Introdução à Lógica Fuzzy

Conjuntos Fuzzy, Funções de Pertinência, e Relações Fuzzy

Palestrante: Vítor Pereira de Sousa

 Lógica Fuzzy
• Criada por Lotfi A. Zadeh na década de 60 na Universidade da
Califórnia;
• Permite uma compreensão aos valores considerados incertos e
vagos, ou seja, existem outros resultados além de verdadeiro e falso
sendo especificamente uma coleção de valores compreendidos entre
esse intervalo;
• Diferente da Lógica Clássica, que trabalha somente com dois valores
sendo eles: Falso(0) e Verdadeiro(1), a lógica Fuzzy permite trabalhar
dentro de um intervalo de valores compreendido entre [0,1];
 Exemplo 1
• Um exemplo que difere a lógica clássica da lógica fuzzy é o conceito
entre frio(0) e quente(1): na lógica clássica a frase “Está quente” é
bem encaixada, assumindo o valor 1;
• Por outro lado seria bem difícil assumir um valor para a frase “Está
quente mas ainda sinto um pouco de frio”. Nessa segunda frase a
lógica fuzzy se encaixa melhor para processar o resultado, que
certamente estaria compreendido dentro do intervalo [0,1];
 Conjuntos
•  Primeiramente é preciso entender o que é um conjunto clássico para de fato
entrarmos no universo dos conjuntos fuzzy;
• Um conjunto é uma coleção de objetos que nos convém situar coletivamente
como uma única entidade. Os objetos são ditos como elementos do conjunto, e
para um objeto pertencer ou não pertencer ao conjunto isso será definido pela
relação de pertinência, sendo ela caracterizada da seguinte maneira:
Seja U o conjunto universo e A : U  {0,1}, em que 1 é dado como valor
verdadeiro e 0 como falso.
A =
Então o conjunto A, que é que subconjunto de U será dado por
A= {x  U: A (x)=1}
 Exemplo 2
•   Vamos considerar U o conjunto denominado Temperatura, e A um
subconjunto de U denominado Calor definido como:
A= { t U: 30 < t < 45 } ou ainda, A= {t  U: A (t)=1}
Ou seja, qualquer temperatura fora do intervalo não pertence ao
conjunto Calor e portanto A assumirá o valor 0 para essa temperatura.
Qualquer temperatura que esteja compreendida dentro desse
intervalo de valores, a A assumirá o valor 1 para essa temperatura.
 Conjuntos Fuzzy
•• Seja
  U um conjunto clássico dentro de um universo de discurso, um subconjunto fuzzy que
pode ser denominado como conjunto A de U é caracterizado pela função:

A : U  [0,1], denominada função de pertinência

• O valor A (x) indica o grau com o que o elemento x U pertence ao conjunto fuzzy
• Um conjunto Fuzzy A pode ser identificado como um conjunto clássico de pares ordenados: {(x,
A (x)) : x U }

• Dois conjuntos fuzzy A e B são iguais se possuem a mesma função de pertinência, isto é.
U
Uma função A : U[0,1] caracteriza um único conjunto fuzzy A, com isso é comum usar A para
representar tanto a função de pertinência como o conjunto fuzzy.
 Exemplo 3
•  Considere o subconjunto A de números reais próximos de 5:
A: {x é próximo de 5: x ℝ}
A função A : ℝ  [0,1] que associa cada real x ao valor que representa a
proximidade do ponto 5 está definida da seguinte maneira:
A (x) =

Dessa forma podemos obter os graus de pertinência assumindo valores para

x, para x= 5,2 temos o grau de pertinência 0,8 representando o grau de
proximidade que 5,2 possui em relação ao 5.
Para x= 8 temos que seu grau de pertinência é 0, ou seja, o grau de
proximidade que 8 tem de 5 é zero.
 Funções de Pertinência
• São consideradas como funções de pertinência toda função que leva
um elemento do domínio clássico U até um certo elemento do
conjunto fuzzy A(U) cujo valor da imagem consta no intervalo [0,1].
• O valor na imagem representa o grau de pertinência do elemento de
U pertencer ao conjunto A. As funções de pertinência mais usuais
são: triangular, trapezoidal, gaussiana.
• Conforme apontam Yen e Langari (1999), as funções triangulares e
trapezoidais apresentam resultados satisfatórios nos valores de saída.
• De acordo com Vianna (2009) a função gaussiana é a melhor opção
quando se trata de trabalhos cujo objeto de estudo é algo suave
 Operações em Conjuntos Fuzzy
•  As operações que existem dentro dos conjuntos fuzzy são: união,
intersecção, e complemento.
• Dados os conjuntos fuzzy A e B de U, a união AB, a intersecção AB, e
o complemento Ac são conjuntos fuzzy com funções de pertinência
dadas por:
(AUB) (x) = max {A (x), B (x)}, x U
(AB) (x) = min {A (x), B (x)}, x U
c
(A ) (x) = 1 - A (x), x U
 Exemplo 4
•  Ainda se baseando no exemplo 3, em que descobrimos os graus de
pertinência que os números possuíam em relação a 5. Vamos
considerar o subconjunto fuzzy B de U também como sendo reais
próximos a 5.
• A função B : ℝ  [0,1] que associa cada real x ao valor que representa
a proximidade do ponto 5 está definida da seguinte maneira:
B (x) =

Dessa forma podemos obter os subconjuntos fuzzy AB, AB, Ac

 Continuação do Exemplo 4
••  Considerando x= 5,1 obtemos os seguintes resultados:
(AUB) (5,1) = max {A (5,1), B (5,1)} = max {0,9 , 0,8} = 0,9

(AB) (5,1) = min {A (5,1), B (5,1)} = min {0,9 , 0,8} = 0,8

(Ac) (5,1) = 1 - A (5,1) = 1 – 0,9 = 0,1

Como visto acima, para x= 5,1 a união representa um grau de proximidade de 0,9 para o
número 5, a intersecção representa um grau de proximidade de 0,8. E o complemento que
representa nesse caso o quão longe o número 5,1 está de 5 representa um baixo valor de
pertinência 0,1.
 Relações
••  Relacões clássicas indicam se existe ou não existe alguma associação entre dois
elementos de dois diferentes conjuntos.
• Em relações fuzzy além de indicar associação, também é indicado o grau da relação
entre esses dois elementos.
• Como um relação clássica R é um subconjunto do produto cartesiano, então ela pode
ser representada por sua função característica.
R : U1 x U2 x ... x Un  {0,1} com

R(x1 , x2 ,..., xn) =

• Chamamos de relação binária a relação R definida no produto Cartesiano U × V

 Relações Fuzzy
•  O conceito matemático de relação fuzzy é formalizado a partir do
produto cartesiano usual entre conjuntos, estendendo a função
característica de uma relação por uma função de pertinência.
• Definição (Relação fuzzy): Uma relação fuzzy de R sobre U1 x U2 x ... x
Un é qualquer subconjunto fuzzy de U1 x U2 x ... x Un. Assim, uma
relação fuzzy R pode ser definida pela função de pertinência a seguir.
R : U1 x U2 x ... x Un  [0,1]
 Produto Cartesiano
•  Definição (Produto Cartesiano): O produto cartesiano fuzzy dos
subconjuntos A1, A2,..., An de U1 x U2 x ... x Un, respectivamente, é a
relação fuzzy A1xA2x...xAn , cuja função de pertinência é dada por
(x1 , x2 ,..., xn)= A1(x1)  A2(x2)  ...  An(xn) em que  representa o
A1xA2x...xAn
mínimo, e xi Ui
Na teoria dos conjuntos fuzzy, o produto cartesiano é similiar a
operação de intersecção, a diferença são os conjuntos em que ambas
trabalham. Na intersecção os conjuntos trabalhados são do mesmo
universo, enquanto que no produto cartesiano não são do mesmo
universo de discurso.
 Operações em Relações Fuzzy
•  Relacões binárias R definidas no produto cartesiano de dois diferentes
conjuntos U e V, são definidas como R F(U,V), e as operações existentes
referente a elas estão a seguir.
• (Intersecção) Seja C : [0,1]x[0,1]  [0,1] uma conjunção fuzzy. A intersecção
de duas relações fuzzy, R, S F(U,V), denotada por Y= R∩S, é a relação fuzzy Y
F(U,V) dada por:
Y(u,v)= C(R(u,v), S(u,v)) = Mín (R(u,v), S(u,v)), (u,v) UxV
• (União) Seja D : [0,1]x[0,1]  [0,1] uma disjunção fuzzy. A união de duas
relações fuzzy R, S F(U,V), denotada por y= RUS, é a relação fuzzy Y F(U,V)
dada por
Y(u,v)= D(R(u,v), S(u,v)) = Max (R(u,v), S(u,v)), (u,v) UxV
 Operações em Relações Fuzzy
•  (Complemento) Seja N:[0,1]  [0,1] uma negação fuzzy. O
complemento de uma relação fuzzy R F(U,V) denotada por Y=Rc , é a
relação Y F(U,V) dada por:
Y(u,v)= N(R(u,v))= 1 – (R(u,v)) , (u,v) UxV.
• A seguir mais um exemplo para melhor entendimento do assunto.
 Exemplo 5
• Uma equipe de pesquisa interessada em saber nas crenças mais ousadas
da população fez algumas descobertas incríveis. Considere R a relação
fuzzy que representa as pessoas que acreditam na Terra Plana, e S a
relação fuzzy que representa as pessoas que acreditam em E.T.s.
• Os pesquisadores conseguiram chegar no resultado de 0,3 para R, e para
S chegaram em um resultado de 0,8. Eles identificaram pessoas que
acreditavam nas duas coisas, pessoas que acreditavam em uma ou em
outra das duas coisas, ou pessoas que não acreditavam. O resultado mais
curioso foi que a população acredita bastante em vida fora do planeta
Terra.
• Todos os resultados da pesquisa estão a seguir:
 Continuação do Exemplo 5
••  Y(u,v)= C(R(u,v), S(u,v)) = Mín (R(u,v), S(u,v)), (u,v) UxV representa as pessoas que
acreditam nas duas coisas, o resultado foi:
Y(u,v)= C(R(u,v), S(u,v)) = Mín (R(u,v), S(u,v)) = Mín (0,3 , 0,8) = 0,3
• Y(u,v)= D(R(u,v), S(u,v)) = Max (R(u,v), S(u,v)), (u,v) UxV representa as pessoas que
acreditam ou em uma ou em outra das duas coisas, o resultado foi:
Y(u,v)= D(R(u,v), S(u,v)) = Max (R(u,v), S(u,v)) = Max (0,3 , 0,8) = 0,8
• Y(u,v)= N(R(u,v))= 1 – (R(u,v)) , (u,v) UxV representa as pessoas que não acreditam na
terra plana, o resultado foi:
Y(u,v)= N(R(u,v))= 1 – (R(u,v)) = 1 - 0,3 = 0,7
• Y(u,v)= N(R(u,v))= 1 – (S(u,v)) , (u,v) UxV representa as pessoas que não acreditam em
ets.
• Y(u,v)= N(R(u,v))= 1 – (S(u,v)) = 1 – 0,8 = 0,2
 Conclusão
• A lógica fuzzy assim como a lógica clássica tem sua função no mundo,
o seu estudo introdutório e básico permite enxergar as coisas de um
jeito diferente. O seu uso pode ser bem ilimitado podendo ser útil em
todos os campos do viver por não se limitar somente aos valores
numéricos. Trabalhar com valores incertos e de difícil precisão é uma
das vantagens da lógica fuzzy. Espero ter contribuído para seu
aprendizado sobre essa área e até uma próxima oportunidade.