, Q.; Jia, B.; Jiang, S. Interval-valued intuitionistic fuzzy probabilistic set and some
of its important properties. The 1st International Conference on Information Science and En-
gineering, (2009).
[163] Zhang,Z.; Yang, J.; Ye, Y.; Zhang, Q. Intuitionistic fuzzy sets with double parameters and
its application to pattern recognition. Information Technology Journal, 11 (2012), 313–318.
[164] Zimmerman, H-J. Fuzzy set theory and its applications. Kluwer Academic Publishers, 2
(1991).
[165] Zolnierek, A. Pattern recognition algorithms for controlled Markov chains and their appli-
cation to medical diagnosis. Pattern Recognition Letters, 1 (1983), 299–303.
144