Universidade Federal de Lavras

Departamento de Automática

- PSI 531 -
Sistemas Fuzzy

Prof. Daniel Leite

E-mail: daniel.leite@ufla.br
2/2021

1/52
Sumário

1 – Introdução
2 – Conceitos Elementares
3 – Operações com Conjuntos Fuzzy

2/52
 1 – Introdução

Conjuntos Fuzzy
• Teoria conveniente para representação e processamento de
incerteza, palavras, e dados imprecisos
• Exemplos de conceitos definidos de forma imprecisa:
“poucos livros”, “uma longa estória”
• A teoria clássica de conjuntos é governada por uma lógica que
dá a uma proposição o valor falso (0) ou verdadeiro (1)
• A teoria de conjuntos fuzzy estende a teoria de conjuntos
clássicos. Pressupõe-se valores-verdade no intervalo [0,1]

3/52
 Conjuntos

• Classificam elementos em conceitos

– Números pares
– Capitais da América do Sul
– Times de futebol, etc.

• Porém, existem situações como

– Grandes cidades da América do Sul
– Baixa temperatura
Conjuntos?
– Pequeno erro de previsão, etc.

4/52
Teoria de conjuntos: 1895

• Definição: “A set is a collection into a whole 𝑀 of definite and

separate objects 𝑚 of our intuition or thought”. – G. Cantor

Georg Cantor
(1845-1918)

5/52
Inadequação da matemática

L. Zadeh in: Proceedings of the IRE, 50(5), May 1962, pp. 856-865.

“… the fundamental inadequacy of the conventional mathematics – the

mathematics of precisely-defined points, functions, sets, probability measures,
etc. – for coping with the analysis of biological systems, and that to deal
effectively with such systems, which are generally orders of magnitude more
complex than man-made systems, we need a radically different kind of
mathematics, the mathematics of fuzzy or cloudy quantities which are not
describable in terms of probability distributions. Indeed, the need for such
mathematics is becoming increasingly apparent even in the realm of inanimate
systems, for in most practical cases the a priori data as well as the criteria by
which the performance of a man-made system is judged are far from being
precisely specified or having accurately-known probability distributions”.

6/52
“As far as the propositions of
mathematics refer to reality, they are
not certain; and as far as they are
certain, they do not refer to reality”
– A. Einstein, 1928

7/52
Conjuntos fuzzy: 1965

• Definição: “A fuzzy set (class) 𝐴 in 𝑋 is

characterized by a membership function
(characteristic function) 𝜇𝐴 (𝑥) which
associates with each point in 𝑋 a real
number in the interval [0,1], with the value
of 𝜇𝐴 (𝑥) at 𝑥 representing the grade of Lotfi Zadeh
membership of 𝑥 in 𝐴”. – L. Zadeh (1921-2017)

8/52
 Teoria de conjuntos fuzzy

• Conjuntos fuzzy: classes com limites não bem definidos

– Aritmética fuzzy
– Programação matemática fuzzy
– Fusão de informação
– Grafo fuzzy
– Análise fuzzy de dados
– Fuzzificação de teorias clássicas

A teoria de conjuntos fuzzy inclui a lógica fuzzy

9/52
 2 – Conceitos Elementares

Universo de discurso

• Espaço onde estão definidos os valores possíveis

Notação: 𝑋

• Exemplo:
– Altura seres humanos: 0,54𝑚 ≤ 𝑎𝑙𝑡 ≤ 2,52𝑚
– Temperatura ambiente: −70𝑜𝐶 ≤ 𝑡𝑒𝑚𝑝 ≤ +71𝑜𝐶
– Preço litro gasolina: 𝑅$5,82 ≤ 𝑝𝑟𝑒ç𝑜 ≤ 𝑅$6,25

10/52
Conjunto

Visão Aristotélica (Século IV AC): objetos classificados

em categorias bem definidas

Limiar 𝜏 = 1.8 Dicotomia

𝑃 = 𝑥 ∈ 𝑋 0 ≤ 𝑥 ≤ 1.8} 𝑥1 ∈ 𝑃, 𝑥1 ∉ 𝐺
𝐺 = 𝑥 ∈ 𝑋 1.8 < 𝑥 ≤ 3} 𝑥2 ∈ 𝐺, 𝑥2 ∉ 𝑃

11/52
 Função Característica

𝐴: 𝑋 → {0,1}

𝑃 𝑥 = { 1 𝑠𝑒 𝑥 ∈ [0 , 1.8]
0 𝑠𝑒 𝑥 ∈ ]1.8 , 3] 𝐺 𝑥 = { 0 𝑠𝑒 𝑥 ∈ [0 , 1.8]
1 𝑠𝑒 𝑥 ∈ ]1.8 , 3]

12/52
 Nota

• Um elemento 𝑥 pertence ou não a um conjunto

• Problema da escolha do limiar 𝜏 entre os conjuntos 𝑃 e 𝐺

→ paradoxo de Eubulides de Mileto (adversário de Aristóteles)

Quando um monte de areia deixa de ser um monte de areia,

caso retiremos um grão de areia de cada vez?

13/52
Operações com conjuntos

14/52
• A união de um conjunto com seu complemento forma o
conjunto universo
𝐴∪𝐴 =𝑋
(Lei da exclusão do meio)

• A interseção de um conjunto com seu complemento é vazia

𝐴∩𝐴 =∅
(Lei da não contradição)

15/52
 Conjunto Fuzzy

• Um conjunto fuzzy 𝐴 em 𝑋 é definido por um conjunto de

pares ordenados:

Elemento

𝐴= 𝑥, 𝜇𝐴 𝑥 𝑥 ∈ 𝑋, 𝜇𝐴 𝑥 : 𝑋 ↦ 0,1 }

Conjunto Universo de
Função de
fuzzy discurso
pertinência

Um conjunto fuzzy 𝐴 é totalmente caracterizado

por sua função de pertinência 𝜇𝐴

16/52
Função Característica

𝐴: 𝑋 → [0,1]

Função de
pertinência

17/52
Exemplo de função discreta

União de graus
de pertinência
𝑋 = 0,1,2,3,4,5,6,7,8,9,10 (Universo discreto)
0 0 0 0.2 0.5 1 0.5 0.2 0 0 0
𝐴= , , , , , , , , , ,
0 1 2 3 4 5 6 7 8 9 10
⇒ 𝐴= 𝑥𝑖 ∈𝑋 𝜇𝐴 (𝑥𝑖 ) /𝑥𝑖

Marcador
E.g., a pertinência de 𝑥 = 3 no conjunto 𝐴 é 0.2
18/52
Função Triangular Universo contínuo:

𝐴= 𝜇𝐴 (𝑥𝑖 ) /𝑥𝑖
𝑋

19/52
Função Trapezoidal

20/52
Função Gaussiana

𝑚: média
𝜎: desvio padrão

21/52
Função Γ (sigma)

0 se 𝑥 ≤ 𝑎
𝐴 𝑥 = 2
1 − 𝑒 −𝑘 𝑥−𝑎 se 𝑥 > 𝑎
22/52
Função Exponential-like

1
𝐴 𝑥 = 2
𝑘>0
1+𝑘 𝑥−𝑚

23/52
 Nota

• A escolha da função de pertinência deve refletir

– a natureza do problema
– a percepção do conceito sendo representado
– o nível de detalhe a ser capturado
– o contexto da aplicação
– a adequação para ajuste de parâmetros (otimização)

24/52
Exemplo

• 𝐴: conceito “alto”, sendo 𝑋 = 0,5 ; 3

Teoria clássica de conjuntos Teoria de conjuntos fuzzy

1 𝑥 > 1,70𝑚 1 𝑥 > 1,80𝑚
𝜇𝐴 (𝑥) = 𝜇𝐴 𝑥 = 0 𝑥 < 1,60𝑚
0 𝑥 ≤ 1,70𝑚
5 𝑥 − 1,6 1,60𝑚 ≤ 𝑥 ≤ 1,80𝑚

25/52
Exemplos

• Conjunto fuzzy contínuo: 𝜇𝐴 𝑥

1 − 𝑥−5 2
Ex.: 𝜇𝐴 𝑥 = 𝜇𝐴 𝑥 = 𝑒
1+𝑥 2

• Conjunto fuzzy discreto:

𝑎1 𝑎2 𝑎𝑛
𝑋 = 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝐴 = 𝑥1 , 𝑥2 , … , 𝑥𝑛
Ex.:
𝐵𝑒𝑙𝑜 𝐻𝑜𝑟𝑖𝑧𝑜𝑛𝑡𝑒, 𝑈𝑏𝑒𝑟𝑙𝑎𝑛𝑑𝑖𝑎, 𝐿𝑎𝑣𝑟𝑎𝑠
Cidades: 𝑋 =
𝐽𝑢𝑖𝑧 𝑑𝑒 𝐹𝑜𝑟𝑎, 𝑇𝑎𝑝𝑖𝑟𝑎𝑖, 𝑀𝑜𝑛𝑡𝑒𝑠 𝐶𝑙𝑎𝑟𝑜𝑠
1 0,8 0,3
𝐵𝑒𝑙𝑜 𝐻𝑜𝑟𝑖𝑧𝑜𝑛𝑡𝑒 , 𝑈𝑏𝑒𝑟𝑙𝑎𝑛𝑑𝑖𝑎 , 𝐿𝑎𝑣𝑟𝑎𝑠
Cidades grandes: 𝐴 = 0,7 0,02 0,6
𝐽𝑢𝑖𝑧 𝑑𝑒 𝐹𝑜𝑟𝑎 , 𝑇𝑎𝑝𝑖𝑟𝑎𝑖 , 𝑀𝑜𝑛𝑡𝑒𝑠 𝐶𝑙𝑎𝑟𝑜𝑠

26/52
 Exemplo

• Proposta de funções de pertinência para os conjuntos

‘números próximos a 35’, ‘usualmente’ e ‘maioria’

27/52
Número e intervalo fuzzy

28/52
 Conjunto fuzzy normal

• ℎ𝑔𝑡 𝐴 = 𝑠𝑢𝑝𝑥∈𝑋 𝐴(𝑥)

Altura Supremo

Normal Subnormal
ℎ𝑔𝑡 𝐴 = 1 ℎ𝑔𝑡(𝐴) < 1

29/52
Suporte

Conjunto aberto Conjunto fechado

𝑆𝑢𝑝𝑝 𝐴 = 𝑥 ∈ 𝑋 𝐴 𝑥 > 0} 𝐶𝑆𝑢𝑝𝑝 𝐴 = 𝑐𝑙𝑜𝑠𝑢𝑟𝑒 𝑥 ∈ 𝑋 𝐴 𝑥 > 0}

30/52
Núcleo

𝐶𝑜𝑟𝑒 𝐴 = 𝑥 ∈ 𝑋 𝐴 𝑥 = 1}

31/52
Inclusão

𝐴⊆𝐵 𝐴⊄𝐵

32/52
 Exemplo

1 0,8 0,3
𝐵𝐻 , 𝑈𝑏𝑒𝑟𝑙𝑎𝑛𝑑𝑖𝑎 , 𝐿𝑎𝑣𝑟𝑎𝑠
• Cidades grandes: 𝐴 = 0,7 0 0,6
𝐽𝐹 , 𝑇𝑎𝑝𝑖𝑟𝑎𝑖 , 𝑀𝐶

Altura de 𝐴: ℎ𝑔𝑡 𝐴 = 1 𝐴 é normal

Suporte de 𝐴:
𝑆𝑢𝑝 𝐴 = 𝐵𝐻, 𝑈𝑏𝑒𝑟𝑙𝑎𝑛𝑑𝑖𝑎, 𝐿𝑎𝑣𝑟𝑎𝑠, 𝐽𝑢𝑖𝑧 𝑑𝑒 𝐹𝑜𝑟𝑎, 𝑀𝑜𝑛𝑡𝑒𝑠 𝐶𝑙𝑎𝑟𝑜𝑠

Núcleo de 𝐴: 𝐶𝑜𝑟𝑒 𝐴 = 𝐵𝐻

Subconjunto de 𝐴: Cidades
0,4 0,1 muito
𝐵= 𝐵𝐻 , 𝑈𝑏𝑒𝑟𝑙𝑎𝑛𝑑𝑖𝑎 𝐵⊆𝐴
grandes

33/52
 Cardinalidade

• A cardinalidade 𝐴 de um conjunto 𝐴 é:

𝐴 = 𝑥∈𝑋 𝜇𝐴 𝑥 para 𝑋 discreto

ou
𝐴 = 𝑋
𝜇𝐴 𝑥 𝑑𝑥 para 𝑋 contínuo

Exemplo: 𝐴 → notas boas

0,25 0,5 0,75 1 0,75 0,5 0,25
𝐴= , , , , , ,
6,5 7 7,5 8 8,5 9 9,5

𝐴 = 0,25 + 0,5 + 0,75 + 1 + 0,75 + 0,5 + 0,25 = 4

34/52
𝛼-corte

Forte
𝐴𝛼 = 𝑥 ∈ 𝑋 𝐴(𝑥) ≥ 𝛼} 𝐴𝛼 + = 𝑥 ∈ 𝑋 𝐴 𝑥 > 𝛼}

𝐴𝛼 é conjunto intervalar

35/52
Pertinência ≠ Probabilidade

(1) O líquido de uma das dez garrafas tem 95% de probabilidade

de ser água e 5% de ser veneno puro
(2) O líquido de todas as garrafas tem 95% de pertinência no
conjunto ‘puro’ e 5% no conjunto ‘veneno’
• Veneno em 5% de concentração não mata, mas faz passar mal

Qual das situações é preferível se temos que beber algo?

36/52
Discretização, quantização, granulação

Quadro
cognitivo

37/52
 Quadro cognitivo

• Definição: codificação de entidades conceituais

Família de termos linguísticos: 𝛷 = 𝐴1 , 𝐴2 , … , 𝐴𝑚

𝐴𝑖 : conjunto fuzzy de 𝑋, 𝑖 = 1, … , 𝑚

• Condição: a granulação deve satisfazer restrições semânticas

– Cobertura
– Sentido semântico

38/52
 Cobertura e unimodalidade

• 𝛷 = 𝐴1 , 𝐴2 , … , 𝐴𝑚 cobre 𝑋 se, para qualquer 𝑥 ∈ 𝑋

– ∃ 𝑖 ∈ 𝐼 | 𝐴𝑖 𝑥 > 0
– ∃ 𝑖 ∈ 𝐼 | 𝐴𝑖 𝑥 > 𝛿, 𝛿 ∈ 0,1 , 𝛿-cobertura
– 𝐴𝑖 é conjunto fuzzy de 𝑋, 𝑖 ∈ 𝐼 = 1, … , 𝑚

• 𝐴𝑖 (𝑥) é unimodal se cresce monotonamente para 𝑥 ≤ 𝑚, e

decresce monotonamente para 𝑥 ≥ 𝑚
Valor supremo de 𝐴𝑖 (𝑥) é 𝐴𝑖 (𝑚) e ∄ outro máximo local

39/52
 𝐴𝑖 (𝑥) 𝐴𝑖 (𝑥)

𝑥 𝑥

→ Para todo 𝐴𝑖 unimodal é possível afirmar que, se 𝐴𝑖 𝑥 > 𝐴𝑖 (𝑦),

então 𝑥 está mais perto da definição ideal de 𝐴 do que 𝑦

40/52
 Sentido semântico

• Cada 𝐴𝑖 , 𝑖 ∈ 𝐼 = 1, … , 𝑚, é unimodal e normal

• Número de elementos de 𝛷 é baixo
Ex.: granularidade de 𝛷1 mais rudimentar que 𝛷2

41/52
 Exemplo

• Proposta de granulação do universo ‘temperatura’

→ quadro cognitivo 𝛷 = 𝐴1 , 𝐴2 , 𝐴3 , 𝐴4 , 𝐴5

42/52
3 – Operações com Conjuntos Fuzzy
Interseção

𝐴 ∩ 𝐵 𝑥 = min 𝐴 𝑥 , 𝐵 𝑥 = 𝐴 𝑥 ˄𝐵 𝑥 ∀𝑥 ∈ 𝑋

43/52
 T-normas: generaliza interseção

• 𝑡: 0,1 × 0,1 → [0,1]

• Propriedades

𝑥𝑡𝑦 = 𝑦𝑡𝑥 Comutativa

𝑥𝑡 𝑦𝑡𝑧 = 𝑥𝑡𝑦 𝑡𝑧 Associativa
Se 𝑥 ≤ 𝑦 e 𝑤 ≤ 𝑧, então 𝑥𝑡𝑤 ≤ 𝑦𝑡𝑧 Monotônica
𝑥𝑡1 = 𝑥 e 0𝑡𝑥 = 0 Contorno

44/52
 Exemplos

• 𝑥𝑡1 𝑦 = 𝑥𝑦 Produto algébrico

• 𝑥𝑡2 𝑦 = 𝑚𝑎𝑥 0, 1 + 𝑝 𝑥 + 𝑦 − 1 − 𝑝𝑥𝑦 , 𝑝 ≥ −1 Dif. limitada (𝑝 = 0)

𝑥 𝑠𝑒 𝑦 = 1
• 𝑥𝑡3 𝑦 = 𝑦 𝑠𝑒 𝑥 = 1 Produto drástico
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

• Propriedades
𝑥𝑡3 𝑦 ≤ 𝑥𝑡𝑦 ≤ 𝑚𝑖𝑛 𝑥, 𝑦

𝑚𝑖𝑛 𝑥, 𝑥 = 𝑥 Única 𝑡-norma idempotente

45/52
União

𝐴 ∪ 𝐵 𝑥 = max 𝐴 𝑥 , 𝐵 𝑥 = 𝐴 𝑥 ˅𝐵 𝑥 ∀𝑥 ∈ 𝑋

46/52
 S-normas: generaliza união

• 𝑠: 0,1 × 0,1 → [0,1]

• Propriedades

𝑥𝑠𝑦 = 𝑦𝑠𝑥 Comutativa

𝑥𝑠 𝑦𝑠𝑧 = 𝑥𝑠𝑦 𝑠𝑧 Associativa
Se 𝑥 ≤ 𝑦 e 𝑤 ≤ 𝑧, então 𝑥𝑠𝑤 ≤ 𝑦𝑠𝑧 Monotônica
𝑥𝑠1 = 1 e 0𝑠𝑥 = 𝑥 Contorno

47/52
 Exemplos

• 𝑥𝑠1 𝑦 = 𝑥 + 𝑦 − 𝑥𝑦 Soma probabilística

• 𝑥𝑠2 𝑦 = 𝑚𝑖𝑛 1, 𝑥 + 𝑦 + 𝑝𝑥𝑦 , 𝑝 ≥ 0 Soma limitada (𝑝 = 0)

𝑥 𝑠𝑒 𝑦 = 0
• 𝑥𝑠3 𝑦 = 𝑦 𝑠𝑒 𝑥 = 0 Soma drástica
1 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

• Propriedades
𝑚𝑎𝑥 𝑥, 𝑦 ≤ 𝑥𝑠𝑦 ≤ 𝑥𝑠3 𝑦
𝑚𝑎𝑥 𝑥, 𝑥 = 𝑥 Única s-norma idempotente

48/52
Complemento

𝐴 𝑥 =1−𝐴 𝑥 ∀𝑥 ∈ 𝑋

49/52
 Lei de De Morgan

• Uma 𝑡-norma e uma 𝑠-norma são duais (complementares)

se satisfazem

𝑥𝑡𝑦 = 𝑥𝑠𝑦 ∀ 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌

𝑥𝑠𝑦 = 𝑥𝑡𝑦 ∀ 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌

50/52
Normas duais
T-norma Nome usual S-norma Nome usual

𝑚𝑖𝑛 𝑥, 𝑦 Zadeh min 𝑚𝑎𝑥 𝑥, 𝑦 Zadeh max

𝑥. 𝑦 Produto algébrico 𝑥 + 𝑦 − 𝑥𝑦 Soma

probabilística

𝑚𝑎𝑥 [0, 1 + 𝑝 (𝑥 + 𝑦 Lukasiewicz 𝑡- 𝑚𝑖𝑛 1, 𝑥 + 𝑦 + 𝑝𝑥𝑦 Lukasiewicz 𝑠-

norma: 𝑝 ≥ −1 norma: 𝑝 ≥ 0

𝑥𝑦 Hamacher 𝑡- 𝑥 + 𝑦 − 𝑥𝑦 − 1 − 𝛾 𝑥𝑦 Hamacher 𝑠-
𝛾 + 1 − 𝛾 𝑥 + 𝑦 − 𝑥𝑦 norma: 𝛾 > 0 1 − 1 − 𝛾 𝑥𝑦 norma: 𝛾 > 0
𝑚𝑎𝑥 𝑥 + 𝑦 − 1, 0 Diferença 𝑚𝑖𝑛 𝑥 + 𝑦, 1 Soma limitada
limitada
𝑥 𝑠𝑒 𝑦 = 1 Weber produto 𝑥 𝑠𝑒 𝑦 = 0 Weber soma
𝑦 𝑠𝑒 𝑥 = 1 drástico 𝑦 𝑠𝑒 𝑥 = 0 drástica
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 1 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

51/52
Observação
Este material refere-se às notas de aula do curso PSI-
531, Sistemas Fuzzy, do Programa de Pós-Graduação em
Engenharia de Sistemas e Automação da UFLA. Ele não
substitui as referências recomendadas. Este material
não pode ser reproduzido sem autorização dos autores.
Quando autorizado, seu uso é exclusivo para ensino em
instituições sem fins lucrativos.

52/52