Tópicos de Lógica Fuzzy e Biomatemática - Laécio Carvalho de Barros PDF

T opicos de Logica Fuzzy
e
Biomatematica
Colecao IMECC
Textos Didaticos 5
Laecio Carvalho de Barros
Rodney Carlos Bassanezi
T opicos de Logica Fuzzy
e
Biomatematica
Colecao IMECC
Textos Didaticos
Volume 5
Grupo de Biomatematica
Instituto de Matematica, Estatstica e Computacao Cientca
Universidade Estadual de Campinas
FICHA CATALOGR
AFICA ELABORADA PELA

BIBLIOTECA DO IMECC
B278t Barros, Laecio Carvalho de.
T opicos de l ogica fuzzy e biomatematica/ Laecio Carvalho
de Barros, Rodney Carlos Bassanezi Campinas, SP:
UNICAMP/IMECC, 2006.
354p.: il. (Cole cao IMECC Textos didaticos; v.5)
1.Conjuntos difusos. 2. Logica difusa. 3. Sistemas difusos.
4. Biomatematica. I.Bassanezi, Rodney Carlos. II. Ttulo.
511.322
574.0151
ISBN 85-87185-05-5
Indices para Catalogo Sistematico

1. Conjuntos difusos 511.322
2. Logica difusa 511.322
3. Sistemas difusos
511.322
4. Biomatematica
574.0151
Copyright c _ by Instituto de Matematica, Estatstica e Computa cao
Cientca
Produ cao Editorial: Comissao de Publica coes IMECC
Editora cao e Macros L
A
T
E
X: Luiz Rafael dos Santos
2006
Grupo de Biomatematica
Instituto de Matematica, Estatstica e Computa cao Cientca (IMECC)
Universidade Estadual de Campinas (Unicamp)
C.P. 6065 Cidade Universitaria Barao Geraldo
CEP 13973-970 Campinas SP Brasil
Sumario
Apresentacao 1
Prefacio 3
1 Conjunto fuzzy como modelador de incerteza 7
1.1 Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Subconjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . 14
1.3 Opera coes com subconjuntos fuzzy . . . . . . . . . . . . . 21
1.4 O conceito de -nvel . . . . . . . . . . . . . . . . . . . . . 30
2 O Princpio de Extensao e N umeros Fuzzy 37
2.1 O Princpio de Extens ao de Zadeh . . . . . . . . . . . . . 37
2.2 N umeros Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.1 Opera coes aritmeticas com n umeros fuzzy . . . . . 47
3 Relacoes Fuzzy 61
3.1 Rela coes Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Formas de representa cao e propriedades . . . . . . 65
3.2 Composi cao entre Rela coes Fuzzy Binarias . . . . . . . . . 69
4 Nocoes da Logica Fuzzy 77
4.1 Conectivos Basicos da L ogica Cl assica . . . . . . . . . . . 79
4.2 Conectivos b asicos da L ogica Fuzzy . . . . . . . . . . . . . 83
4.2.1 Opera coes t-norma e t-conorma . . . . . . . . . . . 84
4.3 Raciocnio Aproximado e Vari aveis Lingusticas . . . . . . 91
vi Sumario
4.4 Modus Ponens e Modus Ponens Generalizado . . . . . . . 93
4.5 Modicadores Lingusticos . . . . . . . . . . . . . . . . . . 100
4.6 Independencia e Nao-Interatividade . . . . . . . . . . . . . 106
4.6.1 Independencia e Nao-Interatividade Probabilstica 107
4.6.2 Independencia e Nao-Interatividade Possibilstica . 109
4.6.3 As distribui coes Condicionais e o Modus Ponens:
Uma Visao Bayesiana . . . . . . . . . . . . . . . . 110
5 Sistemas Baseados em Regras Fuzzy 113
5.1 Base de Regras Fuzzy . . . . . . . . . . . . . . . . . . . . 115
5.2 Controlador Fuzzy . . . . . . . . . . . . . . . . . . . . . . 117
5.3 O Metodo de Mamdani . . . . . . . . . . . . . . . . . . . 120
5.4 Metodos de Defuzzica cao . . . . . . . . . . . . . . . . . . 126
5.4.1 Centro de gravidade . . . . . . . . . . . . . . . . . 126
5.4.2 Centro dos Maximos . . . . . . . . . . . . . . . . . 127
5.4.3 Media dos Maximos . . . . . . . . . . . . . . . . . 128
5.5 Metodo de Inferencia de TSK . . . . . . . . . . . . . . . . 128
5.6 Aplica coes . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.6.1 Salinidade em Cananeia e Ilha Comprida . . . . . 135
5.6.2 Transferencia de Soropositivos . . . . . . . . . . . 143
5.6.3 Controle de Pulgoes . . . . . . . . . . . . . . . . . 152
6 Equacoes Relacionais Fuzzy e Aproximacao 159
6.1 Composi coes Generalizadas de Rela coes Fuzzy . . . . . . . 160
6.2 Equa coes Relacionais Fuzzy . . . . . . . . . . . . . . . . . 163
6.2.1 Equa coes Relacionais com maxmin . . . . . . . . 164
6.2.2 Equa coes Relacionais com supt . . . . . . . . . . 167
6.2.3 Modelagem Matematica: Diagnostico Medico . . . 169
6.3 Aproxima cao Universal . . . . . . . . . . . . . . . . . . . . 174
6.3.1 Capacidade de Aproximar . . . . . . . . . . . . . . 176
6.4 Controladores Fuzzy aplicado a Sistemas Dinamicos . . . 181
Sumario vii
7 Medidas, Integrais e Eventos Fuzzy 185
7.1 Medidas Cl assicas e Medidas Fuzzy . . . . . . . . . . . . . 186
7.1.1 Medida de probabilidade . . . . . . . . . . . . . . . 186
7.1.2 Medidas Fuzzy . . . . . . . . . . . . . . . . . . . . 190
7.1.3 Medida de possibilidade . . . . . . . . . . . . . . . 193
7.1.4 Transforma cao Probabilidade/Possibilidade . . . . 200
7.2 Integrais Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 203
7.2.1 Integral de Lebesgue . . . . . . . . . . . . . . . . . 204
7.2.2 Integral de Choquet . . . . . . . . . . . . . . . . . 207
7.2.3 Integral de Sugeno . . . . . . . . . . . . . . . . . . 208
7.3 Eventos Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 220
7.3.1 Probabilidade de Eventos Fuzzy . . . . . . . . . . 221
7.3.2 Independencia de Eventos Fuzzy . . . . . . . . . . 227
7.3.3 Vari avel Aleatoria Lingustica . . . . . . . . . . . . 229
8 Sistemas Dinamicos Fuzzy 239
8.1 Sistemas Dinamicos Fuzzy Contnuos . . . . . . . . . . . . 239
8.1.1 Derivada e Integral de Fun cao Fuzzy . . . . . . . . 242
8.1.2 Problema de Valor Inicial Fuzzy . . . . . . . . . . 246
8.1.3 Problema de Valor Inicial Fuzzy Generalizado . . . 252
8.2 Sistemas Dinamicos Fuzzy Discretos . . . . . . . . . . . . 266
8.2.1 Modelo Malthusiano Fuzzy Discreto . . . . . . . . 268
8.2.2 O Modelo Logstico Fuzzy Discreto . . . . . . . . . 272
9 Modelagem em Biomatematica: Fuzziness Demograca 279
9.1 Fuzziness Demogr aca: modelagem discreta . . . . . . . . 283
9.1.1 Regras Fuzzy com Oposi cao Sem antica . . . . . . . 284
9.1.2 Equilbrio e Estabilidade dos Sistemas p-fuzzy Dis-
cretos Unidimensionais . . . . . . . . . . . . . . . . 287
9.1.3 Modelo tipo presa-predador p-fuzzy discreto . . . . 294
9.2 Fuzziness Demogr aca: modelagem contnua . . . . . . . 298
9.2.1 Caractersticas de um sistema p-fuzzy contnuo . . 298
viii Sumario
9.2.2 Metodos numericos para solu coes do PVI p-fuzzy
contnuo . . . . . . . . . . . . . . . . . . . . . . . . 299
9.2.3 Estudo do modelo p-fuzzy de Montroll . . . . . . . 304
9.2.4 Modelos Bidimensionais: modelo presa-predador
p-fuzzy de Lotka-Volterra . . . . . . . . . . . . . . 308
10 Modelagem em Biomatematica: Fuzziness ambiental 321
10.1 Esperan ca de Vida Pobreza . . . . . . . . . . . . . . . 322
10.1.1 O Modelo . . . . . . . . . . . . . . . . . . . . . . . 323
10.1.2 Esperan ca Estocastica: E[n(t)] . . . . . . . . . . . 324
10.1.3 Esperan ca Fuzzy: EF
_
n(t)
n(0)
_
. . . . . . . . . . . . 326
10.1.4 Aplica cao: Esperan ca de vida de um grupo de me-
tal urgicos de Recife . . . . . . . . . . . . . . . . . . 328
10.1.5 Compara c ao das Esperan cas Cl assica e Fuzzy . . . 330
10.2 O Modelo Epidemiologico SI . . . . . . . . . . . . . . . . 333
10.2.1 O Modelo SI Fuzzy . . . . . . . . . . . . . . . . . . 335
10.2.2 Esperan ca fuzzy do n umero de indivduos infectados338
10.2.3 Esperan ca classica do n umero de infectados . . . . 342
10.2.4 Solu cao das medias (I(EF[V ], t)) Media das
solu coes (EF[I(V, t)]) . . . . . . . . . . . . . . . . 344
10.2.5 Controle da Epidemia e Valor de Reprodutibili-
dade Basal . . . . . . . . . . . . . . . . . . . . . . 346
10.3 Modelo da Transferencia de HIV
+
. . . . . . . . . . . . . 349
10.3.1 O modelo classico . . . . . . . . . . . . . . . . . . 349
10.3.2 O Modelo Fuzzy . . . . . . . . . . . . . . . . . . . 350
10.3.3 Esperan ca fuzzy do n umero de indivduos assin-
tom aticos . . . . . . . . . . . . . . . . . . . . . . . 352
10.4 Dinamica populacional e migra cao de moscas varejeiras . 355
Referencias Bibliogracas 365
Para Cristina, Ot avio e Luiza.
Para meus netos,
Mariana, Pedro, Anna e Andre.
Apresentacao
A obra dos Professores Laecio e Rodney re une duas importantes ca-
ractersticas muito raras de aparecerem simultaneamente em um livro
de matem atica. Em primeiro lugar e um livro did atico que apresenta
um escopo abrangente e moderno da teoria da logica fuzzy desde as de-
ni coes mais b asicas ate alguns resultados mais sosticados da teoria
atual, contendo o material adequado para uso em varias etapas de um
curso sobre logica fuzzy. Em segundo lugar e um livro que apresenta
bastantes resultados de pesquisa corrente sobre as aplicacoes da teoria
estudada em problemas de biologia e sistemas din amicos o que suscita
sempre a discussao e aparecimento de nova pesquisa. Assim, mesmo
um pesquisador da area em questao encontrar a neste livro um mate-
rial muito interessante, com pontos de vista originais que certamente
motivar ao trabalhos futuros.
Apesar do livro apontar para as aplica coes em biomatematica por ser
a area dos autores, a apresenta cao re une o n ucleo central da teoria de
logica fuzzy, apresentando a teoria de conjuntos fuzzy, das rela coes fuzzy,
conectivos e inferencia com sistemas de regras fuzzy.
Os topicos especcos s ao introduzidos com motiva coes intuitivas e
conforme se fa cam necessarios para as aplica coes dos captulos. Esta
parte teorica e apresentada com um formalismo matem atico necessario
para que as possibilidades de aplica coes n ao se limitem àquelas apresen-
tadas no texto.
O rigor e a estrutura limpa do texto reetem a maturidade dos pes-
quisadores da UNICAMP que h a mais de dez anos trabalham neste
2 Apresentacao
assunto orientando varias teses e disserta coes. Considero muito impor-
tante a contribui cao deste livro como material de apoio a pesquisadores
de varias areas que usam a logica fuzzy, e como material did atico para
utiliza cao em cursos introdut orios.
Pedro A. Tonelli
Prefacio
A Teoria dos Conjuntos Fuzzy, recente do ponto de vista de historiogra-
a, vem se desenvolvendo e ganhando espa co e, cada vez mais, est a sendo
usada como ferramenta para a formula cao de modelos nos varios campos
das ciencias. A primeira publica cao sobre conjuntos fuzzy e devida a L.
Zadeh [129, 1965] e o desenvolvimento da teoria e suas aplica coes vem
apresentando uma evolu cao muito r apida, permeada de crticas severas
de alguns matem aticos e estatsticos ortodoxos e de efusivos elogios de
seus adeptos e usuarios que est ao distribudos pelas mais diversas mo-
dalidades e areas de pesquisa. Podemos dizer que a L ogica Fuzzy
1
ja
tem um lugar de destaque, com aplica coes pr aticas cada vez mais bem
sucedidas, e que n os tambem temos explorado bastante seu potencial
na modelagem de fenomenos biol ogicos. A ideia de contrapor mode-
los determinsticos a modelos mais exveis, que contemplam uma certa
dose de incerteza tratada com a L ogica Fuzzy, tem sido a linha de nos-
sas pesquisas. Formular matematicamente a subjetividade pr opria de
fenomenos naturais, ou de como os vemos, para tentar previs oes coeren-
tes e um de nossos desaos.
A maior crtica ao uso, cada vez mais abrangente, da L ogica Fuzzy
recai sobre o fato de que as solu coes obtidas por meio deste processo s ao,
quase sempre, menos rigorosas quando comparadas às solu coes exatas
da teoria classica. Muitos matem aticos acreditam que a falta de rigor dos
processos fuzzy poderia causar uma perda irremediavel para o avan co
da matem atica, desenvolvida ao longo dos seculos e entendida como
1
Logica Fuzzy

Area de estudo que envolve Conjuntos Fuzzy e suas operacoes.
4 Prefacio
uma evolu cao do pensamento logico. Alguns acreditam que a L ogica
Fuzzy passa a ser perniciosa no sentido que oferece um afrouxamento do
pensamento logico O perigo da L ogica Fuzzy e que ela encoraja toda
especie de pensamento impreciso, causando assim muitos problemas
(veja em Kosko [76]). Em oposi cao, h a aqueles defensores da logica fuzzy
a ponto de criticar a rigidez de alguns metodos da logica classica [112].
Esse e um debate que, embora salutar, n ao ser a esgotado aqui. Para
resumir essa polemica, deixe-nos citar uma reexao de Zadeh:
Embora algumas das primeiras controversias tenham diminuido,
com respeito à aplicabilidade da logica fuzzy, h a ainda vozes in-
uentes que sao crticas e/ou ceticas. Alguns tomam a posi c ao
de que qualquer coisa que pode ser feita com logica fuzzy, pode
ser feita igualmente sem ela. Alguns sao tentados a provar que a
logica fuzzy est a errada. E alguns cam aborrecidos porque per-
ceberam ter expectativas exageradas. Este ultimo pode bem ser
o caso. Entretanto, como disse Julio Verne na virada do seculo,
o progresso cientco e guiado por expectativas exageradas [58,
Introdu c ao].
A nosso ver, a matem atica classica continuar a tendo um papel funda-
mental no desenvolvimento da humanidade. Apenas acreditamos que a
teoria dos conjuntos fuzzy seja um argumento a mais para a continui-
dade e evolu cao desta ciencia, por mais paradoxal que possa parecer,
a primeira vista, tal arma cao. Temos observado que as solu coes pre-
vistas pela matem atica classica, num certo sentido, fazem parte das
solu coes obtidas a partir da L ogica Fuzzy. Isso pode ser entendido
considerando-se a matem atica classica como uma especie de limite da
fuzzy quando as incertezas s ao eliminadas ou tendem a zero. Como
veremos no texto, os conceitos que aparecem na Teoria dos Conjuntos
Fuzzy s ao rigorosamente denidos a partir da ideia abstrata de n umero.
Intuitivamente, podemos dizer, em se tratando de matem atica fuzzy ou
matem atica cl assica que o ou n ao deve ser exclusivo, n ao deve haver
5
oposi cao nesta questao. Nos parece, isso sim, tratar-se de um exemplo
tpico de pensamento dialetico em que um complementa o outro na busca
do conhecimento.
Embora nossa forma cao inicial em L ogica Fuzzy tenha sido maior
do ponto de vista teorico, inuenciados que fomos pelo entusiasmo de
G. Greco (Universit a di Trento, IT), que nos introduziu nesta teoria, op-
tamos por n ao apresentar uma discussao puramente teorica neste texto.
Nosso objetivo principal foi explorar o potencial de aplica cao da L ogica
Fuzzy a fenomenos ligados às Ciencias Naturais, com enfase em Bioma-
tem atica, a partir dos sistemas din amicos aqui tratados. Entretanto, o
leitor que se interessar pelo aprofundamento da teoria poder a encontrar
material adequado em excelentes publica coes existentes e que elencamos
nas referencias bibliogracas.
O conte udo do livro e o resultado de seminarios realizados no IME
USP h a mais de dez anos e de cursos de p os-gradua cao no IMECC
UNICAMP nos quais a colabora cao de nossos alunos foi decisiva. Des-
tacamos as participa coes do Jo ao, da Magda, da Marina, do Moiseis
e do Jamil. Agradecimentos especiais ao Rafael que se empenhou na
editora cao e produ cao das guras. Agradecemos tambem aos colegas
Dr. Pedro A. Tonelli (IMEUSP), Dr. J ulio C. R. Pereira (Faculdade de
Sa ude P ublicaUSP) e Dr. Eduardo Massad (Faculdade de Medicina
USP) que se pronticaram a ler e opinar sobre o texto.
Os Autores
Captulo 1
Conjunto fuzzy como modelador de
incerteza
O homem e a medida de todas as
coisas; das coisas que s ao o que s ao, e
das coisas que n ao s ao o que n ao s ao.
(Protagoras Sec.V a.C.)
1.1 Incerteza
Questionamentos a respeito de incertezas tem sido preocupa coes de l o-
sofos e de pesquisadores ao longo dos tempos. A busca da verdade, do
que e e do que existe, e uma questao debatida desde a Grecia Antiga,
quando os gregos colocaram explicitamente a questao Transforma cao
ou Permanencia?, referindo-se às duas dimensoes do pensamento, se-
paradas e ate opostas.
Os l osofos pre-socr aticos procuravam fazer arma coes sintetizando
seus pensamentos sobre o universo na tentativa de explicar as coisas que
nele existem.
Heraclito de efeso (VI - V a.C.): panta hei , que signica tudo
corre. Para ilustrar, dizia que ninguem banha-se no mesmo rio duas
vezes. Cr atilo, seu discpulo, levou o pensamento de seu mestre ao ex-
tremo armando que n ao podemos nos banhar nem mesmo uma vez no
rio, pois, se atribumos identidade ou nomeamos as coisas, ja estamos
8 Conjunto fuzzy como modelador de incerteza
dando-lhes estabilidade que, a seu ver, est ao sempre mudando.
Contrapondo-se a Heraclito, surge a escola eleatica questionando o
movimento. Parmenides de Eleia (VI - V a.C.): a unica coisa que
existe e o ser - que e o mesmo que pensar. O ser e imut avel e im ovel,
uno e contnuo, identico a si mesmo. Zen ao, seu principal seguidor,
justica a tese do mestre negando a compreensao do movimento dada
na epoca, com o famoso paradoxo da tartaruga e do Aquiles [33].
Os sostas interpretam Parmenides concluindo a impossibilidade do
discurso falso. Protagoras (V a.C): o homem e a medida de todas as
coisas. Nao existem falsidades ou verdades absolutas. Para os sostas
o homem deve buscar solu coes para questoes pr aticas. O criterio do
verdadeiro ou falso tem rela cao com questoes teoricas e, por isso, deve
ser substitudo por padroes de melhor ou pior. A ret orica e o caminho
para se buscar tais padroes.
A maioria dos l osofos pre-socr aticos com exce cao de Heraclito
acreditavam que havia algo eterno e imut avel por detr as do vir-a-ser, e
que esse eterno era a origem, a sustenta cao e o m de todos os seres.
Tales pensava que era a agua; para Anaxmenes, o ar; Pit agoras pensava
serem os n umeros; Democrito acreditava que eram os atomos e o vazio.
Esse algo eterno e imut avel que sustentava todas as coisas era chamado
pelos gregos de arche.
A certeza e a incerteza foram amplamente debatidas pelos losofos
gregos. Os sostas (de sophistes, s abios) caram conhecidos por ensinar
a arte ret orica. Protagoras, principal sosta juntamente com G orgias,
ensinava a seus alunos como transformar argumentos fracos em fortes. A
ret orica expressa a postura que os sostas tem diante do conhecimento,
ou seja, um total ceticismo em rela cao a qualquer tipo de conhecimento
absoluto, objetivo. Nao interessa saber como as coisas s ao, pois tudo e
relativo e depende de quem emite juzo a respeito delas. G orgias dizia
que a ret orica ultrapassa todas as outras artes, sendo a melhor, pois ela
faz de todas as coisas suas escravas por submiss ao espontanea e n ao por
1.1 Incerteza 9
violencia.
Como e sabido, S ocrates confrontava os sostas de sua epoca, e a
questao principal era formulada pela pergunta o que e? (Ti Estin).
Inicialmente Plat ao, seguidor de S ocrates, compartilhou com as ideias
de Heraclito, principalmente a de que tudo est a mudando, est a no uxo
do vir-a-ser. Porem, se tudo estava em movimento n ao seria possvel o
conhecimento. Para n ao cair num ceticismo, Plat ao pensou no mundo
das ideias. Em tal mundo n ao haveria mudan cas, as coisas seriam eter-
nas para alem da dimensao espa co-temporal. O assim chamado mundo
sensvel seria o mundo do vir-a-ser, ou seja, o mundo percebido pelos
cinco sentidos. O mundo das ideias seria o verdadeiro ser que esta-
ria por detr as do vir-a-ser do mundo sensvel. Porem, para Plat ao
o mais importante n ao era um conceito nal, mas o caminho para se
chegar ate ele. O mundo das ideias n ao e acessvel pelos sentidos,
apenas pela intui cao intelectual e a dialetica e o movimento de ascese
em busca da verdade. Com isso Plat ao promove uma sntese de Heraclito
e Parmenides.
J a para Aristoteles, n ao existe o mundo das ideias e as essencias est ao
contidas nas pr oprias coisas. O conhecimento universal est a vinculado
à sua L ogica (de L ogos, o mesmo que raz ao, princpio de ordem, estudo
das consequencias) e ao Silogismo, mecanismo de dedu cao formal. A
partir de certas premissas gerais, o conhecimento deve seguir uma ordem
rigorosamente demonstrativa utilizando-se do silogismo.
De maneira resumida, e talvez ingenua, podemos pensar que a di-
feren ca fundamental entre Aristoteles e os sostas, consiste no fato de
que, para Aristoteles, existe uma verdade objetiva, eterna, imut avel, que
independe dos seres humanos, ao passo que para os sostas n ao existe
nenhuma verdade absoluta, eterna e imut avel e, sim, apenas o conheci-
mento relativo aos nossos sentidos. Para Plat ao e Aristoteles, respecti-
vamente, a dialetica e o silogismo devem ser empregados em busca da
verdadade. Os sostas adotam a ret orica, que e a arte da persuasao,
como convencimento em busca do melhor e n ao para buscar a verdade,
pois esta n ao existe de maneira absoluta.
Entendendo que a subjetividade, assim como a imprecisao, a incer-
teza, a vaguesa s ao inerentes a certos termos da linguagem, G orgias
negou a verdade absoluta: mesmo que algo existisse seria incompre-
ensvel ao homem; mesmo que fosse compreensvel a um homem, n ao
seria comunic avel a outro. No sentido de provocar reexoes a respeito
deste aspecto de incerteza (da linguagem) vamos, atraves de um exem-
plo, tentar fazer uma concilia cao, ainda que imatura, entre os sostas e
Plat aoAristoteles.
E comum propormos um encontro com outra pessoa, dizendo:

Vamos nos encontrar às quatro horas.
Pois bem, o conceito abstrato, quatro horas, que indica uma me-
dida, e uma necessidade para se estabelecer uma comunica cao e possi-
bilitar a realiza cao do evento. Se assim n ao fosse, como deveramos nos
comunicar para marcar o encontro? (ponto para Plat ao). Por outro
lado, se levarmos ao pe da letra, o encontro jamais seria realizado dado
que os rel ogios n ao atingiriam, simultaneamente, quatro horas, ainda
que estivessem sincronizados, dado que n ao conseguiramos chegar ao
lugar marcado com todas as precisoes nas horas, minutos, segundos,
milionesimos de segundos (ponto para G orgias). Admitindo que fre-
quentemente n os nos encontramos para nossos compromissos no lugar
marcado, parece que precisamos tanto das verdades abstratas quanto
dos padr oes de melhor para vivermos aqui neste mundo sensvel.
Os pensamentos comentados acima s ao colocados no sentido de jus-
ticar a diculdade de se falar a respeito de certeza ou incerteza. Se
procurarmos num dicion ario os sin onimos de incerteza vamos encontrar
termos como, por exemplo, as palavras subjetividade, imprecis ao, alea-
toriedade, d uvida, indecis ao, ambiguidade, imprevisibilidade.
Historicamente, e parece que sabiamente por parte dos pesquisadores,
o que temos percebido no tratamento quantitativo e uma distin cao dos
1.1 Incerteza 11
varios tipos de incertezas.
A incerteza proveniente da aleatoriedade de eventos est a bem desen-
volvida e hoje ocupa um lugar de destaque na galeria da Matem atica.
A Fsica Qu antica tem se utilizado das teorias estocasticas e uma serie
de formulas procuram expressar rela coes de incertezas. Uma das mais
difundidas e conhecidas e denominada Princpio da Incerteza, devida
ao fsico W. Heisenberg (1927), que relaciona a posi cao e a velocidade de
uma partcula. Sucintamente, esse Princpio da Incerteza diz que n ao se
pode conhecer com certeza, e ao mesmo tempo, a posi cao e a velocidade
de uma partcula subatomica.
Diferentemente da aleatoriedade, certas vari aveis utilizadas em nosso
cotidiano, transmitidas e perfeitamente compreendidas linguisticamente
entre interlocutores, tem invariavelmente permanecido fora do trata-
mento matem atico tradicional. Este e o caso de vari aveis lingusticas
oriundas da necessidade de se distinguir qualica coes por meio de gra-
dua coes.
Para descrever certos fenomenos relacionados ao mundo sensvel, te-
mos utilizado graus que representam qualidades ou verdades parciais
ou ainda padroes do melhor (na linguagem sosta). Esse e o caso, por
exemplo, dos conceitos de alto, fumante, infeccioso, presa etc.
E precisamente neste tipo de incerteza que a L ogica Fuzzy tem dado

suas principais contribui coes. Usando uma linguagem conjuntista po-
deramos nos referir, respectivamente, aos conjuntos das pessoas al-
tas, fumantes ou infecciosas. Estes s ao exemplos tpicos de conjuntos
cujas fronteiras podem ser consideradas incertas, isto e, denidas por
meio de propriedades subjetivas ou atributos imprecisos.
A seguir vamos nos xar apenas no exemplo das pessoas altas. Uma
proposta para formalizar matematicamente tal conjunto poderia ter pelo
menos duas abordagens. A primeira (classica), distinguindo a partir de
que valor da altura um indivduo e considerado alto. Nesse caso, o
conjunto est a bem denido. A segunda, menos convencional, e dada de
maneira que todos os indivduos sejam considerados altos com mais ou
menos intensidade, ou seja, existem elementos que pertenceriam mais à
classe dos altos que outros. Isto signica que quanto menor for a medida
da altura do indivduo, menor ser a seu grau de pertinencia a esta classe.
Desse modo, podemos dizer que todos os indivduos pertencem à classe
das pessoas altas, com mais ou menos intensidade. Pois bem, e essa
segunda abordagem que pretendemos discutir neste texto.
Foi a partir de desaos como esse, no qual a propriedade que dene
o conjunto e incerta, que surgiu a Teoria dos Conjuntos Fuzzy, que
tem crescido consideravelmente em nossos dias, tanto do ponto de vista
teorico como nas aplica coes em diversas areas de estudo, sobretudo em
tecnologia.
A palavra fuzzy, de origem inglesa, signica incerto, vago, impre-
ciso, subjetivo, nebuloso, difuso, etc. Porem, como pudemos apurar ate
agora, nenhuma dessas tradu coes e tao el ao sentido amplo dado pela
palavra fuzzy em ingles. Alem disso, temos observado que quase todos os
pases tem usado a palavra fuzzy, sem traduzi-la para sua lngua p atria,
com algumas exce coes como na Fran ca, que traduziu-o por nebule ou
em alguns pases latinos onde o termo empregado e borroso. De nossa
parte, achamos por bem conservar o termo fuzzy e n ao o traduzimos
para o portugues.
A Teoria dos Conjuntos Fuzzy foi introduzida em 1965 pelo ma-
tem atico Lot Asker Zadeh [129] com a principal inten cao de dar um
tratamento matem atico a certos termos lingusticos subjetivos, como
aproximadamente, em torno de , dentre outros. Esse seria um pri-
meiro passo no sentido de se programar e armazenar conceitos vagos
em computadores, tornando possvel a produ cao de calculos com in-
forma coes imprecisas, a exemplo do que faz o ser humano. Por exemplo,
todos n os somos un animes em dizer que o dobro de uma quantidade em
torno de 3 resulta em outra em torno de 6.
Para obter a formaliza c ao matem atica de um conjunto fuzzy, Zadeh
1.1 Incerteza 13
baseou-se no fato de que qualquer conjunto classico pode ser caracteri-
zado por uma fun cao: sua func ao caracterstica, cuja deni cao e dada a
seguir.
Denicao 1.1. Seja U um conjunto e A um subconjunto de U. A func ao
caracterstica de A e dada por
A
(x) =
_
1 se x A
0 se x / A
.
Desta forma,
A
e uma fun cao cujo domnio e U e a imagem est a
contida no conjunto 0, 1, com
A
(x) = 1 indicando que o elemento x
est a em A, enquanto
A
(x) = 0 indica que x n ao e elemento de A. As-
sim, a fun cao caracterstica descreve completamente o conjunto A ja que
tal fun cao indica quais elementos do conjunto universo U s ao elementos
tambem de A. Entretanto, existem casos em que a pertinencia entre
elementos e conjuntos n ao e precisa, isto e, n ao sabemos dizer se um ele-
mento pertence efetivamente a um conjunto ou n ao. O que e plausvel
e dizer qual elemento do conjunto universo se enquadra melhor ao
termo que caracteriza o subconjunto. Por exemplo, consideremos o sub-
conjunto dos n umeros reais pr oximos de 2.
A = x R : x e pr oximo de 2 .
Pergunta: O n umero 7 e o n umero 2,001 pertencem a A?
A resposta a esta pergunta e incerta pois n ao sabemos ate que ponto
podemos dizer objetivamente quando um n umero est a pr oximo de 2. A
unica arma cao razo avel, neste caso, e que 2,001 est a mais pr oximo de
2 do que 7.
A seguir vamos iniciar as formaliza coes matem aticas dos conceitos
de L ogica Fuzzy que ser ao tratados neste texto, come cando com o de
subconjunto fuzzy.
1.2 Subconjuntos Fuzzy
Permitindo uma especie de relaxamento no conjunto imagem da fun cao
caracterstica de um conjunto foi que Zadeh sugeriu a formaliza cao ma-
tem atica de imprecisoes, como a citada acima, usando os subconjuntos
fuzzy.
Denicao 1.2. Seja U um conjunto (classico); um subconjunto fuzzy F
de U e caracterizado por uma fun cao
F
: U [0, 1],
pre-xada, chamada func ao de pertinencia do subconjunto fuzzy F. O
ndice F na fun cao de pertinencia e usado em analogia à fun cao carac-
terstica de subconjunto classico, conforme Deni cao 1.1.
O valor
F
(x) [0, 1] indica o grau com que o elemento x de U est a
no conjunto fuzzy F;
F
(x) = 0 e
F
(x) = 1 indicam, respectivamente,
a n ao pertinencia e a pertinencia completa de x ao conjunto fuzzy F.
Do ponto de vista formal, a deni cao de subconjunto fuzzy foi obtida
simplesmente ampliando-se o contra-domnio da fun cao caracterstica,
que e o conjunto 0, 1, para o intervalo [0, 1]. Nesse sentido, podemos
dizer que um conjunto classico e um caso particular de um dado conjunto
fuzzy, cuja fun cao de pertinencia
F
e sua fun cao caracterstica
F
. Um
subconjunto classico, na linguagem fuzzy, costuma ser denominado por
subconjunto crisp.
Um subconjunto fuzzy F e composto de elementos x de um conjunto
classico U, providos de um valor de pertinencia a F, dado por
F
(x).
Podemos dizer que um subconjunto fuzzy F de U e dado por um con-
junto (classico) de pares ordenados:
F = (x,
F
(x)) , com x U .
1.2 Subconjuntos Fuzzy 15
O subconjunto classico de U denido por
suppF = x U :
F
(x) > 0
e denominado suporte de F e tem papel fundamental na interrela cao
entre as teorias de conjuntos classica e fuzzy.
E interessante notar que, diferentemente do subconjunto fuzzy, o su-

porte de um subconjunto crisp coincide com o pr oprio conjunto. As
Figuras 1.1(a) e 1.1(b) ilustram esse fato.
Figura 1.1: Ilustracao de Subconjuntos Fuzzy e Crisp.
Na literatura e comum denotar a fun cao de pertinencia
F
do subcon-
junto fuzzy F simplesmente por F. Optamos, neste texto, por distinguir
F de
F
.
Na teoria classica, sempre que nos referimos a um determinado con-
junto A estamos considerando, na verdade, um subconjunto de algum
conjunto universo U mas, por simplicidade ou comodismo, dizemos con-
junto A mesmo sendo A um subconjunto. No caso fuzzy o mesmo acon-
tece com o uso destes nomes e, neste texto usaremos indistintamente
ambos os termos.
A seguir ser ao apresentados alguns exemplos de conjuntos fuzzy.
Exemplo 1.1 (N umeros pares). Considere o conjunto dos n umeros natu-
rais pares:
P = n N
: n e par .
O conjunto P tem fun cao caracterstica
P
(n) = 1 se n e par e
P
(n) = 0 se n e mpar. Portanto, o conjunto dos n umeros pares e um
particular conjunto fuzzy ja que
P
(n) [0, 1]. Neste caso foi possvel
descrever todos os elementos de P a partir da fun cao caracterstica por-
que todo n umero natural ou e par ou e mpar. O mesmo n ao pode ser
dito para outros conjuntos com fronteiras imprecisas.
Exemplo 1.2 (N umeros pr oximos de 2). Considere o subconjunto F dos
n umeros reais pr oximos de 2:
F = x R : x e pr oximo de 2 .
Se denirmos a fun cao
F
: R [0, 1], que associa cada x real ao
valor de proximidade ao ponto 2 pela express ao
F
(x) =
_
(1 [x 2[) se 1 x 3
0 se x / [1, 3]
,
entao o subconjunto fuzzy F dos pontos pr oximos de 2, caracterizado
por
F
, e tal que
F
(2, 001) = 0, 999 e
F
(7) = 0. Neste caso, dizemos
que x = 2, 001 e um ponto pr oximo de 2 com grau de proximidade 0, 999,
e x = 7 n ao e pr oximo de 2.
Por outro lado, alguem poderia sugerir outra fun cao de proximidade
a 2. Por exemplo, se a fun cao de proximidade a 2 fosse denida por
F
(x) = exp
_
(x 2)
2
_
,
com x R, entao os elementos do conjunto fuzzy F, caracterizado pela
fun cao
F
, teriam outros graus de pertinencia:
F
(2,001) = 0,999999 e
F
(7) = 1,388 10
11
.
Como podemos ver, a caracteriza cao de proximidade e subjetiva e
depende da fun cao de pertinencia que pode ser dada por uma innidade
de maneiras diferentes, dependendo de como se quer avaliar o termo
pr oximo. Observe que poderamos tambem denir pr oximo de 2 por
um conjunto classico com fun cao de pertinencia
F
, considerando, por
exemplo, um valor de sucientemente pequeno e a fun cao caracterstica
do intervalo (2 , 2 +), conforme a express ao abaixo
F
(x) =
_
1 se [x 2[ <
0 se [x 2[
.
Note que, ser pr oximo de 2 signica estar numa vizinhan ca pre de-
terminada de 2. A subjetividade est a exatamente na escolha do raio
da vizinhan ca. Especicamente, neste caso todos os valores desta vi-
zinhan ca est ao pr oximos de 2 com o mesmo grau de pertinencia que e
1.
Exemplo 1.3 (N umeros naturais pequenos). Considere o subconjunto
fuzzy F dos n umeros naturais pequenos
F = n N : n e pequeno.
O n umero 0 (zero) pertence a esse conjunto? E o n umero 1000? No
esprito da logica fuzzy poderamos dizer que ambos pertencem a F,
porem com diferentes graus, dependendo da fun cao de pertinencia
F
que caracteriza o subconjunto fuzzy F. A fun cao de pertinencia associ-
ada a F deve ser construda de forma coerente com o termo pequeno.
Uma possibilidade para a fun cao de pertinencia de F e
F
(n) =
1
n + 1
.
Logo, poderamos dizer que o n umero 0 pertence a F com grau de per-
tinencia
F
(0) = 1, enquanto que 1000 pertence a F com grau de per-
tinencia
F
(1000) = 0, 001.
Claro que a escolha da fun cao
F
neste caso foi feita de maneira to-
talmente arbitraria, levando-se em conta apenas o signicado da palavra
pequeno. Para modelar matematicamente o conceito de n umero na-
tural pequeno, isto e, associar ao subconjunto fuzzy F uma fun cao de
pertinencia, poderamos escolher qualquer sequencia mon otona decres-
cente, come cando em 1 (um) e convergente para 0 (zero):
nN
, com
0
= 1.
Por exemplo,
F
(n) = e
n
;
F
(n) =
1
n
2
+ 1
;
F
(n) =
1
ln(n +e)
.
Claro que a fun cao a ser adotada, para representar o conjunto fuzzy
em questao, depende de fatores que est ao relacionados com o contexto
do problema a ser estudado. Do ponto de vista estrito da logica fuzzy,
qualquer uma das fun coes de pertinencia anteriores pode representar o
conceito subjetivo em questao. Porem, o que deve ser notado e que cada
uma destas fun coes produz conjuntos fuzzy distintos.
Nos exemplos ilustrados acima, o conjunto universo U de cada con-
junto fuzzy est a claramente especicado. No entanto, nem sempre e este
o caso. Em boa parte dos casos interessantes em modelagem e preciso
decidir qual conjunto universo, ou mesmo qual suporte deve ser consi-
derado. Para esclarecer melhor vejamos alguns exemplos.
Exemplo 1.4 (Conjunto fuzzy dos jovens). Consideremos os habitantes
de uma determinada cidade. A cada indivduo desta popula cao pode-
mos associar um n umero real correspondente à sua idade. Considere o
conjunto universo das idades o intervalo U = [0, 120] , onde x U e
interpretado como a idade de um indivduo. Um subconjunto fuzzy J,
de U, dos jovens desta cidade poderia ser caracterizado pelas seguintes
fun coes de pertinencia
J
(x) =
_
_
1 se x 10
80x
70
se 10 < x 80
0 se x > 80
ou
J
(x) =
_
_
40x
40
_
2
se 0 x 40
0 se 40 < x 120
.
A escolha de qual fun cao adotar para representar o conceito de jovem
depende muito do modelador e/ou do contexto analisado.
Observe que a ado cao de U = [0, 120] est a ligada ao fato de termos
escolhido a idade para indicar o quanto um indivduo e jovem. Se fosse
adotada outra caracterstica como o n umero de cabelos grisalhos, ou
o n umero de lhos, ou de netos para indicar o grau de jovialidade, o
conjunto universo seria outro.
O exemplo a seguir ilustra um pouco mais a for ca da teoria dos conjun-
tos fuzzy na modelagem matem atica de conceitos incertos. Neste exem-
plo apresentaremos um tratamento matem atico que possibilita quanti-
car e explorar um termo de grande interesse social: pobreza. Tal conceito
poderia ser modelado baseando-se em muitas vari aveis: consumo de ca-
lorias, consumo de vitaminas, de ferro, no volume de lixo produzido ou
mesmo na renda de cada indivduo, dentre tantas outras caractersticas
disponveis. Entretanto, optamos por denir pobreza supondo que a
unica vari avel disponvel seja a renda. Um modelo matem atico possvel
para o conceito de pobreza e apresentado a seguir.
Exemplo 1.5 (Conjunto fuzzy dos pobres). Considerando que o conceito
de pobre seja baseado no nvel de renda r, e razo avel supor que quanto
menor for a renda, maior e a pobreza de um indivduo. Assim, o sub-
conjunto fuzzy A
k
dos pobres de uma determinada localidade pode ser
dado pela fun cao de pertinencia:
A
k
(r) =
_
_
_
1
_
_
r
r
0
_
2
__
k
se r r
0
0 se r > r
0
.
) ( r
A
k
2
r
1
Figura 1.2: Funcao de pertinencia do subconjunto fuzzy dos pobres A
k
.
O par ametro k indica alguma caracterstica do grupo estudado como
por exemplo o ambiente destes indivduos. O par ametro r
0
e um valor
de renda a partir do qual acredita-se n ao haver mais interferencia no
fenomeno estudado.
Como ilustrado na Figura 1.2 temos que: se k
1
k
2
entao
A
k
1
(r)
A
k
2
(r), o que quer dizer que um indivduo do grupo k
1
, com nvel de
renda r, seria mais pobre se, com esta mesma renda, estivesse no grupo
k
2
. Podemos dizer ainda que, quanto à renda, e mais facil viver nas
localidades de maior k. Portanto, intuitivamente, k indica se o ambiente
em que o grupo vive e mais ou menos favor avel à vida. O par ametro
k pode dar uma ideia do grau de satura cao do ambiente e, por isso,
pode ser chamado de par ametro ambiental.
1.3 Operacoes com subconjuntos fuzzy 21
1.3 Operacoes com subconjuntos fuzzy
Nesta se cao estudaremos as opera coes tpicas de conjuntos como uni ao,
intersec cao e complementa cao.
Sejam A e B dois subconjuntos fuzzy de U, com fun coes de pertinencia
indicadas por
A
e
B
, respectivamente.
Dizemos que A e subconjunto fuzzy de B, e escrevemos A B, se
A
(x)
B
(x) para todo x U.
Lembramos que a fun cao de pertinencia do conjunto vazio () e dada
por
(x) = 0, enquanto que o conjunto universo (U) tem fun cao de

pertinencia
U
(x) = 1, para todo x U. Assim, podemos dizer que
A e que A U para todo A.
Denicao 1.3 (Uniao). A uni ao entre A e B e o subconjunto fuzzy de
U cuja fun cao de pertinencia e dada por
(AB)
(x) = max
A
(x),
B
(x), x U.
Observamos que esta deni cao e uma extensao do caso classico. De
fato, quando A e B s ao subconjuntos classicos de U temos:
max
A
(x),
B
(x) =
_
1 se x A ou x B
0 se x / A e x / B
=
_
1 se x A B
0 se x / A B
=
AB
(x), x U.
Denicao 1.4 (Intersec cao). A intersec c ao entre A e B e o subconjunto
fuzzy de U cuja fun cao de pertinencia e dada por
(AB)
(x) = min
A
(x),
B
(x), x U.
Denicao 1.5 (Complementar de subconjuntos fuzzy). O complementar
de A e o subconjunto fuzzy A
de U cuja fun cao de pertinencia e dada

por
A
(x) = 1
A
(x), x U.
Figura 1.3: Operacoes com subconjuntos fuzzy: (a) uniao; (b) interseccao;
(c) complemento.
Exerccio 1.1. Suponha que A e B sejam subconjuntos classicos de U.
(a) Verique que min
A
(x),
B
(x) =
_
1 se x A B
0 se x / A B
.
(b) Verique que
AB
(x) =
A
(x)
B
(x). Note que essa identidade n ao
e valida se A e B forem subconjuntos fuzzy.
(c) Verique que
AA
(x) = 0 (A A
= ) e que
AA
(x) = 1
(A A
= U), para todo x U.

Diferentemente da situa cao classica, no contexto fuzzy (Figura 1.3 e
Exemplo 1.7) podemos ter

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

AA
(x) ,= 1 =
U
(x) ou seja A A
,= U.
No exemplo a seguir pretendemos explorar as particularidades apre-
sentadas no complemento de um conjunto fuzzy.
Exemplo 1.6 (Conjunto fuzzy dos idosos). O conjunto fuzzy I dos idosos
deve reetir uma situa cao oposta da relacionada com o conjunto dos
jovens quando consideramos a idade dos seus elementos. Enquanto que
para o conjunto de jovens a fun cao de pertinencia deve ser decrescente
com a idade, para idosos deve ser crescente. Uma possibilidade para a
fun cao de pertinencia de I e
I
(x) = 1
J
(x),
onde
J
e a fun cao de pertinencia do subconjunto fuzzy dos jovens.
Desta forma, o conjunto fuzzy I e o complementar fuzzy de J. Nesse
exemplo, se adotarmos para os jovens a fun cao de pertinencia dada no
Exemplo 1.4a, entao
I
(x) = 1
J
(x) =
_
_
0 se x 10
x10
70
se 10 < x 80
1 se x > 80
.
Uma representa cao gr aca para I e J e dada na Figura 1.4.
idade
Jovens:
Idosos:
I
10 20 30 40 50 60 70 80 90 100 110 120
1
Figura 1.4: Subconjunto fuzzy dos jovens e dos idosos.
Note que esta opera cao de complemento permuta os graus de per-
tinencia dos subconjunto fuzzy I e J. Esta e a propriedade que ca-
racteriza o complementar fuzzy, isto e, enquanto
A
(x) indica o grau
de compatibilidade de x com o conceito ligustico em questao,
A
(x)
expressa a incompatibilidade de x com tal conceito.
Uma consequencia da imprecisao dos conjuntos fuzzy e que h a uma
sobreposi cao do conjunto e seu complemento fuzzy. No Exemplo 1.6, um
indivduo que pertence ao conjunto fuzzy dos jovens J com grau 0, 8,
pertence tambem ao seu complementar I com grau 0, 2.
Observe ainda que um elemento pode pertencer a um conjunto e ao
seu complementar com o mesmo grau de pertinencia (na Figura 1.4 esse
valor e 45), indicando que quanto mais d uvida se tem da pertinencia de
um elemento a um conjunto, mais pr oximo de 0, 5 e seu grau de per-
tinencia a este conjunto. Esta e uma grande diferen ca da teoria classica
de conjuntos, na qual um elemento, excludentemente, ou pertence a um
conjunto ou ao seu complementar.
Convem salientar que podemos denir jovens e idosos, termos lingus-
ticos reconhecidamente de signicados opostos, por meio de conjuntos
fuzzy que n ao s ao necessariamente complementares.
Por exemplo, poderamos ter
J
(x) =
_
_
40x
40
_
2
se 0 x 40
0 se 40 < x 120
e
I
(x) =
_
_
x40
80
_
2
se 40 < x 120
0 se x 40
.
Exerccio 1.2. Considere que o conjunto fuzzy dos jovens seja dado por
J
(x) =
_
_
_
1
_
x
120
_
2
_
4
se x [10, 120]
0 se x / [10, 120]
(a) Dena um conjunto fuzzy dos idosos.
(b) Determine a idade de um indivduo de meia idade, isto e, grau 0,5
tanto de jovialidade como de velhice, supondo que o conjunto fuzzy
dos idosos seja o complemento fuzzy dos jovens.
(c) Esboce os gr acos dos jovens e idosos do item anterior e compare
com o Exemplo 1.6.
A seguir vamos estender o conceito de complemento para A B, em
que A e subconjunto fuzzy de B, ambos com universo U. Nesse caso,
o complemento de A em B e o subconjunto fuzzy A
B
, cuja fun cao de
pertinencia e
B
(x) =
B
(x)
A
(x), x U.
Note que o complementar de A em U e um caso particular do com-
plementar de A em B, ja que
U
(x) = 1.
No exemplo a seguir procuramos explorar um pouco mais o conceito
de complemento fuzzy com os subconjuntos denidos no Exemplo 1.5.
Exemplo 1.7 (Conjunto fuzzy dos pobres). Se o ambiente em que um
grupo vive sofrer alguma degrada cao, pelo que vimos no Exemplo 1.5,
isto implicara na diminui cao do par ametro ambiental, passando de k
1
para um valor menor k
2
, de tal modo que um indivduo que tenha renda
r em k
1
tem grau de pobreza
A
k
1
(r) inferior à de outro
A
k
2
(r) com
mesma renda em k
2
.
A
k
1
(r) <
A
k
2
(r) A
k
1
A
k
2
.
Tal dano pode levar a condi cao de pobre para pauperrimo, representado
por A
k
2
.
O complemento fuzzy de A
k
1
em A
k
2
e o subconjunto fuzzy dado por
(A
k
1
)
A
k
2
(n ao vazio), cuja fun cao de pertinencia e
(A
k
1
)
A
k
2
=
A
k
2
(r)
A
k
1
(r), r U.
Uma recompensa honesta, ao grupo que sofreu tal dano, deve devolver
o mesmo status de pobre que antes, ou seja, dada uma renda r
1
, o grupo
deve ter uma renda r
2
(ap os o dano) de modo que
A
k
2
(r
2
)
A
k
1
(r
1
) = 0.
Portanto, r
2
r
1
> 0 e a recompensa deve ser r
2
r
1
(ver Figura 1.5).
2
r
1
r r
0
r
1
A
k
1
(r
1
) =
A
k
2
(r
2
)
A
k
1
A
k
2
Figura 1.5: Recompensa por mudanca de ambiente.
Faremos a seguir alguns comentarios e consequencias importantes das
opera coes entre conjuntos fuzzy.
Se A e B forem conjuntos classicos, entao as fun coes caractersticas
das respectivas opera coes tambem satisfazem as deni coes dadas no caso
fuzzy, mostrando coerencia entre tais conceitos.
Por exemplo, se A e um subconjunto (classico) de U, entao a fun cao
caracterstica
A
(x) do seu complementar e tal que
A
(x) = 0 se
A
(x) = 1 x A;
A
(x) = 1 se
A
(x) = 0 x / A.
Neste caso, ou x A ou x / A enquanto que na teoria dos conjun-
tos fuzzy n ao temos necessariamente essa dicotomia. Como vimos no
Exemplo ??, nem sempre e verdade que A A
= , assim como pode

n ao ser verdade que A A
= U. O exemplo a seguir refor ca tais fatos.

Exemplo 1.8 (Conjuntos fuzzy dos febris e/ou com mialgia). Suponha que
o conjunto universo U seja composto pelos pacientes de uma clnica,
identicados pelos n umeros 1, 2, 3, 4 e 5. Sejam A e B os subconjuntos
fuzzy que representam os pacientes com febre e mialgia
1
, respectiva-
mente. A Tabela 1.1 abaixo ilustra as opera coes uni ao, intersec cao e
complemento.
Paciente Febre: A Mialgia: B A B A B A
A A
A A
1 0,7 0,6 0,7 0,6 0,3 0,3 0,7

2 1,0 1,0 1,0 1,0 0,0 0,0 1,0
3 0,4 0,2 0,4 0,2 0,6 0,4 0,6
4 0,5 0,5 0,5 0,5 0,5 0,5 0,5
5 1,0 0,2 1,0 0,2 0,0 0,0 1,0
Tabela 1.1: Ilustracao das operacoes entre subconjuntos fuzzy
Os valores das colunas, exceto os da primeira, indicam os graus com
que cada paciente pertence aos conjuntos fuzzy A, B, AB, A B, A
,
A A
, A A
, respectivamente, onde A e B s ao supostamente dados.

Na coluna A A
, o valor 0, 3 indica que o paciente 1 est a tanto no

grupo dos febris como no dos n ao febris. Como dissemos antes, este e
um fato inadmissvel na teoria classica de conjuntos na qual tem-se a lei
1
Dor muscular.
do terceiro excludo, isto e, A A
= .
Denicao 1.6. Os subconjuntos fuzzy A e B de U s ao iguais se suas
fun coes de pertinencia coincidem, isto e, se
A
(x) =
B
(x) para todo
x U.
Listaremos a seguir as principais propriedades das opera coes denidas
nessa se cao.
Proposicao 1.1. As opera c oes entre subconjuntos fuzzy satisfazem as
seguintes propriedades:
A B = B A
A B = B A
A (B C) = (A B) C
A (B C) = (A B) C
A A = A
A A = A
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
A = e A = A
A U = A e A U = U
(A B)
= A
e (A B)
= A
(leis de DeMorgan).
Demonstra c ao. A demonstra cao de cada propriedade e uma aplica cao
imediata das propriedades de m aximo e mnimo entre fun c oes, isto e,
max [(x), (x)] =
1
2
[(x) +(x) +[(x) (x)[]
min[(x), (x)] =
1
2
[(x) +(x) [(x) (x)[]
onde, e s ao fun coes com imagens em R.
Vamos demonstrar apenas uma das leis de DeMorgan, as outras pro-
priedades s ao demonstradas de maneira an aloga.
Seja
A
a fun cao de pertinencia associada ao subconjunto A. Temos:
B
(u) = max [1
A
(u), 1
B
(u)]
=
1
2
[(1
A
(u)) + (1
B
(u)) +[
A
(u)
B
(u)[]
=
1
2
[2 (
A
(u) +
B
(u) [
A
(u)
B
(u)[)]
= 1
1
2
[
A
(u) +
B
(u) [
A
(u)
B
(u)[]
= 1 min[
A
(u),
B
(u)] = 1
AB
(u) =
(AB)
(u),
para todo u U.
Exerccio 1.3. Considere o subconjunto fuzzy das pessoas altas (em me-
tros) do Brasil, denido por
A
(x) =
_
_
0 se x 1, 4
1
0,4
(x 1, 4) se 1, 4 < x 1, 8
1 se x > 1, 8
e das pessoas de estatura mediana por
B
(x) =
_
_
0 se x 1, 4
1
0,2
(x 1, 4) se 1, 4 < x 1, 6
1 se 1, 6 < x 1, 7
1
0,1
(1, 8 x) se 1, 7 < x 1, 8
0 se x > 1, 8
onde x e a altura em metros.
Obtenha (A B)
e A
e de uma interpreta cao para estas

opera coes.
Para nalizar este captulo estudaremos uma classe especial de con-
juntos crisps que est a estreitamente relacionada com cada subconjunto
fuzzy. Tais conjuntos crisps indicam limiares das incertezas representa-
das por cada conjunto fuzzy.
1.4 O conceito de -nvel
Um subconjunto fuzzy A de U e formado por elementos de U com
uma certa hierarquia (ordem) que e traduzida atraves da classica cao
por graus. Um elemento x de U est a em uma classe se seu grau de
pertinencia e maior que um determinado valor limiar ou nvel [0, 1]
que dene aquela classe. O conjunto classico de tais elementos e um
-nvel de A, denotado por [A]
.
Denicao 1.7 (-nvel). Seja A um subconjunto fuzzy de U e [0, 1].
O -nvel de A e o subconjunto classico de U denido por
[A]
= x U :
A
(x) para 0 < 1.
O nvel zero de um subconjunto fuzzy Ae denido como sendo o menor
subconjunto (classico) fechado de U que contem o conjunto suporte de
A. Numa linguagem matem atica, [A]
0
e o fecho do suporte de A e e
indicado por supp A. Esta considera cao torna-se imprescindvel para
atender certas situa coes teoricas que ir ao aparecer neste texto. Note
que o conjunto x U :
A
(x) 0 = U n ao e necessariamente igual a
[A]
0
= suppA.
Exemplo 1.9. Seja U = R o conjunto dos n umeros reais, e A um sub-
conjunto fuzzy de R com a seguinte fun cao de pertinencia
A
(x) =
_
_
x 1 se 1 x 2
3 x se 2 < x < 3
0 se x / [1, 3)
.
Nesse caso, temos:
[A]
= [ + 1, 3 ] para 0 < 1 e [A]

0
= ]1, 3[ = [1, 3] .
1.4 O conceito de -nvel 31
[A ]
A
1
3 1
U
Figura 1.6: -nveis: [A]
e [A]
0
= U
Exemplo 1.10. Sejam U = [0, 1] e A o subconjunto fuzzy de U cuja
fun cao de pertinencia e dada por
A
(x) = 4(x x
2
). Entao,
[A]
=
_
1
2
(1
1 ),
1
2
(1 +
1 )
_
para todo [0, 1].
[A ]
A
1
1
U
Figura 1.7: -nveis: [A]
e [A]
0
= U
Observamos que se x e um elemento de [A]
, entao x pertence ao
conjunto fuzzy A com, no mnimo, grau . Temos tambem que
se entao [A]
[A]
.
O teorema seguinte mostra que a famlia de conjuntos classicos [A]
determina completamente o conjunto fuzzy A. Aqui tambem se utiliza

a Deni cao 1.6.
Teorema 1.2. Sejam A e B subconjuntos fuzzy de U. Uma condi c ao
necess aria e suciente para que A = B e que [A]
= [B]
, para todo
[0, 1].
Demonstra c ao.

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

Suponhamos agora que [A]
= [B]
para todo [0, 1]. Se A ,= B entao

existe x U tal que
A
(x) ,=
B
(x). Logo, temos que
A
(x) <
B
(x)
ou
A
(x) >
B
(x). Supondo
A
(x) >
B
(x), podemos concluir que
x [A]
A
(x)
e x / [B]
A
(x)
e, portanto, [A]
A
(x)
,= [B]
A
(x)
, o que
contradiz a hip otese [A]
= [B]
para todo [0, 1]. De maneira

an aloga chegamos a uma contradi cao se admitirmos que
A
(x) <
B
(x).
Uma consequencia deste teorema e a rela cao existente entre a fun cao
de pertinencia de um subconjunto fuzzy e as fun coes caractersticas de
seus -nveis.
Corolario 1.3. A func ao de pertinencia
A
de um conjunto fuzzy A pode
ser expressa em termos de func oes caractersticas de seus -nveis, isto
e,
A
(x) = sup
[0,1]
min
_
,
[A]
(x)
, onde
[A]
(x) =
_
1 se x [A]
0 se x / [A]
.
O teorema a seguir e de extrema import ancia no estudo da teoria dos
conjuntos fuzzy e indica uma condi cao suciente para que uma famlia
de subconjuntos classicos de U seja formada por -nveis de um subcon-
junto fuzzy de U.
Teorema 1.4 (Teorema de Representa cao de Negoita e Ralescu). Seja A
,
[0, 1], uma famlia de subconjuntos cl assicos de U de modo que se
veriquem
(i)
A
0
com [0, 1];
(ii) A
se ;
(iii) A
k0
A
k
se
k
convergir para com
k
.
Nestas condi c oes existe um unico subconjunto fuzzy A de U cujos -
nveis s ao exatamente os subconjuntos cl assicos A
, isto e,
[A]
= A
.
Demonstra c ao. A ideia da demonstra cao e construir, para cada x U,
a fun cao de pertinencia de A como sendo
A
(x) = sup [0, 1] : x A
.
Para uma prova completa ver Negoita e Ralescu [92].
Usando a deni cao de -nvel podemos elencar as seguintes proprie-
dades:
[A B]
= [A]
[B]
,
[A B]
= [A]
[B]
.
Por outro lado, como em geral [A]
[A
,= U, entao [A
,= ([A]
.
Denicao 1.8. Um subconjunto fuzzy e dito normal se todos seus -
nveis forem n ao vazios, ou seja, se [A]
1
,= .
Lembrando que o suporte do subconjunto fuzzy Ae o conjunto classico
suppA = x U :
A
(x) > 0 ,
e comum descrever A com a seguinte nota cao
A =
A
(x
1
)/x
1
+
A
(x
2
)/x
2
+... =
i=1
A
(x
i
)/x
i
,
quando o subconjunto fuzzy A tem suporte enumeravel, e
A =
A
(x
1
)/x
1
+
A
(x
2
)/x
2
+ +
A
(x
n
)/x
n
=
n
i=1
A
(x
i
)/x
i
,
se A tem suporte nito, isto e, suppA = x
1
, x
2
, . . . , x
n
.
Vale observar que a nota cao
A
(x
i
)/x
i
n ao indica divisao.

E apenas
uma forma de visualisar um elemento x
i
e seu respectivo grau de per-
tinencia
A
(x
i
). Tambem, aqui, o smbolo + na nota cao n ao signica
adi cao, bem como
n ao signica somat orio.

E apenas uma forma de
conectar os elemento de U que est ao em A com seus respectivos graus.
Exemplo 1.11 (Conjunto fuzzy nito). Seja A o subconjunto fuzzy dos
reais representado por
A =
n
i=1
A
(x
i
)/x
i
= 0, 1/1 + 0, 2/2 + 0, 25/3 + 0, 7/5 + 0, 9/8 + 1/10.
Entao,
A
=
n
i=1
[1
A
(x
i
)] /x
i
= 0, 9/1+0, 8/2+0, 75/3+0, 3/5+0, 1/8+0/10.
Neste caso, temos, por exemplo, que o 0, 15-nvel de A e de seu com-
plementar A
s ao, respectivamente,
[A]
0,15
= 2, 3, 5, 8, 10 e
_
A
0,15
= 1, 2, 3, 5 .
Exemplo 1.12 (Conjunto fuzzy de lobos). Seja A uma alcateia de lobos
especca com n indivduos. O grau de preda cao de cada lobo pode estar
associado com a sua idade x ]0, 15], supondo que a idade m axima de
um lobo seja 15 anos. A quantidade de lobos sendo nita acarreta que
se tenha apenas um n umero nito de idades dos lobos desta alcateia.
Vamos denotar o conjunto destas idades ainda por A = x
1
, x
2
, . . . , x
n

e denir o grau de preda c ao
P
(x) de um lobo, considerando que os lobos
muito jovens predam menos que os adultos e que os velhos tenham sua
capacidade de preda cao diminuda. Desta forma o subconjunto fuzzy
dos predadores dessa alcateia pode ser dado pela fun cao de pertinencia
P
(x) =
_
_
0, 5 se 0 x 2
1 se 2 < x < 10
0, 2(15 x) se 10 x 15
.
Com a nota cao acima, o subconjunto fuzzy nito P e convenientemente
denotado por
P =
P
(x
1
)/x
1
+
P
(x
2
)/x
2
+ +
P
(x
n
)/x
n
,
signicando que
P
(x
j
) e a capacidade de preda cao de um indivduo de
idade x
j
.
Captulo 2
O Princpio de Extensao e N umeros
Fuzzy
Todas as coisas tem n umeros e nada
se pode compreender sem o n umero.
(Filolao, pitagorico Sec.VI a.C.)
Neste captulo estudaremos o Princpio de Extens ao que, como o pr oprio
nome diz, e um metodo utilizado para estender opera coes tpicas dos
conjuntos classicos. Tambem, à luz do que preconizou Filolao, intro-
duziremos o conceito de n umeros fuzzy, o qual faz-se necessario para
podermos quanticar predicados qualitativos e fazer contas com os mes-
mos.
2.1 O Princpio de Extensao de Zadeh
Estender conceitos da teoria de conjuntos classica para a teoria de con-
juntos fuzzy e uma necessidade constante. O metodo de extensao pro-
posto por Zadeh, tambem conhecido como Princpio de Extens ao, e uma
das ideias b asicas que promove a extensao de conceitos matem aticos n ao-
fuzzy em fuzzy.
O Princpio da Extens ao de Zadeh para uma fun cao f : X Z
tem por objetivo indicar como deve ser a imagem de um subconjunto
38 O Princpio de Extensao e N umeros Fuzzy
fuzzy A de X por meio de f.

E de se esperar que esta imagem seja um
subconjunto fuzzy de Z.
Denicao 2.1 (Princpio de Extensao de Zadeh). Sejam f uma fun cao tal
que f : X Z e A um subconjunto fuzzy de X. A extens ao de Zadeh
de f e a fun cao

f que, aplicada a A, fornece o subconjunto fuzzy

f(A)
de Z, cuja fun cao de pertinencia e dada por
b
f(A)
(z) =
_
_
_
sup
f
1
(z)
A
(x) se f
1
(z) ,=
0 se f
1
(z) =
. (2.1)
onde f
1
(z) = x; f(x) = z denomina-se a pre-imagem de z.
Podemos observar que se f for uma fun cao bijetora, entao
x : f(x) = z =
_
f
1
(z)
_
,
em que f
1
e a fun cao inversa de f.
Observamos que se A e um subconjunto fuzzy de X, com fun cao de
pertinencia
A
, e se f e bijetora entao, a fun cao de pertinencia de

f(A)
e dada por
b
f(A)
(z) = sup
{x: f(x)=z}
A
(x) = sup
{xf
1
(z)}
A
(x) =
A
(f
1
(z)). (2.2)
O processo gr aco para a obten cao da extensao

f de f est a ilustrado
a seguir (Figura 2.1), no caso em que f for bijetora.
Note que se f for injetora entao z = f(x) pertence ao subconjunto
fuzzy

f(A), com o mesmo grau com que x pertence a A. Isto pode
n ao ocorrer se f n ao for injetora.
Seja f : X Z uma fun cao injetora e A um subconjunto fuzzy de X,
2.1 O Princpio de Extensao de Zadeh 39
enumeravel (ou nito), e dado por
A =
i=1
A
(x
i
)x
i
.
Entao, o Princpio de Extens ao garante que

f(A) e um subconjunto
fuzzy de Z, dado por
f(A) =

f
_

i=1
A
(x
i
)x
i
_
=
i=1
A
(x
i
)f(x
i
).
Portanto, a imagem de A por f pode ser deduzida do conhecimento
das imagens de x
i
por f. O grau de pertinencia de z
i
= f(x
i
) em

f(A)
e o mesmo de x
i
em A.
f (A )
^
f
Z
1
1
X
Figura 2.1: Imagem de um subconjunto fuzzy a partir do princpio de ex-
tensao para uma funcao f.
Exemplo 2.1. Sejam f(x) = x
2
, x 0 e A um conjunto fuzzy com
suporte enumeravel. Entao
f(A) =
i=1
A
(x
i
)f(x
i
) =
i=1
A
(x
i
)x
2
i
.
O Princpio de Extens ao estende o conceito de uma fun cao aplicada
a um subconjunto classico de X. De fato, sejam f : X Z e A um
subconjunto (classico) de X. A fun cao de pertinencia de A e sua fun cao
caracterstica. A extensao de Zadeh de f aplicada a A, e o subconjunto
f(A) de Z, cuja fun cao caracterstica e
b
f(A)
(z) = sup
{x:f(x)=z}
A
(x) =
_
1 se z f(A)
0 se z / f(A)
=
f(A)
(z) para todo z.
Portanto, a fun cao de pertinencia do conjunto fuzzy

f(A) coincide
com a fun cao caracterstica do conjunto crisp f(A), isto e, o conjunto
fuzzy

f(A) coincide com o conjunto classico f(A) :
f(A) = f(A) = f(a) : a A .

Podemos ainda observar que, se A for um conjunto classico entao,
[A]
= A para todo ]0, 1]. Conseq uentemente

[
f(A)]
= [f(A)]
= f(A) = f([A]
).
Para = 0 estamos entendendo que [A]
0
e o fecho do suporte de A, isto
e, o menor conjunto fechado que contem o suporte de A. Este resultado,
enunciado como Teorema 2.1, vale tambem para um subconjunto fuzzy
de X [12].
Teorema 2.1. Sejam f : X Z uma func ao contnua e A um subcon-
junto fuzzy de X. Ent ao, para todo [0, 1] vale
[
f(A)]
= f([A]
). (2.3)
Este resultado indica que os -nveis do conjunto fuzzy, obtidos pelo
Princpio de Extens ao de Zadeh, coincidem com as imagens dos -nveis
pela fun cao crisp (vide Figura 2.2).
Exemplo 2.2. Considere o subconjunto fuzzy A de n umeros reais cuja
2.1 O Princpio de Extensao de Zadeh 41
A
(x) =
_
4(x x
2
) se x [0, 1]
0 se x / [0, 1]
.
Os -nveis de A s ao os intervalos
[A]
=
_
1
2
(1
1 ),
1
2
(1 +
1 )
_
.
Consideremos a fun cao real f(x) = x
2
para x 0. Como f e crescente,
temos
f([A]
) =
_
f(
1
2
(1
1 )), f(
1
2
(1 +
1 ))
_
=
_
1
4
(1
1 )
2
,
1
4
(1 +
1 )
2
_
.
A Figura 2.2 ilustra o subconjunto fuzzy

f(A).
f
f (A )
^
X
1
1
1/4
1/2
Y
1
1

Figura 2.2: Subconjunto
b
f(A) do Exemplo 2.2.
Exerccio 2.1. Considere f e A do Exemplo 2.2. Obtenha [
f(A)]
para
= 0, = 3/4 e = 1.
Objetivando as opera coes entre n umeros fuzzy que veremos na se cao
seguinte vamos enunciar o Princpio de Extens ao para fun coes com
duas vari aveis.
Denicao 2.2. Sejam f : X Y Z e, A e B subconjuntos fuzzy
de X e Y , respectivamente. A extens ao

f de f, aplicada a A e B, e o
subconjunto fuzzy

f(A, B) de Z, cuja fun cao de pertinencia e dada por:
b
f(A,B)
(z) =
_
_
_
supmin
f
1
(z)
[
A
(x),
B
(y)] se f
1
(z) ,=
0 se f
1
(z) =
, (2.4)
onde f
1
(z) = (x, y) : f(x, y) = z.
Exemplo 2.3. Seja f : R R R a fun cao dada por f(x, y) = x + y.
Considere os subconjuntos fuzzy nitos de R
A = 0, 4/3 + 0, 5/4 + 1/5 + 0, 5/6 + 0, 2/7
B = 0, 2/6 + 0, 5/7 + 1/8 + 0, 5/9 + 0, 2/10.
Vamos determinar o grau de pertinencia de z = 10 em

f(A, B):
b
f(A,B)
(10) = sup
{x+y=10}
min[
A
(x),
B
(y)] =
= maxmin[
A
(3),
B
(7)], min[
A
(4),
B
(6)]
= max0, 4; 0, 2 = 0, 4.
Exerccio 2.2. Refa ca o Exemplo 2.3:
a) Tomando f(x, y) = x
2
+ y, determine

f(A, B) e os graus de per-
tinencias de z = 10 e z = 25 em

f(A, B).
b) Agora tomando f(x, y) = 2x + y, determine

f(A, B) e o grau de
pertinencia de z = 18 em

f(A, B).
2.2 N umeros Fuzzy 43
2.2 Numeros Fuzzy
De um modo geral podemos dizer que, em um problema concreto, muitos
n umeros s ao idealiza coes de informa coes imprecisas, envolvendo valores
numericos. Estes s ao os casos de frases como em torno de. Por exem-
plo, quando se mede a estatura de um indivduo, o que se obtem e
um valor numerico carregado de imprecisoes. Tais imprecisoes podem
ter sido causadas pelos instrumentos de medidas, pelos indivduos que
est ao tomando as medidas, pelo indivduo que est a sendo medido etc.
Finalmente opta-se por um valor preciso (um n umero real) h para in-
dicar a estatura. No entanto, seria mais prudente dizer que a estatura
e em torno de h ou que a estatura e aproximadamente h. Neste caso,
matematicamente, indica-se a express ao em torno de h por um subcon-
junto fuzzy A cujo domnio da fun cao de pertinencia
A
e o conjunto dos
n umeros reais. Tambem e razo avel esperar que
A
(h) = 1. A escolha
dos n umeros reais como domnio e porque, teoricamente, os possveis
valores para a estatura s ao n umeros reais.
Denicao 2.3 (N umero fuzzy). Um subconjunto fuzzy A e chamado de
n umero fuzzy quando o conjunto universo no qual
A
est a denida, e o
conjunto dos n umeros reais R e satisfaz às condi coes:
(i) todos os -nveis de A s ao n ao vazios, com 0 1;
(ii) todos os -nveis de A s ao intervalos fechados de R;
(iii) suppA = x R :
A
(x) > 0 e limitado.
Vamos denotar os -nveis do n umero fuzzy A por
[A]
= [a
1
, a
2
].
Observamos que todo n umero real r e um n umero fuzzy particular
cuja fun cao de pertinencia e a sua fun cao caracterstica:
r
(x) =
_
1 se x = r
0 se x ,= r
.
Denotaremos
r
(x) apenas por r.
A famlia dos n umeros fuzzy ser a indicada por T(R) e, de acordo com
o observado acima, o conjunto de n umeros reais R e um subconjunto
(classico ou crisp) de T(R).
Os n umeros fuzzy mais comuns s ao os triangulares, trapezoidais e os
em forma de sino.
Exemplo 2.4. O n umero fuzzy

2 pode ser representado conforme a Fi-
gura 2.3.
2
1
crisp
R
Figura 2.3: Representacao do n umero fuzzy
b
2.
Denicao 2.4. Um n umero fuzzy A e dito triangular se sua fun cao de
pertinencia e da forma
A
(x) =
_
_
0 se x a
xa
ua
se a < x u
xb
ub
se u < x b
0 se x b
. (2.5)
O gr aco da fun cao de pertinencia de um n umero fuzzy triangular
tem a forma de um tri angulo, tendo como base o intervalo [a, b] e, como
unico vertice fora desta base, o ponto (u, 1).
Deste modo, os n umeros reais a, u e b denem o n umero fuzzy trian-
gular A que ser a denotado pela terna ordenada (a; u; b) ou por a/u/b.
Os -nveis desses n umeros fuzzy tem a seguinte forma simplicada
[a
1
, a
2
] = [(u a) +a, (u b) +b] (2.6)
para todo [0, 1].
Note que um n umero fuzzy triangular n ao e necessariamente simetrico
ja que b u pode ser diferente de u a, porem,
A
(u) = 1. Pode-
mos dizer que o n umero fuzzy A e um modelo matem atico razo avel
para a express ao lingustica perto de u. Para a express ao em torno
de u espera-se uma simetria. A imposi cao de simetria acarreta uma
simplica cao na deni cao de n umero fuzzy triangular. De fato, seja u
simetrico em rela cao a a e b, isto e, u a = b u = . Neste caso,
A
(x) =
_
1
|xu|
se u x u +
0 caso contr ario
.
Exemplo 2.5. A express ao em torno das quatro horas pode ser modelada
matematicamente pelo n umero fuzzy triangular simetrico A, cuja fun cao
de pertinencia e dada por
A
(x) =
_
1
|x4|
0,2
se 3, 8 x 4, 2
0 caso contr ario
.
e est a representada na Figura 2.4.
1
4,2 3,8 4
R
Figura 2.4: N umero fuzzy em torno de 4.
De (2.6) obtemos os -nveis desse subconjunto fuzzy, que s ao os in-
tervalos [a
1
, a
2
], onde
a
1
= 0, 2 + 3, 8 e a
2
= 0, 2 + 4, 2.
Denicao 2.5. Um n umero fuzzy A e dito trapezoidal se sua fun cao de
pertinencia tem a forma de um trapezio e e dada por
A
(x) =
_
_
xa
ba
se a x < b
1 se b x c
dx
dc
se c < x d
0 caso contr ario
.
Os -nveis de um conjunto fuzzy trapezoidal s ao os intervalos
[a
1
, a
2
] = [(b a) +a, (c d) +d] (2.7)
para todo [0, 1].
Exemplo 2.6. O conjunto fuzzy dos adolescentes pode ser represen-
tado pelo n umero fuzzy trapezoidal, dado pela fun cao de pertinencia
da equa cao abaixo e mostrado na Figura 2.5.
A
(x) =
_
_
x11
3
se 11 x < 14
1 se 14 x 17
20x
3
se 17 < x 20
0 caso contr ario
.
11 14 20 17
1
R
Figura 2.5: N umero fuzzy trapezoidal.
A Equa cao (2.7) fornece os -nveis para este exemplo
[3 + 11, 3 + 20], com [0, 1].
Denicao 2.6. Um n umero fuzzy tem forma de sino se a fun cao de per-
tinencia for suave e simetrica em rela cao a um n umero real. A seguinte
fun cao de pertinencia tem estas propriedades para u, a e dados (veja
Figura 2.6).
A
(x) =
_
_
exp
_
_
x u
a
_
2
_
se u x u +
0 caso contr ario
.
u u+
1
u R
Figura 2.6: N umero fuzzy em forma de sino.
Os -nveis dos n umeros fuzzy em forma de sino s ao os intervalos:
[a
1
, a
2
] =
_
_
_
u
_
ln
_
1
a
2
_
, u +
_
ln
_
1
a
2
_
_
se = e
(
a
)
2
[u , u +] se < = e
(
a
)
2
.
(2.8)
Apresentaremos a seguir as opera coes aritmeticas para n umeros fuzzy,
ou seja, as opera coes que permitem realizar as contas com conjuntos
fuzzy.
2.2.1 Operacoes aritmeticas com numeros fuzzy
As opera coes aritmeticas envolvendo n umeros fuzzy est ao estreitamente
ligadas às opera coes aritmeticas intervalares. Vamos listar algumas des-
tas opera coes para intervalos fechados da reta real R.
Operacoes aritmeticas intervalares
Considere um n umero real e, A e B dois intervalos fechados da reta
dados por
A = [a
1
, a
2
] e B = [b
1
, b
2
].
Denicao 2.7 (Opera coes Intervalares). As opera coes aritmeticas entre
intervalos podem ser denidas como:
(a) A soma entre A e B e o intervalo
A+B = [a
1
+b
1
, a
2
+b
2
].
(b) A diferenca entre A e B e o intervalo
A B = [a
1
b
2
, a
2
b
1
].
(c) A multiplica c ao de A por um escalar e o intervalo
A =
_
[a
1
, a
2
] se 0
[a
2
, a
1
] se < 0
.
(d) A multiplica c ao de A por B e o intervalo
A.B = [min P, max P],
onde P = a
1
b
1
, a
1
b
2
, a
2
b
1
, a
2
b
2
.
(e) A divis ao de A por B, se 0 / B, e o intervalo
A/B = [a
1
, a
2
]
_
1
b
2
,
1
b
1
_
.
Exerccio 2.3. Obtenha os resultados das opera coes denidas acima para
os intervalos
A = [1, 2] e B = [5, 6].
Note que as opera coes artimeticas para intervalos estendem as res-
pectivas opera coes para n umeros reais. Para tanto, basta ver que cada
n umero real pode ser considerado como um intervalo fechado com ex-
tremos iguais.
Tambem as fun coes caractersticas de cada um dos intervalos obti-
dos, por meio das opera coes aritmeticas intervalares, podem ser obtidas
diretamente das respectivas opera coes para n umeros reais. Tal proce-
dimento e resultado da aplica cao do princpio de extens ao, que ser a a
ferramenta utilizada para se obter as opera coes aritmeticas dos n umeros
fuzzy.
Consideremos uma opera cao bin aria qualquer entre n umeros re-
ais. Sejam
A
e
B
as fun coes caractersticas dos intervalos A e B,
respectivamente.
O teorema a seguir fornece as opera coes aritmeticas intervalares a
partir das respectivas opera coes para n umeros reais, via princpio de
extens ao.
Teorema 2.2 (Princpio de extensao para intervalos da reta). Sejam A e B
dois intervalos fechados de R, e uma das opera c oes aritmeticas entre
n umeros reais. Ent ao
AB
(x) = sup
{(y,z):yz=x}
min[
A
(y),
B
(z)]
Demonstra c ao.

E muito simples vericar que
min(
A
(y),
B
(z)) =
_
1 se y A e z B
0 se y / A ou z / B
.
Assim, para o caso da soma ( = +), temos
sup
{(y,z):y+z=x}
min[
A
(y),
B
(z)] =
_
1 se x A +B
0 se x / A +B
.
Os demais casos podem ser obtidos de maneira an aloga.
Uma conseq uencia importante do Teorema 2.2, para as opera coes com
n umeros fuzzy, e o seguinte corol ario:
Corolario 2.3. Os -nveis do conjunto crisp A+B, com func ao carac-
terstica
(A+B)
, s ao dados por
[A +B]
= A +B
para todo [0, 1].
Demonstra c ao. Lembrando que os intervalos A e B s ao particulares sub-
conjuntos fuzzy da reta real, o resultado e uma conseq uencia imediata
da deni cao de fun cao caracterstica de um conjunto classico.
As opera coes aritmeticas para n umeros fuzzy ser ao denidas a partir
do Princpio de Extens ao para conjuntos fuzzy. Na verdade, s ao ca-
sos particulares do Princpio de Extens ao em que as fun c oes a serem
estendidas s ao as opera coes tradicionais para n umeros reais.
Operacoes aritmeticas com n umeros fuzzy
As deni coes que seguem podem ser vistas como casos particulares do
princpio de extensao, tanto para fun coes de uma como de duas vari aveis.
Denicao 2.8. Sejam A e B dois n umeros fuzzy e um n umero real.
(a) A soma dos n umeros fuzzy A e B e o n umero fuzzy, A + B, cuja
fun cao de pertinencia e
(A+B)
(z) =
_
_
_
sup
(z)
min[
A
(x),
B
(y)] se (z) ,= 0
0 se (z) = 0
,
onde (z) = (x, y) : x +y = z.
(b) A multiplica c ao de por A e o n umero fuzzy A, cuja fun cao de
pertinencia e
A
(z) =
_
_
_
sup
{x:x=z}
[
A
(x)] se ,= 0
{0}
(z) se = 0
=
_

A
(
1
z) se ,= 0
{0}
(z) se = 0
,
onde
{0}
e a fun cao caracterstica de 0.
(c) A diferenca A B e o n umero fuzzy cuja fun cao de pertinencia e
dada por:
(AB)
(z) =
_
_
_
sup
(z)
min[
A
(x),
B
(y)] se (z) ,= 0
0 se (z) = 0
,
onde (z) = (x, y) : x y = z.
(d) A multiplica c ao de A por B e o n umero fuzzy A B, cuja fun cao de
pertinencia e dada por:
(AB)
(z) =
_
_
_
sup
(z)
min[
A
(x),
B
(y)] se (z) ,= 0
0 se (z) = 0
,
onde (z) = (x, y) : x.y = z.
(e) A divis ao e o n umero fuzzy A/B cuja fun cao de pertinencia e
(A/B)
(z) =
_
_
_
sup
(z)
min[
A
(x),
B
(y)] se (z) ,= 0
0 se (z) = 0
,
onde (z) = (x, y) : x/y = z.
O Teorema 2.4 a seguir garante que o resultado das opera coes arit-
meticas entre n umeros fuzzy e um n umero fuzzy. Mais ainda, genera-
liza o Corol ario 2.3, relacionando, por meio dos -nveis, as opera coes
aritmeticas para n umeros fuzzy com as respectivas operacoes aritmeticas
para intervalos.
Teorema 2.4. Os -nveis do conjunto fuzzy A B s ao dados por
[A B]
= [A]
[B]
para todo [0, 1], sendo qualquer uma das operacc oes aritmeticas
mencionadas anteriormente.
A prova deste teorema foge do proposito deste texto e n ao ser a feita
aqui. O leitor interessado na mesma pode encontr a-la nos livros classicos
de Klir e Yuan [72], Nguyen [95], Pedrycz e Gomide [100] ou mais geral-
mente em Fuller [51].
A combina cao dos Teoremas 2.1 e 2.4 produz metodos pr aticos para
se obter os resultados de cada opera cao entre n umeros fuzzy. Observa-
mos mais uma vez que o -nveis de um n umero fuzzy e sempre um
intervalo fechado de R, dado por:
[A]
= [a
1
, a
2
] , com a
1
= min
1
A
() e a
2
= max
1
A
(),
sendo
1
A
() = x R :
A
(x) = a pre-imagem de .
A seguir ilustraremos tais metodos pr aticos na forma de proprieda-
des.
Proposicao 2.5. Sejam A e B n umeros fuzzy com -nveis dados, res-
pectivamente, por [A]
= [a
1
, a
2
] e [B]
= [b
1
, b
2
]. Ent ao valem as
seguintes propriedades:
(a) A soma entre A e B e o n umero fuzzy A +B cujos -nveis s ao
[A+B]
= [A]
+ [B]
= [a
1
+b
1
, a
2
+b
2
] .
(b) A diferenca entre A e B e o n umero fuzzy AB cujos -nveis s ao
[AB]
= [A]
[B]
= [a
1
b
2
, a
2
b
1
] .
(c) A multiplica c ao de por A e o n umero fuzzy A cujos -nveis s ao
[A]
= [A]
=
_
[a
1
, a
2
] se 0
[a
2
, a
1
] se < 0
.
(d) A multiplica c ao de A por B e o n umero fuzzy A B cujos -nveis
s ao
[A B]
= [A]
[B]
= [min P, max P] ,
onde P = a
1
b
1
, a
1
b
2
, a
2
b
1
, a
2
b
2
.
(e) A divis ao de A por B, se 0 / suppB, e o n umero fuzzy cujos -
nveis s ao
_
A
B
_
=
[A]
[B]
= [a
1
, a
2
]
_
1
b
2
,
1
b
1
_
.
Exemplo 2.7. Considere os n umeros fuzzy triangulares A e B que indi-
cam, respectivamente, aproximadamente 2 e aproximadamente 4, dados
por
A = (1; 2; 3) e B = (3; 4; 5).
Os resultados de AB para cada uma das opera coes aritmeticas entre
n umeros fuzzy s ao mostrados a seguir.
Primeiro, observemos que, de acordo com a formula (2.6)
[A]
= [1 +, 3 ] e [B]
= [3 +, 5 ],
entao pela Proposi cao 2.5 obtemos
(a) [A +B]
= [A]
+[B]
= [4 +2, 8 2]. Assim, A+B = (4; 6; 8);

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

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

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

(e)
_
A
B
=
[A]
[B]
= [(1 +)/(5 ), (3 )/(3 +)].
Note que os n umeros fuzzy obtidos em (d) e (e) n ao s ao triangulares.
Entretanto, e facil vericar que com n umeros fuzzy triangulares, a soma,
a diferen ca e a multiplica cao por escalar resulta em um n umero fuzzy
triangular. Para ver isto, basta considerar os n umeros A = (a
1
; u; a
2
) e
B = (b
1
; v; b
3
). Entao, a partir da Equa cao (2.6) temos
[A]
= [(u a
1
) +a
1
, (u a
2
) +a
2
]
[B]
= [(v b
1
) +b
1
, (v b
2
) +b
2
].
Assim
[A +B]
= [A]
+ [B]
e, portanto,
[A+B]
= [(u+v)(a
1
+b
1
)+(a
1
+b
1
), (u+v)(a
2
+b
2
)+(a
2
+b
2
)].
Usando novamente a Equa cao (2.6), esses intervalos s ao os -nveis
do n umero fuzzy triangular
((a
1
+b
1
); (u +v); (a
2
+b
2
)).
De forma an aloga conclui-se que A e triangular se A o for.
Finalmente, e possvel concluir que (AB)+B ,= A e portanto, segue
que A A ,= 0. Isto e, essa opera cao de adi cao n ao d a ao espa co dos
n umeros fuzzy a estrutura de espa co vetorial. Trata-se de um defeito que
acaba imperrando varias areas da matem atica fuzzy, como por exemplo
as equa coes diferenciais fuzzy (ver Captulo 8).
Exerccio 2.4. Refa ca o Exemplo 2.7 a partir do Princpio de Extens ao.
O pr oximo exemplo apresenta uma forma explcita para a obten cao
da fun cao

f no caso em que f e linear
Exemplo 2.8. Seja f : R R a fun cao f(x) = x, com ,= 0. Se A e
um n umero fuzzy com fun cao de pertinencia
A
entao, de acordo com a
Deni cao 2.1, a fun cao de pertinencia de

f(A) e dada por
b
f(A)
(z) = sup
{x:f(x)=z}
A
(x) = sup
{x:x=z}
A
(x)
= sup
{z/}
A
(x) =
A
(z/) =
A
(
1
z),
que, de acordo com a Deni cao 2.9b, e a fun cao de pertinencia de A.
Assim, se f(x) = x, entao

f : T(R) T(R) e dada por

f(A) = A.
Um exerccio interessante e vericar que se f(x) = x+b, com ,= 0,
entao, para qualquer n umero fuzzy A, o conjunto fuzzy

f(A) tem fun cao
de pertinencia dada por
b
f(A)
(z) =
A
(
1
(z b)).
Exerccio 2.5. A partir do Teorema 2.1 e das propriedades das opera coes
aritmeticas, mostre que a Extens ao de Zadeh de uma fun cao linear am,
f(x) = ax +b, e a fun cao linear am

f(X) = aX +
b se X T(R).
Vamos usar o Princpio de Extens ao para calcular a imagem de um
n umero fuzzy triangular por uma fun cao conhecida. A exemplo do que
vimos nas opera coes de produto e quociente, tambem a imagem de um
n umero triangular pode n ao ser triangular mesmo que a fun cao seja
contnua.
Exemplo 2.9. Consideremos a fun cao f(x) = e
x
e o n umero fuzzy tri-
angular dado pela terna A = (0; ln 2; ln 3).
De acordo com o Teorema 1.2,

f(A) ca determinada pelos seus -
nveis. A partir de (2.6), e facil ver que os -nveis de A s ao os intervalos
[A]
= [(ln 2), (ln 2 ln 3) + ln 3] =

_
ln 2
, ln
_
3
_
2
3
_
__
,
com [0, 1].
Vamos agora obter os -nveis de

f(A) por meio do Teorema 2.1, ou
seja,
[
f(A)]
= f ([A]
) = f
__
ln 2
, ln 3
_
2
3
_
__
=
_
2
, 3
_
2
3
_
_
,
com [0, 1]. A Figura 2.7 ilustra

f(A) deste exemplo.
R
R
Figura 2.7: Extensao de Zadeh do n umero fuzzy triangular A = (0; ln 2; ln 3)
para f(x) = e
x
.
Portanto,
se = 0 entao [
f(A)]
0
= [1, 3];
se =
1
2
entao [
f(A)]
1
2
= [
2,
6];
se = 1 entao [
f(A)]
1
= 2.
Agora e facil vericar que os pontos (1, 0); (
2,
1
2
) e (2, 1) n ao est ao
alinhados.
Logo

f(A) n ao e n umero fuzzy triangular.
No contexto fuzzy e muito comum o uso da diferen ca de Hukuhara.
Essa, como no caso classico, preserva a ideia de que a diferen ca e uma
opera cao oposta à adi cao.
Denicao 2.9 (Diferen ca de Hukuhara: A
H
B). Sejam A e B dois
n umeros fuzzy. Se existir um n umero fuzzy C tal que A = B+C, entao
C e chamado de Diferen ca de Hukuhara de A e B e a denotamos por
A
H
B.
Em -nveis, isto equivale a dizer que
[A
H
B]
= [a
1
b
1
, a
2
b
2
] [0, 1].
Como
[AB]
= [a
1
b
2
, a
2
b
1
],
segue que
AB = A
H
B b
1
= b
2
,
ou seja,
AB = A
H
B B R.
Note que
AB = A+ (1)B ,= A
H
B.
Essa diferen ca foi utilizada para se estudar, pela primeira vez, a deri-
vada de fun coes fuzzy (ver Captulo 8).
Antes de encerrar esse captulo, vamos tra car um pequeno paralelo
entre o princpio de extensao e a teoria de probabilidades.
Considere as tabelas:
X = x
j

X
(x
j
) P
X
(x
j
)
2 0, 5 0, 5
3 0, 5 0, 5
Tabela 2.1: Distribuicoes de pertinencias e de probabilidades de X.
Y = y
k

Y
(y
k
) P
Y
(y
k
)
3 0, 5 0, 5
4 0, 5 0, 5
Tabela 2.2: Distribuicoes de pertinencias e de probabilidades de Y .
A questao e: como obter a distribui cao de incerteza para Z = X+Y ?
Claro que os possveis valores para Z = X +Y s ao os elementos do
conjunto 5, 6, 7. A tabela a seguir apresenta os valores de
X+Y
(z
i
) e
P
X+Y
(z
i
),
Z = X +Y
X+Y
(z
i
) P
X+Y
(z
i
)
5 0, 5 0, 25
6 0, 5 0, 50
7 0, 5 0, 25
Tabela 2.3: Distribuicoes de pertinencias e de probabilidades de X +Y .
de acordo com as formulas
X+Y
(z
i
) = sup
x
j
+y
k
=z
i
min(
A
(x
j
),
B
(y
k
)) (2.9)
e
P
X+Y
(z
i
) =
x
j
+y
k
=z
i
P
(X,Y )
(X = x
j
, Y = y
k
), (2.10)
onde P
(X,Y )
(X = x
j
, Y = y
k
) e a distribui cao de probabilidades conjunta
do vetor aleatorio (X, Y ) (ver [31]).
A principal observa cao que colocamos aqui e que, para obter a proba-
bilidade de X +Y , precisamos acrescentar a hip otese de independencia.
J a para calcular a distribui cao de pertinencia a X + Y , de acordo com
o princpio de extensao, hip otese an aloga a essa n ao e necessaria.
Vale a pena ressaltar que, se X e Y forem independentes, as formulas
(2.9) e (2.10) possuem certa semelhan ca, trocando sup por e min por
produto.
Finalmente, observemos que as duas ultimas colunas da Tabela (2.3)
representa, respectivamente, pertinencia e ocorrencia de cada ele-
mento da primeira coluna ao conjunto soma. Intuitivamente, era de se
esperar maior probabilidade do valor 6, ja que sua ocorrencia e maior
que as das demais. Por outro lado, do ponto de vista da teoria de con-
juntos fuzzy, que e uma extensao da teoria classica de conjuntos, o valor
6 pertence ao conjunto soma com mesma pertinencia que os demais. O
n umero de vezes em que ele ocorre n ao importa.
Captulo 3
Relacoes Fuzzy
Tudo que existe na natureza e devido
` a chance e ` a necessidade.
(Democrito Sec. V a.C.)
Ser a que os indivduos de uma especie concordam com Democrito: eles
se relacionam para construrem as trajetorias no curso de suas vi-
das, buscando apenas a sobrevivencia, aparentemente sem interesse em
otimizar algo? Ou ser a que buscam o m aximo de rendimento com o
mnimo esfor co, como preconiza Leibniz ao dizer que vivemos no melhor
dos mundos? Talvez a diferen ca entre os dois seja apenas uma questao
de verdade gradual.
Estudos de associa coes, rela coes ou intera coes entre os elementos de
diversas classes, e de grande interesse na an alise e compreensao de mui-
tos fenomenos do mundo real e a matem atica sempre se preocupou em
estabelecer tais rela coes. Veremos neste captulo que as rela coes fuzzy
s ao, de alguma forma, uma exten cao natural das rela coes matem aticas
classicas.
3.1 Relacoes Fuzzy
O conceito de rela cao em matem atica e formalizado a partir da teoria
de conjuntos. Intuitivamente, pode-se dizer que a rela cao ser a fuzzy
62 Relacoes Fuzzy
quando optamos pela teoria dos conjuntos fuzzy, e ser a crisp quando
usamos a teoria classica de conjuntos para conceituar a rela cao em es-
tudo. A ado cao do tipo de rela cao, dentre estas duas, depende muito
do fenomeno estudado. Porem, a op cao pela teoria dos conjuntos fuzzy
tem sempre maior robustez no sentido que esta inclui a teoria classica
de conjuntos (lembramos que um conjunto classico conjunto crisp
e, em particular, um conjunto fuzzy).
Uma rela cao classica indica se h a ou n ao alguma associa cao entre dois
objetos, enquanto que uma rela cao fuzzy, alem de indicar se h a ou n ao
tal associa cao, indica tambem o grau desta rela cao.
Denicao 3.1. Uma rela c ao (classica) 1 sobre U
1
U
2
. . . U
n
, e qual-
quer subconjunto (classico) do produto cartesiano U
1
U
2
. . . U
n
. Se
o produto cartesiano for formado por apenas dois conjuntos U
1
U
2
, a
rela cao e denominada rela c ao bin aria sobre U
1
U
2
. Se U
1
= U
2
= . . . =
U
n
= U, diz-se que 1 e uma rela c ao sobre U.
Como a rela cao 1 e um subconjunto do produto cartesiano, entao ela
pode ser representada por sua fun cao caracterstica
R
: U
1
U
2
. . . U
n
0, 1 ,
com
R
(x
1
, x
2
, . . . , x
n
) =
_
1 se (x
1
, x
2
, . . . , x
n
) 1
0 se (x
1
, x
2
, . . . , x
n
) / 1
. (3.1)
O conceito matem atico de rela cao fuzzy e formalizado a partir do pro-
duto cartesiano usual entre conjuntos, estendendo a fun c ao caracterstica
de uma rela cao classica para uma fun cao de pertinencia.
Denicao 3.2. Uma rela c ao fuzzy 1 sobre U
1
U
2
. . . U
n
e qualquer
subconjunto fuzzy de U
1
U
2
. . . U
n
. Assim, uma rela cao fuzzy 1 e
denida por uma fun cao de pertinencia
R
: U
1
U
2
. . . U
n
[0, 1].
3.1 Relacoes Fuzzy 63
Se o produto cartesiano for formado por apenas dois conjuntos U
1
U
2
,
a rela cao e chamada de fuzzy bin aria sobre U
1
U
2
.
Se os conjuntos U
i
, i = 1, 2, . . . , n, forem todos iguais a U, dizemos
que 1 e uma rela c ao fuzzy n- aria sobre U. Por exemplo, uma rela cao
fuzzy bin aria sobre U e uma rela cao fuzzy 1 sobre UU.
Se a fun cao de pertinencia da rela cao fuzzy 1 for indicada por
R
,
entao o n umero
R
(x
1
, x
2
, . . . , x
n
) [0, 1]
indica o grau com que os elementos x
i
, que comp oem a n-upla
(x
1
, x
2
, . . . , x
n
), est ao relacionados segundo a rela cao 1.
Do ponto de vista de proje cao (inferencia), com o objetivo de se tomar
decis ao, uma rela cao fuzzy de grande import ancia, principalmente na te-
oria dos controladores fuzzy (como veremos no Captulo 5), e o produto
cartesiano. Tecnicamente, na teoria dos conjuntos fuzzy tal opera cao e
similar à intersec cao, vista no Captulo 1, Se cao 1.3. A grande diferen ca
est a nos conjuntos universos envolvidos: enquanto na intersec cao os sub-
conjuntos fuzzy s ao de um mesmo universo, no produto cartesiano eles
podem ser diferentes, como veremos na deni cao a seguir.
Denicao 3.3. O produto cartesiano fuzzy dos subconjuntos fuzzy
A
1
, A
2
, . . . , A
n
de U
1
, U
2
, . . . , U
n
, respectivamente, e a rela cao fuzzy
A
1
A
2
A
n
, cuja fun cao de pertinencia e dada por
A
1
A
2
...An
(x
1
, x
2
, . . . , x
n
) =
A
1
(x
1
)
A
2
(x
2
) . . .
An
(x
n
),
onde representa o mnimo.
Observemos que se A
1
, A
2
, . . . , A
n
forem conjuntos classicos, entao
o produto cartesiano classico A
1
A
2
. . . A
n
pode ser obtido pela
Deni cao 3.3, substituindo as fun coes de pertinencia pelas respectivas
fun coes caractersticas dos conjuntos A
1
, A
2
, . . . , A
n
. O exemplo a seguir
ilustra o poder de aplica cao do produto cartesiano.
64 Relacoes Fuzzy
Exemplo 3.1. Consideremos novamente a Tabela 1.1 do Exemplo 1.8
que relaciona os diagn osticos de 5 pacientes com dois sintomas, febre e
mialgia.
Paciente F: Febre M: Mialgia
1 0, 7 0, 6
2 1, 0 1, 0
3 0, 4 0, 2
4 0, 5 0, 5
5 1, 0 0, 2
Para diagnosticar um paciente, o medico parte de certas avalia coes
de sintomas (ou sinais) que s ao caractersticos de cada doen ca. Varias
doen cas podem apresentar sintomas como febre e mialgia com intensida-
des e medi coes diversas. Para a gripe, por exemplo, o paciente apresenta
sintomas de febre e de mialgia com intensidades que, se representa-
das por subconjuntos fuzzy, devem ter universos distintos. O universo
indicador de febre pode ser dado pelas temperaturas possveis de um
indivduo, enquanto que a mialgia pode ser avaliada pelo n umero de
regi oes doloridas.
Para indicar o quanto um indivduo tem gripe tomamos um grau de
pertinencia ao conjunto do sintoma febre e ao conjunto mialgia. O pa-
ciente 1 da Tabela 1.1, por exemplo, tem uma temperatura x cuja per-
tinencia ao conjunto febre F e
F
(x) = 0, 7 e tem um valor y de mialgia
que faz com que
M
(y) = 0, 6. O diagn ostico do paciente 1 para a doen ca
gripe e dado entao por:
Paciente 1:
gripe
(x, y) =
F
(x)
M
(y) = 0, 7 0, 6 = 0, 6.
Isto signica que o paciente 1 est a no subconjunto fuzzy dos febris
com mialgia, tendo grau de pertinencia 0,6; que coincide com o grau de
seu diagn ostico para gripe.
Esse n umero pode dar suporte para, a partir da, o especialista tomar
decis ao quanto ao tratamento a ser adotado.

E claro que, do ponto de
vista teorico, o produto cartesiano classico tambem poderia ser adotado
para o diagn ostico. Nesse caso, apenas seria indicado gripe (grau um) ou
n ao gripe (grau zero) e, para o exemplo, apenas o paciente 2 da Tabela
1.1 seria considerado gripado.
No Captulo 6, Subse cao 6.2.3, ser a apresentado um estudo mais com-
pleto a respeito de diagn ostico medico.
Exerccio 3.1. Compare o Exemplo 3.1 com o Exemplo 1.8.
Exerccio 3.2. Investigue mais um sintoma tpico de gripe (coriza, por
exemplo) e inclua-o, como subconjunto fuzzy, na Tabela 1.1 para diag-
nosticar os pacientes com gripe.
3.1.1 Formas de representacao e propriedades das relac oes
binarias
Neste texto ser ao destacadas apenas as formas de representa cao e algu-
mas propriedades das rela coes bin arias e fuzzy bin arias, as quais ser ao
ilustradas por meio de alguns exemplos.
O exemplo a seguir servir a de apoio para ilustrar as principais repre-
senta coes que veremos aqui.
Exemplo 3.2. Suponhamos um determinado ecossistema U, no qual in-
teragem as popula coes de aguias (a), cobras (c), insetos (i), lebres (l) e
sapos (s). Um estudo de interesse, entre os indivduos destas popula coes,
e o processo de preda cao, isto e, a rela cao do tipo presapredador.
Se desejamos estudar a rela cao entre dois indivduos deste ecossis-
tema, esta rela cao pode ser modelada matematicamente por uma rela c ao
bin aria 1, com
R
(x, y) = 0 se y n ao e predador de x e
R
(x, y) ,= 0
se y e predador de x, onde x e y representam indivduos do conjunto U.
A seguir ser ao discutidos dois possveis casos do emprego da rela cao
classica e da rela cao fuzzy para esse exemplo.
66 Relacoes Fuzzy
Se o interesse sobre a rela cao for apenas indicar quem e predador
e quem e presa neste conjunto U, entao podemos optar pela teoria
classica e 1 ser a uma rela cao bin aria classica. Nesse caso,
R
(x, y) =
R
(x, y) =
_
1 se y for predador de x
0 se y n ao for predador de x
.
Uma representa cao gr aca para esta rela cao, colocando os animais
em ordem alfabetica em um par de eixos, seria como a da Figura
3.1.
y
x
s
l
i
c
a
a c i l s
p
r
e
d
a
d
o
r
presa
Figura 3.1: Representacao da relacao classica entre os predadores e suas
presas.
Os pontos destacados na Figura 3.1 indicam os pares que fazem
parte da rela cao 1, ou seja, a rela cao 1 simplesmente revela quem
e predador de quem, de acordo com algum especialista.
Se houver interesse em saber, por exemplo, a preferencia graduada
de um predador por alguma presa na comunidade U, entao uma
boa op cao e que 1 seja uma rela cao fuzzy. Neste caso,
R
(x, y)
indica o grau com que y tem preferencia por x. Supondo que n ao
haja diferen ca nos graus de preda cao dentro de cada especie, uma
possibilidade para
R
(x, y), tambem de acordo com um especi-
alista, para este exemplo, est a ilustrada na Figura 3.2, onde no
terceiro eixo (eixo vertical) est ao representados os diversos graus
R
(x, y).
Figura 3.2: Relacao fuzzy e os diversos graus de preferencia
As formas mais comuns de se representar uma rela cao fuzzy bin aria
em XY , quando X e Y s ao nitos, s ao a tabular e a matricial.
Sejam X = x
1
, x
2
, . . . , x
m
, Y = y
1
, y
2
, . . . , y
n
e a rela cao fuzzy
1 sobre X Y , com fun cao de pertinencia dada por
R
(x
i
, y
j
) =
r
ij
, para 1 i n e 1 j m.
As representa coes de 1 podem ser na forma de tabela ou de matriz
conforme abaixo.
1 y
1
y
2
. . . y
n
x
1
r
11
r
12
. . . r
1n
x
2
r
21
r
22
. . . r
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
m
r
m1
r
m2
. . . r
mn
ou 1 =
_
_
r
11
r
12
. . . r
1n
r
21
r
22
. . . r
2n
.
.
.
.
.
.
.
.
.
.
.
.
r
m1
r
m2
. . . r
mn
_
_
.
Para exemplicar, as representa coes na forma de tabela e matricial
da rela cao fuzzy do Exemplo 3.2 s ao, respectivamente
68 Relacoes Fuzzy
p r e d a d o r
p
r
e
s
a
1 a c i l s
a 0 0 0 0 0
c 1 0,2 0 0 0
i 0,1 0 0,3 0 1
l 1 0,8 0 0 0
s 0,2 1 0 0 0,1
e
1 =
_
_
0 0 0 0 0
1 0,2 0 0 0
0,1 0 0,3 0 1
1 0,8 0 0 0
0,2 1 0 0 0,1
_
_
.
Para um melhor entendimento deste texto faz-se necessaria a seguinte
deni cao.
Denicao 3.4. Seja 1 uma rela cao fuzzy bin aria denida em X Y . A
rela c ao fuzzy bin aria inversa, 1
1
, denida em Y X, tem fun cao de
pertinencia
R
1 : Y X [0, 1] dada por
R
1 (y, x) =
R
(x, y).
Note que a matriz de 1
1
coincide com a transposta de 1, ja que
R
1 (y, x) =
R
(x, y). Por esse motivo muitos textos de logica fuzzy
adotam o termo rela cao transposta no lugar de inversa (veja Pedrycz e
Gomide [100]).
Assim, se 1 e a rela cao fuzzy do Exemplo 3.2, entao a representa cao
matricial de sua inversa 1
1
e dada pela sua transposta
1
=
_
_
0 1 0,1 1 0,2
0 0,2 0 0,8 1
0 0 0,3 0 0
0 0 0 0 0
0 0 1 0 0,1
_
_
.
3.2 Composicao entre Relacoes Fuzzy Binarias 69
Neste caso, 1
1
indica que x e predado por y, enquanto que por 1
temos que y e predador de x.
3.2 Composicao entre Relacoes Fuzzy Binarias
A composi cao entre rela coes e de import ancia fundamental nas aplica coes.
Essa opera cao ser a mais explorada no Captulo 6, onde aparecem as
principais aplica coes em diagn ostico medico. Tambem no Captulo 6
estudaremos diversos tipos de composi coes entre rela coes fuzzy. Aqui
nesta se cao apresentaremos apenas a composi cao mais tradicional em
logica fuzzy.
Denicao 3.5. Considere 1 e o duas rela coes fuzzy bin arias em UV
e V W, respectivamente. A composi c ao 1 o e uma rela cao fuzzy
bin aria em UW cuja fun cao de pertinencia e dada por
RS
(x, z) = sup
y V
[min(
R
(x, y),
S
(y, z))]. (3.2)
Quando os conjuntos U, V e W s ao nitos, entao a forma matricial
da rela cao 1 o, dada pela composi cao [maxmin], e obtida como uma
multiplica cao de matrizes, substituindo-se o produto pelo mnimo e a
soma pelo m aximo. De fato, suponha que
U = u
1
, u
2
, . . . , u
m
; V = v
1
, v
2
, . . . , v
n
e W = w
1
, w
2
, . . . , w
p
e que
1 =
_
_
r
11
r
12
. . . r
1n
r
21
r
22
. . . r
2n
.
.
.
.
.
.
.
.
.
.
.
.
r
m1
r
m2
. . . r
mn
_
_
mn
e o =
_
_
s
11
s
12
. . . s
1p
s
21
s
22
. . . s
2p
.
.
.
.
.
.
.
.
.
.
.
.
s
n1
s
n2
. . . s
np
_
_
np
.
De acordo com a Deni cao 3.5, a rela cao fuzzy bin aria dada pela
70 Relacoes Fuzzy
composi cao [maxmin] tem a forma matricial
T = 1 o =
_
_
t
11
t
12
. . . t
1p
t
21
t
22
. . . t
2p
.
.
.
.
.
.
.
.
.
.
.
.
t
m1
t
m2
. . . t
mp
_
_
mp
,
onde
t
ij
= sup
1kn
[min(
R
(u
i
, v
k
),
S
(v
k
, w
j
))] = sup
1kn
[min(r
ik
, s
kj
)]. (3.3)
O caso especial da composi cao [maxmin], que faremos a seguir, ser a
utilizado de uma forma mais geral no Captulo 6.
Denicao 3.6 (Regra de composi cao de inferencia). Sejam U e V dois
conjuntos, T(U) e T(V ) as classes dos subconjuntos fuzzy de U e V
respectivamente, e 1 uma rela cao bin aria sobre UV .
(i) A rela cao 1 dene um funcional de T(U) em T(V ) que, a cada
elemento A T(U), faz corresponder o elemento B T(V ) cuja
B
(y) =
R(A)
(y) = sup
xU
[min(
R
(x, y),
A
(x))]. (3.4)
Essa composi cao e conhecida como regra de composi c ao de in-
ferencia, a qual dar a origem a outras regras, como veremos nos
Captulos 4 e 5.
(ii) A rela cao 1 tambem dene um funcional de T(V ) em T(U) da
seguinte forma: a cada B T(V ) faz corresponder o elemento
A T(U) cuja fun cao de pertinencia e
A
(x) =
R
1
(B)
(x) = sup
y V
[min(
R
1 (y, x),
B
(y))]. (3.5)
A e denominado imagem inversa de B por 1.
Note que a formula (3.4) pode ser reescrita como
B
(y) =
R(A)
(y) = sup
x U
[min(
A
(x),
R
(x, y))].
Assim, de acordo com (3.2),
B = 1(A) = A 1.
De forma an aloga, a imagem inversa e dada por
A = B 1
1
.
Exerccio 3.3. Suponha que os conjuntos universos envolvidos U e V
sejam nitos, de maneira que A, B e 1 tenham representa coes na forma
de matriz. A partir da observa cao acima, verique que
B = A 1 e A = B 1
onde A e B s ao as formas matriciais em linha dos respectivos conjuntos

fuzzy, cujos elementos s ao obtidos a partir de (3.3).
Para um melhor estudo de rela coes bin arias, destacam-se algumas
importantes deni coes as quais ser ao feitas primeiramente para rela coes
bin arias classicas, e em seguida, para as rela coes fuzzy bin arias.
As deni coes para as rela coes bin arias classicas 1 ser ao feitas por
meio de suas fun coes caractersticas
R
: UU 0, 1, visando um
melhor entendimento para o caso fuzzy.
Denicao 3.7. Seja 1 uma rela cao bin aria (classica) sobre U. Entao,
para quaisquer x, y e z de U, a rela cao 1 e
(i) reexiva se
R
(x, x) = 1;
72 Relacoes Fuzzy
(ii) simetrica se
R
(x, y) = 1 implica
R
(y, x) = 1;
(iii) transitiva se
R
(x, y) =
R
(y, z) = 1 implica
R
(x, z) = 1;
(iv) anti-simetrica se
R
(x, y) =
R
(y, x) = 1 implica x = y.
Observe que as deni coes acima retratam exatamente cada uma das
deni coes usadas tradicionalmente em teoria de conjuntos. A op cao feita
pelo uso da fun cao caracterstica foi apenas um artifcio para facilitar
o entendimento destes conceitos no caso fuzzy.
Ha algumas pequenas diferen cas nas extensoes dos conceitos dados
na Deni cao 3.7, quando adaptados para o caso fuzzy, principalmente o
conceito de transitividade (veja [72, 95]).
Denicao 3.8. Seja 1 uma rela cao fuzzy bin aria sobre U, cuja fun cao
de pertinencia e
R
. Ent ao, para quaisquer x, y e z de U, a rela cao
fuzzy 1 e
(i) reexiva se
R
(x, x) = 1;
(ii) simetrica se
R
(x, y) =
R
(y, x);
(iii) transitiva se
R
(x, z)
R
(x, y)
R
(y, z), onde = mnimo.
(iv) antissimetrica se
R
(x, y) > 0 e
R
(y, x) > 0 implica x = y.
A rela cao reexiva e aquela em que todo indivduo tem rela cao m axima
consigo pr oprio; a simetrica e caracterizada pela reciprocidade, com
mesma intensidade, entre seus indivduos; a transitiva indica que a
rela cao entre dois indivduos quaisquer n ao deve ser, simultaneamente,
inferior à rela cao de cada um destes dois com os demais e a rela cao
antissimetrica e aquela que n ao admite qualquer reciprocidade entre in-
divduos distintos.
Rela coes que satisfazem simultaneamente as quatro propriedades an-
teriores s ao, de um modo geral, muito articiais principalmente quando
se exige que cumpram (ii) e (iv). Por exemplo, se U for constitudo de
um unico elemento x, o produto cartesiano UU = (x, x), satisfaz as
propriedades de (i) a (iv) da Deni cao 3.8.
Rela coes que satisfazem apenas as tres primeiras condicoes s ao cha-
madas de rela c oes de equivalencia.
Os conceitos anteriores podem ser observados no seguinte exemplo:
Exemplo 3.3. Intuitivamente, a rela cao de hierarquia militar (/): e
superior a e baseada na patente do indivduo, isto e, x est a relacio-
nado com y se x e superior a y. Entao, / e reexiva, transitiva e
antissimetrica mas n ao e simetrica.
A rela cao (/): e amigo de e reexiva, simetrica mas n ao e transitiva.
As rela coes / e / n ao s ao necessariamente fuzzy. Porem, se houver
interesse em indicar o grau com que x e superior a y, embasado n ao na
diferen ca entre as patentes mas em fatores subjetivos, entao /deve ser
uma rela cao fuzzy. O mesmo pode ser dito a respeito da relacao /.
Para nalizar este captulo, vamos apresentar algumas aplica coes inte-
ressantes na obten cao de estampas de tecidos, por meio de opera coes en-
tre matrizes de rela coes fuzzy.

E uma explora cao ainda bastante ingenua
do ponto de vista matem atico, mas com resultados pr aticos relevantes.
Os teares modernos usam composi cao de padroes para formar novos
tecidos. A composi cao pode ser simplesmente uma opera cao de soma
entre as matrizes que caracterizam uma padronagem ou entao podem
ser usadas composi coes tpicas da logica fuzzy com max e min.
Exemplo 3.4. A principal caracterstica na forma cao do tecido e a or-
dena cao de dois sistemas de os que se cruzam perpendicularmente,
chamados de urdume (os no sentido longitudinal) e trama (os que
est ao na transversal ou largura). As liga coes ou cruzamentos destes os
s ao denominados padronagem (Figura 3.3).
Para a confec cao de um tecido usam-se combina coes de padroes (ra-
port) fundamentais: tela, sarja e cetim que podem ser expressos em
74 Relacoes Fuzzy
tela ou tafeta
raport
fio de urdume
f
i
o

d
e

t
r
a
m
a
Figura 3.3: Formacao de uma padronagem.
papeis quadriculados, conforme Figura 3.4.
Cetim
Sarja Tela
Figura 3.4: Padroes fundamentais.
Quando estes padroes s ao modelados por matrizes, consideramos cada
ponto cheio como valor 1 (o de urdume levantado com a trama passando
por baixo deste o), caso contr ario seu valor ser a 0. Desta forma, os
padroes fundamentais s ao modelados pelas matrizes:
T =
_
0 1
1 0
_
, S =
_
_
0 0 1
0 1 0
1 0 0
_
_ e C =
_
_
0 0 1 0 0
0 0 0 0 1
0 1 0 0 0
0 0 0 1 0
1 0 0 0 0
_
_
.
As composi coes classicas entre estas matrizes resultam nos padroes
existentes de todos os tecidos. Entretanto, se optarmos por opera coes
tpicas das rela coes fuzzy podemos obter novos padroes como veremos a
seguir.
Vamos considerar inicialmente a soma de tela T e sarja S denida
por: T S = max t
ij
, s
ij
. Como o mnimo m ultiplo comum (MMC)
das ordens das matrizes T e S e igual a 6, tomamos os m ultiplos de cada
padrao. Entao se
T =
_
_
0 1 0 1 0 1
1 0 1 0 1 0
0 1 0 1 0 1
1 0 1 0 1 0
0 1 0 1 0 1
1 0 1 0 1 0
_
_
e S =
_
_
0 0 1 0 0 1
0 1 0 0 1 0
1 0 0 1 0 0
0 0 1 0 0 1
0 1 0 0 1 0
1 0 0 1 0 0
_
_
=
=T S =
_
_
0 1 1 1 0 1
1 1 1 0 1 0
1 1 0 1 0 1
1 0 1 0 1 1
0 1 0 1 1 1
1 0 1 1 1 0
_
_
A matriz resultante fornece um raport novo que pode ser usado para
obten cao de outros raports, considerando as composi coes das simetrias
(transla coes, rota coes e reexoes veja Figura 3.5).
a) Translao b) Rotao 90 c) Reflexo
Figura 3.5: Composicoes com o raport obtido de T S.
76 Relacoes Fuzzy
Exerccio 3.4. Dena T S = mint
ij
, s
ij
e obtenha a diferen ca a
partir do raport determinado pela opera cao. Use tambem estas opera coes
com a composi cao entre sarja e cetim.
Exerccio 3.5. Considere as matrizes
A =
_
_
0 1 0 1
1 0 1 0
0 1 0 1
1 0 1 0
_
_
e B =
_
_
0 0 1 0
0 1 0 0
1 0 0 1
0 0 1 0
_
_
,
e fa ca a composi cao A B = [ maxmin] para obter um novo raport.
Salientamos que outras composi coes entre rela coes fuzzy ser ao deni-
das no Captulo 6 onde apresentaremos tambem uma aplica cao especca
em diagn ostico medico.
Captulo 4
Nocoes da Logica Fuzzy
A nalidade da ciencia teoretica e a
verdade.
(Aristoteles Sec. IV a.C.)
Para Aristoteles, o compromisso do conhecimento e com a verdade, sem
preocupa coes pr aticas. Em contrapartida, para os sostas o conheci-
mento deve ter compromisso com a pr atica e, por isso mesmo, substitui
o padrao de verdadeiro ou falso pelo de melhor ou pior. No decorrer
deste e dos dois pr oximos captulos, estes padroes ser ao melhor entendi-
dos, principalmente quando tratarmos do que e conhecido como modus
ponens generalizado.
Na literatura, o termo logica fuzzy e utilizado de duas formas:
a primeira para representar e manipular informa coes inexatas com o
proposito de tomar decis oes, lan cando m ao da teoria dos conjuntos fuzzy,
de suas fun coes de pertinencia e suas algebras em geral. A segunda
refere-se à extensao da logica classica, que e o objetivo deste captulo.
Fazendo um breve hist orico, a logica desenvolveu-se a partir dos es-
tudos sobre silogismo de Aristoteles (IV a.C.), os quais buscavam uma
melhor compreensao da verdade. Atraves das leituras dos trabalhos de
Plat ao, que por sua vez foi discpulo de S ocrates, e que Aristoteles per-
cebe a existencia de leis que regem o pensamento no proposito da busca
do conhecimento e da verdade, sem dar margem às interpreta coes. Um
78 Nocoes da Logica Fuzzy
exemplo de verdade e dado pelo metodo de investiga cao de S ocrates:
Todo homem e mortal
S ocrates e homem
Logo, S ocrates e mortal
O silogismo acima tem estrutura tipicamente da L ogica que possibilita
o verdadeiro conhecimento defendido por Aristoteles.
A logica aristotelica volta a ter grande desenvolvimento somente no
seculo XVI, quando Leibniz cria a logica simb olica. No seculo XIX Boole
desenvolve uma algebra para esta logica simb olica. Tal ferramenta passa
a ser largamente utilizada em controle de circuitos, na primeira metade
do seculo XX, e posteriormente em linguagem de computadores. Ainda
no seculo XX, a logica foi objeto de pesquisa para grandes matem aticos
como Peano, Frège, Whitehead, Russel e G odel dentre outros. Tambem,
durante a primeira metade do seculo XX, surgem varios estudiosos que
estendem a l ogica de dois valores para logicas com varios valores, a l ogica
multivaluada. Dentre estas destacamos a de Lukasiewicz, que de certo
modo, e considerada a precursora da logica fuzzy [58, 95]. Porem, s o na
decada de 1960 surge o primeiro trabalho que d a origem à l ogica fuzzy
[129].
Como ja comentamos no Captulo 1, e importante salientar que em-
bora as premissas e conclusoes obtidas atraves da logica fuzzy sejam sub-
jetivas, isso n ao singnica nenhum tipo de retrocesso, de modo a se deba-
ter novamente com aquelas questoes de interpreta coes pre-aristotelicas.
A logica fuzzy e de fato uma logica (area do conhecimento que estuda
consequencias) com suas metodologias pr oprias [58]. Ela n ao lida com
questoes ambguas. As incertezas das quais a logica fuzzy trata s ao do
tipo monot onicas no sentido que quanto menos incertas forem as premis-
sas, menos incertas ser ao as conclusoes. Nesse sentido, intuitivamente,
podemos dizer que a logica classica e uma especie de limite da logica
fuzzy quando as incertezas tendem a zero.
4.1 Conectivos Basicos da Logica Classica 79
O principal sucesso da logica fuzzy e devido ao seu car ater pr atico,
ja que possibilita conclusoes a partir de proposi coes incertas. A area
que lida com as formaliza coes destas proposi coes e conhecida como ra-
ciocnio aproximado cuja arquitetura tem a forma do metodo de in-
vestiga cao proposto por S ocrates:
Gripe forte provoca febre alta;
Febre alta provoca dores de cabe ca frequentemente;
Conclusao: Gripe forte provoca dores de cabe ca frequentemente.
A ultima senten ca (conclusao) e uma dedu cao obtida a partir das
premissas. Porem, alguns dos predicados n ao s ao termos precisos, a
saber: forte, alta e frequentemente e, por esse motivo, a logica classica
n ao trata destas senten cas.
Na pr oxima se cao ser ao relacionados alguns conceitos da logica tradi-
cional que servir ao de base para o desenvolvimento da logica fuzzy.
4.1 Conectivos Basicos da Logica Classica
Os primeiros passos em logica matem atica s ao realizados com o estudo
dos conectivos: e, ou, n ao e implica c ao. Tais conectivos s ao
tipicamente usados na modelagem matem atica em senten cas do tipo:
Se a est a em A e b est a em B,
entao c est a em C ou d nao est a em D
(4.1)
Os valores logicos para cada conectivo s ao estudados por meio de
tabelas verdades. Assim, o valor logico de uma senten ca, formada a
partir de duas ou mais proposi coes, e obtido por meio de composi coes
das tabelas verdades dos conectivos presentes nesta senten ca.
Supondo que A e B sejam conjuntos, a proposi cao
a est a em A e b est a em B
e verdadeira apenas se for verdade que a perten ca a A e tambem que
b perten ca a B. O valor logico desta senten ca e uma consequencia da
tabela verdade classica para o conectivo e.
Na logica classica, senten cas verdadeiras tem valor logico 1, enquanto
senten cas falsas tem valor logico 0. Pensando na extensao para o caso
fuzzy, usaremos a nota cao (mnimo) para a conjun cao e; (m aximo)
para ou; para a nega cao e = para a implica cao.
Sejam p e q duas proposi coes. As tabelas verdades para os conectivos
apresentados s ao dadas a seguir:
p q p q
1 1 1
1 0 0
0 1 0
0 0 0
Tabela 4.1: Tabela verdade de .
p q p q
1 1 1
1 0 1
0 1 1
0 0 0
p p
1 0
0 1
p q p =q
1 1 1
1 0 0
0 1 1
0 0 1
Tabela 4.4: Tabela verdade de =.
Podemos notar que em cada tabela verdade, p e q assumem apenas os
valores 0 ou 1. Por isso, a logica classica e, às vezes, chamada de logica
a dois valores.
Cada um dos conectivos logicos acima pode ser visto como opera-
dor matem atico, cujos valores coincidem com os das respectivas tabelas
verdade, e e esse fato que justica as nota coes para o e e para o ou.
Com exce cao da nega cao, os demais conectivos s ao opera coes bin arias:
4.1 Conectivos Basicos da Logica Classica 81
Conectivo e:
: 0, 1 0, 1 0, 1
(p, q) (p, q) = p q = min p, q .
Assim,
(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 0;
(0, 1) = 0 1 = 0;
(0, 0) = 0 0 = 0.
Conectivo ou:
: 0, 1 0, 1 0, 1
(p, q) (p, q) = p q = max p, q .
Portanto,
(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 1;
(0, 1) = 0 1 = 1;
(0, 0) = 0 0 = 0.
A nega cao pode ser considerada como uma opera cao un aria:
: 0, 1 0, 1
p p,
onde, 1 = 0 e 0 = 1.

E interessante notar que p = 1 p.
Implica cao: =
=: 0, 1 0, 1 0, 1
(p, q) =(p, q) = (p =q).
A partir dos conectivos anteriores e possvel obter pelo menos tres
formulas b asicas que reproduzem a tabela verdade da implica cao:
(1) (p =q) = (p) q;
(2) (p =q) = (p) (p q);
(3) (p =q) = maxx 0, 1 : p x q.
Vamos vericar que n ao p ou q e a implica cao p implica q, isto e,
(p) q = (p =q) e de fato uma implica cao:
= (1, 1) = (1 =1) = (1) 1 = 1;
= (1, 0) = (1 =0) = (1) 0 = 0;
= (0, 1) = (0 =1) = (0) 1 = 1;
= (0, 0) = (0 =0) = (0) 0 = 1.
Fica como exerccio para o leitor vericar os outros dois casos.
Embora cada um dos operadores (1), (2) e (3), dena a mesma im-
plica cao classica, isso n ao ocorrera quando estendermos cada uma destas
tres formulas para o caso fuzzy, como veremos posteriormente.
Voltemos à senten ca (4.1). Tal senten ca pode ter uma avalia cao logica
por meio dos valores logicos dos conectivos. Como supostamente os
conjuntos que la aparecem s ao classicos, essa avalia cao somente pode
tomar os valores 0 ou 1.
De fato, considere
P
..
Se a est a em A
. .
p
e b est a em B
. .
q
, entao
Q
..
c est a em C
. .
r
oud nao est a em D
. .
s
.
4.2 Conectivos basicos da Logica Fuzzy 83
Os valores de cada uma das express oes p, q, r e s podem ser ape-
nas 0 ou 1, dependendo se cada elemento pertence ou n ao ao conjunto
indicado. Por exemplo, p = 1 se a est a em A e p = 0 se a / A. Analo-
gamente, temos os valores para q, r e s.
E facil avaliar a senten ca (4.1) para cada situa cao. Por exemplo, se
a A(p = 1); b / B(q = 0); c C(r = 1) e d / D(s = 1),
entao o valor logico da senten ca (4.1) e
(0 1) =(1 1) = (0 =1) = 1.
Pensando no caso fuzzy, observamos que o valor logico da senten ca p :
a est a em A coincide com o valor obtido com a fun cao caracterstica
do conjunto A em a, isto e, o valor de p e dado por
A
(a). Da mesma
forma,
B
d a o valor logico de q,
C
o de r e o valor de s e dado por
1
D
.
A se cao seguinte e dedicada à formula cao matem atica de (4.1), admi-
tindo que os conjuntos agora sejam fuzzy.
4.2 Conectivos basicos da Logica Fuzzy
Observamos que, para avaliar logicamente a express ao (4.1) por meio dos
conectivos, admitimos que a mesma somente poderia assumir os valores
0 ou 1. Esta suposi cao e coerente com o fato dos conjuntos relacionados
serem classicos. Agora, se admitirmos que os conjuntos em (4.1) possam
ser fuzzy, como avaliar logicamente tal express ao?
Inicialmente, devemos atribuir um valor que indique o quanto a pro-
posi cao a est a em A e verdadeira, com A fuzzy, sabendo que um
elemento a pode pertencer a A com valores no intervalo [0, 1].
Para realizar a avalia cao logica dos conectivos no sentido fuzzy, de-
vemos estende-los. Tais extensoes s ao obtidas por meio das normas e
conormas triangulares. Esses operadores tem origem nos estudos de
Espa cos Metricos Estatsticos (Menger, 1942 [85]). Suas denomina coes
advem da generaliza cao da propriedade triangular para tais espa cos [71].
4.2.1 Operacoes t-norma e t-conorma
Denicao 4.1 (t-norma). O operador : [0, 1][0, 1] [0, 1] , (x, y) =
x y, e uma t-norma, se satiszer as seguintes condi coes:
t
1
) elemento neutro: (1, x) = 1x = x;
t
2
) comutativa: (x, y) = xy = yx = (y, x);
t
3
) associativa: x(yz) = (xy)z;
t
4
) monotonicidade: se x u e y v, entao xy uv.
A opera cao t-norma estende o operador que modela o conectivo e.
Exemplo 4.1. Consideremos o operador
1
(x, y) = min x, y = x y.
E facil ver que este operador reproduz a tabela verdade de (a de-

monstra cao deste fato ca como exerccio para o leitor).
Outros exemplos de t-norma s ao:
2
(x, y) = xy;
3
(x, y) = max 0, x +y 1 ;
4
(x, y) =
_
_
x se y = 1
y se x = 1
0 caso contr ario
.
Exerccio 4.1. Verique que
3

2

1
.
Denicao 4.2 (t-conorma). O operador (x, y) = xy e uma t-conorma
se satiszer as seguintes condi coes:
c
1
) elemento neutro: (0, x) = 0 x = x;
c
2
) comutativa: (x, y) = x y = y x = (y, x);
c
3
) associativa: x (y z) = (x y) z;
c
4
) monotonicidade: se x u e y v, entao x y u v.
O operador t-conorma : [0, 1] [0, 1] [0, 1] estende o operador
do conectivo ou.
Exemplo 4.2. O operador
1
(x, y) = max x, y = x y.
e uma t-conorma que reproduz a tabela verdade do conectivo .
Outros exemplos de t-conorma s ao (verique):
2
(x, y) = min1, x +y ;
3
(x, y) = x +y xy.
A opera cao seguinte estende a tabela verdade da nega cao:
Denicao 4.3 (nega cao). Uma aplica cao : [0, 1] [0, 1] e uma
nega cao se satiszer as seguintes condi coes:
n
1
) fronteiras: (0) = 1 e (1) = 0;
n
2
) involuc ao: ((x)) = x;
n
3
) monotonicidade: e decrescente.
As aplica coes
1
(x) = 1 x e
2
=
1 x
1 +x
reproduzem a tabela verdade da nega cao .
Observamos que as opera coes = , = e = 1 x, satisfazem
as leis de De Morgan, isto e, para todo par (x, y) de [0, 1] [0, 1] valem
(x y) = (x) (y)
(x y) = (x) (y) .
Exerccio 4.2. Prove que para quaisquer t-norma , t-conorma e
nega cao as leis de De Morgan s ao equivalentes.
Dizemos que a t-norma e a t-conorma s ao duais em rela cao a
uma nega cao se satisfazem a uma das duas leis de De Morgan.
Exerccio 4.3. Verique em quais dos sistemas dados abaixo, as t-normas
e t-conormas s ao duais em rela cao à nega cao (x) = 1 x:
1)
_
x y = max x +y 1, 0
x y = minx +y, 1
;
2)
_
x y = xy
x y = x +y xy
;
3)
_
x y = max x +y 1, 0
x y = x +y xy
;
4)
_
_
x
H
y =
xy
a + (1 a)(x +y xy)
x
H
y =
(a 2)xy +x +y
1 + (a 1)xy
, a 0;
H
e
H
s ao denominadas t-norma e t-conorma de Hamacher.
5)
_
_
x
F
y = log
a
_
1 +
(a
x
1)(a
y
1)
a 1
_
x
F
y = 1 log
a
_
1 +
(a
1x
1)(a
1y
1)
a 1
_
, a > 0 e a ,= 1.
F
e
F
s ao denominadas t-norma e t-conorma de Frank.
Um estudo aprofundado sobre t-normas e t-conormas o leitor pode
encontrar em [71].
Denicao 4.4 (Implica cao fuzzy). Um operador : [0, 1] [0, 1] [0, 1]
e uma implica cao fuzzy se satiszer as seguintes condi coes:
1. reproduzir a tabela da implica cao classica;
2. for decrescente na primeira vari avel, ou seja, para cada x [0, 1]
tem-se
(a x) (b x) se a b;
3. for crescente na segunda vari avel, ou seja, para cada x [0, 1]
tem-se
(x a) (x b) se a b.
Assim, a classe das implica coes fuzzy consiste de todas as aplica coes do
quadrado [0, 1] [0, 1] em [0, 1], cuja restri cao aos vertices coincide com
os valores da implica cao classica; que sejam decrescentes com rela cao às
abscissas e crescentes em rela cao às ordenadas.
Como comentamos durante a exposi cao da implica cao classica, esta
pode ser representada por uma das formulas:
(1) (p =q) = (p) q;
(2) (p =q) = (p) (p q);
(3) (p =q) = maxx 0, 1 : p x q.
Para o caso fuzzy, tais formulas nao produzem as mesmas implica coes
fuzzy (verique esse fato). Assim, distiguiremos cada uma delas:
(4) uma S-implica cao tem a forma (x =y) = (x) y;
S-implica coes s ao construdas a partir de conormas e conormas s ao
frequentemente chamadas de s-normas [71].
(5) uma Q-implica cao tem a forma (x =y) = (x) (x y);
Q-implica coes tem origem em mec anica quantica, da a letra Q.
(6) uma R-implica cao tem a forma
(x =y) = supz [0, 1] : x z y.
O nome R-implica cao vem de opera cao residual [71] e pode ser inter-
pretado assim: (x = y) e o maior valor com que y supera x segundo
. Ou seja, e o resduo de x em rela cao a y, segundo .
Veja que para o caso classico, (p = q) e o que falta para que p
seja q segundo .
Exerccio 4.4. Verique que cada uma das opera coes S, Q e R, da
Deni cao 4.4 s ao de fato implica coes fuzzy, quaisquer que sejam as t-
normas, t-conormas e negac ao.
Exemplo 4.3 (Implica coes fuzzy). As seguintes opera coes s ao implica coes
fuzzy:
a) Implica cao de G odel:
(x =y) = g(x, y) =
_
1 se x y
y se x > y
.
b) Implica cao de Goguen:
(x =y) = g
n
(x, y) =
_
1 se x y
y
x
se x > y
.
c) Implica cao de Lukasiewicz:
(x =y) = (x, y) = min (1 x +y), 1 .
d) Implica cao de Kleene-Dienes:
(x =y) = k
d
(x, y) = max (1 x), y .
e) Implica cao de Reichenbach:
(x =y) = r(x, y) = (1 x +xy).
f) Implica cao de Zadeh:
(x =y) = z(x, y) = max (1 x), min(x, y) .
g) Implica cao de Gaines-Rescher:
(x =y) = g
r
(x, y) =
_
1 se x y
0 se x > y
.
h) Implica cao de Wu:
(x =y) = w(x, y) =
_
1 se x y
min1 x, y se x > y
.
Observe que a implica cao de Zadeh e uma Q-implica cao
(x =y) = (1 x) (x y) = (x) (x y).
Exerccio 4.5. Resolva os itens abaixo.
a) Verique que as implica coes de G odel e de Goguen s ao R-implica coes,
supondo = min para G odel e = produto para Goguen.
b) Dentre as implica coes fuzzy acima, de exemplos de S-implica coes, de
Q-implica coes e de R-implica coes, supondo (x) = 1 x.
c) Verique que g(x, y) g
n
(x, y) para x e y no intervalo [0, 1].
Exerccio 4.6. Esboce os gr acos das implica coes do Exemplo 4.3.
O leitor interessado em aprofundar seus estudos em operadores logicos
e em calculo proposicional fuzzy pode consultar Hajek [58], Nguyen [95],
Klir e Yuan [72], Pedricz e Gomide [100], Wangning [125] e suas re-
ferencias. Nosso interesse aqui est a mais direcionado às manipula coes e
interpreta coes de formulas nas quais aparecem esses conectivos b asicos.
Exemplo 4.4. Vamos voltar à express ao (4.1) e obter seu valor logico
quando considerarmos = , = , (x) = 1 x e a implica cao de
G odel.
Inicialmente, para cada celula p, q, r e s, da express ao (4.1), tomamos
seu valor logico como o grau de pertinencia de cada elemento ao con-
junto relacionado. Consideremos, por exemplo, que tais valores sejam:
A
(a) = 0,6;
B
(b) = 0,7;
C
(c) = 0,4 e
D
(d) = 0,7. Entao, temos:
p q = min(0,6; 0,7) = 0,6;
s = 1
D
(d) = 1 0,7 = 0,3;
r s = max(0,4; 0,3) = 0,4.
Logo, o valor logico de (4.1) e o resultado da aplica cao
(p q) =(r s).
Supondo que a implica c ao seja a de G odel, entao
(p q) =(r s) =
_
1 se (p q) (r s)
(r s) se (p q) > (r s)
= 0,4;
pois (p q) = 0,6 e (r s) = 0,4.
Assim, para as pertinencias acima, a express ao (4.1) e verdade com
grau 0,4.
4.3 Raciocnio Aproximado e Variaveis Lingusticas 91
Exerccio 4.7. Refa ca o Exemplo 4.4 para as outras implica coes dadas
no Exemplo 4.3.
Muitas das implica coes do Exemplo 4.3 s ao obtidas a partir de com-
bina coes de t-normas e t-conormas e s ao utilizadas para modelar pro-
posi c oes fuzzy em racioconio aproximado. Esse assunto tem grande
interesse nos metodos de resolu coes das equa c oes relacionais e dos siste-
mas baseados em regras fuzzy, como os controladores de Mamdani. Estes
topicos ser ao ainda estudados nos Captulos 5 e 6. O leitor interessado
em mais detalhes sobre as implica coes fuzzy, voltadas para modelagem
de processos em engenharia, poder a consultar [72, 95, 100, 125].
4.3 Raciocnio Aproximado e Variaveis Lingusticas
O raciocnio aproximado refere-se ao processo onde se pode obter con-
clus oes a partir de premissas incertas. Quando esta incerteza e conside-
rada fuzzy, e frequente o uso do termo raciocnio fuzzy.
A seguinte forma de raciocnio e muito comum na vida di aria:
Se a banana est a amarela entao a banana est a madura (4.2)
ou seja,
Caso se tenha uma banana amarela, e autom atica sua classica cao
como madura.
De uma forma mais geral podemos ter algo como:
Se X e entao Y e . (4.3)
Neste caso, sabendo-se que X e , conclui-se que Y e .
Esta e uma generaliza cao do conhecido metodo dedutivo modus po-
nens. A diferen ca para o modus ponens classico est a na subjetivi-
dade dos predicados envolvidos. As senten cas gerais (4.3) acima s ao
expressas em uma linguagem natural sem o formalismo da linguagem
matem atica. Nosso interesse e um modelo matem atico para a mesma
usando logica fuzzy.
Voltando à nossa senten ca (4.1), esta tem uma diferen ca substancial
para a senten ca (4.3), a saber, nesta ultima n ao h a qualquer conjunto
(classico ou fuzzy) envolvido, e sim, qualica coes a respeito das vari aveis
X e Y .
Para expressar formalmente senten cas com vari aveis como em (4.3) e
que se unem as teorias dos conjuntos fuzzy e a de logica fuzzy. Para
se obter uma avalia cao logica de (4.3) a ideia e reescreve-la na forma
da senten ca (4.1) e, para isto, faz-se necessario o conceito de vari avel
lingustica.
Denicao 4.5 (Variavel lingustica). Uma vari avel lingustica X no uni-
verso U e uma vari avel cujos valores assumidos s ao subconjuntos fuzzy
de U.
Intuitivamente, uma vari avel lingustica e um substantivo, enquanto
seus valores s ao adjetivos, representados por conjuntos fuzzy. Por exem-
plo, gripe e uma vari avel lingustica que pode assumir os atributos
forte ou fraca.
Senten cas em que aparecem vari aveis lingusticas juntamente com seus
valores subjetivos (atributos) s ao comumente chamadas de proposi coes
fuzzy. Entretanto, o interesse aqui s ao aquelas vari aveis cujos valores
assumidos s ao n umeros fuzzy onde o universo de discurso e o conjunto
dos n umeros reais. Neste caso, diz-se que o suporte da variavel e o
conjunto dos n umeros reais e X e uma vari avel lingustica real.
Convem observar que, dependendo das circunstancias, devemos ler
X e A ou X est a em A, numa linguagem conjuntista (em ingles n ao
h a essa distin cao). Tambem deve ser esclarecido que X e A (ou X est a
em A) signica X = x e A (ou X = x est a em A). Dessa forma
e que a senten ca (4.3) pode ter seu valor logico, a exemplo da senten ca
4.4 Modus Ponens e Modus Ponens Generalizado 93
(4.1).
O valor logico de X = x e A e o n umero
A
(x) que indica o quanto
X = x est a em concordancia com o termo lingustico modelado pelo
conjunto fuzzy A. Por esse motivo, e para facilitar a nota cao, quando
n ao houver d uvidas sobre as vari aveis, usaremos apenas os valores de
interesse assumidos por elas em cada proposi cao fuzzy, ou seja, usaremos
x e A (ou x est a em A), no lugar de X = x e A (ou X = x est a
em A).
A seguir usaremos a no cao de vari aveis lingusticas para formular os
metodos dedutivos modus ponens para o caso fuzzy.
4.4 Modus Ponens e Modus Ponens Generalizado
Nosso interesse inicial e modelar matematicamente o modus ponens
fuzzy:
p =q : Se x e A entao y e B
Fato: x e A
Conclusao: y e B
Note que (p =q) e uma proposi cao fuzzy condicional que e modelada
por uma rela cao fuzzy 1 de U V , cuja fun cao de pertinencia e
R
(x, y) = [
A
(x) =
B
(y)] ,
onde x e y s ao valores de vari aveis lingusticas de U e V , respectivamente.
Assim, o valor da senten ca Se x e A entao y e B depende da im-
plica cao a ser escolhida.
A implica cao classica, isto e,
A
(x) 0, 1 e
B
(y) 0, 1, produz
a rela cao fuzzy cuja fun cao de pertinencia e dada por:
R
(x, y) =
R
(x, y) = (
A
(x) =
B
(y)) =
=
_
1 se (x / A e y qualquer) ou (x A e y B)
0 se x A e y / B
de modo que
sup
x U
[
R
(x, y)
A
(x)] =
_
1 se y B
0 se y / B
=
B
(y),
ou seja, para o caso classico, o modus ponens pode ser escrito matema-
ticamente por meio da formula:
B
(y) = sup
x U
[
R
(x, y)
A
(x)].
De acordo com a nota cao vista no Captulo 3, o modus ponens classico
pode ser dado pela regra de composi cao de inferencia B = A 1, em
que a rela cao 1 e obtida por meio de uma implica cao fuzzy que modela
a senten ca condicional
Se x A entao y B.
Com o proposito de inferir conjuntos fuzzy, esta formula ser a estendida
para situa coes fuzzy mais gerais tais como o modus ponens fuzzy e o
modus ponens fuzzy generalizado.
O modus ponens fuzzy modela o seguinte silogismo:
Regra: Se a banana est a amarela, ent ao est a madura
Fato: A banana est a amarela
Conclusao: A banana est a madura
A logica fuzzy revela seu grande potencial na modelagem de cada uma
das senten cas acima. Os substantivos e seus atributos s ao modelados por
conjuntos fuzzy (por fun coes de pertinencia) enquanto que os conectivos
por operadores como t-normas e t-conormas, implica coes e/ou nega coes.
A conclusao, que deve ser um conjunto fuzzy, e obtida pela extensao da
regra de composi cao de inferencia
B
(y) = sup
xU
[
R
(x, y)
A
(x)] , (4.4)
substituindo as fun coes caractersticas por fun coes de pertinencia e o
operador por alguma t-norma, ou seja,
B
(y) = sup
xU
[
R
(x, y)
A
(x)] . (4.5)
Em resumo, a formula (4.5) e a regra de inferencia que modela o
modus ponens fuzzy
Regra: Se x e A, ent ao y e B
Fato: x e A
Conclusao: y e B
O lado direito da Equa cao (4.5) exige que a t-norma e a implica cao
fuzzy la adotadas sejam escolhidas de modo que a sada coincida com
B
(y) para todo y.
Esse e um problema de equa cao relacional e pode trazer algumas di-
culdades que foge de nosso interesse no estudo de raciocnio aproximado.
Tal assunto ser a estudado no Captulo 6. Por essa raz ao, estenderemos
a Equa cao (4.5) admitindo uma entrada A
no lugar de A e a exi-
bilizaremos deixando de exigir que a sada B
seja B, para a entrada

A = A
. Neste caso, denominaremos o silogismo por modus ponens

fuzzy generalizado, que tem a forma geral:
Regra: Se x e A, ent ao y e B
Fato: x e A
Conclusao: y e B

A sada do modus ponens fuzzy generalizado e o conjunto fuzzy
B
, cuja fun cao de pertinencia e
B
(y) = sup
xU
[
R
(x, y)
A
(x)], (4.6)
que, por analogia à regra de composi cao de inferencia vista no Captulo
3, tem a forma
1(A
) = A
t
1 = B
,
onde
t
e uma opera cao an aloga à , trocando-se a t-norma do
mnimo por . Veremos essa opera cao com mais detalhes no Captulo
6.
Vale a pena refor car o seguinte comentario: no caso classico, sempre
temos 1(A) = B. Porem, no caso fuzzy, dependendo da t-norma e da
implica cao, nem sempre teremos 1(A) = B. Esse fato n ao desabona o
uso das formulas (4.5) ou (4.6).
E bastante comum se obter um funcional teorico, sem que esse fun-

cional reproduza os dados que o originaram. Esse e o caso do famoso
metodo dos mnimos quadrados, cuja principal propriedade e obter o
funcional com menor erro quadr atico possvel para o conjunto de dados.
Metodos para obter funcionais que reproduzam exatamente os dados que
o originaram costumam ser chamados de interpola cao. Esse assunto apa-
recer a novamente em captulos futuros e la faremos novas observa coes.
Exemplo 4.5. Suponha a t-norma do produto, xy = xy, e a implica cao
(x =y) =
_
1 se x = 0
1
y
x
se x ,= 0
.
Dados os n umeros fuzzy A e B, temos
(
A
(x) =
B
(y))
A
(x) =
A
(x)
B
(y).
Assim,
sup
xU
[
R
(x, y)
A
(x)] = sup
xU
[(
A
(x) =
B
(y))
A
(x)]
= sup
xU
[
A
(x)
B
(y)] =
B
(y).
ou seja, 1(A) = B.
Exerccio 4.8. Verique se R(A) = B para a t-norma do mnimo, xy =
x y, considerando:
a) implica cao de Zadeh;
b) implica cao Wu.
Vamos analisar um caso em que os conjuntos envolvidos s ao nitos.
Exemplo 4.6. Consideremos os subconjuntos fuzzy:
A = 0,4/x
1
+ 1,0/x
2
+ 0,6/x
3
e B = 0,8/y
1
+ 0,4/y
2
,
a implica cao de Lukasiewicz:
(x =y) = min (1 x +y), 1
e a t-norma
1
= .
Vamos obter as sadas a partir da formula (4.5) para cada entrada.
Lembrando que a implica cao
R
(x, y) = (
A
(x) =
B
(y))
e a de Lukasiewicz, temos
1 = 1, 0/(x
1
, y
1
) + 1, 0/(x
1
, y
2
) + 0,8/(x
2
, y
1
) +
+ 0,4/(x
2
, y
2
) + 1, 0/(x
3
, y
1
) + 0,8/(x
3
, y
2
).
Desta forma, para a entrada
A = 0,4/x
1
+ 1, 0/x
2
+ 0,6/x
3
,
temos a sada

B com fun cao de pertinencia
e
B
(y
1
) = max
x
i
[
R
(x
i
, y
1
)
A
(x
i
)] =
= max[min(1, 0; 0,4); min(0,8; 1, 0); min(1, 0; 0,6)] = 0,8;
e
B
(y
2
) = max
x
i
[
R
(x
i
, y
2
)
A
(x
i
)] =
= max[min(1, 0; 0,4); min(0,4; 1, 0); min(0,8; 0,6)] = 0,6.
e, para a entrada
A
= 0,6/x
1
+ 0,9/x
2
+ 0,7/x
3
,
temos a sada B
com fun cao de pertinencia
B
(y
1
) = max
x
i
[
R
(x
i
, y
1
)
A
(x
i
)]
= max[min(1, 0; 0,6); min(0,8; 0,9); min(1, 0; 0,7)] = 0,8;
B
(y
2
) = max
x
i
[
R
(x
i
, y
2
)
A
(x
i
)]
= max[min(1, 0; 0,6); min(0,4; 0,9); min(0,8; 0,7)] = 0,7.
Desta forma, para este exemplo, as sadas obtidas pelo modus ponens
fuzzy generalizado s ao
1(A) =

B = 0,8/y
1
+ 0,6/y
2
e 1(A
) = B
= 0,8/y
1
+ 0,7/y
2
.
E interessante notar que B

B. Este fato e de interesse em raciocnio
aproximado, pois indica que B poderia ser uma sada otima em algum
sentido. Estudos para investigar propriedades como essa e/ou que

B =
B ser ao vistos num contexto um pouco diferente no Captulo 6.
O leitor interessado em se aprofundar neste assunto pode consultar
[88, 89, 125, 128] e muitos outros artigos sobre raciocnio aproximado.
Metodo Pratico
A partir da observa cao feita ap os a formula (4.6), temos
B
= A
t
1,
em que, para o caso de domnios nitos, A
e B
s ao escritos em linha e
[1] = [
R
(x
i
, y
j
)]
ij
onde
t
e a composi cao supt (ver Captulo 6).
No exemplo anterior temos
1 = [
R
(x
i
, y
j
)]
32
=
_
_
1, 0 1, 0
0, 8 0, 4
1, 0 0, 8
_
_
32
,
A =
_
0, 4 1, 0 0, 6
_
e a composi cao e a max-min, uma vez que = .
Logo,
B = A 1 =
_
0, 4 1, 0 0, 6
_
_
1, 0 1, 0
0, 8 0, 4
1, 0 0, 8
_
_ =
_
0, 8 0, 6
_
,
ou seja,
B =
0, 8
y
1
+
0, 6
y
2
.
Nosso objetivo agora e usar o modus ponens generalizado para mode-
lar situa coes em que a subjetividade pode ser ligeiramente modicada.
Por exemplo, no caso da banana, se for observado que sua cor e quase
amarela, esta cor pode ser considerada como sendo amarela ligeiramente
modicada. Em casos como este s ao utilizados os operadores denomina-
dos modicadores.
4.5 Modicadores Lingusticos
Como o pr oprio nome sugere, modicadores lingusticos s ao frequen-
temente utilizados para alterar atributos, ou seja, modelar adverbios.
A teoria dos conjuntos fuzzy, quando combinada com o modus ponens
fuzzy generalizado, ajuda na produ cao de subconjuntos fuzzy que repre-
sentam atributos de vari aveis lingusticas. Neste caso, os modicadores
lingusticos s ao denominados modicadores fuzzy.
Denicao 4.6 (Modicador fuzzy). Um modicador fuzzy m sobre U e
uma aplica cao denida em T(U) com valores em T(U) :
m : T(U) T(U). (4.7)
Os principais modicadores fuzzy s ao:
(i) Expansivo se, para todo A T(U), A m(A), ou seja,
A
(x)
m(A)
(x);
(ii) Restritivo se, para todo A T(U), A m(A), ou seja,
A
(x)
m(A)
(x).
Os modicadores fuzzy mais usados s ao do tipo potencia. Um modi-
cador e do tipo potencia se para cada A T(U) tem-se
m
s
(A) := (A)
s
,
4.5 Modicadores Lingusticos 101
ou seja,
m(A)
(x) = (
A
(x))
s
,
para algum s [0, ).
Podemos observar que se s < 1 entao m
s
e expansivo e se s > 1 entao
m
s
e restritivo, ja que
A
(x) [0, 1].
Exemplo 4.7. Consideremos o conjunto fuzzy dos indivduos jovens
denido pela fun cao de pertinencia
J
(x) =
_
_
1 se x 25
_
1 +
x 25
5
_
2
se x > 25
.
Quando aplicamos modicadores fuzzy em termos primarios como o
adjetivo jovem, denimos novos termos fuzzy como muito jovem,
por exemplo. Assim, se tomarmos para muito jovem o subconjunto
fuzzy MJ, cuja fun cao de pertinencia e dada por
MJ
(x) =
m(J)
(x) = (
J
(x))
2
,
teremos o modicador m(A) = (A)
2
e, para um indivduo cuja idade e
x = 30, seu grau de pertinencia ao conjunto dos jovens e
J
(30) = 0,25
enquanto que, para o conjunto modicado dos muito jovens temos
MJ
(30) = 0,25
2
= 0,0625 <
J
(30).
Para estudos mais aprofundados, o leitor pode consultar [42, 72].
Exemplo 4.8. Vamos voltar ao caso das bananas, que motivou os
estudos dessa se cao.
Regra: Se a banana est a amarela, ent ao est a madura
Fato: A banana est a amarela
Conclusao: A banana est a madura
Agora, a ideia e reescrever a condicional
Se a banana est a amarela ent ao est a madura
na forma
Se X e A ent ao Y e B,
da obter a rela cao 1, dada por uma implica cao fuzzy, cuja fun cao de
pertinencia e
R
(x, y) = (
A
(x) =
B
(y)).
O conceito de amarelo e representado aqui por um conjunto fuzzy,
obtido a partir do cromatismo que apresenta diferentes tonalidades de
amarelo, isto e, nem todo amarelo e igual. No caso de banana amarela,
podemos traduzir o conceito de amarelo por uma fun cao de pertinencia
obtida do espectro de cores que vai do verde ao amarelo, cujo compri-
mento de onda varia entre 530 nm a 597 nm. Adotamos que a tonali-
dade da banana e dada pela diferen ca entre seu comprimento de onda
e o do verde 530 nm. Assim sendo, a fun cao de pertinencia que dene
banana amarela pode ser dada por:
A
(x) =
_
x
60
se 0 x 60
1 se 60 < x 67
.
Estamos supondo que, para x entre 60 nm e 67 nm as tonalidades do
amarelo s ao indistinguveis e, portanto, nesta faixa o grau de pertinencia
ao conjunto fuzzy amarelo ser a 1.
n
v
e
l

d
e

a
m
a
r
e
l
o1
60 67
A
x(nm)
Figura 4.1: Funcao de pertinencia do conjunto fuzzy amarelo em
nanometros.
A modelagem do termo banana madura e decorrente do valor per-
centual de a c ucar existente na fruta. Especialistas dizem que uma ba-
nana est a certamente madura quando a concentra cao de a c ucar apresen-
tada na mesma estiver entre 19% e 25%. Um meio de detectar o nvel
de a c ucar e o pr oprio paladar humano.
A fun cao de pertinencia do conjunto fuzzy banana madura pode ser
dada por
B
(y) =
_
y
19
se 0 y 19
1 se 19 < x 25
.
B
g
r
a
u

d
e

m
a
t
u
r
a
o
acar (%)
1
19 25
Figura 4.2: Funcao de pertinencia do conjunto fuzzy banana madura.
Agora, vamos supor que o termo quase amarelo seja modelado por
um subconjunto fuzzy A
, que e obtido por meio da aplica cao de um

modicador fuzzy expansivo ao subconjunto fuzzy A:
A
(x) =
m(A)
(x) = (
A
(x))
s
com s 1.
Finalmente, para obter a sada B
que indica o termo quase madura,

adotaremos um modus pones generalizado com a implica cao de Wu e a
t-norma do mnimo: x y = x y.
Logo, B
= 1(A
), cuja fun cao de pertinencia e dada por
B
(y) =
R(A
)
(y)=
Rm(A)
(y)=sup
x
[
R
(x,y)
m(A)
(x)]
= sup
x
[(
A
(x)=
B
(y))
m(A)
(x)]
= max
(
sup
A
(x)
B
(y)
[
m(A)
(x)1], sup
A
(x)>
B
(y)
[(1
A
(x))
B
(y)
m(A)
(x)]
)
= max
(
sup
A
(x)
B
(y)
(
A
(x))
s
, sup
A
(x)>
B
(y)
[(1
A
(x))
B
(y)(
A
(x))
s
]
)
= max
(
sup
A
(x)
B
(y)
(
A
(x))
s
, sup
A
(x)>
B
(y)
(1
A
(x))
B
(y)
)
= max{(
B
(y))
s
,(1
B
(y))
B
(y)}=(
B
(y))
s
.
Portanto,
B
(y) = (
B
(y))
s

B
(y), para s (0,1].
Veja que 1(A) = B (s = 1) . A prova acima e valida porque
Im(
A
) = [0, 1], ou seja, A e normal. Essa hip otese e necessaria [72],
pois caso contr ario, tal prova n ao seria valida. Ver Exerccio 4.8 (b),
com dados do Exemplo 4.6
Numa linguagem conjuntista temos
B
= m(B) B.
O fato de B estar contido em m(B) signica que uma banana quase
madura ser a sempre menos madura (Figura 4.3). Uma banana amarela
e madura, logo uma banana menos amarela ser a menos madura.
A conclusao ou sada dada pelo conjunto B
quase madura ou me-

nos madura pode ser visualizada na Figura 4.3 (b).
Para encerrar esse exemplo vamos explorar um pouco mais o fato que
B
= m(B).
Figura 4.3: Conjuntos fuzzy modicados.
Observemos que
1(m(A)) = 1(A
) = B
= m(B) = m(1(A)),
ou na forma de diagrama da Figura 4.4.
A
m(A)
1(A)
1
1(m(A)) = m(1(A))
m m
1
Figura 4.4: Diagrama de comutacao de R e m.
O fato de se obter 1(m(A)) = m(1(A)) indica que o diagrama comuta
e signica que a sada de A modicado e a mesma que a modica c ao da
sada de A.
Para o nosso exemplo, a comutatividade do diagrama acima signica
que o grau de modica cao sofrido pela matura cao da banana e o mesmo
que grau de modica cao de tonalidade da sua cor.
Em logica fuzzy, comutatividade de diagrama e ainda pouco explorada
e o leitor est a convidado a investigar tal propriedade, tanto do ponto de
vista teorico quanto das aplica coes.
Exerccio 4.9. Refa ca o Exemplo 4.8, considerando o modicador potencia
com s > 1 e verique para este caso se 1(m(A)) = m(1(A)). Em se-
guida, use outras implica coes e t-normas para obter novos conjuntos
fuzzy de sadas B
.
4.6 Independencia e Nao-Interatividade
Nesta se cao faremos uma breve introdu cao do conceito de n ao - intera-
tividade possibilstica, introduzido por Zadeh [131], o qual tem rela cao
estreita com independencia probabilstica. O termo possibilstica e
usado aqui em referencia à pertinencia. Tal conceito ser a melhor for-
malizado na Se cao 7.1.3.
Atualmente h a um grande n umero de pesquisadores interessados nesse
tema, com aplica coes nas mais diversas areas (ver [52, 32, 8, 2]). Nosso
principal interesse nesse texto e apenas no conceito que, a nosso ver,
est a intimamente ligado ao Modus Ponens.
Intuitivamente, independencia est a associada à ideia de n ao inter-
ferencia ao passo que interatividade est a ligada à a cao m utua entre
duas ou mais coisas. Duas substancias qumicas, por exemplo, s ao n ao
interativas se suas partculas s ao identicadas quando olhadas conjun-
tamente e separadamente: agua e oleo.
Tanto a independencia quanto a n ao-interatividade entre dois objetos
dependem fortemente do que se pretende medir, bem como da medida
adotada. Por exemplo, na mistura de duas substancias qumicas pode-
mos estar interessados em observar altera coes de suas densidades, vistas
inicialmente separadas e depois conjuntamente. Por outro lado, pode-
mos nos interessar na altera cao da colora cao, separadamente e conjun-
tamente. A densidade poderia estar associada à probabilidade enquanto
4.6 Independencia e Nao-Interatividade 107
a colora cao (que trata de identica cao da cor) poderia ser associada à
pertinencia (ou possibilidade).
O comentario acima tem como unico objetivo ilustrar ao leitor que
em um mesmo experimento (mistura de duas substancias) varios es-
tudos podem ser feitos: densidade e colora cao, e para cada um deles,
devemos adotar ferramentas adequadas. No caso, probabilidade para
medir densidade e possibilidade para medir colora cao.
Com o intuito de tra car um paralelo com o tema que iremos estudar,
apresentaremos a seguir o conceito de independencia e n ao-interatividade
probabilstica.
4.6.1 Independencia e Nao-Interatividade Probabilstica
Vamos aqui nos deter apenas ao caso discreto. O caso contnuo e an alogo,
substituindo a distribui cao de probabilidades pela fun cao densidade de
probabilidades.
Sejam X e Y duas vari aveis aleatorias discretas. Supondo que P
(X,Y )
seja a distribui cao de probabilidades conjunta do vetor aleatorio (X, Y ),
e sabido [31, 72] que:
(p
1
) as distribui c oes marginais de X e Y s ao dadas, respectivamente,
por
P
X
(x) =
y
P
(X,Y )
(x, y) e P
Y
(y) =
x
P
(X,Y )
(x, y).
(p
2
) X e Y s ao n ao-interativas, probabilisticamente, se
P
(X,Y )
(x, y) = P
X
(x).P
Y
(y)
para todo par (x, y). Caso contr ario, s ao ditas interativas [72].
(p
3
) as distribui c oes condicionais de X e Y s ao dadas, respectivamente,
por
P
X|Y
(x[y) =
P
(X,Y )
(x, y)
P
Y
(y)
P
(X,Y )
(x, y) = P
X|Y
(x[y).P
Y
(y)
se P
Y
(y) ,= 0 e
P
Y |X
(y[x) =
P
(X,Y )
(x, y)
P
X
(x)
P
(X,Y )
(x, y) = P
Y |X
(y[x).P
X
(x)
se P
X
(x) ,= 0 .
(p
4
) X e Y s ao independentes, probabilisticamente, se
P
(X|Y )
(x[y) = P
X
(x) e P
(Y |X)
(y[x) = P
Y
(y)
para todo par (x, y). Caso contr ario, s ao ditas dependentes.
E claro que os conceitos de independencia (p

4
) e n ao-interatividade
probabilstica (p
2
) s ao equivalentes se as marginais n ao se anularem.
Esse fato e consequencia da opera cao matem atica multiplica cao utili-
zada para modelar tais conceitos.
No entanto, h a autores que n ao defendem tal equivalencia e assim
se utilizam de opera coes matem aticas mais gerais para representar
matematicamente esses conceitos. Essas opera coes s ao conhecidas na
literatura como copulas e tem rela coes estreitas com as t-normas. A
proposito, como ja sabemos, a opera cao de multiplica cao utilizada em
(p
2
) e (p
4
) e uma particular t-norma.
Um resultado geral que relaciona a distribui cao de probabilidades con-
junta com as marginais, via copula, e devido a Sklar, o qual o leitor pode
encontrar em [71].
4.6.2 Independencia e Nao-Interatividade Possibilstica
Aqui os objetos matem aticos s ao conjuntos fuzzy ao inves de vari aveis
aleatorias. Consequentemente, o que temos s ao distribui coes de possibi-
lidades (ou de pertinencias).
Diferentemente do caso probabilstico, em que a copula mais utili-
zada na literatura e o produto, no caso fuzzy o operador mais comum
para tratar a n ao-interatividade e o mnimo. No entanto, nesse texto
usaremos uma t-norma geral para tratar matematicamente os conceitos
envolvidos.
Suponha que
(A,B)
seja a distribui cao de possibilidades conjunta dos
conjuntos A e B.
(f
1
) As distribui c oes de possibilidades marginais [52] de A e B s ao da-
das, respectivamente, por
A
(x) = sup
y
(A,B)
(x, y) e
B
(y) = sup
x
(A,B)
(x, y).
(f
2
) A e B s ao possibilisticamente n ao-interativos, segundo a t-norma
, se
(A,B)
(x, y) =
A
(x)
B
(y),
para todo par (x, y). A e B s ao ditos n ao-interativos se a t-norma
for a do mnimo, isto e, se
(A,B)
(x, y) =
A
(x)
B
(y).
(f
3
) As distribui c oes de possibilidades condicionais de A e B, segundo
a t-norma , de A e B s ao dadas, respectivamente, atraves das
formulas
(A,B)
(x, y) =
(A|B)
(x[y)
B
(y)
e
(A,B)
(x, y) =
(B|A)
(y[x)
A
(x).
(f
4
) A e B s ao possibilisticamente independentes se
(A|B)
(x[y) =
A
(x) e
(B|A)
(y[x) =
B
(y).
para todo par (x, y). Caso contr ario, s ao ditas possibilisticamente
dependentes.
Diferentemente do caso probabilstico, aqui a n ao-interatividade n ao
equivale à independencia. A independencia implica a n ao-interatividade.
Porem, a recproca n ao e, em geral, verdadeira.
E interessante ressaltar que no dois casos - probabilstico e fuzzy - as

marginais est ao relacionadas com a conjunta por formulas semelhantes.
Para o caso probabilstico usa-se a somat oria, enquanto que para o caso
fuzzy aparece o sup no lugar de
.
4.6.3 As distribuicoes Condicionais e o Modus Ponens: Uma
Visao Bayesiana
A regra condicional
R : se x e (est a em) A entao y e (est a em) B
no modus ponens poderia ser interpretada como y e (est a em) B com
grau
B
(y), dado que x e (est a em) A com grau
A
(x). Sob essa
otica, a fun cao de pertinencia
R
que representa a regra R e uma tpica
distribui cao de pertinencia condicional, isto e,
R
(x, y) = (
A
(x)
B
(y)) =
B|A
(y[x). (4.8)
Com essa interpreta cao, temos uma formula para obter distribui coes
condicionais, isto e, para uma regra logica de causalidade, temos uma
maneira de obter a distribui cao condicional de pertinencia. Para isto,
basta conhecer a implica cao fuzzy a ser adotada e, a partir da, usar a
formula (4.8).
Dessa forma, a formula (4.5) do modus ponens passa a ser
R(A)
(y) = sup
x
(
B|A
(y[x)
A
(x)). (4.9)
Essa formula sugere que, numa linguagem bayesiana,
B
seja a distri-
bui cao de possibilidades priori de B, enquanto que
R(A)
e a distribui cao
posteriori de B observado A.
Extrapolando essa ideia para o modus ponens generalizado, podemos
dizer que
B
(y) =
R(A
)
(y) e a distribui cao de possibilidades posteriori
de B observado A
e (4.6) toma a forma
R(A
)
(y) = sup
x
(
B|A
(y[x)
A
(x)). (4.10)
O leitor interessado nesse tema pode consultar ([120, 93, 60]).
Como dissemos acima, a partir da formula (4.8), temos uma maneira
de obter a distribui cao condicional
B|A
(y[x) , que e pr opria para o
modus ponens. Porem, em geral, n ao temos formula que forne ca as
distribui coes condicionais a partir das marginais.
Vale observar que se a regra condicional
R : se x e (est a em) A entao y e (est a em) B (4.11)
n ao for causal, como e o caso das que aparecem nos controladores fuzzy
(ver Captulo 5), em que R representa o produto cartesiano, ou seja,
cada par (x, y) e um elemento do produto cartesiano, o qual costuma
ser medelado pela t-norma do mnimo, entao
R
pode ser interpretada
como distribui cao conjunta (sugerida inicialmente por Zadeh [131]).
Assim sendo, temos (4.11) dada por
R
(x, y) =
(A,B)
(x, y) =
A
(x)
B
(y),
sugerindo n ao-interatividade entre os conjuntos fuzzy A e B, segundo
a t-norma . Especicamente no metodo de Mamdani (Captulo 5),
temos n ao-interatividade, ja que nesse caso = .
Exerccio 4.10. Verique que indepedencia possibilstica e equivalente a
n ao-interatividade se a t-norma adotada for a do produto.
Exerccio 4.11. Verique que se A e B forem n ao-interativos e =
em (4.9), entao
B|A
(y[x) =
_

B
(y) se
B
(y) <
A
(x)
[
A
(x), 1] se
B
(y)
A
(x)
.
Exerccio 4.12. a) De exemplos, se possvel, de conjuntos fuzzy A e
B (discretos e contnuos - n umeros fuzzy) em que B independe
possibilisticamente de A, quando
B|A
(y[x) e dada pelo modus
ponens, isto e, quando
B|A
(y[x) = (
A
(x)
B
(y)).
b) De exemplos, se possvel, de conjuntos fuzzy A e B n ao-interativos,
mas que B dependa possibilisticamente de A.
Exerccio 4.13. Considere os conjuntos fuzzy do Exemplo 4.6.
a) Se a implica cao for a de G odel e = , verique se as distribui coes
priori e posteriori de B coincidem;
b) Idem para a implica cao de Lukasiewicz e = ;
c) Idem para a implica cao de Goguen e a t-norma do produto.
Captulo 5
Sistemas Baseados em Regras
Fuzzy
H a e haver a muitas tarefas que os
homens podem cumprir com facilidade,
que v ao alem da capacidade de
qualquer computador, qualquer
m aquina e qualquer sistema l ogico que
podemos conceber nos dias de hoje.
(Lot A. Zadeh)
Intuitivamente, todos n os concordamos com o pensamento de Zadeh
exposto acima. No entanto, como e bastante conhecido, foram os seus
primeiros trabalhos sobre teoria dos conjuntos fuzzy que deram origem
ao que hoje e chamado de logica fuzzy, assunto este com grande aplica cao
na execu cao e controle de tarefas.
No cotidiano, as a coes humanas controlam os mais diversos sistemas
do mundo real por meio de informa coes imprecisas. Cada indivduo
funciona como uma caixa preta: recebe informa coes que s ao interpre-
tadas segundo seus par ametros e entao decide qual atitude tomar. O
controle e a execuss ao de tarefas devem seguir uma sequencia de or-
dens lingusticas, traduzidas por um conjunto de regras, capazes de
serem decodicadas pelo controlador.
O exemplo a seguir tem como objetivo ilustrar o comentado acima.
114 Sistemas Baseados em Regras Fuzzy
Exemplo 5.1. Um especialista e capaz de lavar roupas a ponto de deixa-
las limpas, segundo seu conceito de limpeza.
O esquema abaixo (Figura 5.1) representa, de uma maneira simpli-
cada, as a coes do especialista (controlador humano) na execu cao da
tarefa de lavar roupas.
Roupa
Suja
Condicao
Estado de Sujeira
Tipo de Roupa
Acao
Lavar
Tomador de
Decisao
Novo Estado
da sujeira
Roupa
Limpa
Figura 5.1: Esquema para um sistema de controle humano na tarefa de
lavar roupa.
Nesse exemplo podemos observar um possvel caminho para automa cao
de tarefas. As ordens à serem enunciadas por regras, poderiam ser, por
exemplo as regras dadas no Quadro 5.1.
R1: Se a roupa e grossa e a sujeira e difcil ,
entao lava-se muito tempo.
ou
R2: Se a roupa e grossa e a sujeira e facil ,
entao lava-se em tempo medio.
ou
R3: Se a roupa e na e a sujeira e facil , entao
lava-se pouco tempo.
Quadro 5.1: Regras de um sistema de automacao na lavacao de roupas.
5.1 Base de Regras Fuzzy 115
Uma tentativa de reproduzir a estrategia de um controlador humano
e dada pelos Controladores Fuzzy, considerado aqui a exemplo de
tantos outros textos [72, 95, 94, 116] como um caso tpico de um
Sistema Baseado em Regras Fuzzy (SBRF), isto e, um sistema
que se utiliza da logica fuzzy para produzir sadas para cada entrada
fuzzy.
Os modus ponens, vistos no Captulo 4, s ao exemplos de sistemas base-
ados em regras fuzzy. A particularidade que tem os controladores fuzzy
e apenas de interpreta cao. Nas primeiras aplica coes dos SBRF que sur-
giram, cada sada representava a a cao correspondente à condi cao
ou entrada do SBRF. Quando as entradas e sadas tem esta conota cao
os SBRF s ao denominados Controladores Fuzzy.
Com o auxlio dos metodos que vimos em raciocnio aproximado, no
Captulo 4, torna-se possvel traduzir temos lingusticos, constantemente
empregados por especialistas com o intuito de controlar suas tarefas,
em formulas matem aticas, possibilitando a automa cao de certas tarefas.
Este e o ponto fundamental na distin cao entre teoria de controle fuzzy
e teoria classica de controle. Neste ultimo, o intuito principal e montar
estrategias para que um sistema din amico otimize algum criterio.
Em controladores fuzzy as tarefas s ao comandadas por meio de termos
da linguagem usual, relacionados com alguma vari avel de interesse e, e
neste aspecto que vari aveis lingusticas desempenham papel fundamen-
tal. Estes termos, traduzidos por conjuntos fuzzy, s ao utilizados para
transcrever a base de conhecimentos atraves de uma cole cao de regras
fuzzy, denominada base de regras fuzzy. A partir dessa base de regras
obtem-se a rela cao fuzzy, a qual produzira a sada (resposta, a cao) para
cada entrada (estado, condi cao).
5.1 Base de Regras Fuzzy
Uma base de regras fuzzy tem a forma
R1: Proposicao fuzzy 1
ou
R2: Proposicao fuzzy 2
..............................
ou
Rr: Proposicao fuzzy r
Quadro 5.2: Forma geral de uma base de regras fuzzy.
Nos sistemas baseados em regras fuzzy cada proposi cao fuzzy tem a
forma
Se estado Entao reposta
em que cada estado e cada resposta s ao valores assumidos por
vari aveis lingusticas, e esses por sua vez, s ao modelados por conjun-
tos fuzzy. Os conjuntos fuzzy que comp oem o estado s ao chamados
de antecedentes. Por outro lado, os conjuntos fuzzy que comp oem a re-
posta s ao chamados consequentes. A particularidade dos controladores
fuzzy, como ja observamos, e que cada regra tem a forma
Se condi c ao Entao a c ao.
No Exemplo 5.1 acima estamos supondo que cada tarefa seja execu-
tada por um ser humano, n ao precisando pois, de qualquer ferramenta
matem atica. Esse n ao e o caso de controladores fuzzy. As vari aveis de
interesse s ao: roupa (r) à ser lavada; sua sujeira (s) e o controle ado-
tado (e), e cada uma das classica coes grossa ou na, para roupa, e
f acil ou difcil para a sujeira, muito tempo, pouco tempo ou em
tempo medio, para a a cao de lavar, devem ser modeladas por conjuntos
fuzzy.
De forma semelhante à que vimos no Captulo 4, cada uma das clas-
sica coes das vari aveis que constam na base de regras e modelada por
um conjunto fuzzy. A logica fuzzy e a outra parte utilizada na obten cao
5.2 Controlador Fuzzy 117
da rela cao fuzzy que sintetiza as informa coes matem aticas contidas na
base de regras.
A base de regras cumpre o papel de traduzir matematicamente as
informa coes que formam a base de conhecimentos do sistema fuzzy. Num
certo sentido, pode-se armar que quanto mais precisas forem tais in-
forma coes, menos fuzzy (mais crisp) ser a a rela cao fuzzy que representa
a base de conhecimentos. Numa situa cao ideal, tal rela cao pode mesmo
ser uma fun cao no sentido classico.
A se cao seguinte trata da metodologia de controladores fuzzy e indica
os m odulos b asicos para a sua obten cao.
5.2 Controlador Fuzzy
Em geral, para um sistema fuzzy qualquer, a cada entrada fuzzy faz-
se corresponder uma sada fuzzy. Os controladores fuzzy tambem tem
essa caracterstica. No entanto, se a entrada for crisp (ponto de R
n
),
espera-se que a sada tambem seja crisp (ponto de R
m
). Neste caso, um
sistema fuzzy e uma fun cao de R
n
em R
m
construda de alguma maneira
especca. Os m odulos seguintes indicam um roteiro para constru cao
desta fun cao.
Modulo de fuzzicacao
Este e o est agio onde as entradas do sistema s ao modeladas por conjuntos
fuzzy com seus respectivos domnios.

E nele que justica-se a grande
import ancia de especialistas do fenomeno a ser modelado. Juntamente
com os especialistas, as fun coes de pertinencia s ao formuladas para cada
conjunto fuzzy envolvido no processo. Mesmo que a entrada seja crisp,
essa ser a fuzzicada por meio de sua fun cao caracterstica.
Modulo da base de regras
Este pode ser considerado como um m odulo que faz parte do n ucleo
do controlador fuzzy. Ele e composto pelas proposi coes fuzzy e cada
uma destas proposi coes e descrita na forma lingustica
Se x
1
e A
1
e x
2
e A
2
e e x
n
e A
n
Entao u
1
e B
1
e u
2
e B
2
e e u
m
e B
m
de acordo com as informa coes de um especialista.

E neste ponto que as
vari aveis e suas classica c oes lingusticas s ao catalogadas e, em seguida,
modeladas por conjuntos fuzzy, isto e, fun coes de pertinencia.
Metodos para se obter essas fun coes de pertinencia s ao os mais va-
riados: apelos intuitivos, ajustes de curvas, interpola coes e ate mesmo
redes neurais [72, 100, 116].
Modulo de inferencia fuzzy
E neste m odulo que cada proposi cao fuzzy e traduzida matematica-

mente por meio das tecnicas da logica fuzzy.

E onde se dene quais
t-normas, t-conormas e regras de inferencia (que podem ser implica coes
fuzzy) ser ao utilizadas para se obter a rela cao fuzzy que modela a base
de regras.
Este m odulo tem tanta import ancia quanto o m odulo da base de re-
gras. Basicamente dele e que depende o sucesso do controlador fuzzy, ja
que ele fornecer a a sada (controle) fuzzy a ser adotada pelo controlador,
a partir de cada entrada fuzzy.
Modulo de defuzzicacao
Na teoria estocastica e comum indicar a esperan ca matem atica (ou
media) como o n umero que melhor representa uma vari avel aleatoria
(ou uma distribui cao de dados). Outros valores como a moda e a me-
diana tambem s ao utilizados para representar a centraliza cao de tal
distribui cao.
Na teoria dos conjuntos fuzzy, a defuzzica cao e um processo que
permite representar um conjunto fuzzy por um valor crisp (n umero real).
A Figura 5.2 representa um esquema geral de um controlador fuzzy.
A base de regras e modelada matematicamente por uma rela cao fuzzy
5.2 Controlador Fuzzy 119
Modulo de
Fuzzicacao
Base de
Regras
Modulo de
Inferencia
Fuzzy
Modulo de
Defuzzicacao
Figura 5.2: Esquema geral de um controlador fuzzy.
1, a partir dos conjuntos fuzzy que a comp oe e da logica fuzzy adotada.
A fun cao de pertinencia de 1 e dada por
R
(x, u) = (
R
i
(x, u)), com 1 i r, (5.1)
onde e uma t-conorma e R
i
e uma rela cao fuzzy obtida da regra i, cuja
fun cao de pertinencia
R
i
e obtida de alguma forma por meio de um
modus ponens generalizado, por exemplo. Os valores x e u representam
o estado e o controle, respectivamente.
A inferencia, que representa o controle B para um estado A, e dada
por uma regra de composi cao de inferencia: B = R(A) cuja fun cao de
pertinencia e dada por
B
(u) = sup
x
(
R
(x, u)
A
(x)), (5.2)
onde e uma t-norma.
Como recurso did atico, podemos ilustrar a obten cao da rela cao 1 de
maneira an aloga a um modus ponens generalizado, conforme o Qua-
dro 5.3.
De acordo com a literatura, o trabalho pioneiro na automa c ao para
realizar e controlar tarefas, baseando-se em logica fuzzy, foi proposto por
R1: Se x1 e A11 e e xn e A1n entao u1 e B11 e e um e B1m
ou
R2: Se x1 e A21 e e xn e A2n entao u1 e B21 e e um e B2m
ou
.
.
.
.
.
.
ou
Rr: Se x1 e Ar1 e e xn e Arn entao u1 e Br1 e e um e Brm
Fato: A = x1 e A1 e x2 e A2 e e xn e An.
Conclusao: u e B = R(A).
Quadro 5.3: Ilustra cao da obtencao da relacao R.
Mamdani e Assilian [82]. Seus experimentos foram na area de m aquina
a vapor. Eles basearam-se no fato que operadores humanos expressam
suas estrategias de controle linguisticamente, e n ao de uma forma ma-
tematicamente precisa. Este trabalho inuenciou outros pesquisadores
a utilizar controladores fuzzy na teoria de controle. Este e o caso do
controlador de TakagiSugeno no qual as sadas parciais (consequentes)
de cada regra s ao dadas por meio de fun coes das entradas [123].
Atualmente controladores fuzzy s ao largamente utilizados em apare-
lhos eletrodomesticos, sendo o Japao o primeiro pas a investir pesada-
mente na ind ustria fuzzy.
A se cao a seguir ilustra o metodo de inferencia de Mamdani.
5.3 O Metodo de Inferencia de Mamdani
Do ponto de vista teorico, Mamdani propoe uma rela cao fuzzy bin aria
/ entre x e u para modelar matematicamente a base de regras.
5.3 O Metodo de Mamdani 121
O metodo de Mamdani e baseado na regra de composi cao de inferencia
maxmin conforme o procedimento:
Em cada regra R
j
, da base de regras fuzzy, a condicional se
x e A
j
entao u e B
j
e modelada pela aplica cao (mnimo)
que, erroneamente, costuma ser denominada por implica cao de
Mamdani ( n ao e uma implica cao fuzzy pois n ao preserva a tabela
de uma implica cao classica);
Adota-se a t-norma (mnimo) para o conectivo logico e;
Para o conectivo logico ou adota-se a t-conorma (m aximo)
que conecta as regras fuzzy da base de regras.
Formalmente, a rela cao fuzzy /e o subconjunto fuzzy de XU cuja
M
(x, u) = max
1jr
(
R
j
(x, u)) = max
1jr
[
A
j
(x)
B
j
(u)], (5.3)
onde r e o n umero de regras que comp oem a base de regras e, A
j
e B
j
s ao os subconjuntos fuzzy da regra j. Cada um dos valores
A
j
(x) e
B
j
(u) s ao interpretados como os graus com que x e u est ao nos sub-
conjuntos fuzzy A
j
e B
j
, respectivamente, de maneira que /nada mais
e que a uni ao dos produtos cartesianos fuzzy entre os antecedentes e os
consequentes de cada regra.
Observacoes:
1)

E comum encontrar na literatura as siglas MISO (m ultiplas entradas
e uma sada) e MIMO (m ultiplas entradas e m ultiplas sadas). Estas
siglas s ao abrevia coes de multiple input and single output e multiple
input and multiple output, respectivamente.
2) Os subconjuntos fuzzy A
j
e B
j
que aparecem na formula (5.3), podem
representar o produto cartesiano fuzzy de subconjuntos fuzzy A
ji
e
B
jk
. Por exemplo, pode ocorrer
A
j
(x) =
A
j1
(x
1
)
A
j2
(x
2
) e
B
j
(u) =
B
j1
(u
1
)
B
j2
(u
2
),
tratando-se pois de um controlador fuzzy MIMO de duas entradas e
duas sadas.
O exemplo a seguir ilustra o metodo de inferencia de Mamdani para
o caso de um sistema fuzzy com duas entradas e uma sada.
Exemplo 5.2. Considere um controlador fuzzy com duas entradas e uma
sada, cuja base de regras e dada pelo Quadro 5.4.
R
1
: Se x
1
e A
11
e x
2
e A
12
ent ao u e B
1
ou
R
2
: Se x
1
e A
21
e x
2
e A
22
ent ao u e B
2
Quadro 5.4: Base de regras para um controlador com duas entradas e uma
sada.
Assim, para cada terna t = (x
1
, x
2
, u) temos
M
(t) =
A11
(x
1
)
A12
(x
2
)
B1
(u)
A21
(x
1
)
A22
(x
2
)
B2
(u)
= max
A11
(x
1
)
A12
(x
2
)
B1
(u),
A21
(x
1
)
A22
(x
2
)
B2
(u)
representando a rela cao fuzzy obtida da base de regras pelo metodo de
Mamdani.
Agora, para um dado conjunto fuzzy de entrada A = A
1
A
2
, com
A
1
e A
2
dois n umeros fuzzy, o conjunto fuzzy de sada, que representa
o controle a ser adotado para A pelo metodo de Mamdani, e dado por
B = / A, cuja fun cao de pertinencia e
B
(u) = (
MA
)(u) = sup
x
M
(x, u)
A
(x).
Como A = A
1
A
2
, entao
A
(x
1
, x
2
) =
A
1
(x
1
)
A
2
(x
2
).
Desta forma
B
(u) = sup
x
M
(x, u)
A
(x)
= sup
(x
1
,x
2
)
M
(x
1
, x
2
, u) [
A
1
(x
1
)
A
2
(x
2
)]
= sup
(x
1
,x
2
)
[(
A
11
(x
1
)
A
12
(x
2
)
B
1
(u))
(
A
21
(x
1
)
A
22
(x
2
)
B
2
(u))][
A
1
(x
1
)
A
2
(x
2
)]
= sup
(x
1
,x
2
)
[
A
1
(x
1
)
A
11
(x
1
)][
A
2
(x
2
)
A
12
(x
2
)]
B
1
(u)
sup
(x
1
,x
2
)
[
A
1
(x
1
)
A
21
(x
1
)][
A
2
(x
2
)
A
22
(x
2
)]
B
2
(u)
=
B
R
1
(u)
B
R
2
(u).
onde B
R
1
e B
R
2
s ao as sadas parciais devido às regras R
1
e R
2
, respec-
tivamente.
Da formula acima, podemos observar que a sada do metodo de Mam-
dani resulta da uni ao entre as sadas parciais de cada regra. Para obter
cada sada parcial, procede-se da seguinte forma: faz-se a interse cao das
entradas com cada antecedente da regra e em seguida, faz-se o produto
cartesiano (universos distintos) dessas interse coes com os consequentes
da regra. A proje cao desse produto cartesiano no espa co U e a sada
parcial para o conjunto fuzzy de entrada A.
Gracamente tem-se a Figura 5.3.
Figura 5.3: Sadas parciais no metodo de Mamdani.
A sada geral e dada pela uni ao das sadas parciais, conforme a Fi-
gura 5.4.
Figura 5.4: Sada nal do controlador fuzzy de Mamdani.
Note que o ultimo gr aco da Figura 5.4 representa a fun cao de per-
tinencia
B
do controle B que foi obtido pelo conectivo , que e a
t-conorma do m aximo.
O exemplo a seguir e um caso particular do anterior no sentido que a
entrada A agora e crisp.
Exemplo 5.3. Considere no exemplo anterior o caso em que o conjunto
fuzzy de entrada A e crisp e cuja fun cao de pertinencia est a concentrada
em um ponto (x
0
, y
0
) RR. Assim,
A
(x, y) =
_
1 se (x, y) = (x
0
, y
0
)
0 se (x, y) ,= (x
0
, y
0
)
,
ou seja,
A = A
1
A
2
onde
A
1
(x) =
_
1 se x = x
0
0 se x ,= x
0
e
A
2
(y) =
_
1 se y = y
0
0 se y ,= y
0
.
Neste caso, o controle fuzzy B e obtido de acordo com o esquema
gr aco da Figura 5.5.
Figura 5.5: Sadas parciais do controlador fuzzy de Mamdani para o Exem-
plo 5.3.
A sada B nal est a representada na Figura 5.6.
Figura 5.6: Sada nal do controlador fuzzy de Mamdani para o Exem-
plo 5.3.
Pode ser visto, atraves do Exemplo 5.3, que a sada do controlador
fuzzy, dada pelo metodo de inferencia de Mamdani, e um subconjunto
fuzzy, mesmo para o caso de uma entrada crisp. Assim, se for necessario
ter um n umero real devemos fazer uma defuzzica cao do subconjunto
fuzzy de sada para se obter um valor crisp que o represente.
5.4 Metodos de Defuzzicacao
No controlador fuzzy, a cada entrada fuzzy o m odulo de inferencia pro-
duz uma sada fuzzy que indica o controle a ser adotado. No entanto,
se a entrada for um n umero real, espera-se que a sada correspondente
seja tambem um n umero real. Porem, isso em geral n ao ocorre em con-
troladores fuzzy pois, mesmo para uma entrada crisp, a sada e fuzzy.
Assim, deve-se indicar um metodo para defuzzicar a sada e obter um
n umero real que, nalmente, indicara o controle a ser adotado.
S ao muitos os metodos de defuzzica cao que podem ser adotados.
A princpio, qualquer n umero real, que de alguma maneira possa re-
presentar razoavelmente o conjunto fuzzy B pode ser chamado de um
defuzzicador de B. Aqui ser ao citados os mais comuns.
5.4.1 Centro de gravidade (G(B)), Centroide ou Centro de
Area
Este metodo de defuzzica cao e semelhante à media aritmetica para uma
distribui cao de frequencias de uma dada vari avel, com a diferen ca que os
pesos aqui s ao os valores
B
(u
i
), que indicam o grau de compatibilidade
do valor u
i
com o conceito modelado pelo conjunto fuzzy B.
O centro de gravidade d a a media das areas de todas as guras que
representam os graus de pertinencia de um subconjunto fuzzy. Entre
todos os metodos de defuzzica cao ele e o preferido, mesmo sendo talvez
o mais complicado. As Equa coes (5.4) e (5.5) referem-se ao domnio
discreto e domnio contnuo, respectivamente. A Figura 5.7 mostra o
gr aco do defuzzicador G(B).
5.4 Metodos de Defuzzicacao 127
G(B) =
n
i=0
u
i
B
(u
i
)
n
i=0
B
(u
i
)
. (5.4)
G(B) =
_
R
u
B
(u)du
_
R
B
(u)du
. (5.5)
Figura 5.7: Defuzzicador centro de gravidade G(B).
5.4.2 Centro dos Maximos (C(B))
Este e um procedimento radical, no sentido que s ao levados em conta
apenas as regi oes de maior possibilidade entre os possveis valores da
vari avel que modela o conceito fuzzy em questao. Neste caso tem-se:
C(B) =
i +s
2
, (5.6)
onde
i = infu R :
B
(u) = max
u
B
(u)
e
s = supu R :
B
(u) = max
u
B
(u) (5.7)
A Figura 5.8 abaixo ilustra esse defuzzicador
Figura 5.8: Defuzzicador centro de maximo C(B).
5.4.3 Media dos Maximos (M(B))
Para domnio discreto e comum usar como defuzzicador a media dos
m aximos cuja deni cao e dada por
M(B) =
u
i
n
, (5.8)
onde n e dado e u
i
, com 1 i n, s ao os elementos de maior pertinencia
ao conjunto fuzzy B.
Como dissemos antes, via de regra, os controladores fuzzy sao com-
postos de quatro m odulos: fuzzica cao, base de regras, inferencia e de-
fuzzica cao. O metodo de Mamdani e um caso tpico. No entanto, para
algumas situa coes o m odulo de defuzzica cao pode ser suprimido. Este
e o caso do metodo de inferencia de Takagi-Sugeno-Kang que iremos
descrever nesta se cao.
5.5 Metodo de Inferencia de Takagi - Sugeno -
Kang (TSK)
As diferen cas b asicas entre o metodo de inferencia de Takagi-Sugeno-
Kang (doravante chamado TSK) e o de Mamdani est ao na forma de es-
crever o consequente de cada regra e no procedimento de defuzzica cao
5.5 Metodo de Inferencia de TSK 129
para se obter a sada geral do sistema. Com o metodo TSK, o conse-
quente de cada regra e dado explicitamente por uma fun cao dos valores
de entrada desta regra.
Como ilustra cao do metodo podemos imaginar uma base com r regras
fuzzy, onde cada uma delas tem n entradas (x
1
, x
2
, . . . , x
n
) R
n
, e uma
sada u R, conforme o Quadro 5.5, no qual A
ij
s ao subconjuntos fuzzy
de R.
R1: Se x1 e A11 e x2 e A12 e e xn e A1n entao u e u1 = g1(x1, x2, . . . , xn)
ou
R2: Se x1 e A21 e x2 e A22 e e xn e A2n entao u e u2 = g2(x1, x2, . . . , xn)
ou
.
.
.
ou
Rr: Se x1 e Ar1 e x2 e Ar2 e e xn e Arn entao u e ur = gr(x1, x2, . . . , xn)
Quadro 5.5: Base de regras para ilustrar o metodo TSK.
A sada geral do metodo e dada por
u = f
r
(x
1
, x
2
, . . . , x
n
)
=
r
j=1
j
.g
j
(x
1
, x
2
, . . . , x
n
)
r
j=1
j
=
r
j=1
j
.u
j
r
j=1
j
, (5.9)
onde os pesos
j
s ao dados por
j
=
A
j1
(x
1
)
A
j2
(x
2
)
A
jn
(x
n
),
e e uma t-norma. O peso
j
corresponde à contribui cao da regra R
j
para a sada geral. Os casos mais comuns de t-normas s ao o produto e
o mnimo.
Para o caso de duas regras, cada uma com duas vari aveis de entrada
e uma sada, o metodo TSK e ilustrado no Quadro 5.6 a seguir.
R
1
: Se x
1
e A
11
e x
2
e A
12
ent ao u e u
1
= g
1
(x
1
, x
2
)
ou
R
2
: Se x
1
e A
21
e x
2
e A
22
ent ao u e u
2
= g
2
(x
1
, x
2
)
Quadro 5.6: Base de duas regras para o metodo TSK.
Supondo que seja a t-norma mnimo, temos como sada geral, re-
presentando o controle para as a coes x
1
e x
2
, o valor de u dado pela
equa cao:
u =

1
u
1
+
2
u
2
1
+
2
=

1
g
1
(x
1
, x
2
) +
2
g
2
(x
1
, x
2
)
1
+
2
= f
r
(x
1
, x
2
), (5.10)
onde
i
= min[
A
i1
(x
1
),
A
i2
(x
2
)] corresponde ao peso da regra R
i
na
sada geral do processo.
Na literatura, o caso que aparece com maior frequencia, devido à sua
eciencia e aplicabilidade, e aquele em que os consequentes de cada regra
s ao fun coes lineares ans, isto e, cada uma das fun coes g
i
tem a forma
g
i
(x
1
, x
2
) = a
i
x
1
+b
i
x
2
+c
i
.
Este caso e comumente chamado de metodo de Takagi-Sugeno (TS).
Exemplo 5.4. Considere um controlador fuzzy com duas entradas e uma
sada, onde os conjuntos fuzzy envolvidos, A
ij
, s ao n umeros fuzzy trian-
gulares e as sadas de cada regra s ao dadas por fun coes g
i
, lineares ans.
Para cada par de entrada x
0
e y
0
, a Figura 5.9 e uma representa cao
gr aca para a obten cao da sada, a qual representa o controle a ser ado-
tado para tais entradas. Para este exemplo temos a base de regras dadas
no Quadro 5.7
R
1
: Se x e A
11
e y e A
12
ent ao u e u
1
= g
1
(x, y) = a
1
x + b
1
y +c
1
ou
R
2
: Se x e A
21
e y e A
22
ent ao u e u
2
= g
2
(x, y) = a
2
x + b
2
y +c
2
Quadro 5.7: Base de regras para o Exemplo 5.4

Neste caso o controle fuzzy, cuja obten cao gr aca est a ilustrada na
Figura 5.9, e dado por
u =

1
u
1
+
2
u
2
1
+
2
=

1
g
1
(x
0
, y
0
) +
2
g
2
(x
0
, y
0
)
1
+
2
.
Figura 5.9: Sada do controlador fuzzy TSK para o Exemplo 5.4.
Exemplo 5.5. Considere as regras
R
1
: Se x e baixo(A
1
) ent ao y
1
= x + 2
ou
R
2
: Se x e alto(A
2
) ent ao y
2
= 2x
Quadro 5.8: Base de regras para o Exemplo 5.5
Suponha que o domnio seja x [0, 4],
A
1
(x) = 1
x
4
e
A
2
(x) =
x
4
.
Logo, a sada do sistema pelo metodo de Takagi-Sugeno e
y =

A
1
(x).y
1
+
A
2
(x).y
2
A
1
(x) +
A
2
(x)
=
A
1
(x).y
1
+
A
2
(x).y
2
=
x
2
4
+
x
2
+ 2
que e uma par abola com concavidade voltada para cima, cujo vertice e
_
1,
7
4
_
.
O gr aco a seguir ilustra a sada (y) e a base de regras com as fun coes
de pertinencias
A
1
e
A
2
. Observe que tais fun coes est ao representadas
abaixo do eixo OX.
Figura 5.10: Sada y e base de regras do Exemplo 5.5.
Exerccio 5.1. Refa ca o Exemplo 5.5, inclusive as representa coes gr acas,
trocando os consequentes por y
1
= x + 2 e y
2
= 4 x.
Exerccio 5.2. Refa ca o exerccio anterior trocando as fun coes de per-
tinencias por trapezios. O conjunto fuzzy A
1
dado pelo trapezio com
base maior [0, 3] e base menor [0, 1]. O conjunto fuzzy A
2
e o trapezio
cuja base maior e [1, 4] e base menor [3, 4]. A sada geral e uma fun cao
contnua?
Como ja mencionamos antes, os controladores fuzzy tem a proprie-
dade de modelar fenomenos (processos) por meio de um funcional com
informa coes incertas dadas por vari aveis lingusticas.
Supondo que certo fenomeno estudado possa ser modelado por um
funcional, ao se admitir que a sada de cada regra e dada por uma
fun cao linear am, podemos pensar que o funcional pode ser aproximado
localmente por uma reta. Por exemplo, se soubermos a priori que o
funcional tem alguma propriedade de suavidade, podemos eleger retas
tangentes ao funcional para serem as fun coes consequentes de cada regra.
E interessante observar que se as fun coes g

i
dos consequentes forem
constantes, entao os dois metodos, de Mamdani e Takagi-Sugeno, produ-
zem as mesmas sadas, se a defuzzica cao usada no metodo de Mamdani
for o centro de gravidade. Isto e particularmente facil de ver no Exem-
plo 5.4 em que a sada geral e
u =

1
c
1
+
2
c
2
1
+
2
ja que, neste caso, estamos admitindo que a
1
= b
1
= a
2
= b
2
= 0. Esta
tambem e a sada no metodo de Mamdani para este caso particular,
pois as fun coes de pertinencia dos consequentes s ao as constantes c
1
e
c
2
(verique).
Queremos ressaltar que os controladores fuzzy tem propriedades ma-
tem aticas importantes como, por exemplo, a capacidade de aproximar
fun coes contnuas. No Captulo 6 mostraremos esse fato com maior de-
talhe para os controladores de Takagi-Sugeno-Kang. Finalmente, obser-
vamos que os controladores TSK podem ser bem mais gerais, no sentido
que as fun coes de cada consequente podem ter argumentos fuzzy, e os
valores das entradas podem ser subconjuntos fuzzy.
A seguir apresentaremos algumas considera coes a respeito dos dois
metodos:
(i) O metodo de Mamdani e mais simples e mais intuitivo que o de
TSK;
(ii) O metodo de Mamdani e menos eciente que o de TSK quanto à
rapidez computacional;
(iii) O metodo de Mamdani tem menos propriedades matem aticas que
o de TSK.
Atualmente, a teoria de controladores fuzzy est a bastante avan cada e
existem textos especcos sobre este assunto [1, 3, 94, 108, 116, 126].
Atualmente temos nos utilizado dessa ferramenta para avaliar alguns
coecientes de equa coes diferenciais parciais, as quais representam a
evolu cao temporal e espacial de certas epidemias [86, 56].
A partir dos estudos iniciados por Castanho [34], os quais se utilizam
de controladores fuzzy para classica cao do cancer de pr ostata, Silveira
et al [119] produziram um software que tem como principal objetivo
auxiliar prossionais da area de urologia a decidir o estadiamento do
cancer em um paciente. Com base nos resultados do grau de Gleason,
estado clnico e nvel do PSA o software sugere o risco (probabilidade)
do tumor se encontrar em uma das classica coes: localizado, localmente
avan cado e metast atico. O software foi registrado na INOVA-UNICAMP
no ano de 2009.
A se cao seguinte ser a dedicada às aplica coes, algumas feitas por alguns
de nossos alunos, ilustrando o potencial que os controladores fuzzy tem
quando usados em Biomatem atica.
5.6 Aplicacoes 135
5.6 Aplicacoes
Nos modelos que seguem, foram utilizados os metodos de Mamdani e
TSK, no caso particular em que as condi coes iniciais (entradas) s ao
crisps, com o intuito de mostrar a potencialidade de aplica cao da meto-
dologia dos controladores fuzzy.
A eciencia das aplica coes depende fundamentalmente das informa coes
fornecidas pelos especialistas para a constru cao da base de regras fuzzy.
5.6.1 Modelo 1 Previsao de salinidade no estuario de
Cananeia e Ilha Comprida
Este modelo foi desenvolvido por Ranulfo Paiva Sobrinho junto à pre-
feitura de Ilha Comprida, utilizando controladores fuzzy. Seu objetivo
era prever a varia cao da salinidade supercial em um ponto situado em
frente à Ilha de Cananeia, tendo como vari aveis de entrada a precipita cao
pluviometrica e a vazao do Rio Ribeira de Iguape [97].
O modelo proposto estima a varia cao da salinidade supercial ate
dois dias e abrange um raio de 80 Km, o que permite informar, com
alguma antecedencia, aos empreendedores da aquicultura de estu ario
para que tomem as devidas providencias no sentido de n ao perderem
seus organismos cultivados.
A Figura 5.11 ilustra a area de estudo no litoral sul do estado de S ao
Paulo.
Figura 5.11:

Area de estudo no litoral sul paulista.
Apresentacao do fenomeno
O ecossistema estuarino lagunar que abrange as cidades de Cananeia,
Iguape e Ilha Comprida est a localizado no litoral sudeste do Estado de
S ao Paulo numa regi ao de relevante import ancia ecologica devido ao seu
bom estado de conserva cao.
Ela foi classicada pela IUCN (International Union for the Nature
Conservation) como o terceiro estu ario do mundo com maior produti-
vidade primaria. Esse estu ario tem conexao com o Oceano Atlantico
na por cao norte atraves da barra de Icapara e na parte sul pela barra
de Cananeia. O aporte de agua doce no estu ario e fornecido por varios
rios, sendo que o de maior volume e o Rio Ribeira. Suas aguas entram
no estu ario pela parte norte, na cidade de Iguape, atraves de um canal
denominado Valo Grande, construdo articialmente no nal do seculo
XIX.
A contribui cao das aguas do Rio Ribeira na regi ao foi alterada em
1978 quando construiu-se uma barragem a 2 km da cidade de Iguape.
Como consequencia, o padrao de algumas vari aveis ambientais, como a
salinidade supercial, foi alterado.
5.6 Aplicacoes 137
O modelo
O modelo baseia-se em um sistema de controle fuzzy com o metodo
de inferencia de Mamdani. As vari aveis de entrada s ao: precipitac ao
pluviometrica, salinidade inicial e vaz ao do Rio Ribeira. A vari avel de
sada e a salinidade nal.
A arquitetura do modelo est a colocada na Figura 5.12.
Figura 5.12: Arquitetura do modelo de previsao de salinidade no estuario
de Cananeia e Ilha Comprida.
Para essas vari aveis, atribuiu-se termos lingusticos, e cada um deles
com fun coes de pertinencia dos tipos triangular e trapezoidal (Figu-
ras 5.13a, 5.13b e 5.13c).
Por meio da an alise do conjunto dos dados envolvendo as vari aveis
mencionadas, pode-se estabelecer uma base de conhecimento com regras
lingusticas, relacionando-as a m de se estimar o valor da salinidade
nal, sendo esse estimado pelo processo de defuzzica cao do centro de
gravidade.
baixa mdia mdia alta alta
altssima
500 3000 2500 2000 1500 1000
(c) Vazo no Rio Ribeira
1
(b) Salinidade em Canania
alta mdia mdia baixa baixssima baixa
1
35 30 25 20 15 10 5
1
mdia alta mdia baixa altssima alta
50 100 150 200 250 300 350
(a) Precipitao pluviomtrica acumulada em Canania
0
/
00
mm
3
/s
mm
Figura 5.13: Funcoes de pertinencia (a) Chuva; (b) Salinidade Inicial e
Final e (c) Vazao do Rio.
Base de regras
Cada uma das regras (veja Quadro 5.9) tem a forma dos exemplos se-
guintes:
R
4
- SE chuva acumulada em Cananeia no intervalo de 1 a 3 dias
for baixa E a salinidade inicial do perodo for media baixa E a vaz ao do
Rio Ribeira e alta ENT
AO a salinidade nal e baixa.

R
23
- SE chuva acumulada em Cananeia no intervalo de 1 a 3 dias for
media alta E a salinidade inicial do perodo for media baixa E a vaz ao
do Rio Ribeira for baixa ENT
AO a salinidade nal e media baixa.

O Quadro 5.9 fornece todas as regras atingidas (base de regras com 3
entradas e uma sada) e a Tabela 5.1 mostra a legenda para a base de
regras.
Como zemos no Exemplo 5.3, vamos aqui ilustrar, passo a passo, o
metodo de inferencia de Mamdani para esta aplica cao.
5.6 Aplicacoes 139
Se Chuva Ac. e Sal. Inicial e Vaz ao Entao Sal. Final
R
1
baixa media baixa media media baixa
R
2
baixa media media alta media baixa
R
3
baixa media baixa media alta baixa
R
4
baixa media baixa alta baixa
R
5
baixa baixa alta media baixa
R
6
baixa media altssima baixa
R
7
baixa media baixa altssima media baixa
R
8
baixa baixa altssima media baixa
R
9
baixa media baixa media
R
10
baixa media media media baixa
R
11
baixa baixa baixa baixa
R
12
media media baixa media baixa
R
13
media media baixa baixa media baixa
R
14
media media media media baixa
R
15
media media media alta media baixa
R
16
media media baixa media baixa
R
17
media alta baixa media
R
18
media alta media media baixa
R
19
media alta media alta baixa
R
20
media baixa media baixa
R
21
media baixa baixa baixa
R
22
media alta media baixa media baixa
R
23
media alta media baixa baixa media baixa
R
24
alta media baixa media baixa
R
25
alta media baixa baixa baixa
R
26
altssima media baixa baixssima
R
27
altssima media baixa baixa baixssima
R
28
altssima baixa baixa baixssima
Quadro 5.9: Base de regras lingusticas para previsao de salinidade no
estuario de Cananeia e Ilha Comprida
Chuva Acumulada Salinidade Inicial Vaz ao do Rio Salinidade Final
baixa = C
b
baixa = SI
b
baixa = V
b
baixssima = SF
ba
media = Cm media baixa = SI
mb
media = Vm baixa = SF
b
media alta = Cma media = SIm media alta = Vma media baixa = SF
mb
alta = Ca alta = SIa alta = Va media = SFm
altssima = Cat altssima = Vat
Tabela 5.1: Legenda a ser utilizada para resolucao do modelo da salinidade
no Rio Ribeira, conforme a base de regras do Quadro 5.9.
Inferencia
O processo de inferencia propicia o calculo da vari avel resposta (sada) a
partir dos valores das vari aveis de entrada. Isso ocorre porque os valores
dos graus de pertinencia das vari aveis de entrada s ao utilizados para se
obter o valor do grau de pertinencia da vari avel resposta.
Para exemplicar o metodo de inferencia de Mamdani, faremos o
calculo seguindo os seguintes passos:
Consideramos os seguintes valores de entrada: precipita cao plu-
viometrica = 23 mm, salinidade inicial = 23
0
/
00
1
e vazao do
Rio Ribeira = 1454 m
3
/s, ou seja, as condi coes iniciais s ao crisp.
Cada um dos valores iniciais possui um grau de pertinencia em
rela cao aos subconjuntos fuzzy que denem as 3 vari aveis de en-
trada. Assim, o valor precipita cao pluviometrica 23 mm pertence
ao subconjunto fuzzy baixa com grau de pertinencia
C
b
(23)
conforme a Figura 5.13a, isto e,
C
b
(23) =
prec. baixa
(23) = 1.
O valor de salinidade inicial, 23, pertence aos subconjuntos fuzzy
media baixa e media (Figura 5.13b), com graus de pertinencia
SI
mb
(23) = 0,67 e
SIm
(23) = 0,25, respectivamente.
O valor da vazao do Rio Ribeira de 1454 m
3
/s pertence ao conjunto
fuzzy media alta, com grau de pertinencia
Vma
(1454) = 0,82.
Cada combina cao desses conjuntos acionados pelos valores de entrada
ativam algumas regras na base de conhecimento. Nesse caso 2 regras
foram acionadas, a saber, R
2
e R
3
da base de regras (Quadro 5.9).
R
2
Se a precipita cao pluviometrica acumulada em Cananeia no perodo
de 1 a 3 dias for baixa e a salinidade inicial do perodo for media
e a vazao do Rio Ribeira for media alta entao a salinidade nal
ser a media baixa.
R
3
Se a precipita cao pluviometrica acumulada em Cananeia no perodo
de 1 a 3 dias for baixa e a salinidade inicial do perodo for media
baixa e a vazao do Rio Ribeira for media alta entao a salinidade
nal ser a baixa.
1
Smbolo para por mil.
5.6 Aplicacoes 141
O metodo de inferencia de Mamdani combina os graus de pertinencia
referentes a cada um dos valores de entrada atraves da t-norma do
mnimo.
Assim para as regras R
2
e R
3
, tem-se, respectivamente
R
2
: min
C
b
(23),
SIm
(23),
Vma
(1454) = min[1; 0,25; 0,82] = 0,25.
R
3
: min
C
b
(23),
SI
mb
(23),
Vma
(1454) = min[1; 0,67; 0,82] = 0,67.
Essa opera cao e feita para cada uma das regras acionadas.
O valor de pertinencia encontrado em cada regra (0,25 para R
2
e 0,67
para R
3
) ser a projetado à fun cao de pertinencia da vari avel resposta
da regra em questao, de modo que s o ser ao preservados os valores de
pertinencia da vari avel resposta que forem menores ou iguais ao valor
encontrado pelo operador mnimo (ver regi oes escuras na Figura 5.14).
Combinando as sadas parciais de cada regra ativada (observamos que
nesse exemplo n ao s ao s o essas duas) atraves da t-conorma do maximo,
obtemos a sada geral do controlador pelo metodo de Mamdani, sem
defuzzica cao (Figura 5.14).
Finalmente, usando o metodo de defuzzica cao do centro de gravidade
na sada fuzzy, obtemos como sada crisp o valor 15,2 para representar
a salinidade nal.
Na Tabela 5.2 encontramos todos os valores das vari aveis de entrada,
os valores das salinidades observadas e os valores das salinidades resul-
tantes do modelo.
Foi adotado o metodo do Valor Medio Absoluto para validar esse
modelo e obteve-se um resultado considerado satisfatorio na compara cao
com valores observados.
Resumo e Comentarios nais
Por se tratar de um ecossistema de grande amplitude espacial, apresen-
tando vari aveis de entrada com padroes temporais din amicos, torna-se
Figura 5.14: Sada do controlador de Mamdani sem defuzzicacao.
Precipita c ao Salinidade Vaz ao do Salinidade Salinidade
acumulada (mm) inicial (
0
/
00
) Rio (m
3
/s) Observada (
0
/
00
) Modelada (
0
/
00
)
13,6 14 2016 6 3,4
115 30 1163 18 17,7
148 24 763 18 17,6
31 18 1515 15 13,2
3 18 2273 8 7,6
320 26 687 5 3,4
110 20 938 13 14,4
180 18 800 16 15,8
102 25 584 25 23,5
123 30 469 26 24,2
23 23 1454 17 15,2
Tabela 5.2: Relacao entre os valores de salinidade nal observados e os es-
timados pelo modelo fuzzy.
5.6 Aplicacoes 143
difcil adotar os metodos convencionais de experimenta cao, com replicas
etc. Na modelagem fuzzy, apenas com alguns dados disponveis e nvel
de conhecimento atual foi possvel elaborar uma base de regras que per-
mitiram fazer previs oes de salinidades futuras. A base de regras poder a
ser aperfei coada, conforme surjam novos dados experimentais e/ou dife-
rentes situa coes a serem modeladas.
Os resultados signicativos obtidos aqui neste exemplo mostram a
potencialidade do uso de sistemas fuzzy na modelagem de fen omenos
ligados à Ecologia, principalmente em situa coes em que os conhecimentos
s ao relativamente vagos.
No pr oximo modelo usaremos o software Toolbox Fuzzy do Matlab
6.5
, no qual se encontra implementado o Metodo de Mamdani com

defuzzica cao do Centro de Massa, bem como o metodo TSK.
5.6.2 Modelo 2 Taxa de Transferencia de Soropositivos
(HIV
+
)
Para ilustrar a utiliza cao de controladores fuzzy em fen omenos epide-
miol ogicos vamos nos concentrar em um tema que hoje em dia faz parte
dos programas de sa ude p ublica de muitos governos, incluindo o do Bra-
sil: a AIDS
2
.
A metodologia que apresentaremos a seguir faz parte da tese de douto-
rado de Jafelice [65, 67] e foi desenvolvida com o intuito de obter o valor
de um par ametro para uma equa cao diferencial que modela a evolu cao,
no tempo, do n umero de indivduos sintom aticos numa popula cao de
soropositvos.
O interesse de pesquisadores no estudo da AIDS tem crescido consi-
deravelmente nos ultimos anos. Os modelos matem aticos para estudar
a evolu cao da AIDS em uma popula cao s ao, via de regra, dados por
um sistema de equa coes diferenciais. Nos modelos classicos mais sim-
2
Sigla inglesa para Sndrome da Imunodeciencia Adquirida SIDA
ples a popula cao e compartimentada em assintom aticos e sintom aticos,
cuja taxa de convers ao e dada por um par ametro , denominado taxa
de incidencia [65].
O diagrama abaixo representa tal sistema compartimental com taxa
de convers ao .
Assintom aticos

= Sintom aticos
O ajuste de dados estatsticos e o metodo tradicional para se obter a
taxa . Nossa intens ao aqui e apresentar uma alternativa a esse metodo
fazendo uso de um sistema fuzzy, o qual leva em conta os conhecimentos e
principais procedimentos de especialistas da area no esfor co de se apurar
.
O estudo da AIDS por parte de especialistas da area de sa ude leva
em conta dois par ametros b asicos: a carga viral (V ) e a concentra cao
de CD4
+
(principal linfocito atacado pelo vrus) dos indivduos soropo-
sitivo para, a partir da, indicar alguma poltica de controle. Esses mes-
mos especialistas tambem s ao un animes em dizer que a taxa depende
fundamentalmente da carga viral e do nvel de CD4
+
da popula cao de
soropositivos. Porem, o estabelecimento de tais dependencias e bastante
subjetivo. Nesse exemplo vamos sugerir uma maneira de se estabelecer
esta rela cao, considerando a taxa de convers ao como dependente da
carga viral (v) e do nvel (c) de CD4
+
, de cada indivduo da popula cao
de soropositivos, ou seja,
= (v, c).
Inicialmente vamos fazer algumas considera coes a respeito da evolu cao
do HIV em um indivduo.
Na corrente sangunea, o HIV ataca principalmente o linfocito T do
tipo CD4
+
. A baixa concentra cao de celulas de CD4
+
na corrente
sangunea tem implica coes na evolu cao da infec cao por HIV.
Quando a capsula do vrus entra em contato com a membrana da
5.6 Aplicacoes 145
celula hospedeira, logo e injetado o RNA-viral. No citoplasma o RNA-
vrus serve de modelo para a sntese de uma cadeia de DNA que, por
sua vez, serve de modelo para outra complementar, formando-se, assim,
uma molecula de DNA de dupla cadeia. Esta migra para o n ucleo e
incorpora-se ao patrimonio genetico da celula.
O DNA estranho (pr o-vrus) pode car inativo por tempo indetermi-
nado e, com a multiplica cao da celula hospedeira, uma copia do mesmo
e levada para celulas lhas.
Inesperadamente, o pr o-vrus ativa-se e desencadeia a sntese de no-
vas moleculas de RNA para a forma cao de novos vrus. Esse RNA,
juntamente com proteases virais, orientam tanto a sntese das protenas
da capsula como de enzimas caractersticas do vrus, seguindo-se, nal-
mente, a montagem de novos vrus. A celula hospedeira e destruda.
O sistema de defesa humano e formado por macr ofagos (radares),
localizados em varios pontos do organismo, sempre à procura de cor-
pos estranhos. Ao detect a-los, enviam os primeiros sinais qumicos de
alerta, logo reconhecidos pelos linfocitos T do tipo CD4
+
que por sua
vez, fazem soar o alarme geral e estimulam a ativa cao de celulas do sis-
tema imune, os linfocitos B. Estes transformam-se em plasmocitos para
a produ cao de anticorpos e os linfocitos CD8 (citotoxicos) reconhecem
as celulas infectadas e as destroem. Como o vrus ataca preferencial-
mente os linfocitos CD4
+
, o alarme geral, e a posterior ativa cao imune,
deixa de ser dado. O sistema de defesa n ao e mobilizado e o sistema
imunol ogico perde a sua ec acia.
A contagem de celulas CD4
+
em sangue periferico tem implica coes
prognosticas na evolu cao da infec cao pelo HIV, pois e a marca regis-
trada de decit imunol ogico e se associa a certos par ametros clnicos.
A medida de imunocompetencia celular e a mais util, clinicamente, no
acompanhamento de pacientes infectados pelo HIV e a mais amplamente
aceita, embora n ao seja a unica. Atualmente, acredita-se que a quanti-
dade de celulas imunocompetentes regula de alguma forma a prolifera cao
do vrus e e respons avel pelo retardo na transferencia de assintom aticos
para sintom aticos.
De maneira did atica, divide-se a contagem de celulas CD4
+
por milili-
tro em sangue periferico em quatro faixas, e os est agios de infecciosidade
por HIV s ao classicados de acordo com essas faixas de celulas CD4
+
na corrente sangunea
3
.
1) Estagio de infec cao por HIV com baixo risco de desenvolvimento
da AIDS, quando CD4
+
> 0,5 cel/ml;
2) Estagio caracterizado pelo aparecimento de sinais e pequenos sinto-
mas ou altera coes constitucionais. O desenvolvimento de doen cas
oportunistas tem um risco moderado, neste caso. Este est agio
ocorre quando 0,2 < CD4
+
< 0,5 cel/ml;
3) Um risco preocupante pode ser considerado quando 0,05 <
CD4
+
< 0,2 cel/ml;
4) Se CD4
+
< 0,05 cel/ml, tem-se um alto risco de aparecimento das
doen cas oportunistas tais como sarcoma de Karposi. Neste est agio,
a possibilidade de sobrevivencia e baixa.
Por outro lado, existe uma rela cao entre a carga viral de HIV e a pos-
sibilidade de desenvolver a AIDS. Cargas altas de HIV destr oem gran-
des quantidades de linfocitos CD4
+
e o sistema imunol ogico perde sua
ec acia. Carga viral baixa n ao tem condi cao de afetar substancialmente
o sistema imunol ogico. Os seguintes dados s ao relevantes para a ela-
bora cao do modelo [65]:
a) Existe um baixo risco de progressao da doen ca quando tem-se uma
carga viral abaixo de 10000 pares de RNA/ml, isto e, V < 10000;
3
Fonte: Ministerio da Sa ude http://www.aids.gov.br
5.6 Aplicacoes 147
b) Se a carga viral estiver entre 10 mil e 100 mil pares de RNA/ml, isto
e, se 10.000 < V < 100.000, entao tem-se um risco moderado de
progressao;
c) O risco e considerado alto se V > 100000.
Note que nos par ametros de interesse carga viral (V ) e nvel de
CD4
+
n ao h a quantica coes exatas de seus valores e sim classica coes
dos mesmos por faixas. Ainda segundo especialistas, as fronteiras de
cada uma destas classica coes tambem n ao deveriam ser tao rgidas. Por
exemplo, dizer que h a um risco preocupante quando 0,05 < CD4
+
<
0,2 cel/ml e baixo risco de desenvolvimento da AIDS quando CD4
+
>
0, 5 cel/ml e um tanto rigoroso e n ao muito correto. Nao e razo avel
que indivduos com CD4
+
igual a 0, 49 cel/ml devam ter tratamentos
diferenciados daqueles com CD4
+
igual a 0, 51 cel/ml?
Os comentarios feitos acima a respeito das incertezas presentes na
carga viral e nvel de CD4
+
n ao s ao de natureza estocastica. Elas tem
origem na linguagem, que se utiliza de gradua coes para expressar o co-
nhecimento do especialista.
A carga viral V e o nvel de CD4
+
s ao casos tpicos de vari aveis
ligusticas, ja que s ao classicadas por faixas com fronteiras incertas.
Assim, os valores assumidos pela carga viral e o nvel de CD4
+
s ao
conjuntos fuzzy. Como consequencia, a taxa de transferencia deve ser
tambem uma vari avel lingustica .
Embora (taxa de transferencia defuzzicada) dependa dos valores
numericos v (da carga viral V ) e c (do nvel de CD4
+
) n ao sabemos,
a princpio, expressar essa dependencia matematicamente, ja que as in-
forma coes sobre V e CD4
+
s ao lingusticas e n ao numericas. Utilizamos
entao controladores fuzzy para avalia cao dessa dependencia que tem o
esquema da Figura 5.15
Entradas Sada
Carga Viral
CD4
+
TSK
Taxa de
Conversao
Figura 5.15: Esquema do controlador TSK com 2 entradas e 1 sada.
Base de Regras Fuzzy
Em colabora cao com especialistas em AIDS, obtemos a base de regras
fuzzy apresentada no Quadro 5.10.
R1. Se V e baixa (B) e CD4
+
e muito baixo (MB) entao e forte (F);
+
e baixo (B) entao e medio (M);
+
e medio (M) entao e medio (M);
+
e medio alto (MA) entao e medio fraco (Mf);
+
e alto (A) entao e fraco (f);
R6. Se V e medio (M) e CD4
+
e muito baixo (b) entao e forte (F);
+
e baixo (B) entao e forte (F);
+
+
e medio alto (MA) entao e medio fraco (Mf);
+
e alto (A) entao e fraco (f);
R11. Se V e alto (A) e CD4
+
e muito baixo (MB) entao e forte (F);
+
e baixo (B) entao e forte (F);
+
+
e medio alto (MA) entao e medio (M);
+
e alto (A) entao e medio (M).
Quadro 5.10: Base de regras para o modelo de taxa de transferencia de
soropositivos.
Muitas vezes pode ser interessante apresentar a base de regras em uma
maneira simplicada (Tabela 5.3).
5.6 Aplicacoes 149
Nvel de CD4
+
MB B M MA A
Carga B F M M Mf f
Viral M F F M Mf f
A F F M M M
Tabela 5.3: Taxa de transferencia
Para se obter = (v, c) podemos utilizar tanto o metodo de Mam-
dani como o de Takagi-Sugeno-Kang. Para ilustra cao, optamos pelo
segundo (TSK) com consequentes constantes, isto e, os valores para in-
dicar cada classica cao de s ao n umeros reais dados por especilalistas
(Tabela 5.4).
Nvel de Classica c ao
=
1
= 0, 00 para f: fraco
=
2
= 0, 15 para Mf: medio fraco
=
3
= 0, 65 para M: medio
=
4
= 1, 00 para F: forte
Tabela 5.4: Classicacao de .
Funcoes de pertinencias
As fun coes de pertinencias dos subconjuntos fuzzy assumidos por cada
uma da vari aveis V , CD4
+
s ao do tipo trapezoidal enquanto que as
taxas de convers ao s ao crisps (Veja Figuras 5.16, 5.17 e 5.18).
Utilizando o Metodo TSK para obter , a partir da Base de Re-
gras descrita anteriormente e das fun coes de pertinencia, temos uma
superfcie (Figura 5.19).
A partir desta superfcie, podemos sugerir uma express ao analtica
para = (v, c). Segundo informa coes medicas, o par ametro mais usado
para controlar e diagnosticar HIV
+
e o valor de CD4
+
. Desta forma,
numa primeira aproxima cao, poderamos simplesmente utilizar = (c)
alto mdio baixo
V
1
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Figura 5.16: Carga viral.
+
alto mdio
mtbaixo
mdalto
baixo
CD4
1,0 0,8 0,7 0,6 0,5 0,3 0,4 0,2 0,1 0,9
1
Figura 5.17: Nvel de CD
+
4
.
= 1
4
= 0,65
3
= 0
1
= 0,15
2
0,8 0,6 0,4
1
0,2 1,0
Figura 5.18: Subconjuntos fuzzy crisps taxa de conversao.
0
0.5
1
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
Carga viral (v)
Nivel de CD4+ (c)
T
a
x
a

d
e

t
r
a
n
s
f
e
r
e
n
c
ia

(
)
Figura 5.19: Sada do controlador: superfcie de (v, c).
5.6 Aplicacoes 151
como taxa de transferencia no modelo fuzzy.
De acordo com a Figura 5.19, para cada valor da carga viral V = v,
temos = (c), com congura cao aproximadamente linear por partes
como mostrado na Figura 5.20.
c
+
CD4
c
M
min
1
Figura 5.20: Taxa de conversao em funcao de CD4
+
.
O par ametro c
min
representa o nvel mnimo de CD4
+
para que o
indivduo se torne sintom atico e, c
M
representa o nvel de CD4
+
a partir
do qual a chance de se tornar sintom atico e mnima.
Observamos ainda que se houvesse interesse em estudar a taxa de con-
vers ao como fun cao da carga viral, = (v), entao isso seria possvel,
principalmente no caso particular em que n ao esteja havendo trata-
mento. Neste caso, h a uma correla cao entre V e CD4
+
. Mais ainda,
quanto maior e a carga viral, menor e o nvel de CD4
+
. Modelos sim-
plistas da rela cao entre carga viral e nvel de CD4
+
podem ser dados
pelas equa coes:
c(v) =
r
a +
ou c(v) =
0
+ae
v
,
de maneira que, para este caso, temos = (v).
Concluindo esse exemplo, queremos ressaltar que a taxa de trans-
ferencia aqui obtida, a partir de informa coes incertas, dadas por espe-
cialistas a respeito dos estados de sa ude de indivduos dessa popula cao,
tem forte signicado biol ogico ja que depende de outros par ametros es-
peccos da doen ca (sndrome) em questao: carga viral V e nvel de
CD4
+
. Essa e uma grande diferen ca do caso classico em que tal taxa
e, via de regra, dada por algum tipo de ajuste ou simula coes de dados
amostrais.
5.6.3 Modelo 3 Controle Fuzzy de Pulg oes
Os pulg oes s ao os principais vetores na dissemina cao das doen cas das
plantas perenes. Recentemente, uma doen ca denominada morte s ubita
(ver [21, 101]), causada por vrus transportados por pulg oes, tem sido a
grande amea ca dos laranjais paulistas. O controle da doen ca e baseado,
sobretudo, no controle qumico de pulg oes com aplica coes intermitentes
de biocidas e com intensidade dependente da infesta cao da praga.
O que pretendemos aqui e simular qual deve ser a quantidade de
veneno que deve ser aplicada em uma planta cao, supondo conhecida a
infesta cao bem como a varia cao da praga em um talh ao.
O modelo
Adotamos como vari aveis de entrada a densidade de arvores infestadas
de pulg oes P (n umero de arvores infestadas/total de arvores) e a va-
ria c ao da densidade de infesta c ao P, que e avaliada conforme a epoca
do ano, a qual seria mais ou menos propcia para seu crescimento. Sabe-
se que os pulg oes proliferam mais na epoca das chuvas, quando as plantas
tem novos brotos.
A vari avel P, dada em porcentagem p, varia de 0% à 100%. A va-
ria cao de P que, neste caso, representa seu crescimento numa unidade
de tempo, pode assumir valores entre 0% a 100% de p. Estas vari aveis
ser ao denidas em termos lingusticos e modeladas por subconjuntos
fuzzy triangulares.
Variaveis
Nas Tabelas 5.5 e 5.6 abaixo encontram-se as denomina coes das vari aveis
lingusticas e seus valores em questao.
5.6 Aplicacoes 153
Dens. arvores infestadas : P Var. da dens. de infesta c ao : P
densidade baixssima(P
bi
) varia c ao de densidade quase nula(V
0
)
densidade muito baixa(P
b
) varia c ao de densidade muito baixa(V
bi
)
densidade baixa(P
m
) varia c ao de densidade baixa(V
b
)
densidade media(P
ma
) varia c ao de densidade media(V
m
)
densidade media alta(P
a
) varia c ao de densidade alta(V
a
)
densidade alta(P
at
) varia c ao de densidade muito alta(V
at
)
Tabela 5.5: Variaveis de entrada do modelo.
Controle da Infestac ao: (C)
controle nulo (C
0
)
controle muito baixo (C
bi
)
controle baixo (C
b
)
controle medio (C
m
)
controle medio alto (C
ma
)
controle alto (C
a
)
controle muito alto (C
at
)
Tabela 5.6: Variavel de sada do modelo.
Base de Regras
O Quadro 5.11 abaixo sintetiza a base de regras aqui utilizada. Por
exemplo, se P e densidade media alta (P
ma
) e P e variac ao densidade
media (V
m
) entao o controle e medio alto (C
ma
).
PP V
0
V
bi
V
b
V
m
V
a
V
at
P
bi
C
0
C
0
C
0
C
bi
C
bi
C
b
P
b
C
0
C
bi
C
bi
C
b
C
b
C
m
P
m
C
bi
C
b
C
b
[C
m
] [C
m
] C
ma
P
ma
C
b
C
m
C
m
[C
ma
] [C
ma
] C
a
P
a
C
m
C
ma
C
ma
C
a
C
a
C
at
P
at
C
ma
C
a
C
a
C
at
C
at
C
at
Quadro 5.11: Base de Regras para controle de pulgoes. Em destaque temos
os conjuntos atingveis se p for 18% e p for 38%.
Todos os conjuntos fuzzy aqui utilizados s ao triangulares, exceto os
ultimos para as entradas. As fun coes de pertinencia de cada um deles
est ao representadas nas guras seguintes.
As fun coes de pertinencia dos subconjuntos fuzzy das densidades de
infesta cao podem ser visualizados na Figura 5.21 (a). Na Figura 5.21
(b) est ao apresentadas as fun coes de pertinencia dos conjuntos fuzzy de
varia coes de densidades de infesta coes e na Figura 5.21 (c) as fun coes de
pertinencia dos conjuntos fuzzy do controle podem ser visualizadas.
Com o unico intuito de visualizar o processo de inferencia fuzzy, vamos
introduzir uma nota cao que, em um certo sentido, pode ser vista como
uma extensao daquela apresentada na Se cao 1.4, do Captulo 1, para
conjunto fuzzy nito.
Para cada p, algum valor da vari avel ling ustica P e atingido, isto
porque os subconjuntos fuzzy da vari avel P formam uma parti cao fuzzy
do universo de P. Este fato ser a denotado aqui por
P
(p) =

P
bi
(p)
P
bi

P
b
(p)
P
b

Pm
(p)
P
m

Pma
(p)
P
ma

Pa
(p)
P
a

Pat
(p)
P
at
.
Para o nosso exemplo, no m aximo dois conjuntos fuzzy s ao atingidos.
Por exemplo, se p = 18, os unicos conjuntos fuzzy atingidos s ao P
m
e
P
ma
, pois p = 18 est a fora dos suportes dos demais subconjuntos fuzzy
da vari avel P. Para achar o grau de pertinencia de 18% aos conjuntos
P
m
e P
ma
apelamos para as express oes analticas das fun coes de per-
tinencias
Pm
e
Pma
ou para as express oes (2.6) vistas no Captulo 2.
Por exemplo, o conjunto fuzzy P
m
tem fun cao de pertinencia dada por
Pm
(p) =
_
_
p5
7,5
se 5 p < 12, 5
20p
7,5
se 12, 5 p < 20
0 caso contr ario
.
Para p = 18 temos
Pm
(18) =
2018
7,5
= 0, 27.
Se optarmos pela formula (2.6) para P
m
, esta fornece p = (12, 5
20)+20. Para p = 18 temos 18 = (12, 520)+20. Logo, a pertinencia
5.6 Aplicacoes 155
Figura 5.21: Funcoes de pertinencia para o controle de pulgoes.
de 18% a P
m
e = 0, 27. Analogamente, concluimos que a pertinencia
de 18 a P
ma
e 0, 6. Assim,
P
(18) =

Pm
(18)
P
m

Pma
(18)
P
ma
=
0, 27
P
m
0, 6
P
ma
.
Observamos que na nota cao acima,
0,27
Pm
indica que p = 18% pertence
a P
m
com grau 0, 27. O smbolo n ao indica qualquer tipo de adi cao,
apenas conecta os conjuntos atingidos. Tambem,
P
(p) n ao indica per-
tinencia de p a P, ja que P n ao e conjunto fuzzy, e sim uma vari avel
lingustica.
Controle de Pulgoes com Aplicacao de Biocida
Se pretendemos adotar alguma estrategia de controle, devemos denir
como vari avel de sada uma determinada a cao, que ir a inuenciar na
din amica populacional dos pulg oes.
O controle est a representado pelos valores no interior da Tabela 5.11.
Estamos supondo que o controle seja a capacidade de elimina cao da
praga (kill rate), isto e, c = k signica que a aplica cao deste biocida
elimina k% de p.
Simulacao do modelo para uma condicao inicial dada
Vamos considerar uma determinada condi cao inicial (crisp), represen-
tando o estado atual da densidade populacional de arvores infestadas
de pulg oes num laranjal, e simular o controle a ser aplicado. Suponha-
mos que, no instante inicial, temos uma infesta cao de 18% do laranjal
e que estamos em janeiro (perodo de chuvas e brota cao das laranjei-
ras). Neste caso podemos considerar uma taxa de varia cao grande, por
exemplo, p = 38. Como ilustrado na Figura 5.20(b), esse valor atinge
apenas os conjuntos fuzzy V
m
e V
a
.
De maneira an aloga a que vimos para a infesta cao, temos:
5.6 Aplicacoes 157
a pertinencia de p = 38% a V
m
e a solu cao de
38 = (30 40) + 40 = 0, 2.
a pertinencia de p = 38% a V
a
e a solu cao de
38 = (40 30) + 30 = 0, 8.
Portanto,
P
(38) =

Vm
(38)
V
m

Va
(38)
V
a
=
0, 2
V
m
0, 8
V
a
.
Do estudo acima podemos observar que, para os valores p = 18 e
p = 38, os conjuntos atingidos s ao P
m
, P
ma
,V
m
e V
a
, destacados na
Tabela 5.11.
Agora, usando a base de regras para o controle e o metodo de in-
ferencia de Mamdani, obtemos o seguinte
C
(18, 38) =
_
min
Pm
(18),
Vm
(38)
Cm
min
Pm
(18),
Va
(38)
Cm
_
=
_
min
Pma
(18),
V m
(38)
Cma
min
Pma
(18),
Va
(38)
Cma
_
=
_
0,20
Cm
0,27
Cm
_
_
0,20
Cma
0,40
Cma
_
. (5.11)
No metodo de Mamdani os conjuntos atingidos s ao C
m
e C
ma
. Os
conjuntos entre parenteses acima (ver express ao 5.11) representam as
sadas parcias. Como a sada geral e dada pelo m aximo, n ao se deve
levar em conta
0,20
Cm
nem
0,20
Cma
, ja que suas pertinencias s ao menores que
as outras duas, isto e, a sada geral e dada por
C
(18, 38) =
0, 27
C
m
0, 40
C
ma
.
Finalmente, adotando-se como defuzzicador o centro de massa (G(C)),
chegamos ao valor que deve ser tomado para o controle
G(C) = c =
0, 27 30 + 0, 40 40
0, 27 + 0, 40
= 35, 97.
Este resultado indica que devemos aplicar um biocida que tenha poder
de redu cao de 35, 97% das arvores infestadas.
Como antes da aplica cao tnhamos uma densidade de 18% de arvores
infestadas e uma potencialidade de crescimento de 38%, vamos supor que
a aplica cao de biocida se d a imediatamente ap os tal crescimento. Assim,
quando aplicarmos o biocida teremos uma densidade de infesta cao dada
por:
p
1
= p + 0, 38p = 24, 84.
Agora, aplicando o controle que reduz tal infesta cao em 35, 97%, isto
e, c = 35, 97, teremos uma densidade de infesta cao resultante, dada por:
p = p
1
0, 3597p
1
16.
Se continuarmos o processo iterativamente, considerando p = 16 como
sendo a nova condi cao inicial, vamos obter um sistema de controle con-
tinuado. Esta estrategia ser a desenvolvida no Captulo 9.
Captulo 6
Equacoes Relacionais Fuzzy e
Aproximacao Universal
Todo conhecimento deve ser util e ter
compromisso com a pr atica.
(Sostas Sec. V a.C.)
Este captulo contem dois temas bastante distintos do ponto de vista
teorico: equa c oes relacionais fuzzy e aproxima c ao universal. Pode-
mos dizer que o primeiro tem como objetivo a amplia cao do poder de
aplica coes do modus ponens generalizados visto no Captulo 4. J a o se-
gundo tem interesse mais teorico. Sua import ancia maior est a no fato
de ligar os sistemas baseados em regras fuzzy, uteis do ponto de vista
pr atico, com os possveis modelos teoricos de um fenomeno que se deseja
investigar.
Os principais conceitos e resultados que apresentaremos na parte de
equa coes relacionais, embora possam ser transportados para outras si-
tua coes, foram escolhidos no sentido de se estudar diagn ostico medico.
Por outro lado, os que se referem à aproxima cao universal s ao volta-
dos para aproximar funcionais teoricos por controladores fuzzy. Esse
fato tem grandes consequencias no estudo de equa coes diferenciais or-
din arias em que o campo de dire coes (ou campo de inclina coes) n ao e
explicitamente dado ou entao e apenas parcialmente conhecido.
160 Equacoes Relacionais Fuzzy e Aproximacao
Nossa op cao por apresentar esses dois temas em um mesmo captulo
foi, principalmente, por motivos did aticos, considerando que s ao con-
sequencias naturais do que vimos nos Captulos 4 e 5, respectivamente.
O leitor que tiver interesse em aprofundar seus estudos pode consultar
uma vasta literatura da qual fazem parte as referencias que indicaremos
no decorrer do texto.
A composi cao max-min entre rela coes fuzzy bin arias, vista no Captulo
3, desepenhara papel fundamental nesta primeira parte do captulo.
Porem, para nosso proposito aqui, novas composi coes entre rela coes
fuzzy ser ao necessarias. A seguir listaremos algumas delas a partir das
t-normas, t-conormas, nega coes e implica coes fuzzy.
6.1 Composicoes Generalizadas de Relacoes Fuzzy
Nas deni coes que seguem, 1 e o s ao rela coes fuzzy bin arias denidas
em U V e V W, respectivamente; e uma t-norma; e uma
t-conorma e = e uma implica cao fuzzy.
Denicao 6.1. A composi cao supt dene uma rela cao fuzzy 1
t
o em
U W cuja fun cao de pertinencia e dada por
R
t
S
(x, z) = sup
yV
[
R
(x, y)
S
(y, z)] .
Exemplo 6.1. Se = min, temos a composi cao max min:
R
t
S
(x, z) =
RS
(x, z) = max
yV
[
R
(x, y)
S
(y, z)] ,
quando sup = max.
Denicao 6.2. A composi cao infc dene uma rela cao fuzzy 1
c
o em
U W cuja fun cao de pertinencia e dada por
RcS
(x, z) = inf
yV
[
R
(x, y)
S
(y, z)] .
6.1 Composicoes Generalizadas de Relacoes Fuzzy 161
Exemplo 6.2. Se e a t-conorma do m aximo temos a composi cao
[inf max]
RcS
(x, z) = inf
yV
[
R
(x, y)
S
(y, z)] .
Denicao 6.3. A composi c ao infimplica cao dene uma rela cao 1
=
S
em U W cuja fun cao de pertinencia e
R=S
(x, z) = inf
yV
[
R
(x, y) =
S
(y, z)] .
Observamos que, para o caso da Deni cao 6.3, as composi coes de nosso
interesse aqui s ao as R-implica coes:
(x =y) = supz [0, 1] : x z y,
introduzidas no Captulo 4 (Deni cao 4.4).
Exemplo 6.3. Um caso tpico dessas implica coes e a de G odel
(x =y) = g(x, y) = supw [0, 1] : x w y =
_
1 se x y
y se x > y
e, neste caso, como
R
(x, y) =
S
(y, z) =
_
1 se
R
(x, y)
S
(y, z)
S
(y, z) se
R
(x, y) >
S
(y, z)
,
temos
R=S
(x, z) 1, inf
yV
[
S
(y, z)].
Analogamente ao que comentamos no Captulo 3 para a composi cao
max min, vale a pena observar que, quando os universos forem ni-
tos, as composi coes acima s ao obtidas como um produto de matrizes,
substituindo a soma por m aximo (nmo) e o produto por uma t-norma
(t-conorma ou implica cao).
Exerccio 6.1. Considere as formas matricias das rela coes fuzzy bin arias
1 = [ 0, 6 0, 6 0, 5 ] e o =
_
_
0, 9 0, 6 1, 0
0, 8 0, 8 0, 5
0, 6 0, 4 0, 6
_
_
.
Determine a forma matricial da rela cao 1
t
S para cada t-norma :
(a) (x, y) = x y;
(b) (x, y) = xy;
(c) (x, y) = max(0, x +y 1);
(d) (x, y) =
xy
x +y xy
;
(e) (x, y) =
xy
2 (x +y xy)
;
(f) (x, y) =
_
x y se max(x, y) = 1
0 caso contr ario
.
Exerccio 6.2. Para as rela coes do Exerccio 6.1, determine as formas
matriciais de 1
=
o para as implica coes de:
(a) G odel: (x =y) = g(x, y) =
_
1 se x y
y se x > y
;
(b) Goguen: (x =y) = g
n
(x, y) =
_
1 se x y
y
x
se x > y
.
Lembre-se que as implica coes acima s ao do tipo R-implica coes
(x =y) = supw [0, 1] : x w y,
onde = min, para o caso (a), e = produto para o caso (b).
6.2 Equacoes Relacionais Fuzzy 163
Exerccio 6.3. Verique que, para qualquer t-norma, vale a identidade
(1
t
o)
1
= S
1
t
1
1
para quaisquer rela coes fuzzy bin arias 1 e o quadradas.
A seguir estudaremos as equa coes relacionais propriamente ditas.
Come caremos com algumas equa coes relacionais particulares indicando,
para estas, metodos de resolu cao. Tambem investigaremos condi coes ne-
cess arias para existencia de solu coes para tais equa coes.
As composi coes denidas na se cao acima agora ser ao tratadas com a
hip otese adicional de que os conjuntos universos envolvidos sejam nitos.
Desta forma, as rela coes podem ser representadas na forma matricial.
6.2 Equacoes Relacionais Fuzzy
Vamos considerar
U = u
1
, u
2
, . . . , u
m
, V = v
1
, v
2
, . . . , v
n
e W = w
1
, w
2
, . . . , w
p
.
As equa coes relacionais tratam de achar a forma matricial de uma
rela cao fuzzy bin aria, a partir de duas outras conhecidas.
As Equac oes Relacionais Fuzzy de interesse aqui tem a forma
1 A = T ou A 1 = T ,
onde 1 e T s ao as formas matriciais das rela coes fuzzy bin arias da-
das, uma composi cao entre rela coes fuzzy (n ao necessariamente
max min) e A a forma matricial de uma rela cao fuzzy inc ognita a ser
encontrada.
Assim, por exemplo, resolver a equa cao
1 A = T
signica encontrar a forma matricial de uma rela cao fuzzy bin aria A,
em V W, supondo conhecidas as formas matricias 1 e T em U V e
U W, respectivamente.
6.2.1 Equacoes Relacionais Fuzzy com a composicao maxmin
Inicialmente vamos estudar o caso em que a opera cao e a composi cao
max min e a equa cao e dada por
1 A = T . (6.1)
Vamos supor que os universos envolvidos sejam nitos, de modo que
as rela coes fuzzy tenham representa coes matriciais
1 = [r
ij
], A = [x
jk
] e T = [t
ik
]
onde r
ij
=
R
(u
i
, v
j
), x
jk
=
X
(v
j
, w
k
) e t
ik
=
T
(u
i
, w
k
).
Como a composi cao em questao e a maxmin, resolver (6.1) signica
encontrar x
jk
[0, 1] tais que
max
1jn
[min(r
ij
, x
jk
)] = t
ik
, (6.2)
para cada 1 i m e 1 k p.
Portanto, no sentido de investigar a solu cao de (6.1), a primeira pro-
videncia a ser tomada e vericar se tal sistema de equa coes tem chance
de ter solu cao.
De (6.2) temos
max
1jn
[min(r
ij
, x
jk
)] = t
ik
= max
1jn
r
ij
t
ik
para todo i e todo k. Da, segue imediatamente que se existir uma linha
i de modo que
max
1jn
r
ij
< max
1kp
t
ik
, (6.3)
entao nao haver a A que resolva a equa cao. Isto nos leva ao seguinte
resultado:
Proposicao 6.1. Se a desigualdade (6.3) acima for vericada, ent ao a
equa c ao relacional fuzzy (6.1) n ao ter a soluc ao.
Exemplo 6.4. Considere a equa cao relacional
1 A = T
_
0, 7 0, 6
0, 2 0, 3
_
_
x
11
x
12
x
21
x
22
_
=
_
0, 4 0, 8
0, 3 0, 2
_
.
Para achar A devemos resolver o sistema de quatro equa coes
_
_
max[min(0, 7; x
11
), min(0, 6; x
21
)] = 0, 4
max[min(0, 2; x
11
), min(0, 3; x
21
)] = 0, 3
max[min(0, 7; x
12
), min(0, 6; x
22
)] = 0, 8
max[min(0, 2; x
12
), min(0, 3; x
22
)] = 0, 2
. (6.4)
E facil ver que o sistema (6.4) n ao tem solu cao, pois

max[min(0, 7; x
12
), min(0, 6; x
22
)] max[0, 7; 0, 6] = 0, 7 < 0, 8 = max t
ik
,
e, de acordo com a Proposi cao 6.1, essa equa cao n ao tem solu cao.
Observe que as duas primeiras equa coes do sistema (6.4) contem ape-
nas as inc ognitas x
11
e x
21
, enquanto que as duas ultimas tem como
inc ognitas as vari aveis x
12
e x
22
. Isso nos permite concluir que a equa cao
relacional
_
0, 7 0, 6
0, 2 0, 3
_
_
x
11
x
21
_
=
_
0, 4
0, 3
_
tem uma solu cao, que e
A
1
=
_
0, 4
0, 3
_
.
O leitor tambem pode observar que, alem de A
1
,
A
2
=
_
0, 1
0, 4
_
e A
3
=
_
0, 4
0, 4
_
tambem s ao solu coes da mesma equa cao relacional. Desta forma, uma
equa cao relacional pode ter varias solu coes. Mais ainda, para esse caso,
A
3
e a maior delas no sentido que seus elementos s ao os maiores dentre
aqueles que fazem parte de qualquer solu cao da equa cao dada.
Na literatura, solu coes como A
3
, isto e, com x
ij
maiores possveis, s ao
chamadas de maximais. A solu cao maximal e entao a rela cao formada
por elementos com maior grau de pertinencia à solu cao da equa cao dada.
Exerccio 6.4. Resolva a equa cao relacional
_
_
0, 2 0, 9 0, 1
0, 1 0, 2 0, 8
0, 9 0, 1 0, 2
_
_
_
_
x
1
x
2
x
3
_
_ =
_
_
0, 8
0, 2
0, 3
_
_.
Verique se h a mais que uma solu cao. Caso exista, tente determinar a
solu cao maximal.
Vamos encerrar essa se cao observando que o metodo de solu cao de
(6.1) pode ser usado para resolver equa coes relacionais quando a inc ognita
est a no lado direito de 1:
1 = T .
Do Exerccio 6.3, temos que ( 1)
1
= T
1
1
1

1
= T
1
.
Entao, a solu cao da equa cao 1 = T e a rela cao inversa (matriz
transposta) da solu cao de 1
1
oA = T
1
, onde A =
1
, que recai no
caso tpico (6.1).
Exerccio 6.5. Resolva a equa cao
[ x
1
x
2
]
_
0, 7 0, 6
0, 2 0, 3
_
= [ 0, 5 0, 5 ].
6.2.2 Equacoes Relacionais Fuzzy com a composicao supt
Nesta subse cao generalizaremos a Equa cao (6.1), no sentido de usar
outras composi coes, alem da maxmin, e enunciaremos o principal re-
sultado sobre equa coes relacionais estudadas neste texto.
Agora, qualquer uma das composi coes vistas na Se cao 6.1 ser a estu-
dada e a equa cao de interesse e entao
1
t
A = T . (6.5)
Inicialmente vamos observar que, como no caso maxmin, as equa coes
A
t
1 = T
podem ser resolvidas a partir do metodo que resolve (6.5) pois
(1
t
A)
1
= A
1
t
1
1
.
Assim, vamos apenas estudar as equa coes do tipo (6.5) em que as rela coes
1, em UV , e T em UW, s ao dadas e queremos encontrar uma rela cao
bin aria em V W de modo que valha a Equa cao (6.6) abaixo
1
t
A = T . (6.6)
Diferentemente do que vimos no caso maxmin, aqui n ao iremos inves-
tigar condi coes necessarias para existencia de solu coes para (6.5). Este
estudo e an alogo ao feito na Se cao 6.2.1. Para Equa cao (6.5), queremos
apenas enunciar um resultado que indicara como obter uma solu cao,
quando essa existir.
Teorema 6.2. Dada uma t-norma e as rela c oes fuzzy 1 e T , denidas
em U V e U W, respectivamente, ent ao, se a equa c ao 1
t
A = T
tem soluc ao, sua soluc ao maximal e T = 1
1
=
T , onde a implica c ao
e dada por
(x =y) = z [0, 1] : x z y.
Demonstra c ao. A prova desse teorema o leitor pode encontrar em [72].
Do teorema acima, seguem imediatamente os seguintes corolarios.

Corolario 6.3. Se T = 1
1
=
T n ao for soluc ao da equa c ao 1
t
A =
T , ent ao essa equa c ao n ao tem soluc ao.
Corolario 6.4. Se existir soluc ao de (6.5) para o caso em que = ,
ou seja, se existir solu c ao para a equa c ao 1A = T , ent ao sua soluc ao
maximal e T = 1
1
g
T , onde g e a implica c ao de G odel.
Corolario 6.5. Se existir soluc ao de (6.5) para o caso em que =
produto, ou seja, se existir soluc ao para a equa c ao 1
t
A = T e a
t-norma e a do produto, ent ao sua soluc ao maximal e T = 1
1
gn
T ,
onde g
n
e a implica c ao de Goguen.
Exerccio 6.6. Usando os corol arios acima, verique se a equa cao rela-
cional
_
_
0, 9 0, 3 1, 0
0, 8 0, 8 0, 5
0, 6 0, 4 0, 7
_
_
t
_
_
x
1
x
2
x
3
_
_ =
_
_
0, 6
0, 4
0, 5
_
_
tem solu cao. Caso tenha, exiba uma delas para cada t-norma :
a) = min
b) = produto.
A subse cao a seguir e dedicada à constru cao de um modelo de di-
agn ostico, indicando o grande potencial de aplica coes das equa coes rela-
cionais. Ser a precisamente o Corol ario 6.4 que iremos usar para ilustrar
tal potencial.
6.2.3 Modelagem Matematica: Diagn ostico Medico
Esta aplica cao foi, na verdade, uma experiencia que realizamos na tenta-
tiva de vericar ate que ponto um modelo fuzzy para diagn ostico medico
pode ser adequado para estabelecer um diagn ostico de doen cas [25].
Para um diagn ostico medico, a ideia b asica e relacionar os sintomas
ou sinais de pacientes com possveis doen cas, de acordo com os conhe-
cimentos medicos de um especialista. Esta aplica cao pode ser resumida
no sistema de entradas e sadas:
Entrada
(Sintomas)
Base de
Conhecimento
Sada
(Diagnostico)
Considere os seguintes conjuntos universais:
U = conjunto dos pacientes;
V = conjunto dos sintomas;
W = conjunto das doen cas.
Especicamente nesse caso, tratase de doen cas infantis das quais
tem-se conhecimento que quatro pacientes P
1
, P
2
, P
3
e P
4
, com sintomas
s
1
, s
2
, s
3
, s
4
, s
5
, s
6
, s
7
, s
8
, s
9
, s
10
e s
11
, apresentaram os diagn osticos
d
1
, d
2
, d
3
e d
4
, onde:
s
1
= febre; s
5
= g anglio; s
9
= fotofobia;
s
2
= cefaleia; s
6
= coriza; s
10
=tosse seca;
s
3
= garganta inamada; s
7
= conjuntivite; s
11
= vomito.
s
4
= exantema; s
8
= lngua de morango;
e
d
1
= escarlatina; d
2
= rubeola; d
3
= sarampo; d
4
= gripe.
Esses dados ir ao compor a base de conhecimentos que ser a expressa
por meio de rela coes fuzzy.
O que desejamos obter e uma rela cao fuzzy T de modo que o T =
T , onde o e T s ao, respectivamente, as representa coes matriciais das
rela coes fuzzy dos sintomas e dos pacientes diagnosticados, dadas em
U V e U W, respectivamente.
BASE DE CONHECIMENTOS Construcao do Sistema Fuzzy
A base de conhecimentos e composta pelas rela coes fuzzy o e T , cujas
matrizes s ao dadas abaixo em forma de tabelas:
Ps s
1
s
2
s
3
s
4
s
5
s
6
s
7
s
8
s
9
s
10
s
11
P
1
0,8 0,4 0,5 0,8 0,2 0,1 0,1 0,9 0,1 0,1 0,4
P
2
0,3 0,1 0,4 0,8 0,9 0,2 0,1 0,1 0,1 0,1 0,3
P
3
0,8 0,3 0,5 0,8 0,1 0,2 0,9 0,1 0,6 0,3 0,6
P
4
0,8 0,7 0,7 0,2 0,1 0,9 0,1 0,1 0,1 0,9 0,4
Tabela 6.1: Matriz da Relacao S: pacientes e respectivos sintomas.
Pd d
1
d
2
d
3
d
4
P
1
0,9 0,3 0,4 0,2
P
2
0,3 0,9 0,1 0,1
P
3
0,4 0,1 0,9 0,3
P
4
0,2 0,1 0,3 0,9
Tabela 6.2: Matriz da Relacao T : padrao de diagnosticos.
Neste exemplo, os dados em cada uma das tabelas acima foram ob-
tidos na literatura (fato que possibilita usar dados de doen cas que por
ventura ja n ao tenha mais sido diagnosticada). No entanto, dados de
especialistas podem (e devem) ser usados no modelo.
De acordo com o Corol ario 6.4, e usando as matrizes das Tabelas 6.1
e 6.2 temos que T = o
1
g
T , cuja matriz T e dada pela Tabela 6.3.
sd d
1
d
2
d
3
d
4
s
1
0,2 0,1 0,1 0,1
s
2
0,2 0,1 0,3 0,2
s
3
0,2 0,1 0,1 0,1
s
4
0,3 0,1 0,1 0,1
s
5
0,3 1,0 0,1 0,1
s
6
0,2 0,1 0,1 0,1
s
7
0,4 0,1 1,0 0,3
s
8
1,0 0,3 0,4 0,2
s
9
0,4 0,1 1,0 0,3
s
10
0,2 0,1 0,3 1,0
s
11
0,2 0,1 0,1 0,1
Tabela 6.3: Matriz da Relacao D = S
1
g T : sintomas e diagnosticos.
Dessa forma, cada elemento da rela cao T indica o grau de envol-
vimento de cada sintoma com as diversas doen cas consideradas. Por
exemplo, o valor d
23
= 0,3 indica que, numa escala entre zero e um, o
sintoma s
2
(cefaleia) est a relacionado com a doen ca d
3
(sarampo) com
grau 0,3.
E interessante notar que a matriz de diagn ostico T = o

1
g
T foi
obtida a partir do Corol ario 6.4 porque ela resolve a equa cao relacional
o A = T .
Em outras palavras, o diagn ostico de cada um dos pacientes P
i
que
comp oem a base de conhecimentos, traduzida matematicamente pelas
matrizes o e T , pode ser recuperado por meio da rela cao T. Por
exemplo, vamos usar a matriz T para obter o diagn ostico do paciente
P
1
a partir de seus sintomas.
Como o modelo matem atico que adotamos para diagnosticar foi oT,
entao para obter o diagn ostico do primeiro paciente, de acordo com a
formula (3.3), em que T
1
e a matriz com os sintomas, basta calcularmos
T
1
T:
T
1
T =
_
_
0,8
0,4
0,5
0,8
0,2
0,1
0,1
0,9
0,1
0,1
0,4
_
_
0,2 0,1 0,1 0,1
0,2 0,1 0,3 0,2
0,2 0,1 0,1 0,1
0,3 0,1 0,1 0,1
0,3 1,0 0,1 0,1
0,2 0,1 0,1 0,1
0,4 0,1 1,0 0,3
1,0 0,3 0,4 0,2
0,4 0,1 1,0 0,3
0,2 0,1 0,3 1,0
0,2 0,1 0,1 0,1
_
_
=
_
0,9 0,3 0,4 0,2
_
.
onde v
indica o vetor v em linha.

A matriz resultante e formada pelos graus de cada uma das doen cas
apresentadas pelo primeiro paciente, pois a matriz T
1
e uma rela cao em
U V (pacientes sintomas), T e uma rela cao em V W (sintomas
doen cas) e, portanto, a composi cao resulta em uma rela cao em U W
(pacientes doen cas).
Da mesma maneira obtem-se os diagn osticos para os demais pacientes.
Exerccio 6.7. Resolva os itens abaixo.
(a) Mostre que, se o modelo matem atico para diagnosticar for dado pela
equa cao o
t
A = T , onde a t-norma e a do produto, entao a matriz
de diagn ostico e obtida por T = o
1
gn
T , em que g
n
e a implica cao
de Goguen (sugestao: use Corol ario 6.5)
(b) Use o tem (a) e refa ca a aplica cao acima trocando a t-norma do
produto pela t-norma do mnimo.
(c) Compare os resultados do item (b) com aqueles obtidos na aplica cao
acima, a partir da opera cao max-min.
O leitor interessado em ver mais aplica coes pode consultar [103, 104].
Duas importantes propriedades da rela cao fuzzy T ser ao ressaltadas
a seguir.
Seja T = o
1
T . Entao valem as seguintes propriedades:
(p
1
) T recupera os diagn osticos dos pacientes que comp oem a base
de conhecimentos.
(p
2
)
`
A medida que se tem diagn osticos de novos pacientes, estes podem
ser includos na base de conhecimentos e assim, aumentar a capa-
cidade de se obter mais diagn osticos por meio da rela cao fuzzy T,
tal como acontece com um medico experiente.
Essas duas propriedades da rela cao fuzzy T valorizam o seu uso na
formula cao de diagn osticos.
A propriedade (p
1
) e a principal caracterstica dos chamados Sistemas
Especialistas. Os sistemas especialistas s ao aqueles que imitam espe-
cialistas humanos. Por outro lado, a propriedade (p
2
), que concede a
atualiza cao da base de conhecimentos, e o que caracteriza as chamadas
Redes Neurais. Redes neurais s ao sistemas que aprendem no sentido
de incorporarem novas situa coes na sua base de conhecimentos sendo
pois, an alogos aos sistemas humanos (veja [29, 132]).
Queremos encerrar essa se cao, e tambem a parte de equa coes relaci-
onais, lembrando que muitas vezes a equa cao relacional dada n ao tem
solu cao, principalmente porque a condi cao necessaria, dada pela desi-
gualdade (6.3), n ao e vericada. Para esses casos usa-se a no cao de
solu cao aproximada para a equa cao dada (veja [72, 125]).
Fundamentalmente, uma solu cao aproximada da equa cao (6.1) e uma
solu cao de outra equa cao relacional fuzzy em que a relacao 1 e ligeira-
mente aumentada e a T , ligeiramente diminuda, a ponto de tornar a
desigualdade (6.3) satisfeita.
Para o caso do diagn ostico medico, estudado acima, podemos dizer
(ainda que apenas intuitivamente) que a equa cao relacional utilizada
satisfar a a desigualdade (6.3) sempre que a matriz T (base de dados)
for formada por, pelo menos um representante de cada doen ca, isto e,
sempre que em cada coluna de T haja pelo menos um valor pr oximo de
1.
Para o nosso caso, o paciente P
1
teve escarlatina, P
2
rubeola, P
3
sarampo e P
4
gripe.
Como a matriz de diagn ostico T e o resultado de uma implica cao
fuzzy, em que T e implicada T = o
1
=
T (T = o
1
= T )
intuitivamente a condi cao (6.3) e automaticamente satisfeita, ou seja,
os maiores valores de T n ao s ao menores que os maiores valores de
T (os valores de uma implica cao s ao, pelo menos, iguais aos valores
implicados).
Finalmente, a escolha da equa cao relacional o
t
A = T para modelar
diagn ostico medico foi feita apenas com o intuito de manter a coerencia
logica: sintomas implicam tratamento, ou conduta (o
1
= T ), da
escolhermos a equa cao cuja solu cao e T = o
1
=
T .
Um estudo mais detalhado desses assuntos pode ser encontrado em
Klir e Yuan [72], Pedrycz [99], Pedrycz e Gomide [100], Sanchez [114],
Wergenknecht e Hartmann [127] e Wangning [125] dentre muitos que
tratam das equa coes relacionais fuzzy.
A se cao a seguir trata de aproxima cao em um outro sentido, diferente
da que comentamos acima para equa coes relacionais.
6.3 Aproximacao Universal
Via de regra, os processos matem aticos que possibilitam conclusoes
(sadas: y), a partir de dadas informa coes (entradas: x), s ao dados
por funcionais: y = f(x). Estes processos referem-se apenas a dados e
funcionais matematicamente precisos. No entanto, o uso dos conjun-
tos fuzzy, combinados com a logica fuzzy, permite ampliar estes sistemas
de entrada e sada. Como exemplo tpico deste processo temos os con-
6.3 Aproximacao Universal 175
troladores fuzzy vistos anteriormente.
Um sistema de entradas e sadas pode ser basicamente representado
pelo diagrama
Entrada
Base de
Conhecimento
Sada
A modelagem matem atica mais comum para um sistema de entradas
e sadas e aquela cujas entradas e sadas s ao n umeros reais e a base de
conhecimentos e dada por meio de um funcional.
Exemplo 6.5. A fun cao que relaciona o lado l de um quadrado com seu
permetro p e dada por p = 4l. Neste caso, temos os seguintes valores
de entradas e sadas, em metros:
Entradas (l) Sadas (p)
1 4
2 8
3 12
Esse exemplo trata de uma situa cao ideal, no sentido que o processo
que transforma cada entrada numa sada e dado por uma fun cao ma-
tem atica. Neste caso, a base de conhecimentos e resumida pela fun cao:
p(l) = 4l. Porem, mesmo neste caso simples, cada sada s o ser a ob-
tida para entradas precisas (n umeros reais). Por exemplo, qual seria o
permetro de um quadrado (sada) que tem o lado em torno de 3 m
(entrada)? A impossibilidade no fornecimento de uma sada pelo mo-
delo adotado (fun cao) e devido à sua ineciencia na manipula cao de
informa coes imprecisas, no caso, a entrada. Para contemplar situa coes
deste tipo, temos duas alternativas: ou adotamos um n umero real para
representar a entrada, isto e, defuzzicamos a entrada na linguagem
fuzzy, e neste caso, optamos pela matem atica classica, ou aumentamos
a base de conhecimentos a m de incluir tal entrada. Por exemplo, com
o auxlio de um especialista, alguem poderia dar uma sada lingustica,
e dizer que a mesma e em torno de 12 m.
As imprecisoes comentadas acima est ao presentes exclusivamente na
entrada e/ou na sada, e n ao na base de conhecimentos, que deve ser
apenas ajustada de modo a entender cada entrada imprecisa. No
entanto, h a situa coes para as quais a pr opria base de conhecimentos
est a carregada de imprecisoes, por ser parcialmente desconhecida ou
depender fortemente de informa coes de um especialista. Este e o caso
em que o sistema e construdo por meio de termos lingusticos.
Quando as imprecisoes s ao modeladas matematicamente valendo-se
de ferramentas fuzzy, como conjuntos fuzzy e a logica fuzzy, entao o
sistema de entradas e sadas e chamado de Sistema Fuzzy.
Se no Exemplo 6.5 as entradas fossem da forma em torno de e
modeladas por n umeros fuzzy triangulares, como vistos no Captulo 2,
poderamos utilizar o princpio de extensao de Zadeh, ou mesmo da
multiplica cao de n umero real por n umeros fuzzy (que, neste caso, for-
mariam a base de conhecimentos), para obter como sada um n umero
fuzzy, tambem da forma em torno de. Porem, ainda assim a base de
conhecimentos seria dada pela fun cao p = 4
l, onde

l indica o n umero
fuzzy em torno de l.
A logica fuzzy mostra de fato a sua grande contribui cao nas situa coes
em que a base de conhecimentos, que produz as sadas, tem estrutu-
ras qualitativas que podem ser descritas por uma cole cao de regras da
forma se . . . ent ao . . .

E precisamente neste ponto que os conectivos,
implica coes e rela coes fuzzy mostram sua grande utilidade.
6.3.1 Capacidade de Aproximar
Consideremos um sistema fuzzy que, a cada entrada x X, faz corres-
ponder uma unica sada y Y. No Captulo 5 vimos varios exemplos
de sistemas fuzzy, com destaque para os controladores fuzzy. O Exem-
plo 5.3 e um sistema de duas entradas e uma sada: a cada par (x, y)
de n umeros reais e associado um n umero real u. O sistema fuzzy de-
ne portanto uma fun cao f
: D R
2
R . Tambem o Modelo
5.6.2 (HIV) tem estas caractersticas. J a o controlador do Modelo 5.6.1
(Salinidade) induz a uma fun cao g
: D R
3
R.
O que queremos salientar com esses exemplos e que, cada um deles
produz uma fun cao que mapea um domnio de entradas X em um contra-
domnio de sadas Y . Esta e uma caracterstica dos sistemas baseados
em regras fuzzy e e a que queremos explorar aqui com o proposito de
aproximar um possvel funcional (teorico) modelador de determinado
fenomeno.
A grande utilidade dos sistemas fuzzy (controladores fuzzy) no estudo
de aproxima cao est a no fato de poder substituir, com alguma credi-
bilidade, a tal fun cao teorica, uma vez que esta pode apresentar muitas
diculdades de manipula cao ou mesmo ser apenas conhecida parcial-
mente. Por exemplo, qual fun cao teorica poderamos propor para prever
a salinidade supercial estudada no Modelo 5.6.1?
Em todos os exemplos citados aqui, foram adotados ou o metodo de
inferencia de Mamdani ou o TSK e, portanto, a t-norma e a do mnimo
enquanto a t-conorma e a do m aximo. Porem, outro tipo de controlador
pode ser adotado e, neste caso, outras t-normas e t-conormas podem ser
usadas. De um modo geral, cada uma das fun coes f
, dadas por um
sistema fuzzy, depende:
(a) das fun coes de pertinencia dos conjuntos fuzzy da base de regras;
(b) da t-norma e t-conorma envolvidas;
(c) do metodo de defuzzica cao adotado.
Aqui vale uma observa cao que pode ajudar a compreender matema-
ticamente o papel dos sistemas fuzzy (mais especicamente dos contro-
ladores fuzzy), principalmente para o leitor que tem certa familiaridade
com os metodos matem aticos de simula cao numerica.
Para cada conjunto de pares de dados (x
i
, y
i
), 1 i r, com x
i
X e
y
i
Y , o metodo de ajuste classico dos quadrados mnimos fornece uma
fun cao f
r
: X Y , com certas propriedades: se y
i
= f(x
i
), onde f e
uma fun cao teorica desconhecida, isto e, conhecemos o valor da fun cao
apenas em cada x
i
, que vale y
i
, entao a fun cao ajustada f
r
se aproxima
de f à medida que o n umero de dados r aumenta.
Analogamente, no caso dos sistemas fuzzy, em vez de pares (x
i
, y
i
),
s ao dados pares (A
i
, B
i
) na forma se x e A
i
entao y e B
i
, onde A
i
s ao
subconjuntos fuzzy de X e B
i
s ao subconjuntos fuzzy de Y . Levando-se
em conta as caracterstica (a), (b) e (c) acima para a fun cao ajustada,
os sistemas fuzzy fornecem fun coes f
r
, onde r e o n umero de regras da
base de regras.
Antes de enunciar o principal resultado dessa se cao, que tratar a da
aproxima cao da fun cao teorica (f) por uma seq uencia de sistemas fuzzy,
vamos observar que a base de regras deve cobrir totalmente o gr aco
da fun cao f .
Suponhamos que a base de regras seja dada pelo Quadro 6.1 abaixo.
R
1
: Se x e A
1
ent ao y e B
1
ou
R
2
: Se x e A
2
ent ao y e B
2
ou
.
.
.
.
.
.
ou
R
r
: Se x e A
r
ent ao y e B
r
Quadro 6.1: Base de regras para a aproximacao da funcao teorica f.

A representa cao gr aca de cada uma das regras e conhecida por gr a-
nulo. A Figura 6.1 e uma representa cao gr aca dos gr anulos das regras
acima, no plano cartesiano.
Figura 6.1: Granulos e a funcao teorica f.
O gr aco na Figura 6.1 ilustra como um sistema fuzzy pode aproximar
uma fun cao. Como ja dissemos acima, e importante que os gr anulos da
base de regras cubram o gr aco da fun cao teorica f a ser aproximada.
Genericamente, uma classe B de objetos aproxima uma classe A se
cada elemento de A tem um elemento de B pr oximo a ele. Neste
caso, na linguagem matem atica, diz-se que B e denso em A. Exemplos
classicos destes fatos s ao: o conjunto dos n umeros racionais (Q) e denso
no conjunto dos reais (R), o que signica que qualquer n umero real
pode ser aproximado por um racional; o conjunto dos polin omios que e
denso no conjunto das fun coes contnuas (esse e o famoso Teorema de
Weierstrass); as redes neurais que aproximam fun coes contnuas (veja
[132]).
A seguir vamos enunciar dois importantes resultados, do ponto de
vista teorico, no estudo de aproxima cao de fun coes contnuas por siste-
mas fuzzy, mais precisamente por controladores fuzzy.
Para entender melhor os resultados, faz-se necessario a seguinte classe
T das fun coes f
r
: R
n
R, obtidas a partir dos sistemas fuzzy:
f

r
(x
1
, x
2
, . . . , x
n
) =
r
j=1
y
j
(
A
1j
(x
1
)
A
nj
(x
n
))
r
j=1
A
1j
(x
1
)
A
nj
(x
n
)
, (6.7)
onde r e o n umero de regras e
A
1j
, . . . ,
A
nj
s ao as fun coes de per-
tinencia dos conjuntos fuzzy A
ij
, 1 i n e 1 j r e e uma
t-norma.
Teorema 6.6 (Nguyen). Se a t-norma adotada no controlador fuzzy
for a do mnimo (ou do produto) e as func oes de pertinencia forem do
tipo gaussiana, ent ao a classe T, das func oes f
r
(obtida a partir dos
sistemas fuzzy), e densa na classe das func oes contnuas, denidas em
um compacto (por exemplo, um intervalo fechado da reta).
Este teorema pode ser entendido da seguinte forma: para cada fun cao
contnua (no nosso discurso, a fun cao teorica f) existe uma sequencia
de fun coes f
r
, produzidas por sistemas fuzzy, que est ao sucientemente
pr oximas da fun cao teorica f.
Demonstra c ao. A prova deste teorema pode ser encontrada em [10] ou
[95].
O teorema acima tem grande import ancia teorica nos controladores
fuzzy do tipo TSK cuja sada n ao e defuzzicada e tem a forma das
fun coes f
r
denidas em (6.7).
Teorema 6.7 (Nguyen). Suponhamos que as func oes de pertinencias que
comp oem a base de regras sejam contnuas e com valores nulos fora
de intervalos (como por exemplo, as triagulares ou trapezoidais). Se
a t-norma e a t-conorma s ao contnuas e for adotado um metodo de
defuzzica c ao, como centro de gravidade ou media dos m aximos, ent ao
6.4 Controladores Fuzzy aplicado a Sistemas Dinamicos 181
a classe T das func oes f
r
e densa na classe das func oes denidas e
contnuas em conjuntos compactos.
Demonstra c ao. A prova deste teorema pode ser encontrada em [10] ou
[95].
Por tr as destes teoremas existe o seguinte fato: quanto maior for o
n umero de regras (maior r) mais pr oxima do valor teorico esperado ser a
a sada do controlador. Quanto mais regras, menores s ao os suportes
dos conjuntos fuzzy da base de regras e assim, menores s ao os gr anulos
aos quais o gr aco da fun c ao teorica deve pertencer (veja Figura 6.1).
Este resultado e muito semelhante ao teorema de Weierstrass, trocando-
se os graus dos polin omios aproximadores (n) pelo n umero de regras
(r). Neste sentido, podemos dizer que os controladores fuzzy desem-
penham papel de fundamental import ancia em determinadas areas da
matem atica como a Analise Numerica.
O leitor com interesse neste assunto pode consultar outros tipos de
aproxima coes de fun coes na disserta cao de mestrado de Bando [10].
A seguir vamos ilustrar o potencial de aplica cao da capacidade de
aproxima cao dos controladores fuzzy voltada para sistemas evolutivos
especcos.
6.4 Controladores Fuzzy aplicado a Sistemas
Dinamicos
Esta se cao encerra o Captulo 6 destacando a propriedade de apro-
xima cao dos controladores fuzzy especicamente para sistemas din amicos.
Alem disso, proporemos uma metodologia para estimar solu coes de sis-
temas din amicos tradicionais por meio dos controladores fuzzy.
Os sistemas din amicos tradicionais tem a forma
x
t+1
= F(x
t
) x
t+1
x
t
= f(x
t
) (6.8)
para o caso discreto, e
dx
dt
= f(x) (6.9)
para o caso contnuo.
O fato e que em ambos os casos o campo f representa varia cao e o
sistema e estudado a partir deste. No entanto, se f n ao for dada expli-
citamente ou pior ainda, se por algum motivo ela e conhecida apenas
parcialmente, com base nas caractersticas do fenomeno que se deseja
modelar, entao, como estudar a evolu cao do sistema? Tradicionalmente,
em um primeiro momento, o que se faz e adotar uma express ao ma-
tem atica para f que contemple tais caractersticas.
O que sugerimos aqui e a ado cao de um modelo lingustico fuzzy cuja
base de regras e construda a partir das caractersticas do fenomeno.
Mais ainda, as variaveis de estado devem ser as entradas enquanto as
sadas devem representar varia c oes dos estados. Essa e a particulari-
dade dos controladores fuzzy aplicados a sistemas din amicos.
Claro que, do ponto de vista de modelagem, tal procedimento faz
sentido quando as informa coes disponveis s ao de grande import ancia
para o fenomeno. Como as regras s ao formuladas baseando-se no que se
conhece do fenomeno, espera-se que a fun cao f
r
, dada pelo controlador
(Se cao 6.3.1) capte tal conhecimento.
Deste modo podemos substituir o campo teorico f pelo f
r
, e estudar
as solu coes da equa cao de diferen cas
x
t+1
x
t
= f
r
(x
t
) (6.10)
para o caso discreto; e da equa cao diferencial
dx
dt
= f
r
(x) (6.11)
para o caso contnuo.
6.4 Controladores Fuzzy aplicado a Sistemas Dinamicos 183
Dependendo das propriedades matem aticas de f (continuidade, por
exemplo) e da metodologia escolhida para os controladores, espera-se
que as solu coes de (6.8) e de (6.9) convirjam para as solu coes de (6.10)
e (6.11) respectivamente, uma vez que f
r
converge para f a medida
que o n umero de regras (r) cresce. Ha situa coes em que a fun cao f
r
e
explicitamente conhecida (ver Teorema 6.6, [47, 117] e suas referencias).
Por exemplo, f
r
pode ser dada na forma racional quociente entre
polin omios (ver [94] e suas referencias). Nestes casos, (6.10) e/ou (6.11)
podem ter solu coes analticas.
A seguir detalharemos um pouco mais a metodologia que pretendemos
adotar neste texto. Um estudo mais aprofundado dos sistemas din amicos
por meio de controladores fuzzy ser a feito no Captulo 9.
Suponha que um determinado fenomeno seja modelado matematica-
mente pelo Problema de Valor Inicial (PVI)
_
_
_
dx
dt
= f(t, x)
x(t
0
) = x
0
(6.12)
cuja solu cao e
x(t) = x
0
+
t
_
t
0
f(s, x(s))ds. (6.13)
Considere um controlador fuzzy com r regras que levam em conta
caractersticas do campo f. Esta base de regras, via algum controlador
fuzzy, dene uma fun cao f
r
.
Suponha que f
r

r
f, como discutido na Se cao 6.3.1. Suponha
ainda que a fun cao f
r
tenha boas propriedades de modo que o PVI
_
_
_
dx
dt
= f
r
(t, x)
x(t
0
) = x
0
(6.14)
tenha solu cao dada por
x
r
(t) = x
0
+
t
_
t
0
f
r
(s, x(s))ds. (6.15)
A questao que se coloca e a seguinte:
Sob quais condi coes x
r

r
x se f
r

r
f ?
Isto e, sob quais condi coes a convergencia das fun coes f
r
para f implica
na convergencia de suas integrais para a integral de f?
As respostas para essa questao s ao tpicas da area de analise ma-
tem atica, como os teoremas da convergencia mon otona ou da conver-
gencia dominada de Lebesgue. Uma resposta à questao acima, para
compactos da reta, o leitor pode encontrar em [46].
Com o intuito de estudar a metodologia apresentada aqui, alem de
admitir que x
r

r
x, assumiremos que cada fun cao f
r
tenha proprie-
dades que nos assegurem que o problema (6.14) est a bem colocado e sua
solu cao seja dada por (6.15).
Finalmente, como a fun cao f
r
do controlador fuzzy e usualmente dada
na forma de tabela, usaremos metodos numericos classicos para obter
solu coes numericas de (6.14), isto e, o metodo fornecer a uma sequencia
x
r
n
que estima x
r
.
Como estamos admitindo que x
r

r
x, e que x
r
n

n+
x
r
, espera-
mos que x
r
n
n
r
x. Basicamente, esta e a metodologia que queremos
utilizar aqui para obter estimativas de solu coes de equa coes diferenciais
ordinarias a partir de controladores fuzzy quando s o temos informa coes
parciais sobre o campo de dire coes. Veja um primeiro exemplo na Se cao
8.1.5 do Captulo 8.
Alem dessa metodologia para modelos contnuos, exploraremos tam-
bem metologia an aloga para o caso discreto no Captulo 9.
Captulo 7
Medidas, Integrais e Eventos Fuzzy
Por toda a parte, em todos os ramos
do conhecimento, h a a tendencia para
o quantitativo, para a medida, de modo
tal que pode armar-se que o estudo
propriamente cientco de cada ramo
comeca quando nele se introduz a
medida e o estudo da varia c ao
quantitativa como explica c ao da
evoluc ao qualitativa.
(B. J. Caraca)
O objetivo neste captulo e, prioritariamente, discutir questoes relacio-
nadas com certos tipos de subjetividades qualitativas e formula coes ma-
tem aticas para suas mensura coes. Procuramos discutir e esclarecer as
diferen cas/semelhan cas b asicas entre a probabilidade e a possibilidade,
sendo esse ultimo conceito exclusivo da teoria dos conjuntos fuzzy.
Intuitivamente, a probabilidade de um evento est a relacionada à sua
ocorrencia. J a a pertinencia relaciona-se com a identica cao do mesmo.
Num experimento aleatorio, a incerteza termina a partir do momento em
que o evento ocorreu. No caso fuzzy, a d uvida persiste. Aqui o evento
n ao e claro; ele tem fronteiras incertas. Por exemplo, no caso proba-
bilstico, ap os jogar uma moeda, n ao teremos d uvidas sobre o resultado:
cara ou coroa. No caso fuzzy, pode haver d uvida na identica cao da face
186 Medidas, Integrais e Eventos Fuzzy
da moeda.
Para situar razoavelmente as questoes de interesse, abordaremos al-
guns conceitos pertencentes à An alise Fuzzy, como medida fuzzy e in-
tegral fuzzy, que servir ao para denir esperan ca fuzzy de uma vari avel
incerta. Tais conceitos ser ao utilizados em aplica coes nos captulos se-
guintes.
7.1 Medidas Classicas e Medidas Fuzzy
A Teoria da Medida e uma das grandes areas da Analise Matematica.
A no cao de medida generaliza os conceitos habituais de comprimento,
de area, de volume etc. A medida de probabilidade e um caso tpico de
uma medida, com a unica restri cao que seu contra-domnio e o intervalo
[0, 1]. Como veremos, tambem as medidas fuzzy aqui estudadas tem esse
contra-domnio. Por isso, a unica medida classica de interesse aqui e a
de probabilidade.
O leitor interessado em Teoria Geral da Medida pode consultar, por
exemplo, Bartle [20] ou Honig [62], entre tantos outros livros interessan-
tes.
7.1.1 Medida de probabilidade
Sempre foi uma das preocupa coes da humanidade avaliar fenomenos e,
por meio da regularidade de suas ocorrencias, fazer previs oes. Em grande
parte dos experimentos analisados, as ocorrencias s ao aleatorias. Nesse
caso, a abordagem estocastica associa cada experimento aleatorio a um
espa co amostral. Para cada espa co amostral existem os eventos, e para
cada evento surge a necessidade de se avaliar sua ocorrencia.
O interesse maior e saber como medir a chance de ocorrencia do evento
ou sua probabilidade, que e representada por um n umero. Considerando
experimentos com um n umero nito de resultados, a probabilidade de
um evento foi denida como sendo a raz ao entre o n umero de casos
7.1 Medidas Classicas e Medidas Fuzzy 187
favor aveis para sua ocorrencia e o n umero de casos possveis do espa co
amostral. A deni cao axiomatica de probabilidade foi posteriormente
dada por Kolmogorov [75].
Como ja dissemos, a ideia central na deni cao de probabilidade e iden-
ticar cada evento como um subconjunto de um espa co amostral e asso-
ciar a esse conjunto um n umero para indicar a chance de sua ocorrencia.
Dessa forma, a probabilidade e simplesmente uma fun cao real de con-
juntos. Formalmente, uma fun cao de conjuntos e uma probabilidade se
satiszer algumas propriedades, pr oprias de uma medida.
Denicao 7.1. Uma probabilidade P em um espa co e denida em uma
famlia / de subconjuntos de (que forma o domnio de P) chamada
de -algebra. Tal -algebra deve satisfazer os seguintes axiomas:
(
1
) O conjunto vazio est a em /;
(
2
) Se um evento A pertence à /, entao seu complementar A
= A
pertence à /;
(
3
) Se cada evento A
1
, A
2
, . . . pertence à /, entao sua uni ao pertence
a /.
Como consequencia dos axiomas da -algebra / tem-se:
(
4
) O espa co amostral perten ce à /;
(
5
) Se cada evento A
1
, A
2
, . . . pertence à /, entao a intersec cao desses
eventos pertence à /.
Numa escrita mais formal, tem-se:
_
_
(
1
) /
(
2
) A / =A
/
(
3
) A
1
, A
2
, . . . , A
i
, . . . / =
_
iN
A
i
/
(
4
) /
(
5
) A
1
, A
2
, . . . , A
i
, . . . / =
iN
A
i
/.
(7.1)
Um exemplo de -algebra e o conjunto de todos os subconjuntos de
, chamado de conjunto das partes de : P() = A : A .
Propriedade 7.2. Estabelecido o domnio / da probabilidade P, esta
deve satisfazer os axiomas:
(P
1
) Para todo evento A de /, a probabilidade P(A) e um n umero real
entre zero e um;
(P
2
) A probabilidade do espa co amostral (evento certo) e 1 ;
(P
3
) A probabilidade da uni ao de eventos, dois a dois disjuntos, e a
soma de suas probabilidades.
Numa escrita mais formal
_
_
(P
1
) A / =0 P(A) 1;
(P
2
) P() = 1;
(P
3
) Se A
1
, A
2
, . . . , A
i
, . . . / e A
i
A
j
= , i ,= j,
entao P
_
iN
A
i
_
=
iN
P(A
i
)
. (7.2)
A propriedade P
3
e denominada -aditividade.
Como consequencia dos axiomas de probabilidades tem-se:
(P
4
) P() = 0; isso porque = . . . . Da, segue que
P() = P() + P(). Portanto, P() = 0.
(P
5
) Se A B entao P(A) P(B) (monotonicidade);
(P
6
) A /, P(A
) = 1 P(A) (complementar), onde A
e o comple-
mentar de A;
(P
7
) A, B /, P(A B) = P(A) +P(B) P(A B) (aditividade);
(P
8
) Se A
1
A
2
. . . A
i
. . . entao P
_
iN
A
i
_
= lim
i
P(A
i
)
(continuidade);
(P
9
) Se A
1
A
2
. . . A
i
. . . entao P
_
iN
A
i
_
= lim
i
P(A
i
)
(continuidade).
Na teoria de probabilidade, ou mais geralmente, em teoria de medida,
P deve ser -aditiva. Entretanto, esta propriedade e muito forte e acaba
excluindo, da teoria de medidas, conceitos que nos parecem passveis de
mensura cao.
O exemplo a seguir ilustra melhor como e forte a exigencia da -
aditividade.
Exemplo 7.1. Suponha que deseja-se medir a produtividade de um
grupo de trabalhadores de uma determinada ind ustria. Seja (A) a
produtividade de um subconjunto A destes trabalhadores. Nesse caso,
n ao e razo avel que seja necessariamente aditiva, isto e, que (AB) =
(A)+(B), ainda que AB = . Pode ocorrer (AB) < (A)+(B)
se houver incompatibilidade entre as opera coes de A e B.
1
Como o exemplo acima, em muitas areas existem fenomenos que de-
vem ser medidos mas n ao e razo avel esperar aditividade na medida
sugerida. Ainda na decada de 1950, Choquet [39] usou o conceito de
1
Adaptado de Murofushi [90]
medida de capacidade em problemas de mec anica. Tais medidas n ao
requerem a -aditividade presente na deni cao de uma medida classica.
Em resumo, se fun coes aditivas s ao admissveis para medir incerte-
zas, entao deve haver espa co para as fun coes n ao aditivas tambem. A
questao e: quais tipos de incertezas precisam de modelos matem aticos?
Essa e uma questao generica e por isso mesmo de difcil resposta. Uma
coisa e certa, o homem cada vez mais procura respostas traduzidas por
n umeros para suas incertezas.
7.1.2 Medidas Fuzzy
Com o principal objetivo de exibilizar a -aditividade, rgida proprie-
dade exigida na medida classica, Sugeno em 1974 [122] sugeriu o conceito
de medida fuzzy, substituindo o axioma P
3
, da medida de probabilidade,
pela propriedade P
7
da continuidade da medida. Aqui, em nosso texto,
as medidas com essa mudan ca ser ao denominadas de Medidas de Sugeno.
Denicao 7.3 (Medida de Sugeno). Seja / uma -algebra de ,= .
Uma aplica cao
S
: / [0, 1] e denominada uma medida de Sugeno se
(i)
S
() = 0 e
S
() = 1;
(ii) A, B /, se A B, entao
S
(A)
S
(B);
(iii) Se A
1
A
2
. . . A
i
. . . entao
S
_
iN
A
i
_
= lim
i
S
(A
i
);
(iv) Se A
1
A
2
. . . A
i
. . . entao
S
_
iN
A
i
_
= lim
i
S
(A
i
).
Outra classe de medidas que desempenha papel de destaque na teoria
dos conjuntos fuzzy s ao as chamadas medidas fuzzy.
A propriedade fundamental que uma medida deve ter, para a partir
da se fazer uma teoria de integra cao, e a monotonicidade. Com esta
ferramenta disponvel e possvel ampliar o alcance da matem atica na
modelagem de problemas da realidade.
A deni cao de medida fuzzy nem sempre e a mesma na literatura.
Por exemplo, e comum exigir apenas que tal medida seja mon otona e
positiva. No entanto, entre as diversas deni coes, o que h a em comum
e a exigencia de monotonicidade e que a medida do vazio seja zero, a
exemplo do que cumpre a medida de capacidade de Choquet (veja [39]).
Nesse texto a deni cao que adotaremos para medida fuzzy e a seguinte:
Denicao 7.4. Seja / uma algebra de ,= . Uma aplica cao :
/ [0, 1] e denominada uma medida fuzzy se
(i) () = 0 e () = 1;
(ii) (A) (B) sempre que A B.
Com essa deni cao, uma medida de Sugeno e uma particular medida
fuzzy.
Exemplo 7.2. Sejam / uma algebra e a fun cao de conjuntos g
:
/ [0, 1] satisfazendo:
(1) g
() = 1;
(2) g
(A B) = g
(A) +g
(B) +g
(A)g
(B), para algum > 1, se

A B = .
Vamos mostrar que g
e uma medida fuzzy.

De fato, basta vericar que g
() = 0 e que g
(A) g
(B) se A B.
1 = g
() = g
( ) = g
() + g
() + g
()g
() =
= 1 +g
() +g
(),
ou seja,
1 = 1 +g
() +g
() (1 +)g
() = 0.
Da, de (2) vem que g
() = 0 pois > 1 ja que = .

Se A B entao B = A (B A) e A (B A) =
g
(B) = g
(A (B A))
= g
(A) +g
(B A) +g
(A)g
(B A)
= g
(A) + [1 +g
(A)]g
(B A).
Porem, [1 +g
(A)]g
(B A) 0. Portanto, g
(B) g
(A).
Exerccio 7.1. Prove que para = 0, g
e uma medida de Sugeno se, e

somente se, e uma medida de probabilidade. (Sugestao: ver Proposi cao
1.4 em [68])
Exemplo 7.3. Consideremos uma alcateia com n lobos, matematica-
mente, = x
1
, x
2
, . . . , x
n
. A cada elemento do espa co nito atri-
bumos um n umero p
i
[0, 1] para seu grau de preda cao. Tal valor pode
estar associado à idade do lobo em questao, distinguindo lhote, jovem,
adulto ou velho. Vamos denir no conjunto P() das partes de , uma
fun cao de conjuntos g que mede a potencialidade de preda cao numa
ca cada:
Apenas para a alcateia inteira, o potencial de ca cada e m aximo:
g() = g(x
1
, x
2
, . . . , x
n
) = 1.
Para ca cadas de dois grupos A e B, com A B = , tomamos
g(A B) = g(A) +g(B) +g(A)g(B) para algum > 1.
De acordo com o Exemplo 7.2, o potencial de preda cao, dado por g,
e uma medida fuzzy.
Vamos explorar um pouco mais o Exemplo 7.3, investigando seu poder
de modelar o fenomeno aqui considerado, avaliando o desempenho da
participa cao dos lobos mais jovens numa ca cada:
Se cooperam pouco (capturam e tambem espantam as presas),
entao escolhemos no intervalo aberto (1, 0);
Se cooperam moderadamente (n ao espantantando as presas) temos
= 0;
Se cooperam fortemente (captam e fazem as presas correrem em
dire cao aos lobos mais fortes), entao devemos considerar > 0.
Na teoria dos conjuntos fuzzy um conceito bastante estudado e o de
possibilidade. Tal assunto foi introduzido por Zadeh e tem ganhado
muito destaque, tanto na teoria como na sua aplicabilidade. Devido à
no cao de distribui cao de possibilidade, a compara cao com a medida de
probabilidade e frequentemente discutida.
7.1.3 Medida de possibilidade
Em 1978 Zadeh publicou o primeiro artigo que trata da medida de pos-
sibilidade [131]. Tal artigo traz importantes discussoes no sentido de en-
tender e distinguir o conceito de possibilidade do de probabilidade. Uma
dessas discussoes e a respeito da arma cao, aparentemente ingenua, mas
bastante frequente no dia-a-dia: tal fato e possvel mas improvavel.
Isto sugere que, seja qual for a no cao de possibilidade () adotada, deve-
se ter (A) P(A). Atualmente, tal desigualdade tem sido bastante
debatida e costuma ser chamada de princpio da consistencia.
Para introduzir o conceito de medida de possibilidade e interessante
algumas reexoes preliminares.
Suponha que em um determinado problema deseja-se obter o valor
de um par ametro
0
. Porem, a unica informa cao disponvel e que tal
valor pertence a um determinado espa co . Esse conhecimento parcial a
respeito de
0
indica que algum modelo de incerteza deve ser usado para
estimar
0
. Se por algum motivo sabe-se que todos os elementos de
s ao igualmente possveis, entao, pela metodologia Bayesiana, poder-se-
ia supor uma distribui cao uniforme em para se estimar
0
. Do ponto
de vista de possibilidade essa informa cao pode ser descrita por meio de
uma fun cao de pertinencia onde os elementos de tem o mesmo grau
de pertinencia.
Agora, se houver informa coes de gradualidades (dadas por um especi-
alista, por exemplo), isto e, que h a elementos mais plausveis que outros
em , como tratar tal informa cao? Novamente, o tratamento Bayesiano
sugere a ado cao de uma distribui cao de probabilidade (qual deve ser
a adotada e uma questao a ser debatida) para, a partir da, us a-la no
sentido de se obter
0
.
Na Teoria dos Conjuntos Fuzzy, a informa cao do especialista e tratada
por meio de fun coes de pertinencia onde ele (o especialista) indica qual
dos elementos de deve ter maior ou menor peso, de acordo com seu
conhecimento.
A ado cao de um modelo matem atico, concebido a priori, ou de um
construdo juntamente com um especialista, e uma diferen ca crucial
entre a teoria de probabilidade e a de possibilidade no tratamento ma-
tem atico de incertezas.
Em resumo, na teoria estocastica, as informa coes disponveis s ao tra-
tadas por meio de fun coes de densidade de probabilidade. Na teoria
dos conjuntos fuzzy, tais informa coes s ao modeladas por fun coes de per-
tinencia : [0, 1], que podem ser construdas segundo um especia-
lista e () indica a possibilidade de ser
0
. Como veremos, a fun cao
e vista como uma distribui c ao de possibilidades sobre . Note que,
formalmente, e simplesmente uma fun cao de pertinencia de algum
subconjunto fuzzy de .
O exemplo a seguir ilustra o tratamento de informa coes tpicas de
especialista que podem ser modeladas por meio de uma distribui cao de
possibilidade.
Exemplo 7.4. Na proposi cao X e um n umero pequeno, considere que
n umero pequeno e dado por um subconjunto fuzzy de n umeros inteiros
n ao-negativos. Neste caso, tem-se mais uma distribui cao de possibili-
dade (n ao formalmente denida ainda) que uma distribui c ao de proba-
bilidade de X. Ou seja, e possvel dizer com que grau um n umero inteiro
n se ajusta à no cao subjetiva de n umero pequeno. Este grau pode ser
dado por um valor,
X
(n), o qual indica tendencia de n ser pequeno
e
X
: N [0, 1] e interpretada como uma distribui cao de possibilidade
para X sobre o conjunto dos n umeros naturais. Por outro lado, como
sugerir um n umero P(n) para a probabilidade de n?
A seguir faremos um resumo sobre a teoria de possibilidades.
Denicao 7.5. Uma distribui c ao de possibilidade sobre o conjunto ,=
e uma fun cao : [0, 1] satisfazendo sup
() = 1.
Note que qualquer subconjunto fuzzy normal de dene uma distri-
bui cao de possibilidade sobre .
Denicao 7.6. Uma medida de possibilidade sobre e uma fun cao de
conjuntos : / [0, 1], satisfazendo:
(a) () = 0 e () = 1;
(b) Para qualquer famlia A
iJ
de subconjuntos de tem-se
iJ
A
i
_
= sup(A
i
) : i J,
onde J um conjunto de ndices.
No sentido estrito, uma medida de possibilidade nada mais e que um
subconjunto fuzzy do conjunto das partes de , uma vez que seu contra-
domnio e o intervalo [0, 1]. Note que, dada a medida de possibilidade
, esta induz uma fun cao de distribui cao de possibilidades,
, sobre
atraves de sua restri cao aos elementos de , ou seja,
() = ().
Por outro lado, dada uma fun cao : [0, 1], de distribui cao de
possibilidade, esta induz uma medida de possibilidade sobre dada por
(A) =
_
_
_
sup
A
() se A ,=
0 se A =
,
para todo A /.
Segue da deni cao de medida de possibilidade que, para quaisquer
subconjuntos (classicos) A, B /
(A B) = max (A), (B) .
No sentido de enfatizar as diferen cas entre distribui cao de probabili-
dade e de possibilidade damos o exemplo a seguir.
Exemplo 7.5. Depois de alguns dias perdido num deserto, um sujeito
encontra um oasis com duas fontes de agua. Na primeira fonte h a uma
tabuleta com os dizeres a probabilidade da agua estar contaminada e
0, 02. Isto e, P(A) = 0, 02. Na outra fonte, a inscri cao na tabuleta e
o grau de contamina cao desta fonte e de 0, 02, ou seja, (A) = 0, 02.
A questao que se imp oe e escolher de qual fonte o indivduo poder a
saciar sua sede.
Observamos que a d uvida, neste caso, n ao e apenas uma questao de
sem antica mas de sa ude, pois se o indivduo beber da primeira fonte,
ter a grande chance de beber agua potavel, mas corre o risco de ser
envenenado em 2%. Se escolher a segunda fonte, o sujeito tem certeza
que n ao estar a bebendo agua totalmente potavel e seu unico risco ser a
algo como uma diarreia ou dor de cabe ca.
Observe que somente se ter a certeza do conte udo de cada fonte a pos-
teriori o processo de inferencia e um esfor co racional para prever o
desconhecido. O que se deve arguir e que tipo de conhecimento instrui
melhor a tomada de decis ao. Pode-se notar neste exemplo que as duas
estruturas logicas resultam em dois processos distintos de aquisi cao de
conhecimento, duas alternativas epistemologicas. O que informa melhor
o conhecimento: chance ou tendencia? Admitir que seja chance e ad-
mitir que as coisas s ao ou n ao s ao no caso da primeira fonte, onde a
informa cao e dada pela probabilidade de contamina cao a agua e ou
n ao totalmente potavel. Optar pela segunda fonte e decidir pelo grau
de contamina cao que indica a tendencia de contamina cao.
2
Probabilidade e graus de pertinencia tem naturezas distintas nas suas
interpreta coes. Embora ambas se expressem por valores de zero a um
e ambas indiquem incertezas, a probabilidade afere e informa a chance
de um determinado evento ocorrer, enquanto que pertinencia (ou possi-
bilidade) mede a tendencia do evento ser verdadeiro.
O exemplo a seguir tem por objetivo continuar enfatizando a dife-
ren ca entre probabilidade e possibilidade, porem destacando que nem
toda fun cao de pertinencia pode ser interpretada como distribui cao de
possibilidade.
Exemplo 7.6 (Epidemiologia). No estudo de epidemias e muito comum
o interesse do quao intensa a infecciosidade de determinada doen ca, isto
e, quantas pessoas s ao infectadas por um indivduo infeccioso. Tal infec-
ciosidade est a estreitamente relacionada com a taxa, [0, 1], com que
indivduos suscetveis se tornam infectados. Biologicamente o par ametro
, denominado coeciente de transmiss ao, est a diretamente ligado à
chance ou tendencia de ocorrer a transmiss ao da doen ca quando h a
contato potencialmente infectante entre um indivduo suscetvel e um
infectado.
Nos modelos classicos (determinsticos) tal par ametro e avaliado por
uma especie de media, obtida na popula cao e, com isso, os indivduos
infectantes tem o mesmo poder de infectar os suscetveis.

E como
se admitssemos homogeneidade na classe dos infectados. Entretanto,
2
Adaptado de Bezdek [27]
essa e uma hip otese bastante simplicadora ja que e bastante razo avel
se esperar o contr ario, ou seja, que haja indivduos com maior poder de
transmitir a doen ca que outros, e os motivos para isto s ao bem diversos
(ver Sadegh-Zadeh [111]). Um desses, e que ser a o unico considerado
aqui, e a carga viral que o indivduo infectante possui. Desse modo,
podemos considerar = (v) onde v representa a carga viral de um
indivduo infectante.
Das considera coes feitas ate aqui, o par ametro pode ser visto como
uma fun cao de pertinencia de algum subconjunto fuzzy do domnio em
que a carga viral toma seus valores. Como v pode ser traduzido por um
n umero, tal domnio e o conjunto dos n umeros reais. Assim,
: R
+
[0, 1].
O n umero (v) apenas reete o grau (correla cao) com que est a
relacionado com v, isto e, o efeito de v no par ametro . Sabendo-se o
valor efetivo (v
0
) da carga viral, tem-se, como consequencia, o valor de
.
Efetivamente, ate aqui n ao foi abordado qualquer tipo de incerteza.
Nenhuma informa cao a respeito da carga viral foi dada no sentido de se
obter v
0
e assim, nada indica que a fun cao de pertinencia corresponda
a uma distribui cao de possibilidade. Porem, junto a um especialista
da doen ca em questao, pode-se obter informa coes como, por exemplo,
que v
0
est a restrito a um intervalo v
min
, v
max
]. Nesse caso, podemos
pensar em um modelo matem atico na tentativa de avaliar v
0
, ja que um
espa co para o par ametro em questao foi selecionado. Se, alem do espa co
escolhido, soubermos que h a valores de v [v
min
, v
max
] mais plausveis
que outros, e com pesos (v) [0, 1], e possvel entao estabelecer uma
distribui c ao de possibilidade
: [v
min
, v
max
] [0, 1]
para v na expectativa de se avaliar v
0
.
Essa fun cao pode ser construda diretamente pelo especialista,
de acordo com seus conhecimentos empricos. Tal fun cao n ao precisa
ser nenhuma distribui cao de densidade de probabilidade conhecida a
priori. Mais ainda, n ao precisa ser uma densidade de distribui cao
de probabilidade sua integral n ao precisa ser necessariamente igual a
1. Com isso, estamos refor cando a diferen ca entre o metodo fuzzy e o
estocastico, no esfor co de obter uma estima cao, no caso do par ametro
v
0
.
`
A luz do exemplo acima podemos dizer que a densidade de distribui cao
de probabilidade est a para a medida de probabilidades assim como a
distribui cao de possibilidade est a para a medida de possibilidade. Por
exemplo, considere A = R.
Se para algum v [v
min
, v
max
] temos (v) = 1, entao a distribui cao
de possibilidade induz uma medida de possibilidade sobre dada por
(A) =
_
_
_
sup
vA
(v) se A ,=
0 se A =
.
Nao e difcil vericar que e tambem uma medida fuzzy.
Se
_
(v)dv = 1, entao e uma densidade de distribui cao de proba-

bilidade que induz uma medida de probabilidade em , dada por
P(A) =
_
A
(v)dv.
Nao e difcil vericar que P e uma medida de Sugeno. Porem
pode n ao ser uma medida de Sugeno. Por outro lado, em qualquer
espa co nito os conceitos de medida de possibilidade e de Sugeno s ao
equivalentes (ver [11]).
Para resumir, a Figura 7.1 ilustra uma certa hierarquia existente nas
medidas discutidas acima.
Figura 7.1: Hierarquia das medidas fuzzy.
A subse cao seguinte encerra nossa discussao a respeito de medidas.
7.1.4 Transformacao Probabilidade/Possibilidade
Em muitos problemas pr aticos e essencial uma maneira de transformar
probabilidade em possibilidade ou vice-versa. Por exemplo, construir
uma fun cao de pertinencia (distribui cao de possibilidade) de um con-
junto fuzzy a partir de um conjunto de dados estatsticos ou o inverso,
isto e, construir uma fun cao de densidade de probabilidade a partir de
uma distribui cao de possibilidade. Tambem, em muitos casos, pode ser
interessante comparar as informa coes obtidas a partir dos dois metodos
aplicados ao um mesmo fenomeno.
Na literatura, todos os metodos adotados para transformar proba-
bilidade em possibilidade, ou vice-versa, tem algo em comum: todos
obedecem ao princpio da consistencia, comentado no incio da Se cao
7.1.3:
P(A) (A) para todo A .
Aqui vamos nos concentrar apenas no metodo de transforma cao entre
probabilidade e possibilidade para o caso em que o espa co e nito.
Suponhamos que =
1
,
2
, . . . ,
n
. Alem disso,
1 = (
1
) (
2
) . . . (
n
) e P(
1
) P(
2
) . . . P(
n
).
As transforma coes mais simples, e as unicas que trataremos aqui, s ao
a) (
i
) =
P(
i
)
P(
1
)
ou b) P(
i
) =
(
i
)
n
i=1
(
i
)
.
O exemplo a seguir e um resumo de um estudo realizado por Castanho
[34] em sua tese de doutorado.
Exemplo 7.7 (Diagnostico do cancer de pr ostata). Ao diagnosticar um
cancer de pr ostata, o medico avalia o est agio em que esse se encontra,
para indicar o tratamento apropriado. Sabe-se que tratamentos, como
cirurgia ou radioterapia, tem grande chance de cura quando o cancer
est a connado no org ao.
Para fazer essa avalia cao o medico dispoe de informa coes dadas pelo
exame clnico (toque retal e/ou modalidades de imagem), exame de san-
gue que mede o nvel de antgeno prostatico especco (PSA) que e
uma substancia que aumenta com o aumento do tumor e pela bi opsia.
Na bi opsia o tumor e classicado pelo escore de Gleason de acordo com
o grau de diferencia cao das celulas (agressividade do tumor).
Combinando essas tres vari aveis e utilizando dados estatsticos, exis-
tem, na literatura urol ogica, varias tabelas que indicam a probabilidade
do paciente estar em determinado est agio de desenvolvimento da doen ca,
com envolvimento da capsula prostatica, envolvimento de vesculas semi-
nais, e com envolvimento de linfonodos pelvicos. Essas classica coes s ao
claramente imprecisas. As fronteiras entre cada um desses est agios n ao
s ao precisas nem bem denidas, o que sugere trat a-las como vari aveis
lingusticas, como vimos no Captulo 4.
Com as vari aveis utilizadas para prognosticar o est agio do cancer de
pr ostata foi desenvolvido um sistema baseado em regras fuzzy com a na-
lidade de se obter o est agio da doen ca. Neste sistema a vari avel de sada
(est agio da doen ca) e modelada por meio de conjuntos fuzzy. Entao,
para cada valor real que representa a sada do sistema, corresponde um
grau de pertinencia ao conjunto fuzzy que descreve determinado est agio
da doen ca. A proposi cao est agio da doen ca e connado, por exemplo,
permite ver esse grau como a possibilidade que a doen ca esteja con-
nada no org ao. Dessa forma, essa proposi cao dene uma distribui cao de
possibilidade no conjunto dos indivduos.
Assim sendo, temos informa coes de um mesmo fenomeno dadas em
termos probabilsticos (tabelas de probabilidade) e possibilsticos (sis-
tema baseado em regras fuzzy). Para vericar se essas informa coes s ao
consistentes, uma transforma cao probabilidade/possibilidade deve ser
utilizada.
Seja, por exemplo, um paciente com os seguintes dados pre-cir urgicos:
estado clnico classicado como palp avel ; circunscrito a menos da me-
tade de um lobo (lobo e cada uma das duas partes em que a pr ostata e
subdividida); nvel de PSA igual a 5, 3 ng/ml (ng siginica nanograma)
e grau de Gleason na bi opsia igual a 7, 0. Segundo o sistema baseado
em regras, a possibilidade desse paciente ter cancer connado no org ao
e 0, 60; de que tenha envolvimento capsular e 0, 93 e de ter envolvimento
de vesculas e/ou linfonodos e 0, 11. Utilizando a transforma cao
P(
i
) =
(
i
)
n
i=1
(
i
)
,
obtemos as seguintes possibilidades: 0, 36; 0, 57 e 0, 07, respectivamente.
Nas tabelas de probabilidade de Partin (ver [34]) encontramos 0, 33; 0, 52
e 0, 14 respectivamente. Pelo menos para este caso, podemos armar
que os resultados fornecidos em termos de probabilidade e possibilidade
indicam o mesmo est agio de desenvolvimento da doen ca.
O leitor pode encontrar outras transforma coes em diversos textos de
logica fuzzy [34, 40, 48, 49, 72, 121].
7.2 Integrais Fuzzy 203
Vamos encerrar essa se cao comentando que, no esfor co de se obter
um valor esperado que estime um certo par ametro, como discutimos
no Exemplo 7.6, alem do conceito de medida, precisamos da no cao de
integral, a exemplo do que e feito no caso classico.
Resumidamente, podemos tra car um paralelo entre as metodologias
estocastica e fuzzy a m de se obter valores que estimem, por exemplo,
par ametros.
No caso estocastico, a partir de um experimento aleatorio tem-se uma
fun cao de distribui cao de densidade que, por sua vez, induz uma medida
de probabilidade. A partir dessa medida, constroi-se uma integral para,
nalmente, se obter o valor esperado.
No caso fuzzy, a partir de um subconjunto fuzzy, mais precisamente, de
sua fun cao de pertinencia (que pode ser fornecida por um especialista,
ou construda a partir de um conjunto de dados estatsticos) tem-se
uma fun cao de distribui cao de possibilidade, que induz uma medida de
possibilidade (que e uma medida fuzzy).
A ideia agora e partir dessa medida fuzzy, construir uma integral
fuzzy e nalmente obter um valor esperado. Assim, na se cao seguinte
nos deteremos ao estudo de diversos tipos de integral.
7.2 Integrais Fuzzy
Acima apresentamos uma pequena justicativa da necessidade de se es-
tudar o conceito de integral, muito embora tanto na matem atica ou
mais geralmente nas ciencias exatas, tal conceito dispensa qualquer mo-
tiva cao. Sua import ancia nas disciplinas teoricas ligadas à Analise Ma-
tem atica n ao e menor que aquela devida às aplica coes em variados tipos
de problemas, como calculo de volumes, areas, energia, trabalho entre
tantos outros.
Nesta se cao, subdividida em subse coes, ser ao relatados alguns con-
ceitos e propriedades de integrais com respeito às medidas classicas e
fuzzy.
7.2.1 Integral de Lebesgue
Aqui ser a dada apenas a no cao da constru cao da integral de Lebesgue
com respeito a uma medida abstrata, sem qualquer interesse em questoes
tecnicas como, por exemplo, a existencia de tal integral.
A ideia e a seguinte: apoiados no fato que toda func ao positiva f
e limite de uma sequencia de func oes simples, denimos inicialmente
a integral de Lebesgue para fun coes simples e a integral da fun cao f
ser a denida como o limite das integrais destas fun coes simples que
convergem para f.
Suponha que g : [0, ) seja uma fun cao simples, ou seja,
g() =
k
i=1
A
i
(),
onde A
i
, 1 i k, e uma parti cao de e
A
i
e a fun cao caracterstica
de A
i
.
Denicao 7.7. Seja uma medida (-aditiva) em . A integral de
Lebesgue da fun cao simples g sobre , com respeito a medida (classica)
, e dada por
_
g d =
k
i=1
i
(A
i
). (7.3)
Exemplo 7.8. Considere g dada apenas por tres valores distintos:
1
,
2
,
e
3
, ou seja,
g() =
1
A
1
() +
2
A
2
() +
3
A
3
(), .
Entao
_
g d =
1
(A
1
) +
2
(A
2
) +
3
(A
3
).
Note que cada parcela
i
(A
i
) pode ser vista como uma area e a
integral de g e a area total da gura limitada pelo seu gr aco, pelas
retas verticais limtrofes da gura e pelo eixo . A Figura 7.2 ilustra a
integral de Lebesgue de g.
Figura 7.2: Integral de Lebesgue de uma funcao simples.
Por outro lado, a area citada acima, que d a a integral de Lebesgue
de g, pode ser obtida fazendo-se a parti cao no eixo vertical dos . Sob
este ponto de vista, tal area e dada por
: g() > 0(
1
0) + : g() >
1
(
2
1
)
+ : g() >
2
(
3
2
) =
=
_

3
0
: g() > d,
sendo que esta ultima corresponde à integral de Riemann da fun cao
h() = : g() > em rela cao a .
Desta forma, tem-se
_
g d =
_

3
0
: g() > d.
Este exemplo pode ser facilmente generalizado para qualquer fun cao
simples, ou seja,
_
g d =
i=0
: g() >
i
(
(i+1)
i
)
=
_

0
: g() > d. (7.4)
De acordo com o que foi dito, uma fun cao positiva f : [0, ) e
limite de uma sequencia de fun coes simples, sua integral de Lebesgue,
com respeito à medida (classica) , e o limite das integrais destas fun coes
simples. Da e de (7.4) vem que
_
f d = (area da gura entre o gr aco de f e )

=
_

0
h() d (7.5)
onde h() = : f() > .
A Formula (7.5) indica que a integral abstrata de Lebesgue de f pode
ser obtida pela integral de Riemann da fun cao que fornece a medida dos
nveis de f (veja Figura 7.3).
d
: f() > d
: f() >
Figura 7.3: Integral de Riemann da funcao h e a de Lebesgue da funcao f.
Uma consequencia imediata da Formula (7.5) e a seguinte:
Se X : [0, ) e uma vari avel aleatoria em com medida de
probabilidade P, entao
E(X) =
_
X dP =
_

0
P[X > x] dx,
onde E(X) e a esperan ca matem atica de X e [X > x] = :
X() > x.
Este e um resultado bastante utilizado no calculo da esperan ca es-
tocastica de vari aveis aleatorias e serve como motiva cao para integral de
Choquet, a qual tem sido utilizada tambem em teoria de integral fuzzy,
e n ao requer a aditividade na medida em questao.
Observe que se X for uma vari avel aleatoria com
X() 0 ,
entao
E(X) =
_

0
(1 F(x) dx)
onde F(x) = P(X x) e a distribui cao acumulada de X.
Para o caso discreto, tem-se
E(X) =
n=0
P(X > n) =
n=1
P(x n).
7.2.2 Integral de Choquet
Denicao 7.8. A integral de Choquet da fun cao f : [0, ) em
rela cao à medida (n ao necessariamente aditiva) e dada por:
(C)
_
f d =
_

0
: f() > d.
Note que se n ao for aditiva, algumas propriedades pr oprias da in-
tegral de Lebesgue deixam de valer. A principal delas e a linearidade,
isto e, se n ao for aditiva entao pode ocorrer que:
(C)
_
(af +g) d ,= a
_
(C)
_
f d
_
+ (C)
_
g d.
Intuitivamente, para se obter a integral de Choquet de uma fun cao
f : [0, ),
usa-se apenas o conceito de integral de Riemann nos nveis estritos de f,
os quais est ao denidos no contra-domnio (n umeros reais) dessa fun cao.
Choquet usou este conceito de integral com respeito à medida de ca-
pacidade (que n ao e aditiva) em estudos de mec anica [39].
7.2.3 Integral de Sugeno
A integral de Sugeno foi introduzida ainda na decada de 70 e foi a
primeira que recebeu o nome de integral fuzzy [122]. Tal integral foi
denida de modo que se pudesse defuzzicar um n umero fuzzy a partir
de uma medida que n ao fosse necessariamente -aditiva.
A deni cao dada aqui e para fun coes cujo contra-domnio e o intervalo
[0, 1], isto e, para fun coes de pertinencia de subconjuntos fuzzy. Ha casos
em que essa exigencia e deixada de lado [95].
Denicao 7.9. Sejam f : [0, 1] uma fun cao e uma medida fuzzy
sobre . A integral de Sugeno de f sobre , com respeito à medida ,
e o n umero
(S)
_
f d = sup
01
[ : f() ]
= sup
01
[ : f() > ]. (7.6)
Uma primeira observa cao a ser feita e que a integral de Sugeno pode
ser obtida formalmente, substituindo a soma pelo supremo (sup) e o
produto pelo mnimo () na integral de Lebesgue (ou na de Choquet).
Se A for um subconjunto classico de , entao
(S)
_
A
f d = sup
01
[ (A H()],
onde H() = : f() e denominada func ao nvel de f.
E interessante notar que H : [0, 1] [0, 1] e uma fun cao decrescente

e contnua em quase todo ponto [11]. Essa observa cao ter a utilidade no
entendimento dos pr oximos resultados.
Teorema 7.1. Sejam f : [0, 1] uma func ao (tpica de pertinencia)
e uma medida fuzzy sobre . Se a func ao H() = : f()
tem um ponto xo , ent ao
(S)
_
f d = = H(). (7.7)
Em outras palavras, a integral de Sugeno de f coincide com o ponto
xo de H, se este existir.
Demonstra c ao. A demontra cao deste teorema pode ser vista em [122].
A Figura 7.4 e uma ilustra cao deste teorema.
1
=
f
: f() >
(a) Gr aco de f e seu nvel .
1
H
H() =
Bissetriz
(b) = integral de Sugeno de f.
Figura 7.4: Ilustracao do Teorema 7.1.
A parte da curva destacada na Figura 7.4 (b) indica o valor de [
H()], para [0, 1], e tem como sup o valor , que e a intersec cao da
bissetriz com o gr aco de H() e portanto, coincide com o ponto xo
de H().
Exemplo 7.9. Seja F um subconjunto fuzzy de R, cuja fun cao de per-
tinencia f : R [0, 1] e denida por f(x) = 4x
2
+ 4x. Entao,
[F]
=
_
x R : 4x
2
+ 4x
_
=
_
1
1
2
,
1 +
1
2
_
.
Se considerarmos a medida usual m de Lebesgue da reta que, obvia-
mente e uma medida fuzzy, entao m([F]
) =
1 +
1
2

1
1
2
=
1 = H().
Logo,
(S)
_
R
f dm = sup
01
_

.
A fun cao H() = m([F]
) =
1 , que associa a cada -nvel a

sua medida, e mon otona decrescente e, neste caso, e contnua. Pelo
Teorema 7.1, temos
(S)
_
R
f dm = H() = =
1 +
5
2
pois, H() =
1 = = =
1 +
5
2
.
Seja agora A =
_
1
3
,
1
2
, entao m(A[F]
) =
_
_
1
6
se
8
9
1
2
se
8
9
1
=[ m(A [F]
)] =
_
_
se
1
6
1
6
se
1
6
<
8
9
1
2
se
8
9
< 1
=
_
[
1
3
,
1
2
]
fdm =
1
6
.
1
6
>
8
9
>
8
9
f f
A A
1 [F]
[F]
1
A[F]
=A

H()
H()
Bissetriz
=
Figura 7.5: Esquema geometrico da integral de Sugeno de f sobre A.
Deixamos como tarefa para o leitor obter
(C)
_
f d e
(C)
_
f d (S)
_
f d
para f do Exemplo 7.9.

Teorema 7.2. Sejam f : [0, 1] uma func ao (tpica de pertinencia)
e uma medida (cl assica) sobre . Ent ao
(S)
_
f d
_
1
0
H() d
1
4
. (7.8)
Note que
_
1
0
H() d =
_
1
0
: f() d e a integral de
Choquet da fun cao f.
Demonstra c ao. Faremos apenas um esbo co da demonstra cao.
Seja = H() o ponto xo de H(). Entao,
(S)
_
f d
_
1
0
H() d

_
1
0
H() d
_

0
1 d
__

0
H() d +
_
1
H() d
_
.
Logo, segue que
_

0
(1 H()) d
_
1
H() d

_

0
(1 H()) d
_

0
(1 H()) d =
_

0
(1 ) d = (1 )
1
4
,
ja que [0, 1].
A pen ultima desigualdade acima e valida porque H e decrescente.

E
importante frisar que n ao e possvel diminuir a diferen ca m axima de
1
4
que aparece no teorema acima. Ou seja, existem fun coes f para as quais
esta diferen ca e atingida [11, 107]. No entanto, escolhendo certas catego-
rias de fun coes, tal diferen ca cai bastante (veja Exemplos 7.10 e 7.11).
Este teorema foi originalmente proposto por Sugeno em 1974 para
vari avel inexata. No m desta se cao ele ser a enunciado em tal contexto.
Propriedades da integral de Sugeno
Assim como a integral de Choquet, a integral de Sugeno tambem n ao e
linear. No entanto, ambas s ao mon otonas, isto e,
(S)
_
f d (S)
_
g d se f g.
A seguir est ao listadas mais propriedades da integral de Sugeno, cujas
provas podem ser encontradas em [11].
Sejam f : [0, 1] e g : [0, 1] fun coes, uma medida fuzzy
em e, A e B subconjuntos de . Entao valem as propriedades:
(i) Se f(x) = k, entao (S)
_
A
f d = k (A);
(ii) Se f g, entao (S)
_
A
f d (S)
_
A
g d;
(iii) (S)
_
A
(f g) d (S)
_
A
f d (S)
_
A
g d;
(iv) (S)
_
A
(f g) d (S)
_
A
f d (S)
_
A
g d;
(v) Se A B, entao (S)
_
A
f d (S)
_
B
f d;
(vi) (S)
_
AB
f d (S)
_
A
f d (S)
_
B
f d;
(vii) (S)
_
AB
f d (S)
_
A
f d (S)
_
B
f d;
onde f g e f g s ao, respectivamente, as fun coes m aximo e mnimo
entre f e g.
A exemplo da integral de Lebesgue, que e usada para obter o valor
esperado de uma vari avel aleatoria com respeito a uma medida de pro-
babilidade, a integral de Sugeno tem sido usada para se obter o valor
esperado fuzzy EF de uma vari avel incerta, com respeito a uma medida
fuzzy.
Denicao 7.10. Sejam X : [0, 1] uma vari avel incerta (tipicamente
uma fun cao de pertinencia) e uma medida fuzzy em . A esperan ca
fuzzy (ou valor esperado fuzzy) de X e o n umero real
EF(X) = (S)
_
X d = sup
01
[ : X() ]. (7.9)
O resultado a seguir foi enunciado por Sugeno em 1974 [122] e e uma
consequencia do Teorema 7.2.
Corolario 7.3. Seja X : [0, 1] uma vari avel aleat oria normalizada
(que e tipicamente uma func ao de pertinencia) e P uma medida de pro-
babilidade em . Ent ao valem
a) (Sugeno)
[ EF(X) E(X) [
1
4
.
b)
EF(X)
_
E(X).
Demonstra c ao. a) Basta lembrar que a medida fuzzy aqui e a probabi-
lidade e que
EF(X) = (S)
_
X dP
e
E(X) =
_
X dP =
_
1
0
P : X() d =
_
1
0
H() d.
O resultado segue do Teorema 7.2.
b) Note que 0 E(X) 1.
Da desigualdade de Chebyshev [68]
H() = P : X()
1
E(X),
logo
EF(X) = sup
01
[ H()] sup
01
[
1
E(X)] = ,
onde e a solu cao de =
1
E(X).
Da, =
_
E(X), donde segue o resultado.
Esse corol ario legitima o uso da esperan ca fuzzy em substitui cao à
esperan ca classica quando a incerteza do fenomeno estudado n ao for
proveniente apenas de aleatoriedade, mas de diferentes possibilidades
para a vari avel de interesse em questao.
Pelo fato de EF(X) ser ponto xo da fun cao H : [0, 1] [0, 1],
teoremas de pontos xos, como o da contra cao de Banach ou o Brouwer
[61] podem ajudar o leitor a estimar EF(X).
A seguir ser ao apresentados alguns exemplos de vari aveis aleatorias
com fun cao de densidade de distribui cao f para as quais a diferen ca
entre EF(X) e E(X) ser a menor que
1
4
. Antes, vamos lembrar que
valem as seguintes identidades [68].
a) Se g : R R, entao para a vari avel aleatoria g(X) tem-se
E(g(X)) =
_
g(X)dP =
_
R
g(x)f(x)dx, (7.10)
em que X e vari avel aleatoria contnua com densidade f.
Em particular
E(X) =
_
XdP =
_
R
xf(x)dx.
No caso em que X e discreta, tem-se
E(g(X)) =
i
g(x
i
)P[X = x
i
], (7.11)
onde P[X = x
i
] = P : X = x
i
.
Em particular
E(X) =
i
x
i
P[X = x
i
].
b) Para o caso em que X e contnua
P : X() t =
_

t
f(x)dx. (7.12)
Em particular, se [0, 1],
H() = P : X() =
_
1
f(x)dx.
Exemplo 7.10 (Distribui cao uniforme). Suponhamos que a vari avel ale-
atoria X : [0, 1] tenha distribui cao uniforme, isto e, sua fun cao de
densidade de probabilidade seja dada por
f(x) =
_
1 se 0 x 1
0 caso contr ario
.
E facil ver que E(X) =

_
1
0
xf(x) dx =
1
2
.
Por outro lado,
H() = P : X() =
_
1
f(x) dx = 1 .
Agora, como EF(X) e a solu cao de H() = 1 = , temos
=
1
2
. Nesse exemplo tem-se que EF(X) = E(X) =
1
2
. Portanto,
[EF(X) E(X)[ = 0.
Exemplo 7.11 (Distribui cao ). A vari avel aleatoria X : [0, 1] tem
distribui cao beta se sua fun cao de densidade de probabilidades for dada
por
f(x) =
1
(a, b)
x
a1
(1 x)
b1
, x [0, 1].
Sabe-se [68] que a esperan ca estocastica de X e dada por
E(X) =
a
a +b
.
Por meio de metodos numericos foram obtidos valores da esperan ca
fuzzy EF(X), para diversos valores dos par ametros a e b da distribui cao
, os quais est ao dispostos na Tabela 7.1.
Note que para quaisquer valores dos par ametros a e b a diferen ca foi
bem inferior a 0, 25 (Teorema de Sugeno) e que EF(X)
_
E(X).
Alem disso, se a = b na distribui cao , entao as esperan cas estocastica
e fuzzy coincidem. Na verdade este resultado foi provado para um caso
mais geral [98].
a b [a b[ E(X) EF(X) [E(X) EF(X)[
1 1 0 0,5000 0,5000 0,0000
1 2 1 0,3333 0,3820 0,0486
1 3 2 0,2500 0,3177 0,0677
1 4 3 0,2000 0,2755 0,0755
2 1 1 0,6667 0,6180 0,0486
2 2 0 0,5000 0,5000 0,0000
2 3 1 0,4000 0,4278 0,0278
2 4 2 0,3333 0,3773 0,0440
3 1 2 0,7500 0,6823 0,0677
3 2 1 0,6000 0,5722 0,0278
3 3 0 0,5000 0,5000 0,0000
3 4 1 0,4286 0,4472 0,0186
4 1 3 0,8000 0,7245 0,0755
4 2 2 0,6667 0,6227 0,0440
4 3 1 0,5714 0,5528 0,0186
4 4 0 0,5000 0,5000 0,0000
Tabela 7.1: Alguns valores de E(X) e EF(X) para distribuicao beta ().
Teorema 7.4. Seja X : [0, 1] uma vari avel aleat oria com func ao
de densidade f : [0, 1] [0, 1] simetrica em rela c ao a x =
1
2
, isto e,
f(x) = f(1 x) para todo x [0, 1]. Ent ao, EF(X) = E(X).
Demonstra c ao. Como f(x) = f(1 x) tem-se
_ 1
2
0
f(x) dx =
_ 1
2
0
f(1 x) dx =
_ 1
2
1
f(x) dx =
_
1
1
2
f(x) dx.
Por outro lado,
_
1
0
f(x) dx = 1 =
_ 1
2
0
f(x) dx +
_
1
1
2
f(x) dx =
_ 1
2
0
f(x) dx =
_
1
1
2
f(x) dx =
1
2
e H() = P : X() =
_
1
f(x) dx.
Da,
H(
1
2
) =
_
1
1
2
f(x) dx =
1
2
e, consequentemente, EF(X) =
1
2
.
Agora, e sabido que a esperan ca estocastica E(X) de qualquer vari avel
aleatoria simetrica coincide com a mediana e esta, por sua vez vale
1
2
, o
que prova o teorema.
Para encerrar esta se cao ser a enunciado um metodo para se obter
EF(X) para o caso em que X e uma vari avel incerta, que assume apenas
um n umero nito de valores.
Teorema 7.5. Suponha que a vari avel X : [0, 1], assume apenas
n+1 valores x
i
1in+1
e sejam
i
n
i=1
os valores distintos de
: X() x
i
, excluindo-se os valores = 1 e = 0.
Supondo, sem perda de generalidade, que 0 x
i
x
j
1 se i j,
ent ao
EF(X) =
_
X d = mediana de A,
onde A = x
1
, x
2
, . . . , x
n+1
,
1
, . . . ,
n
e est a ordenado em ordem cres-
cente.
Demonstra c ao. Ver [70, Teorema 4.2.3, p ag. 80].
Lembramos que a mediana de uma sequencia ordenada a
n
nN
e
denida por
med(a
n
) =
_
_
_
a
(n+1)/2
se n e mpar
[a
n/2
+a
(n/2)+1
]
2
se n e par
.
Exemplo 7.12. Suponha que o conjunto fuzzy das pessoas que ganham
bem em uma determinada empresa, seja dado por:
1 pessoa ganha por hora R$ 3,00
1
= 1, 00
2 pessoas ganham por hora R$ 4,00
2
= 0, 60
3
= 0, 55
4
= 0, 50
5
= 0, 40
onde
i
indica o grau com que cada indivduo ganha bem.
Suponha que (S) =
#S
#
=
#S
12
, onde #S e o n umero de elementos
de S.
: X =
_
_
1 =
0
se 0
5
11
12
=
1
se
5
<
4
9
12
=
2
se
4
<
3
5
12
=
3
se
3
<
2
3
12
=
4
se
2
<
1
0 =
5
se
1
< 1
.
Portanto,
EF(X) =
_
X d
= med
_
3
12
; 0, 40 ;
5
12
; 0, 50 ; 0, 55 ; 0, 60 ;
9
12
;
11
12
_
= 0, 55,
onde med e a mediana. Observe ainda que a media aritmetica nesse
caso e 0,65.
Note que no Exemplo 7.12, a integral de Sugeno nos d a uma boa
indica cao dos dados, uma vez que o valor extremo de R$ 10,00 n ao afeta
o resultado. J a a media aritmetica classica e consideravelmente afetada
pelos valores extremos.
7.3 Eventos Fuzzy
Historicamente, alguns pesquisadores defendem que as teorias de proba-
bilidades e a fuzzy s ao, de certa forma concorrentes. A no cao de even-
tos fuzzy, introduzida por Zadeh [130], indica justamente o contr ario.
Esse conceito ilustra o potencial da combina cao das duas teorias: a
fuzzy, tratando da indentica cao do evento; e a probabilstica, lidando
com a ocorrencia do mesmo. Desde entao, varios autores vem se dedi-
cando a esse tema tanto do ponto de vista teorico como das aplica coes.
Massad et al [84] aplicam o conceito de evento fuzzy para avaliar o risco
de contamina cao por HIV de um indivduo sexualmente muito/ou pouco
ativo. Diferentemente de Zadeh, Buckley [30] considera a probabilidade
P(A), de um evento A como um n umero fuzzy, isto e, P(A) T(R).
Neste texto seguiremos a linha do Zadeh em que A e fuzzy e P(A) e
um n umero real.
Seja (, P, /) um espa co de probabilidades, isto e, e um conjunto
n ao vazio, / e uma -algebra e P uma medida de probabilidades.
Denicao 7.11. Um evento fuzzy em e simplesmente um subconjunto
fuzzy de cujos -nveis est ao na -algebra /.
Claro que um evento classico A se enquadra na deni cao acima e,
portanto, pode ser considerado como um evento fuzzy. Neste caso, a
fun cao indicadora (caracterstica) de A e uma vari avel aleatoria discreta
ja que
A
: 0, 1. Por outro lado, se A for fuzzy, sua fun cao de
7.3 Eventos Fuzzy 221
pertinencia
A
: [0, 1] e uma vari avel aleatoria que pode n ao ser
discreta.
A questao que surge e como calcular a probabilidade de A?
7.3.1 Probabilidade de Eventos Fuzzy
Como dito acima, e exatamente nesse ponto que h a sobreposi cao de
incertezas: a fuzzy, ligada à identica cao de A (uma vez que sua fron-
teira n ao e ntida); e a probabilstica, proveniente da ocorrencia do
evento.
Por motivos did aticos, vamos iniciar com o classico caso em que o
espa co amostral e nito, =
1
,
2
, . . . ,
n
, e todos os pontos com
mesma probabilidade
1
n
.

E sabido que se A for um evento com m ele-
mentos, entao
P(A) =
m
n
(7.13)
dene uma probabilidade em .
Dado o evento A, sua fun cao indicadora
A
: 0, 1 e conhecida
e o n umero de casos favor aveis e
m =
A
(
i
).
Portanto
P(A) =
A
(
i
)
n
.
Por extensao, se A for fuzzy, e conhecendo-se
A
: [0, 1], o
n umero de casos favor aveis e
m =
A
(
i
),
de modo que
P(A) =
A
(
i
)
n
. (7.14)
Claro que nesse caso m pode n ao ser inteiro.
Exemplo 7.13. Considere = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 o espa co amos-
tral e o evento
A =
0, 1
1
+
0, 25
2
+
0, 25
3
+
0, 8
5
+
0, 8
0, 8
+
1, 0
10
.
Vamos calcular P(A) e P(A
) a partir de (7.14)
P(A) =
A
(
i
)
10
=
0, 1 + 0, 25 + 0, 25 + 0, 8 + 0, 8 + 1, 0
10
= 0, 32
e, lembrando que
A
(
i
) = (1
A
(
i
)) tem-se
A
=
0, 9
1
+
0, 75
2
+
0, 75
3
+
1, 0
4
+
0, 2
5
+
1, 0
6
+
1, 0
7
+
0, 2
8
+
1, 0
9
de modo que
P(A
) =
A
(
i
)
10
=
0, 9 + 0, 75 + 0, 75 + 1, 0 + 0, 2 + 1, 0 + 1, 0 + 0, 2 + 1, 0
10
= 0, 68.
Note que esse resultado era esperado, ja que P(A
) = 1 P(A) = 1
0, 32 = 0, 68.
Agora, qualquer outro evento B, com o mesmo n umero de caso fa-
vor aveis m que A, tem mesma probabilidade que A. Isso porque, se-
gundo a formula (7.13) o que interessa e o quociente entre m e o n umero
de casos possveis n, n ao interessando quem s ao os elementos que fazem
parte de A ou de B.
Para o caso classico, o n umero de casos favor aveis m, pode ser obtido
via metodos de contagem da an alise combinat oria: permuta cao, arranjo
e/ou combina cao. Como o leitor ja deve estar familiarizado, claramente
tais princpios n ao levam em conta qualidades dos elementos que fazem
parte do evento. Porem, para o caso fuzzy, se A n ao for conhecido, o
n umero de casos favor aveis n ao e tao facil de se obter.
Pensando na adapta cao de metodos de contagem para o caso fuzzy,
deve-se levar em conta a qualidade de cada elemento do evento fuzzy.
Para obter o n umero de casos favor aveis, o que se pode fazer e rela-
tivisar a contribui cao de cada elemento no sentido de se apurar o
n umero total de casos favor aveis m.
Seja A um evento fuzzy com -nveis
1
>
2
> . . . >
k
>
k+1
= 0.
Temos [A]
1
[A]
2
. . . [A]
k
[A]
0
. Assim, o n umero de casos
favor aveis e
m =
1
m
1
+
2
(m
2
m
1
) +. . . +
k
(m
k
m
k1
)
ou
m = (
1
2
)m
1
+ (
2
3
)m
2
+
k
m
k
,
em que cada m
i
e o n umero de casos favor aveis associado ao conjunto
classico [A]
i
, o qual pode ser obtido por metodos classicos contagens.
Assim, (7.13) passa a ser
P(A) =
k
i=1
(
i
i+1
)m
i
n
. (7.15)
Com essa formula e possvel obter P(A). Por exemplo, para o evento
fuzzy A acima, embora n ao seja esse o objetivo das formulas acima, pois
no caso A e dado, tem-se
m = (1, 0 0, 8)1 + (0, 8 0, 25)3 + (0, 25 0, 1)5 + (0, 1 0)6 = 3, 2
e
P(A) =
3, 2
10
= 0, 32.
Embora nosso interesse maior seja no caso em que o evento A e dado,
consequentemente sua fun cao de pertinencia
A
e conhecida, vamos ex-
plorar um pouco mais a express ao 7.15.
A formula 7.15 pode ser reescrita como
P(A) =
k
i=1
(
i
i+1
)
m
i
m
=
k
i=1
(
i
i+1
)P([A]
i
)
=
k
i=1
(
i
i+1
)P[
A

i
] =
_
A
dP (7.16)
As formulas (7.15) e (7.16) indicam que, para o caso nito, P(A) e
exatamente a esperan ca da vari avel aleatoria
A
. De modo mais geral, se
A for um evento classico qualquer (nito ou n ao), sua fun c ao indicadora
(caracterstica) e uma vari avel aleatoria discreta, ja que
A
: 0, 1,
e nesse caso
E(
A
) = 1.P(
A
= 1) + 0.P(
A
= 0) = P(A).
Tendo em vista os comentarios anteriores e essa ultima identidade,
propomos a
Denicao 7.12. Seja (, P, /) um espa co de probabilidades e A um
evento fuzzy. Entao, sua fun cao de pertinencia
A
: [0, 1] e uma
vari avel aleatoria e, por deni cao,
P(A) = E(
A
).
E oportuno obervar que a esperan ca fuzzy de

A
, EF(
A
), tambem
est a bem denida uma vez que
A
: [0, 1]. Mais ainda, ca como
exerccio para o leitor povar que se A for classico, entao
EF(
A
) = P(A) = E(
A
).
Para explorar os conceitos ate aqui apresentados, vamos considerar
eventos reais, isto e, aqueles que s ao subconjuntos (classicos ou fuzzy) da
reta real R. Assim, para calcular P(A), vamos nos valer dos comentarios
feitos imediatamente antes do Exemplo 7.10, especicamente (7.10) e
(7.11) os quais sugerem que R e um espa co amostral cuja medida P e
induzida pela distribui cao de probabilidades de uma vari avel aleatoria
X.
Suponha que X seja uma vari avel aleatoria e A um evento fuzzy real
com fun cao de pertinencia
A
: R [0, 1]. Entao, a probabilidade de A
e dada por
P(A) = E(
A
) = E(
A
(X)) =
A
(x
i
P(X = x
i
)) (7.17)
se X for discreta, e
P(A) = E(
A
) = E(
A
(X)) =
_
R
A
(x)f(x)dx =
_
suppA
A
(x)f(x)dx
(7.18)
onde f e a fun cao densidade de probabilidades de X.
A gura abaixo ilustra a probabilidade P(A), do evento A para os
dois casos: classico e fuzzy.
No primeiro, P(A) pode ser interpretada como a area limitada pelo
Figura 7.6: Em (a): evento classico, f densidade e P(A) = probabilidade de
A. Em (b): evento fuzzy, f densidade e P(A) = probabilidade
de A.
gr aco de f, pelo eixo das abscissas e pelas fronteiras de A. J a no caso
fuzzy, P(A) e a area compreendida pelo gr aco de
A
.f, pelo eixo das
abscissas e o suporte de A.
Nao e difcil vericar que P(A), como denida em (7.18) acima, satifaz
os axiomas de probabilidade. Por exemplo,
P() = E(
) =
_
R
0.f(x)dx = 0
e
P() = E(
R
) =
_
R
1.f(x)dx = 1.
As demais propriedades cam como exerccio, a cargo do leitor. Lembre-
se que
AB
(x) =

A
(x) +
B
(x) +[
A
(x)
B
(x)[
2
e
AB
(x) =

A
(x) +
B
(x) [
A
(x)
B
(x)[
2
.
7.3.2 Independencia de Eventos Fuzzy
O conceito de independencia entre eventos fuzzy passa necessariamente
pelo de probabilidade condicional. Para estender a no cao de probabili-
dade condicional classica ao caso fuzzy, devemos repensar a modelagem
matem atica de ocorrencia simult anea de dois eventos A e B. Para o
caso classico, a ocorrencia simult anea e dada pela interse cao A B. No
entanto, para estender ao caso fuzzy, devemos passar pela fun cao indica-
dora
AB
. Como sabemos, qualquer t-norma pode modelar a conjun cao
e , em particular as t-normas do produto e do mnimo. Mais ainda,
para o caso classico, valem
AB
(x) =
A
(x).
B
(x) e
AB
(x) =
A
(x)
B
(x),
de modo que, a princpio, poderamos adotar tanto . como para
representar a conjun cao. Como o mais comum no caso classico e .
e estamos interessados na sua extensao para o caso fuzzy, adotaremos
o produto para representar ocorrencia simult anea. O mnimo est a inti-
mamente ligado à pertinencia enquanto o produto à ocorrencia, o que
corrobora com nossa op cao.
Para o caso classico, sabemos que se A e B forem eventos de com
P(B) > 0, entao
P(A[B) =
P(AB)
P(B)
=
E(
A
.
B
)
E(
B
)
. (7.19)
A e dito independente de B se a ocorrencia de B n ao interferir na
probabilidade de A, isto e, se P(A[B) = P(A). A nota cao AB no lugar
de AB n ao e por acaso. Ela vem do fato de optarmos por
A
.
B
para
representar
AB
.
Portanto, A independente de B se, e somente se,
E(
A
.
B
)
E(
B
)
= E(
A
) E(
A
.
B
) = E(
A
).E(
B
) (7.20)
ou
P(AB) = P(A)P(B).
Da formula (7.20) acima, e possvel ver que A independe de B se, e
somente se, B independe de A. Mais ainda, A e B s ao independentes
se, e somente se, as vari aveis aleatorias
A
e
B
s ao n ao correlacionadas
( = 0 - ver deni cao em [31]).
Na verdade,
A
e
B
s ao vari aveis aleatorias independentes se A e B
forem eventos independentes. Esse fato e consequencia de
A
e
B
serem
discretas e assumirem apenas dois valores (ver Exerccio 7.8). De modo
geral, vari aveis aleatorias n ao correlacionadas n ao necessariamente s ao
independentes (ver Exerccio 7.9).
Denicao 7.13. Considere A e B dois eventos fuzzy de R, com P(B) > 0
( E(
B
) > 0). Em vista de (7.19), a probabilidade condicional de A
dado B e denida por
P(A[B) =
P(AB)
P(B)
=
E(
A
.
B
)
E(
B
)
. (7.21)
Assim como no caso classico, Ae dito independente de B se a ocorrencia
de B n ao intereferir na probabilidade de A, isto e, se P(A[B) = P(A).
De (7.21), A independe de B se, e somente se,
A
.
B
B
= E(
A
) E(
A
.
B
) = E(
A
).E(
B
). (7.22)
Portanto, desde que as probabilidades n ao se anulem, A e B s ao in-
dependentes se, e somente se, as vari aveis aleatorias
A
e
B
s ao n ao
correlacionadas. Aqui, diferentemente do caso classico, a independencia
entre A e B n ao e equivalente à independencia entre
A
e
B
. Claro que
se
A
e
B
forem independentes, entao A e B ser ao. Porem a recproca
n ao e necessariamente verdadeira (ver Exerccio 7.9).
A pr oxima subse cao trata de um tema em franco desenvolvimento e
e conhecido na literatura por vari avel aleatoria fuzzy. A partir de um
experimento aleatorio, h a pelo menos duas maneiras de se introduzir o
estudo das vari aveis aleat orias fuzzy: o primeiro est a ligado apenas à
incerteza no reconhecimento do resultado do experimento. No segundo,
o que h a de incerto e o pr oprio mecanismo do exeprimento: a forma de
sorteio, por exemplo. De certo modo, aqui no texto estamos tratando
apenas do primeiro caso. Para este, diferentemnte do segundo caso,
tem-se que a probabilidade de um evento fuzzy e necessariamente um
n umero real.
7.3.3 Variavel Aleat oria Lingustica
A ideia aqui e explorar o conceito de vari avel lingustica supondo que
a mesma seja aleatoria. Varaveis com essas duas caractersticas ser ao
chamadas de vari avel aleat oria lingustica.
Como dissemos na subse cao anterior, uma vari avel aleatoria X induz
uma medida de probabilidades em R. Da, a questao que se coloca
([130]) e como calcular a probabilidade
P(X ser A)
onde A e um termo lingustico (alto, baixo, muito alto . . .) modelado por
um evento fuzzy real A.
De maneira informal, essa questao ja foi tratada nas subse coes ante-
riores.
Do ponto de vista da teoria classica, P(X ser A) = P(X A) e
questao acima e traduzida por
P(X A) =
_
_
_
x
i
A
P[X = x
i
] =
A
(x
i
)P[X = x
i
]
_
A
f(x)dx =
_
R
A
(x)f(x)dx
dependendo se X e vari avel discreta ou contnua. De qualquer forma
P(X A) = E(
A
).
Desta forma, nada mais natural que denir P(X ser A) com
P(X ser A) = E(
A
) = P(A)
onde A e um conjunto fuzzy real modelando o termo ligustico de inte-
resse.
Para tornar a questao mais formal, uma vari avel aleatoria lingustica
e simplesmente uma fun cao
X : T(R).
Claramente vemos que esse conceito estende o de vari avel aleatoria
uma vez que R T(R).
A essa altura cabe um parentese a respeito do tema em questao.
Na literatura, em vez de vari avel aleatoria lingustica, o termo usado
e vari avel aleat oria fuzzy. Ha pelo menos duas abordagens para tal con-
ceito. O primeiro est a ligado à proposta adotada nesse texto. Especica-
mente, X : T(R), porem a fun cao de densidade de probabilidades
envolvida e a mesma da vari avel aleatoria X, ou seja, a probabilidade e
induzida em R pela densidade, f : R R, da pr opria vari avel aleatoria
(classica) X.
Por outro lado, originalmente tnhamos X : R e ao conside-
rar X : T(R), estamos cometendo um abuso de nota cao ja que o
contra-domnio da vari avel original foi alterado. Sendo assim, estamos
tratando de fato de outra vari avel

X : T(R) cuja densidade de
probabilidades e uma F : T(R) T(R), ja que por deni cao de densi-
dade, esta deve ter como domnio um subconjunto do contra-domnio da
vari avel aleatoria. Dessa maneira, F induz uma medida de probabilida-
des em T(R). Nessa abordadgem, a probabilidade de um evento fuzzy
passa a ser um n umero fuzzy. Para um estudo a respeito das diversas
abordagens sobre vari avel aleatoria fuzzy o leitor pode consultar [53].
Para distinguir um caso do outro e que achamos por bem chamar o
primeiro de vari avel aleatoria lingustica.
Dando prosseguimento ao nosso estudo sobre as vari aveis aleatorias
lingusticas, um caso de interesse e o calculo de P(X ser A
), onde A
e um evento obtido por meio de algum modicador fuzzy do evento A

(ver se cao 4.5).
Assim como no Captulo 4, tambem aqui trateremos apenas dos mo-
dicadores potencias, com unico objetivo de expor as principais ideias
desse tema e explorar seu potencial de aplica cao em, por exemplo, ob-
ter fun coes de pertinencias de conjuntos fuzzy. Claro que para uma
aplica cao particular, outros modicadores devem ser levados em conta.
Supondo entao que A
= A
s
, isto e, que
A
= (
A
)
s
,
P(X ser A
) = E(
A
) = E(
s
A
).
Um caso de particular interesse e quando s = 2:
P(A
2
) = E(
2
A
),
que e o segundo momento de
A
, e
P(A
2
) [P(A)]
2
= E(
2
A
) [E(
A
)]
2
= V ar(
A
),
em que V ar(Y ) e a vari ancia da vari avel aleatoria Y . Por abuso, às
vezes escreveremos V ar(A) em vez de V ar(
A
).
Da desigualde de Jensen [68], temos que se o modicador for restritivo
(s > 1),
E(X
s
) [E(X)]
s
0,
ja que nesse caso o modicador e dado pela fun cao concava m(x) = x
s
.
Em particular,
E(
2
A
) [E(
A
)]
2
= P(A
2
) [P(A)]
2
0.
Uma possibilidade de aplica cao do estudo acima e na constru cao de
A e de A
, isto e, nos ajustes de

A
e
A
. O problema passa a ser obter
par ametros (s e um deles) de distribui coes de possibilidades para A e
A
. Para isso, a partir de princpios como o de m aximo verossimilhan ca

(ver [31]), os par ametros que devemos achar podem ser baseados em um
ou nos dois princpios abaixo:
a) P(A
) seja m axima (m axima verossimilhan ca);

b) V ar(
A
) seja mnima (menor vari ancia).
Claro que outros metodos, como mnimos quadrados, interpola cao
polinomial ou mesmo metodos de inferencia estatstica podem ser usados
para obter as distribui coes de possibilidade de A e A
.
Outra area de clara aplica cao e a estima cao de par ametros de uma
determinada distribui cao de densidade, supondo que seja dado um con-
junto fuzzy A (isto e,
A
). Tal conjunto pode ser fornecido por um
especialista ou mesmo por um conjunto de dados. O par ametro em
questao pode ser estimado a partir de tecnicas classicas de estatstica
parametrica. Claro que pode-se usar tambem tecnicas n ao parametricas
para se estimar fun coes densidades. O leitor interessado em tais estudos
pode consultar [74].
Antes de passar aos exerccios, chamamos a aten cao do leitor sobre a
diferen ca entre os conceitos de independencia para conjuntos fuzzy vistos
aqui e na Se cao 4.6. No Captulo 4 a independencia e dada pela medida
de possibilidade, que tecnicamente relaciona a fun cao de pertinencia
condicional com cada uma das fun coes de pertinencias dos conjuntos
fuzzy envolvidos (ver se cao 4.6.2). Por outro lado, a independencia entre
eventos fuzzy, vista nessa se cao, e dada pela medida de probabilidades
e, tecnicamente, envolve as esperan cas das fun coes de pertinencias dos
conjuntos fuzzy em questao, como pode ser visto na formula (7.22).
O exemplo a seguir ilustra os conceitos apresentados nesse se cao.
Exemplo 7.14. Um fabricante produz pe cas em que 5% s ao defeituosas.
Para uma amostra de 10 pe cas, considere X o n umero de defeituosas.
Pede-se
a) P(X 1);
b) P(X ser pequeno), em que pequeno e o n umero fuzzy triangular
(0; 0; 2);
c) P(AB), onde A e B s ao os eventos dos itens a) e b), respectiva-
mente;
d) P(A B);
e) P(A/B);
f) A e B s ao independentes?
Soluc oes
X tem distribui cao binomial com n = 10 e p = 0, 05 (ver [31]).
a) Temos
A
(x) =
_
1 se 0 x 1
0 caso contr ario
Assim, pela formula (7.17)
P(A) =
A
(x
i
)P(X = x
i
) =
A
(0)P(X = 0) +
A
(1)P(X = 1)
= 1.P(X = 0) + 1.P(X = 1) =
_
10
0
_
0, 95
10
+
_
10
1
_
0, 95
9
0, 05
1
= 0, 91
b)
B
(x) =
_
1
x
2
se 0 x 2
0 caso contr ario
Portanto,
P(B) =
B
(x
i
)P(X = x
i
) =
B
(0)P(X = 0) +
B
(1)P(X = 1)
+
B
(2)P(X = 2) = 1.P(X = 0) +
1
2
P(X = 1) + 0.P(X = 2)
=
_
10
0
_
0, 95
10
+
1
2
_
10
1
_
0, 95
9
0, 05
1
= 0, 7563
c)
AB
(x) = min[
A
(x),
B
(x)]. Portanto,
P(A B) =
AB
(x
i
)P(X = x
i
) =
AB
(0)P(X = 0)
+
AB
(1)P(X = 1) +
AB
(2)P(X = 2)
= 1.P(X = 0) +
1
2
.P(X = 1) + 0.P(X = 2) = 0, 7563
d) P(A B) = P(A) +P(B) P(A B) = 0, 7563 + 0, 91 0, 7563
= 0, 91
e) P(B/A) =
P(AB)
P(A)
=
E(
A
B
)
E(
A
)
=
A
(0)
B
(0)P(X = 0) +
A
(1)
B
(1)P(X = 1) +
A
(2)
B
(2)P(X = 2)
0, 91
=
1.P(X = 0) + 0, 5P(X = 1)
0, 91
=
0, 7563
0, 91
,= 0, 7563 = P(B)
f) De acordo com o item e), A e B n ao s ao eventos independentes.
Exerccio 7.2. Refa ca o exemplo anterior supondo que X tem distri-
bui cao binomial com n = 8 e p = 0.02.
Exerccio 7.3. Calcule a probabilidade do evento fuzzy dado no Exemplo
7.12.
Exerccio 7.4. Numa central telefonica, o n umero N de chamadas chega
segundo uma distribui cao de Poisson, com a media = 8 chamadas por
minutos. Sabendo que a lei de probabilidade de uma distribui cao de
Poisson e dada por
P(N = k) =
e
k
k!
,
determine qual a probabilidade de que num minuto se tenha:
a) dez ou mais chamadas;
b) menos que nove chamada;
c) um n umero baixo de chamada, onde baixo e o conjunto fuzzy dado
pelo n umero fuzzy triangular (0; 0; 9);
d) um n umero medio baixo de chamada, onde medio baixo e o evento
fuzzy dado pelo n umero fuzzy trapezoidal (0; 1; 4; 9);
e) P(C[B) e P(D[B), onde A, B, C e D s ao os eventos dos respectivos
itens acima.
Exerccio 7.5. Suponha que o tempo T de dura cao de certa enfermidade
seja uma vari avel aleatoria exponencial com par ametro
=
1
5
(X exp()),
ou seja, sua densidade e dada por
f(t) =
_
1
5
e
t
5
se t 0
0 se t < 0
.
Pede-se:
a) a esperan ca T;
b) P(M) onde M e o evento medio dado pelo conjunto fuzzy tri-
angular (0; 5; 8);
c) P(M/B) onde B e o evento baixo dado pelo conjunto fuzzy
triangular (0; 0; 8);
d) M e B s ao independentes?
Exerccio 7.6. Suponha que X exp(1), isto e, X e uma vari avel
aleatoria com distribui cao exponencial com par ametro = 1.
a) Calcule P(A), onde A e o n umero fuzzy triangular (0; 1; 1).
b) Calcule P(C) em que
C
(x) =
_
x x
2
se 0 x 1
0 caso contr ario
.
c) Refa ca o item a) supondo X N(0, 1).
Exerccio 7.7. Suponha que X tem distribui cao uniforme no intervalo
[0, 1], que A seja o evento fuzzy com fun cao de pertinencia
A
(x) = a [0, 1],
e B o n umero fuzzy triangular (0; 0; 1). Pede-se:
a) P(A) e P(B);
b) P(A B) e P(AB);
c) A e B s ao independentes?
d) Sendo C o evento do Exerccio 7.6 b), verique se A e C s ao
independentes. E B e C?
Exerccio 7.8. Mostre que se X e Y assumem apenas os valoes 0 ou 1,
entao X e Y s ao n ao correlacionadas se, e somente se, forem indepen-
dentes.
Exerccio 7.9. Suponha que tanto X como Y assumem os valores 1, 0
e 1, com probabilidades
P
X
(1) = P
Y
(1) = P
X
(1) = P
Y
(1) =
2
5
e P
X
(0) = P
Y
(0) =
1
5
.
Mostre que X e Y s ao n ao correlacionadas ( = 0). Porem, n ao s ao
independentes.
Exerccio 7.10. Verique que se X e Y tem distribui coes normais, entao
X e Y s ao n ao correlacionadas se, e somente se, forem independentes.
Exerccio 7.11. Prove que
a) P(A B) P(AB);
b) P(A[B) = 0, se A e B forem mutuamente exclusivos, isto e, A
B = .
Exerccio 7.12. Considere X U[0, 2] e o n umero fuzzy triangular
(0; 0; ), com 0 < 2. Pede-se:
a) de modo que P(A) seja m axima;
b) s > 0 de forma que P(A
) seja m axima onde A
= A
s
e A e o
conjunto fuzzy encontrado no item a);
c) V ar(
A
) e V ar(
A
).
Exerccio 7.13. Considere o n umero fuzzy triangular A = (0; 0; 2) e X
uma vari avel aleatoria triangular cuja densidade e dada por
f(x; ) =
_
1
2
( [x 1[) se x [1 , 1 +]
0 se x / [1 , 1 +]
.
Pede-se:
a) > 0 de modo que P(A) seja m axima;
b) represente gracamente a densidade encontrada no item anterior.
Finalizamos essa se cao comentando que temos lidado com fenomenos
que apresentam os dois tipos de incertezas aqui discutidas. Via de regra,
temos interesse na din amica desses fenomenos. A metodologia que temos
utilizado envolve o acoplamento de metodos de simula cao estatstica e
controladores fuzzy, especicamente do tipo Mamdani. Os conjuntos
fuzzy que comp oem a base de regras servem para simular a din amica
de interesse. No entanto, as entradas para esses sistemas sao extradas
utilizando algum metodo de simula cao estatstica (Monte Carlo, por
exemplo), levando em conta alguma distribui cao priori. Sendo assim,
podemos olhar os conjuntos fuzzy antecedentes como eventos fuzzy.
Maristela [86] usou essa metodologia para estudar a evolu cao da Febre
Aftosa no Mato Grosso do Sul. Gomes [56] utilizou mesma metodologia
para estudar a evolu cao da Dengue na cidade de Campinas.
Captulo 8
Sistemas Dinamicos Fuzzy
Deus calcula v arios mundos, mas faz
existir o melhor desses mundos.
(Leibniz Sec. XVI d.C.)
Certamente Leibniz deve ter observado varios fatos que o levaram a
concluir seu pensamento. Resta saber se a solu cao dada por Deus e
ntida (determinstica) ou nebulosa (fuzzy). Como veremos a seguir,
solu coes ntidas, num certo sentido, fazem parte da nebulosa.
Aqui ser a apresentada uma breve introdu cao aos sistemas din amicos
fuzzy com o intuito de ilustrar o potencial da logica fuzzy no estudo de
sistemas evolutivos.
Como geralmente e feito nos sistemas determinsticos e estocasticos,
vamos aqui distinguir dois casos: contnuos e discretos. No caso contnuo,
de alguma forma aparecera algum tipo de derivada para representar as
taxas de varia coes contnuas. No caso discreto, a evolucao do sistema e
baseada em um processo iterativo.
8.1 Sistemas Dinamicos Fuzzy Contnuos
Nesta se cao apresentaremos algumas abordagens, conceitualmente dis-
tintas, para o estudo dos sistemas din amicos fuzzy contnuos. Funda-
mentalmente, o que distingue cada caso e o tratamento dado ` a taxa
240 Sistemas Dinamicos Fuzzy
de varia cao (ou derivada) e/ou como esta se relaciona com as vari aveis
de estado. Destas abordagens, a primeira envolve a derivada de Hu-
kuhara, originalmente desenvolvida para fun coes com valores em con-
juntos classicos [63] e posteriormente adaptada para fun coes com valores
em conjuntos fuzzy [105]. Essa adapta cao para fun coes fuzzy (fun coes
com valores em conjuntos fuzzy) e feita a partir do Teorema 1.4 de repre-
senta cao de conjuntos fuzzy, visto no Captulo 1. A segunda abordagem
e tratada por meio das inclusoes diferenciais fuzzy [9, 64], enquanto que a
terceira e simplesmente dada pela fuzzica cao da solu cao determinstica,
supondo que a condi cao inicial e/ou algum par ametro da equa cao dife-
rencial seja dada por um conjunto fuzzy. Finalmente, a quarta aborda-
gem se diferencia das demais porque a varia cao est a relacionada com as
vari aveis de estado por meio de regras fuzzy em vez de uma equa cao.
Queremos ressaltar que nos tres ultimos casos n ao utilizamos qualquer
no cao de derivada para fun coes fuzzy, mas apenas o conceito de derivada
para fun coes determinsticas.
Antes de expor cada um dos conceitos comentados acima, queremos
registrar que recentemente Barros et al [19] tem investigado um novo
tipo de equa coes diferenciais fuzzy em que o princpio de extensao e utili-
zado para fuzzicar o operador deriva cao, e n ao a solu c ao determinstica
como comentado na terceira abordagem acima. A partir do Teorema 1.4
e sob certas condi coes, e possvel concluir que essa metodologia produz
equa coes diferenciais fuzzy cujas solu coes coincidem com as de H uller-
meier. Ressaltamos que nessa abordagem tem-se, de fato, derivada para
fun coes fuzzy, o que n ao acontece para a metodologia de H ullermeier.
Para motivar as abordagens citadas acima vamos estudar o modelo
de crescimento malthusiano. Salientamos que Malthus n ao prescre-
via originalmente nenhuma equa cao matem atica de crescimento popu-
lacional, simplesmente enunciava que a popula cao cresceria geometrica-
mente enquanto o alimento cresceria numa taxa aritmetica, desde que
n ao houvesse mecanismo de controle (doen cas, miserias, etc). A pri-
8.1 Sistemas Dinamicos Fuzzy Contnuos 241
meira interpreta cao matem atica da conjectura de Malthus foi atraves
de um modelo determinstico pressupondo que o crescimento de uma
popula cao e proporcional ` a pr opria popula cao. Desta forma, o modelo
matem atico contnuo, conhecido como modelo de Malthus, e dado pela
equa cao diferencial
_
_
_
dx
dt
= x
x(0) = x
0
, (8.1)
onde x(t) e o n umero de indivduos em cada instante t e x
0
indica o
n umero inicial de indivduos da popula cao.
Neste modelo admite-se que todas as grandezas envolvidas sejam da-
das por n umeros reais. Tanto como x
0
s ao supostamente bem determi-
nados, e portanto, n ao h a dados incertos. Porem, se considerarmos que
existam incertezas, na taxa de crescimento ou na condi cao inicial x
0
,
devemos repensar o signicado de
dx
dt
, ou como esta varia cao se relaciona
com a vari avel de estado x.
Supondo que as incertezas tenham natureza aleatoria, o modelo acima
pode ser tratado por meio das equa c oes diferenciais estoc asticas [6, 81,
113]. No entanto, se as incertezas forem modeladas por meio de sub-
conjuntos fuzzy, a equa cao diferencial pode ser tratada de varias formas
tais como:
Equac oes diferenciais fuzzy (a partir da derivada de Hukuhara)
neste caso a no cao de derivada fuzzy faz-se necessaria [12, 69, 105,
115];
Inclus oes diferenciais fuzzy [9, 13, 64, 87];
Extens ao da solu c ao determinstica [87];
Base de regras fuzzy (Se cao 6.4 do Captulo 6 e Captulo 9).
A seguir apresentaremos uma introdu cao ao C alculo Diferencial e In-
tegral para fun coes fuzzy, isto e, fun coes com domnio no conjunto dos
n umeros reais e com valores fuzzy.
8.1.1 Derivada e Integral de Funcao Fuzzy
Vamos aqui estudar apenas o caso unidimensional, ou seja, o caso em que
a fun cao est a denida em um intervalo da reta com valores no conjunto
dos n umeros fuzzy:
u : [a, b] T(R), a 0,
onde T(R) representa o conjunto dos n umeros fuzzy.
Para o caso mais geral e mais informa coes sobre derivadas de fun coes
fuzzy o leitor pode consultar [12, 45, 69, 115], alem de muitos artigos
presentes na literatura de Matematica Fuzzy.
Para o caso unidimensional denimos a derivada de u(t) a partir de
seus -nveis. Lembramos [69] que a fun cao u : [a, b] T(R) que
associa um n umero real t a um n umero fuzzy u(t) est a bem denida se,
e somente se, para cada [0, 1], existem fun coes reais
u
1
, u
2
: [a, b] R
tais que os -nveis de u(t) s ao [u
1
(t), u
2
(t)], ou seja,
[u(t)]
= [u
1
(t), u
2
(t)]. (8.2)
Antes de enunciarmos os conceitos de derivada e integral queremos
ressaltar que, para n ao sobrecarregar a nota cao, nesta se cao usaremos
u
para indicar a derivada e

_
b
a
u(t) dt para a integral de fun coes fuzzy
u : [a, b] T(R).
Denicao 8.1 (Derivada de Hukuhara). A fun cao u
: [a, b] T(R)
cujos -nveis s ao dados por
[u
(t)]
= [(u
1
)
(t), (u
2
)
(t)], (8.3)
para todo [0, 1], e a derivada da fun cao fuzzy u(t), conhecida como
derivada de Hukuhara. Claro que estamos supondo a existencia das
derivadas classicas (u
1
)
(t) e (u
2
)
(t).
Assim -nveis da derivada (fuzzy) s ao as derivadas (classicas) dos
extremos dos -nveis de u.
Observamos que a existencia de u
(t) implica necessariamente que os

intervalos [(u
1
)
(t), (u
2
)
(t)] satisfazem o Teorema 1.4 de representa cao.

A integral de u : [a, b] T(R) tambem e denida por meio de seus
-nveis, a partir da integral de Aumann
1
, originalmente denida para
fun coes com valores em conjuntos classicos (veja em [12]).
Denicao 8.2. A integral de u no intervalo [a, b], indicada por
_
b
a
u(t) dt,
e o n umero fuzzy com -nveis:
__
b
a
u(t) dt
_
=
__
b
a
u
1
(t) dt,
_
b
a
u
2
(t) dt
_
, (8.4)
onde
_
b
a
u
1
(t) dt e
_
b
a
u
2
(t) dt s ao as integrais de Riemann das fun coes
reais u
1
e u
2
.
A existencia de
_
b
a
u(t) dt implica necessariamente que os intervalos
__
b
a
u
1
(t) dt,
_
b
a
u
2
(t) dt
_
satisfazem o Teorema 1.4 de representa cao. Como observado para as
derivadas, aqui tambem estamos supondo que as fun coes u
1
e u
2
s ao
Riemann integr aveis no intervalo [a, b].
Note que se u for uma fun cao real (isto e, u : [a, b] R T(R)),
entao os conceitos dados acima de derivada e integral coincidem com os
classicos.
1
Aumann ganhou premio Nobel de Economia em 2005.
Exemplo 8.1. Seja a fun cao u(t) = At, t 0, onde A e um n umero
fuzzy, cujos -nveis s ao dados pelos intervalos [A]
= [a
1
, a
2
].
a
a
2
a
1
a
2
t
a
1
t
t
Figura 8.1: Funcao u(t) e seus -nveis.

Temos que [u(t)]
= [u
1
(t), u
2
(t)] = [a
1
t, a
2
t] e, portanto,
[u
(t)]
= [(u
1
)
(t), (u
2
)
(t)] = [(a
1
t)
, (a
2
t)
] = [a
1
a
2
] = [A]
.
Logo,
u
(t) = A.
Por outro lado,
__
b
a
u(t) dt
_
=
__
b
a
u
1
(t) dt,
_
b
a
u
2
(t) dt
_
=
__
b
a
a
1
t dt,
_
b
a
a
2
t dt
_
=
_
a
1
(
b
2
2

a
2
2
), a
2
(
b
2
2

a
2
2
)
_
= (
b
2
2

a
2
2
) [a
1
, a
2
]
=
__
b
a
t dt
_
[A]
.
Portanto,
_
b
a
u(t) dt =
_
b
a
At dt = A
_
b
a
t dt =
_
b
2
a
2
2
_
A.
Observamos que
_
b
a
t dt e a integral de Riemann que, multiplicada
pelo n umero fuzzy A, d a a integral de Aumann de u(t) = At.
Neste texto n ao pretendemos aprofundar nossa investiga cao sobre dife-
renciabilidade e integrabilidade de fun coes fuzzy. Porem, para o estudo
de estabilidade de sistemas din amicos, faz-se necessario o conceito de
metrica em T(R).
Denicao 8.3. A metrica para conjuntos fuzzy, proveniente da metrica
de Hausdor, e dada por:
D(A, B) = sup
01
d
H
([A]
, [B]
), (8.5)
onde d
H
e a metrica de Hausdor para intervalos compactos de R, cuja
deni cao e
d
H
(I, J) = max(sup
xI
(d(x, J), sup
yJ
d(y, I)), (8.6)
onde d(x, J) = inf
jJ
d(x, j) e d(r, s) = [r s[ .
Com essa metrica Ralescu [106] provou que o espa co metrico T(R) e
completo, garantindo que toda sequencia convergente de n umeros fuzzy
converge para um n umero fuzzy.
O teorema a seguir tem import ancia no estudo das equa coes diferen-
ciais fuzzy.
Teorema 8.1. Se F, G : [a, b] T(R) s ao func oes diferenci aveis e
R, ent ao
(a) F e G s ao contnuas na metrica D;
(b) (F +G)
(t) = F
(t) +G
(t);
(c) (F)
(t) = F
(t).
Demonstra c ao. Ver [12, 69].
O teorema a seguir e uma vers ao do teorema fundamental do c alculo
para o caso fuzzy com os conceitos de derivada e integral acima.
Teorema 8.2. Seja F : [a, b] T(R) contnua. Ent ao a func ao G(t) =
_
t
a
F(s) ds e deriv avel e G
(t) = F(t) para todo t [a, b].

Vale tambem o seguinte resultado.
Teorema 8.3. Seja F : [a, b] T(R) integr avel. Ent ao, para todo
c [a, b] vale
_
c
a
F(t) dt +
_
b
c
F(t) dt =
_
b
a
F(t) dt. (8.7)
Estes teoremas fornecem o suporte para estudar equa coes diferen-
cias fuzzy. A partir dos conceitos de derivadas e integrais apresentados
acima, podemos come car nosso estudo de equa c oes diferenciais fuzzy.
8.1.2 Problema de Valor Inicial Fuzzy (PVIF)
Vamos considerar neste texto o problema de valor inicial fuzzy sempre
da forma
_
u
(t) = F(t, u(t))

u(a) = u
0
, (8.8)
onde F : [a, b] T(R) T(R) e a > 0.
Lema 8.4. Seja F : [a, b] T(R) T(R) contnua. Ent ao a func ao
u : [a, b] T(R)
e soluc ao de (8.8) se, e somente se, e contnua e satisfaz ` a equa c ao
integral
u(t) = u(a) +
_
t
a
F(s, u(s)) ds. (8.9)
Como ilustra cao, considere u(t) = At. Vimos no Exemplo 8.1 que
u
(t) = A. Logo,
u(t) = Aa +
_
t
a
Ads = u(a) +
_
t
a
u
(s) ds.
Corolario 8.5. Se u(t) e soluc ao do (8.8) ent ao, para cada [0, 1], a
func ao d(t) = diam[u(t)]
e n ao decrescente.
Demonstra c ao. diam([u(t)]
) = u
2
(t) u
1
(t), o qual e o di ametro de
[u(t)]
. Assim, de acordo com o Lema 8.4, temos

[u(t)]
= [u
1
(a), u
2
(a)] +
__
t
a
F
1
(s, u(s)) ds,
_
t
a
F
2
(s, u(s)) ds
_
=
_
u
1
(a) +
_
t
a
F
1
(s, u(s)) ds, u
2
(a) +
_
t
a
F
2
(s, u(s)) ds
_
.
Portanto,
diam([u(t)]
) = u
2
(t) u
1
(t)
= (u
2
(a) u
1
(a)) +
_
t
a
[F
2
(s, u(s)) F
1
(s, u(s))] ds
e n ao decrescente, uma vez que (F
2
(s, u(s))F
1
(s, u(s))) 0 para todo
s [a, b].
Exemplo 8.2. Para ilustrar as aplica coes das equa c oes diferenciais fuzzy
vamos supor entao que, no modelo de Malthus, apenas a condi cao inicial
seja fuzzy e considerar taxas de varia coes positivas (popula c oes em
expansao) e negativas (popula c oes em retra cao).
Consideremos o modelo malthusiano fuzzy com taxa de cresci-
mento positiva > 0.
_
u
(t) = u(t)
u
0
T(R)
. (8.10)
Suponhamos que [u(t)]
= [u
1
(t), u
2
(t)] e que a condi cao inicial
seja fuzzy e dada pelos -nveis [u
0
]
= [u
01
, u
02
].
De acordo com a Deni cao 8.1, para cada [0, 1], devemos
resolver a equa cao
_
[u
(t)]
= [u
1
(t), u
2
(t)]
u
0
T(R) e > 0
. (8.11)
A partir da multiplica cao de n umero real por n umeros fuzzy, temos
que a solu cao dessa equa cao e obtida a partir da solu c ao do sistema
de equa coes determinsticas para seus -nveis:
_
(u
1
)
(t) = u
1
(t), com u
1
(a) = u
01
(u
2
)
(t) = u
2
(t), com u
2
(a) = u
02
.
Para cada a solu c ao do sistema (8.11) existe e e dada por:
_
u
1
(t) = u
01
e
t
u
2
(t) = u
02
e
t
. (8.12)
Observamos que se [u
0
]
1
tiver apenas um ponto, isto e, se u
01
=
u
02
= x
0
entao [u(t)]
1
se comporta como a solu cao do modelo
malthusiano determinstico, isto e, [u(t)]
1
= x
0
e
t
.
1
[u
0
]
[u(t)]
u
0
1
(t)
u
0
2
(t)
t
x
x(t) [u(t)]
1
Figura 8.2: Solucao do modelo malthusiano fuzzy de expansao populacional
( > 0).
Consideremos agora o Problema de Valor Inicial Fuzzy que repre-
senta uma popula cao em retra cao:
_
u
(t) = u(t)
u
0
T(R) e > 0
. (8.13)
De acordo com a Deni cao 8.1, para cada [0, 1] devemos re-
solver a equa cao
[u
(t)]
= [u
1
(t), u
2
(t)],
que pela deni cao de multiplica cao de n umero real (negativo) por
n umero fuzzy, e equivalente a resolver o sistema determinstico:
_
(u
1
)
(t) = u
2
(t), com u
1
(0) = u
01
u
2
)
(t) = u
1
(t), com u
2
(0) = u
02
, (8.14)
cuja solu cao e
u
1
(t) =
u
01
u
02
2
e
t
+
u
01
+u
02
2
e
t
(8.15)
u
2
(t) =
u
02
u
01
2
e
t
+
u
01
+u
02
2
e
t
.
Assim, a solu cao do problema (8.14) e a fun cao u(t) com -nveis
dados pelas equa coes (8.15) acima. A Figura 8.3 representa a
solu cao de decaimento do modelo fuzzy malthusiano.
x
u
0
1
u
0
2
x(t) [u(t)]
1
t
Figura 8.3: Decaimento no modelo fuzzy malthusiano ( < 0).
Observacoes
1. O di ametro de [u(t)]
, dado por:
diam([u(t)]
) = u
2
(t) u
1
(t) = (u
02
u
01
)e
t
e sempre crescente com t, exceto se u
02
= u
01
, ou seja, se u
0
R. Esta
e a maior crtica à derivada fuzzy (e à derivada de Hukuhara de um
modo particular, a qual deu origem à derivada fuzzy utilizada acima).
Ha uma clara diculdade para se denir o conceito de estabilidade,
bem como de atrator neste tipo de equa cao diferencial fuzzy.
2. Resolver u
= u e diferente de resolver u
+u = 0 [28].
3. Quando temos um problema de valor inicial fuzzy onde o campo de
dire coes e extensao fuzzy de um campo determinstico, entao toda
solu cao determinstica e uma soluc ao preferida, no sentido de ter
grau de pertinencia 1 (um) no conjunto das solu coes fuzzy. Esse re-
sultado est a formalizado e demonstrado em [12]. Para ilustrar melhor
este fato, vamos nos restringir ao Problema de Valor Inicial Fuzzy da
equa cao malthusiana estudada anteriormente. Associado a este pro-
blema temos o Problema de Valor Inicial determinstico
_
x
(t) = x(t)
x
0
R
, (8.16)
cuja solu cao e
x(t) = x
0
e
t
.
Assim, se x
0
[u
0
]
1
, entao e facil ver que
u
1
(t) x(t) u
2
(t), [0, 1].
Isto signica que x(t) [u(t)]
1
para todo t, ou seja, a solu cao deter-
minstica x(t) tem pertinencia 1 (um) na solu cao fuzzy. Portanto e
uma solu cao preferida (veja Figuras 8.2 e 8.3).
De acordo com a observa cao 1, h a uma diculdade em denir esta-
bilidade para esse tipo de equa cao diferencial, ja que o di ametro das
solu coes e crescente com o tempo para todo do intervalo [0, 1]. Tem-se
procurado contornar este inconveniente utilizando outros metodos para
o estudo de sistemas din amicos fuzzy contnuos, isto e, com taxa de
varia cao contnua em algum sentido. As inclusoes diferenciais fuzzy
e o metodo de extensao de Zadeh que, sob certas condi coes produzem
as mesmas solu coes [87], resolvem este problema. Outro enfoque tem
sido apresentado recentemente por Bede [26] estendendo a derivada de
Hukuhara (este metodo n ao ser a discutido aqui).
O metodo das inclusoes diferenciais fuzzy requer conhecimentos de
an alise de multifun coes e de inclusoes diferenciais classicas. Por esse
motivo, apresentaremos aqui apenas as ideias principais para introdu-
zir e ilustrar o seu potencial de aplica coes (o leitor interessado pode
consultar [7, 13, 37, 38, 77, 87], entre tantos outros textos de Analise
Multivaluada).
O metodo da extensao de Zadeh pode ser considerado mais simples,
pois exige apenas a aplica cao do princpio de extensao nas solu coes de-
terminsticas. Mais especicamente, a partir da solu cao determinstica,
que para cada t xo pode ser vista como uma fun cao da condi cao ini-
cial x
0
, aplica-se o Princpio de Extens ao de Zadeh. Portanto, este
ultimo metodo e aplic avel apenas em sistemas fuzzy originados de de-
terminsticos, para os quais e conveniente considerar a condi cao inicial
e/ou algum par ametro fuzzy.
8.1.3 Problema de Valor Inicial Fuzzy Generalizado (PVIFG)
Para dar continuidade ao nosso estudo sobre os sistemas fuzzy contnuos,
vamos analisar o problema de valor inicial fuzzy generalizado conside-
rando dois enfoques distintos: via inclusoes diferenciais fuzzy e com o
princpio de extensao de Zadeh.
Considere o problema
_
_
_
du
dt
= F(t, u(t))
u(a) = u
0
, (8.17)
onde F : [a, b] T(R) T(R), u
0
T(R) e
du
dt
representa a taxa de
varia cao contnua da fun cao u, em algum sentido. Se
du
dt
e a derivada
de Hukuhara da fun cao inc ognita u(t), o estudo do PVIFG se reduz ao
tratado na Se cao 8.1.2.
Uma fun cao u : [a, b] T(R) e uma solu cao, nos diversos sentidos
que daremos, de (8.17) se, e somente se, satiszer a Equa cao (8.17) e
u(a) = u
0
. Para este problema generalizado denimos, para cada t 0,
a famlia de fun coes dadas por
t
: T(R) T(R)
u
0

t
(u
0
) := u(t, u
0
),
onde u(t, u
0
) e solu cao de (8.17) no instante t, com condi cao inicial
u(a) = u
0
.
As subse coes seguintes tem por objetivo propor duas maneiras de se
obter a famlia
t
.
Problema de Valor Inicial Fuzzy via Inclusao Diferencial Fuzzy
Como ja dissemos antes, uma abordagem alternativa à derivada de Hu-
kuhara para se estudar um problema de valor inicial fuzzy e por meio das
inclusoes diferenciais fuzzy. Nesse caso, n ao e usado qualquer conceito
para derivada de fun cao fuzzy. A derivada utilizada e a de fun coes deter-
minsticas e a solu cao fuzzy e constituda de fun coes determinsticas.
Ha varias formas de se utilizar as inclusoes diferenciais no sentido de
adapt a-las ao contexto fuzzy (ver [9, 37, 64, 87]).
Aqui daremos enfase à sugestao de Hullermeier [64]. Sua ideia e a
seguinte: como o campo F : [a, b] T(R) T(R) e tal que, para
cada par (t, u) tem-se F(t, u) T(R), entao a solu cao fuzzy de (8.17)
ser a constituda de todas as trajetorias determinsticas que satisfazem
as inclusoes diferenciais classicas:
_
x
(t) [F(t, x(t))]
x(a) [u
0
]
. (8.18)
Uma fun cao determinstica x
: [a, b] R e uma solu cao de (8.17),

com pertinencia , se for absolutamente contnua e satiszer (8.18) para
quase todo t a.
A solu cao fuzzy de (8.17) e a fun cao fuzzy u : [a, b] T(R) cujos
-nveis s ao
[u]
= x
: [a, b] R, que s ao solu coes de (8.18).

Observacao
Sob certas condi coes de regularidade de F, Diamond [44] provou que
os conjuntos x
: [a, b] R, que s ao solu coes de (8.18) satisfazem o

Teorema 1.4 de representa cao (no espa co das fun coes), e neste caso, a
fun cao u est a bem denida.
Assim, para cada t, as fun coes
t
: T(R) T(R) associadas ao
PVIFG (8.17) s ao dadas por:
t
(u
0
) = u(t, u
0
),
onde u e solu cao de (8.17) no sentido de Hullermeier. Neste caso, os
-nveis de
t
(u
0
) s ao os intervalos [
t
(u
0
)]
.
Vamos ilustrar os conceitos apresentados aqui com o modelo malthu-
siano e vericar que os di ametros dos -nveis das solu coes [
t
(u
0
)]
s ao crescentes para popula cao em expans ao e s ao decrescentes para po-

pula cao em retra cao.
Exemplo 8.3 (Taxa de crescimento bem determinada). Se R e u
0

T(R), entao o modelo de Malthus toma a forma
_
x
(t) = x(t)
x
(a) [u
0
]
= [u
01
, u
02
]
(8.19)
cuja solu cao (fuzzy) e formada pelas fun coes determinsticas
x
(t) = x
(a)e
t
, com x
(a) [u
01
, u
02
].
Portanto,
[
t
(u
0
)]
= [u
01
e
t
, u
02
e
t
] = [u
01
, u
02
]e
t
,
de modo que
t
(u
0
) = u
0
e
t
.
Os di ametros dos -nveis da solu cao s ao
diam([
t
(u
0
)]
) = (u
02
u
01
)e
t
.
Logo, para popula cao em expans ao ( > 0), temos di ametro crescente
com o tempo t, e decrescente para popula cao em retra cao ( < 0).
Exemplo 8.4 (Taxa de crescimento e condi cao inicial incertas). Se a taxa
de crescimento e a condi cao inicial s ao incertas, isto e, T(R), com
[]
= [
1
,
2
], e u
0
T(R), entao o modelo malthusiano toma a forma
_
x
(t) [x(t)]
= x(t)[
1
,
2
]
x
(a) [u
0
]
= [u
01
, u
02
]
(8.20)
cuja solu cao (fuzzy) e formada pelas fun coes determinsticas:
x
(t) = x
(a)e
t
, com [
1
,
2
] e x
(a) [u
01
, u
02
].
Portanto, supondo que
1
0 (expansao forte), temos
[
t
(u
0
)]
= [u
01
e
1
t
, u
02
e
2
t
],
e neste caso, diam[
t
(u
0
)]
cresce com t, ja que
2
>
1
> 0.
Por outro lado, supondo que
2
< 0 (retra cao forte),
[
t
(u
0
)]
= [u
01
e
2
t
, u
02
e
1
t
],
e neste caso, diam[
t
(u
0
)]
decresce com t, ja que
2
>
1
.
Os casos em que
1
e
2
tem sinais contr arios, cam como exerccio
para o leitor.
Aplica coes das inclusoes diferenciais fuzzy a fenomenos biol ogicos po-
dem ser encontradas em um n umero ainda reduzido na literatura. O
leitor interessado pode consultar [13], para modelos em epidemiologia, e
[77, 87] em din amica de popula coes. Compara coes entre as solu coes de
Hullermeier e a de Hukuhara podem ser encontradas em [18].
Outra abordagem para obter uma solu cao fuzzy para o PVIFG (8.17)
e por meio do princpio de extensao visto no Captulo 2. Nesse caso, se
apenas a condi cao inicial e/ou algum par ametro do campo F for fuzzy,
entao as solu coes do PVIFG s ao obtidas atraves da fuzzica cao das
solu coes deteminsticas por meio do princpio de extensao.
Problema de Valor Inicial Fuzzy via Extensao de Zadeh
Como zemos no caso das inclusoes diferenciais fuzzy, vamos estudar
dois casos distintos aqui. O primeiro e quando apenas a condi cao inicial
e dada por um n umero fuzzy. No segundo caso vamos admitir que a
condi cao inicial e/ou algum par ametro do problema de valor inicial em
questao seja fuzzy.
Caso (a) Condicao inicial fuzzy
Consideramos apenas a condi cao inicial fuzzy. Neste caso, o pro-
blema de valor inicial e dado por
_
_
_
dx
dt
= f(t, x(t))
x(a) = u
0
T(R)
, (8.21)
com f : [a, b] R contnua.
Supondo que para cada condi cao inicial x
0
R o problema deter-
minstico
_
_
_
dx
dt
= f(t, x(t))
x(a) = x
0
, (8.22)
admita solu cao unica
t
entao, para cada t, a solu cao fuzzy
t
de (8.21) e denida como a extensao de Zadeh da solu cao deter-
minstica
t
. Isto e,
se u
0
T(R) entao
t
(u
0
) =

t
(u
0
).
Neste caso, como
t
e contnua em rela cao à condi cao inicial, pelo
Teorema 2.1 do Captulo 2, temos que
[
t
(u
0
)]
= [
t
(u
0
)]
=
t
([u
0
]
) =
t
([u
01
, u
02
]).
Observamos que a formula acima indica que o grau de pertinencia
de x
0
a u
0
e o mesmo grau de pertinencia de
t
(x
0
) a

t
(u
0
), para
todo t.
Com esse procedimento vamos encontrar a solu cao do modelo
malthusiano.
Se R e u
0
T(R), temos
_
_
_
dx
dt
= x(t)
x(a) = u
0
. (8.23)
O uxo determinstico do modelo malthusiano (8.1) e dado por
t
(x
0
) = x
0
e
t
. Entao, usando a Deni cao 2.1, o uxo fuzzy e
t
(u
0
) = u
0
e
t
, cujos -nveis s ao dados por
[
t
(u
0
)]
=
t
([u
0
]
) = [u
0
]
e
t
= [u
01
, u
02
]e
t
.
Portanto, para cada t, os di ametros dos -nveis da solu cao fuzzy
s ao dados por
diam([
t
(u
0
)]
) = (u
02
u
01
)e
t
que, como se ve, coincidem com aqueles obtidos no caso anterior
de inclusoes diferenciais (8.19). Isto nos permite concluir que tais
di ametros crescem para popula coes em expans ao e decrescem para
popula coes em retra cao.
Caso (b) Condicao inicial e parametro fuzzy
Vamos supor agora que o PVIFG (8.17) seja fuzzy porque algum
par ametro () e tambem a condi cao inicial s ao fuzzy.
Assim, o problema de valor inicial toma a forma
_
_
_
dx
dt
=

f(t, , x(t))
x
(a) = u
0
T(R)
. (8.24)
Nesse caso, recamos no caso anterior, acrescentando uma nova
equa cao (y = , com y
= 0), isto e, olhando o par ametro como

uma vari avel e adotando, no modelo determinstico original (8.22),
o par (, x
0
) como condi cao inicial. Para um formalismo ma-
tem atico dessa metodologia o leitor pode consultar [87].
Vamos exemplicar este caso considerando ainda o modelo malthu-
siano.
Suponhamos que a taxa de crescimento T(R) e a condi cao
inicial u
0
T(R). Sabemos que as solu coes determinsticas do
modelo maltusiano (8.1) ampliado
_
_
dx
dt
= x
dy
dt
= 0
x(a) = x
0
e y =
s ao dadas por
t
(, x
0
) = x
0
e
t
, onde x
0
e s ao reais.
Agora, se
[]
= [
1
,
2
]e [u
0
]
= [u
01
, u
02
]
entao a solu cao de (8.24) com

f(t, , x(t)) = x e dada por
[
t
(, u
0
)]
= [
t
(, u
0
)]
=
t
([
1
,
2
], [u
01
, u
02
]). (8.25)
Portanto, supondo que
1
0 (expansao forte),
[
t
(, u
0
)]
= [u
01
e
1
t
, u
02
e
2
t
],
e neste caso, diam[
t
(, u
0
)]
cresce com t, uma vez que
2
>
1
.
Por outro lado, supondo
2
0 (retra cao forte),
[
t
(, u
0
)]
= [u
01
e
2
t
, u
02
e
1
t
],
e neste caso, diam[
t
(, u
0
)]
decresce com t, ja que
2
>
1
.
Os casos em que
1
e
2
tem sinais contr arios cam para o leitor
analisar.
Como o leitor pode perceber, as solu coes para o modelo de Malthus
obtidas via inclusao diferencial e via princpio de extensao s ao as mes-
mas. Isto n ao foi uma coincidencia apenas para o modelo escolhido. Sob
certas condi coes tais metodos produzem as mesmas solu coes (veja [87]
para maiores informa coes).
Jafelice et al [66] tem utilizado essa metodologia no estudo da din amica
do HIV com tratamento, considerando a a cao do retardo fuzzy na a cao
do farmaco.
O estudo de estabilidade dos estados estacion arios (equilbrios) de-
sempenham papel fundamental em sistemas din amicos. Por isso, apre-
sentaremos a seguir uma introdu cao sobre estabilidade dos sistemas
din amicos fuzzy formulados via inclusoes diferenciais fuzzy e/ou via
princpio de extensao. Queremos salientar que ainda n ao h a uma te-
oria consolidada sobre estabilidade de sistemas din amicos fuzzy.
Estabilidade de Sistemas Dinamicos Fuzzy Contnuos
Vamos iniciar esta se cao denindo estados estacion arios (ou de equilbrio)
para o PVIFG (8.17).
Denicao 8.4 (Equilbrio). Um n umero fuzzy u T(R) e um ponto de
equilbrio ou estado estacion ario de (8.17) se
t
(u) = u, para todo t a,
ou seja, se u e ponto xo para todas as
t
, com t > 0.
Lembramos que para um problema de valor inicial determinstico,
os pontos de equilbrio s ao aqueles cuja derivada e zero, e estes s ao
exatamente os pontos xos de suas solu coes, vistas como fun coes das
condi coes iniciais. Como aqui n ao temos a no cao de derivadas para
fun coes fuzzy, denimos equilbrios como sendo os pontos xos dos uxos
gerados pelos PVIFGS .
A partir daqui estamos interessados apenas nos problemas de valor
inicial que sejam autonomos, isto e, o campo F n ao depende explici-
tamente de t. Vamos considerar apenas os sistemas aut onomos que, em
que os pvis tenham solu cao unica. A grande vantagem dos sistemas
aut onomos, e que ser a explorada aqui, vem do fato de suas solu coes
terem a propriedade de uxo, que esclareceremos abaixo.
Iremos apresentar resultados de estabilidade apenas para problema de
valor inicial fuzzy generalizado aut onomo PVIFGA da forma
_
_
_
du
dt
= F(u(t))
u(a) = u
0
T(R)
. (8.26)
Para este problema e sabido que a famlia de solu coes
t
tem a carac-
terstica de uxo, ou seja,
(1)
0
(u
0
) = u
0
para todo u
0
T(R), isto e,
0
e a fun cao identidade
de T(R);
(2)
t+s
(u
0
) =
t
(
s
(u
0
)) = (
t
o
s
) (u
0
) para todo u
0
T(R).
A propriedade (2) acima e a que de fato caracteriza um uxo. Ela
signica que, partindo-se de um estado u
0
, o estado atingido,
t+s
(u
0
),
ap os t + s instantes, e o mesmo que aquele atingido ap os t instantes,
t
(
s
(u
0
)), partindo-se de
s
(u
0
).
Exemplos desses uxos s ao as solu coes de problemas de valores ini-
ciais aut onomos determinsticos e tambem aqueles uxos gerados por
inclusoes diferenciais (veja [64]).
Proposicao 8.6. Dado o problema de valor inicial determinstico aut onomo
_
_
_
dx
dt
= f(x(t))
x(a) = x
0
, (8.27)
considere o PVIFGA (8.26) associado ao PVI (8.27)
_
_
_
dx
dt
= f(x(t))
x(a) = u
0
T(R)
. (8.28)
Nestas condi c oes todo ponto de equilbrio de (8.27) e equilbrio de (8.28).
E ainda os n umeros reais que s ao equilbrios de (8.28) s ao tambem
equilbrios de (8.27), se a soluc ao for dada pelo metodo da extens ao
ou da inclus ao diferencial fuzzy.
Demonstra c ao. Do Teorema 2.1 temos
[
t
(
{x}
)]
=
t
([
{x}
]
) =
t
(x),
sendo
{x}
a fun cao caracterstica de x,
t
o uxo determinstico e

t
o
uxo fuzzy.
Desse modo,
t
(x) = x [
t
(
{x}
)]
= [
{x}
]
,
ou seja, x e equilbrio de (8.27) se, e somente se,
{x}
e equilbrio de
(8.28).
A estabilidade dos sistemas din amicos contnuos ser a estudada por
meio dos uxos de suas solu coes.
A partir da metrica D (Deni cao 8.3), vamos denir estabilidade dos
pontos de equilbrio.
Denicao 8.5 (Estabilidade). Seja u o ponto de equilbrio de (8.28).
Entao ele e
(a) Est avel se para todo > 0 existir > 0 tal que
se D(u, u) , entao D(u,
t
(u)) , para todo t a.
Os equilbrios que n ao s ao est aveis s ao chamados de inst aveis.
(b) Assintoticamente est avel se for est avel e existir r > 0 de modo que
lim
t+
D(
t
(u), u) = 0 sempre que D(u, u) r.
Com esta no cao de estabilidade e facil ver que n ao e possvel ter
equilbrio assintoticamente est avel para sistemas fuzzy contnuos, para
os quais a derivada utilizada e a de Hukuhara. Lembremos que para tais
sistemas os di ametros dos -nveis das solu coes s ao sempre crescentes.
O principal resultado que enunciaremos aqui sobre estabilidade e para
os sistemas fuzzy contnuos cujas solu coes s ao obtidas por meio do
princpio de extensao de Zadeh.
Observamos que, com a Deni cao 8.5 de estabilidade e facil vericar
que as popula coes em retra cao no modelo malthusiano, cujas solu coes
s ao obtidas via inclusoes diferenciais fuzzy ou extensao de Zadeh, s ao as-
sintoticamente est aveis. O resultado seguinte generaliza essa observa cao
feita para o modelo de Malthus.
Teorema 8.7. Seja x um equilbrio do problema de valor inicial deter-
minstico (8.27). Ent ao:
(a) x e est avel para o PVI (8.27) se, e somente se,
{x}
e est avel para
o PVIFGA (8.28);
(b) x e assintoticamente est avel para o PVI (8.27) se, e somente se,
{x}
e assintoticamente est avel para o PVIFGA (8.28).
Demonstra c ao. Ver [87].
Corolario 8.8. Seja x um equilbrio de (8.27). Ent ao, o equilbrio
{x}
de (8.28) ser a est avel se f
(x) < 0, e inst avel se f
(x) > 0.
Demonstra c ao. Basta lembrar que essa hip otese e suciente para esta-
bilidade assintotica no caso classico. A conclusao e feita a partir do
Teorema 8.7.
Para encerrar esta se cao queremos observar que, embora o Teorema 8.7
seja bastante intuitivo, ele revela algo que consideramos forte: x ser
assintoticamente est avel para (8.27), signica que x atrai pontos de R.
Agora, ser assintoticamente est avel no espa co fuzzy (T(R), D), quer
dizer que tal ponto atrai conjuntos fuzzy, e portanto atrai seus nveis, que
s ao subconjuntos compactos de R. Do ponto de vista de modelagem isto
signica que a estabilidade de x independe das incertezas das condi coes
iniciais.
Um estudo mais abrangente de estabilidade de sistemas fuzzy via
princpio de extensao o leitor pode encontrar em [87].
Lembrando que no incio da Se cao 8.1 havamos prometido quatro
abordagens para os sistemas din amicos fuzzy contnuos, vamos comentar
rapidamente a ultima delas, ou seja, os sistemas fuzzy onde o campo de
dire coes e dado por meio de uma base de regras.
Problema de Valor Inicial p-fuzzy
A nomeclatura p-fuzzy signica parcialmente fuzzy. Esses sistemas s ao
parcialmente fuzzy no sentido que o campo de dire coes F do PVI em
questao e apenas conhecido parcialmente. No entanto, sua solu cao (tra-
jetoria) e crisp, ja que, em cada instante t, e um valor obtido ap os um
processo de defuzzica cao. Formalmente teremos
Denicao 8.6. Um PVI p-fuzzy pode ser dado por
_
_
_
du
dt
= F(t, u(t))
u(a) = u
0
, (8.29)
em que F e parcialmente conhecida e decrita por uma base de regras
fuzzy (ver Captulo 5).
Ate aqui, nenhum processo de defuzzica cao est a sendo exigido para
modelar F. Isto desobriga que a solu cao u(t) de (8.29), em algum sen-
tido, seja um n umero real.
Entretanto, se algum metodo de defuzzica cao for adotado, entao
espera-se que u(t) R. Neste caso, estaremos diante da metodolo-
gia estudada na Se cao 6.4 em que F e a fun cao dada por controladores
fuzzy.
Mantendo a linha de investiga cao adotada neste captulo vamos estu-
dar o PVI
_
_
_
dx
dt
= f(x)
x(a) = x
0
, (8.30)
em que f e substituda por uma base de regras fuzzy coerente com o
modelo malthusiano, cuja principal suposi cao e que, em cada instante t,
a taxa de crescimento de uma popula cao e diretamente proporcional à
popula cao.
A base de regras construda aqui e para a taxa de varia cao por unidade
de tempo, denotada por
dX
dt
, em fun cao da popula cao X. Assim, x e o
valor da vari avel de entrada, enquanto
dx
dt
e o valor da vari avel de sada.
Adotaremos apenas quatro qualica coes para cada uma dessas vari aveis
ligusticas, resumidas no Quadro 8.1.
R1 : Se a populacao (X) e muito baixa (MB) entao a variacao e
muito baixa (MB)
R2 : Se a populacao (X) e baixa (B) entao a variacao e baixa (B)
R3 : Se a populacao (X) e media (M) entao a variacao e media (M)
R4 : Se a populacao (X) e alta (A) entao a variacao e alta (A).
Quadro 8.1: Base de regras para modelar a variacao da populacao com base
na densidade da mesma.
As fun coes de pertinencia que correspondem às vari aveis lingusticas
da base de regras s ao dadas na Figura 8.4.
A Figura 8.5 ilustra as regras do Quadro 8.1 na forma granular, su-
pondo que cada uma das qualica coes acima seja dada por um n umero
fuzzy triangular e uma possvel f.
Adotando um controlador fuzzy, com o metodo de Mamdani e o centro
de area como defuzzicador, combinado com o metodo de Euler, como
0 50 100 150 200 250
0
0.2
0.4
0.6
0.8
1
Populacao
G
ra
u
d
e
P
e
rtin
e
n
c
ia
M MB A B
0 10 20 30 40 50 60 70 80 90 100
0
0.2
0.4
0.6
0.8
1
Variacao
G
ra
u
d
e
P
e
rtin
e
n
c
ia
M MB A B
(a) Populacao (b) Variacao
Figura 8.4: Funcoes de pertinencia da base de regras.
comentado na Se cao 6.4 (ver detalhes no Captulo 9), chegamos à solu cao
do p-fuzzy malthusiano, cujo gr aco est a na Figura 8.6.
Figura 8.5: Granulos para o modelo malthusiano e uma possvel funcao de
crescimento f.
Os sistemas p-fuzzy ter ao destaque no Captulo 9.
8.2 Sistemas Dinamicos Fuzzy Discretos
Um sistema din amico discreto e modelado atraves de uma forma de re-
correncia (processo iterativo). Nesta se cao vamos introduzir os sistemas
din amicos fuzzy discretos como uma generaliza cao dos modelos classicos.
8.2 Sistemas Dinamicos Fuzzy Discretos 267
0 2 4 6 8 10
0
50
100
150
200
250
tempo (t)
p
o
p
u
la
o
Malthus pfuzzy
Malthus deterministico
Figura 8.6: Solucao x(t) do p-fuzzy malthusiano e do determinstico com
a = 9.5% e x0 = 2.
Para ilustrar o processo, usamos mais uma vez os modelos populacionais
o modelo exponencial (de Malthus) e o logstico (de Verhulst).
Denicao 8.7. Um sistema din amico fuzzy discreto e um processo ite-
rativo de subconjuntos fuzzy
_
u
t+1
= F(u
t
)
u
0
T(R)
, (8.31)
onde F : T(R) T(R) e uma aplica cao entre espa cos dos subconjuntos
fuzzy.
Denicao 8.8. Dado u
0
T(R) e F conforme a Deni cao 8.7, a sequencia
de iteradas u
0
, F(u
0
), F(F(u
0
)), . . ., e chamada de soluc ao ou orbita po-
sitiva de u
0
.
De acordo com estas deni coes, o uxo
t
, para sistemas discretos, e
dado pelas sucessivas composi coes do campo F :
0
(u
0
) = F
0
(u
0
) = u
0
1
(u
0
) = F
1
(u
0
) = F(u
0
)
2
(u
0
) = F
2
(u
0
) = F(F(u
0
))
.
.
. =
.
.
. =
.
.
.
t
(u
0
) = F
t
(u
0
) = F(F
t1
(u
0
)),
para t N.
Deste modo, se u
0
T(R), entao as iteradas denidas acima, bem
como seu limite, quando existir (na metrica D), est ao em T(R), ja que
o espa co metrico (T(R), D) e completo (veja [106]).
Observamos que, em um sistema discreto, o tempo e determinado
proporcionalmente ao n umero de itera coes executadas.
Com base na Deni cao 8.4 podemos tambem fazer a seguinte deni cao.
Denicao 8.9 (Equilbrio). Um n umero fuzzy u T(R) e um ponto de
equilbrio do sistema fuzzy discreto (8.31) se
t
(u) = u, para todo t 0,
o que acarreta F(u) = u, ou seja, u e um ponto xo de F.
A seguir vamos analisar brevemente a din amica do modelo malthusi-
ano, supondo a incerteza na condi cao inicial, o que e bastante razo avel
em problemas de din amica de popula coes, principalmente quando se ini-
cia com uma popula cao muito grande ou estimada. Um exemplo tpico
e o n umero inicial de uma cultura de bacterias.
8.2.1 Modelo Malthusiano Fuzzy Discreto
Como no caso contnuo, vamos supor que em cada gera cao t, o n umero
de indivduos seja proporcional à popula cao na gera c ao anterior. Alem
disso, que a condi cao inicial seja incerta, dada por u
0
T(R) de modo
que seus -nveis sejam os intervalos fechados [u
0
]
= [u
01
, u
02
] R
+
,
para todo [0, 1].
Como zemos no caso contnuo, aqui vamos tambem distinguir duas
situa coes:
Caso (a) Taxa de crescimento crisp e condicao inicial incerta
Se > 0, o modelo malthusiano fuzzy discreto e dado por:
_
u
t+1
= u
t
u
0
T(R)
. (8.32)
Levando-se em conta a multiplica cao de n umero real por n umero
fuzzy (Captulo 2), a solu cao de (8.32) e dada por:
u
t
=
t
u
0
, (8.33)
cujos -nveis s ao [u
t
]
=
t
[u
0
]
= [
t
u
01
,
t
u
02
].
Caso (b) Taxa de crescimento e condicao inicial incertas
Neste caso, alem da condi cao inicial, tambem e considerado que a
taxa de crescimento () e fuzzy.
Se T(R) com []
= [
1
,
2
] e u
0
T(R), o modelo malthu-
siano fuzzy discreto e dado por:
_
u
t+1
= u
t
u
0
T(R)
, (8.34)
com solu cao fuzzy
u
t
=
t
u
0
, (8.35)
cujos nveis s ao [u
t
]
= [(
1
)
t
u
01
, (
2
)
t
u
02
].
Pontos de Equilbrio
De acordo com as solu coes acima (8.33) e (8.35) podemos concluir que
se ,= 1 ( ,=
1) o unico equilbrio do sistema maltusiano fuzzy discreto

e o ponto fuzzy
{0}
e, se = 1 ( = 1) entao qualquer condi cao inicial
u
0
T(R) e ponto de equilbrio .
Diferentemente do caso contnuo, isto e, das equa coes diferenciais
fuzzy, como vimos na Se cao 8.1.2, aqui o di ametro da solu cao pode
diminuir à medida que o tempo cresce. Para o nosso exemplo acima
temos que, se R,
diam[u
t
]
= diam[
t
u
0
]
=
t
diam[u
0
]

e assim,
lim
t+
diam[u
t
]
=
_
_
0 se 0 < < 1
+ se > 1
diam[u
0
]
se = 1
.
Estabilidade do Ponto de Equilbrio
{0}
Da deni cao da metrica D temos
D(
{0}
, u
0
) = sup
01
d
H
([
{0}
]
, [u
0
]
) = u
0
02
e
D(
{0}
, u
t
) = D(
{0}
,
t
u
0
) =
t
u
0
02
.
Portanto, para o modelo (8.32),
{0}
e est avel se 0 < 1, e assinto-
ticamente est avel se 0 < < 1 pois, neste caso, lim
n+
D(
{0}
, u
t
) = 0.
Para > 1, o ponto de equlbrio
{0}
e inst avel.
Deixamos para o leitor estudar o caso em que a taxa de crescimento
e fuzzy.
As conclusoes obtidas no modelo de Malthus discreto fuzzy, quanto à
estabilidade, s ao de fato mais gerais como veremos abaixo.
Seja o sistema discreto determinstico
x
t+1
= f(x
t
). (8.36)
Associado a este sistema, temos um sistema fuzzy (8.31) (basta con-
siderar em (8.31) a extensao

f da fun cao f). Agora, se x e um ponto de
equilbrio do sistema (8.36), entao
{x}
e um equilbrio do sistema (8.31)
obtido pela fuzzica cao do campo determinstico f, e estes equilbrios
tem as mesmas caractersticas quanto à estabilidade.
O teorema seguinte nos permite caracterizar os tipos de estabilidade
dos equilbrios de sistemas din amicos fuzzy discretos que s ao oriundos
dos sistemas determinsticos. Ou seja, e a vers ao do Teorema 8.7 para
o caso discreto.
Teorema 8.9. Seja f : R R uma func ao contnua e

f sua extens ao
de Zadeh. Ent ao,
(a)
{x}
e equilbrio para o sistema fuzzy u
t+1
=

f(u
t
) se, e somente se,
x for equilbrio para o sistema determinstico x
t+1
= f(x
t
);
(b)
{x}
e est avel para o sistema fuzzy u
t+1
=

f(u
t
) se, e somente se, x
e est avel para o sistema determinstico x
t+1
= f(x
t
);
(c)
{x}
e assintoticamente est avel para o sistema u
t+1
=

f(u
t
) se, e so-
mente se, x e assintoticamente est avel para o sistema determinstico
x
t+1
= f(x
t
).
Corolario 8.10. Suponha que f e diferenciavelmente contnua. Ent ao, o
equilbrio
{x}
do sistema fuzzy discreto, u
t+1
=

f(u
t
), ser a assintotica-
mente est avel se [f
(x)[ < 1, e inst avel se [f
(x)[ > 1.
Demonstra c ao. Basta lembrar que as hip oteses do corol ario acima s ao
sucientes para estabilidade no caso determinstico (veja [50]). A con-
clus ao e consequencia do Teorema 8.9.
Estes dois ultimos resultados valem num contexto mais geral [12].
Voltando ao modelo de Malthus, como x = 0 e assintoticamente
est avel para o caso determinstico, o Corol ario 8.10 nos permite con-
cluir imediatamente que
{0}
e assintoticamente est avel para o modelo
fuzzy de Malthus discreto, se 0 < < 1.
Para casos de sistemas n ao lineares, como o logstico, a din amica
muda radicalmente quando estudada atraves dos sistemas fuzzy discre-
tos. Como o espa co fuzzy T(R) contem R, e razo avel que o n umero
de pontos crticos dos sistemas fuzzy seja maior que o do caso deter-
minstico. Alem disso, surgem novas orbitas peri odicas. Tambem, o
diagrama de bifurca cao e diferente daquele que aparece no caso classico.
Vamos vericar este fato no modelo logstico (ou de Verhulst).
8.2.2 O Modelo Logstico Fuzzy Discreto
O modelo logstico (ou de Verhulst) determinstico supoe uma inibi cao
no crescimento quando a popula cao e muito alta, isto e, x
t+1
x
t
para
t +. Sua formula cao matem atica e a equa cao discreta
_
x
t+1
= ax
t
(1 x
t
)
x
0
R
+
, (8.37)
onde x
t
denota a densidade populacional na gera cao t e a e a taxa de
crescimento intrnsico, 1 a 4.
Os equilbrios desta equa cao s ao x = 0 e x
a
= 1
1
a
. Sabemos
tambem que x = 0 e inst avel, e x
a
= 1
1
a
e assintoticamente est avel
se 1 < a < 3. Mais ainda, quando a = a
1
= 3 (primeiro valor de
bifurca cao), o ponto xo x
a
= 1
1
a
perde a estabilidade e, a partir
da, a popula cao oscila entre dois valores [x
1
, x
2
] ate o pr oximo valor de
bifurca cao que e a = a
2
= 1+
6. Em a
2
esta orbita de perodo 2 perde
a estabilidade e origina-se uma orbita de perodo 4, que e est avel ate o
pr oximo valor de bifurca cao a = a
3
. Este comportamento de duplica cao
do perodo das orbitas (Figura 8.7) continua ocorrendo ate que o sistema
alcance o caos em a
= 3, 569 . . . (veja [50]).

Lembramos que, no modelo logstico discreto, estamos assumindo que
a popula cao e homogenea e que a taxa de crescimento a e constante para
toda popula cao. Entretanto, em qualquer comunidade existe sempre
uma diferencia cao comportamental e fsica entre seus elementos. Essa
heterogenidade e mais acentuada quando os indivduos s ao considerados
isoladamente e menos quando se considera o grupo. Porem, aqui nesse
1
u
1 2 3 4 a
Figura 8.7: Diagrama de bifurcacao determinstico.
exemplo, consideramos a mesma taxa a para toda a popula cao.
Diferentemente da an alise que zemos do modelo malthusiano, aqui
vamos estudar apenas o caso em que a condi cao inicial e fuzzy e o
par amentro a e determinstico. Fica como desao para o leitor o caso
em que a taxa de crescimento e tambem fuzzy (o leitor pode consultar
[79]).
Consideremos entao o caso fuzzy em que a e real, com 1 a 4, e a
condi cao inicial como sendo um n umero fuzzy, ou seja,
_
u
t+1
=

f(u
t
)
u
0
T(R)
, (8.38)
em que f e a fun cao logstica normalizada f(x) = ax(1 x) e

f e sua
extensao de Zadeh.
Pontos de Equilbrio
Os pontos de equilbrio do sistema fuzzy (8.38) s ao os pontos xos de

f,
isto e, os n umeros fuzzy u que s ao solu coes da equa cao
f(u) = u
ou, equivalentemente em nveis, ja que f e contnua (pelo Teorema 2.1),
[
f(u)]
= f([u]
) = [u]
= [u
1
, u
2
]
para todo [0, 1], isto e,
_
_
u
1
= min
u
1
xu
2
f(x)
u
2
= max
u
1
xu
2
f(x)
. (8.39)
Indicando por

0 e x
a
as fun coes caractersticas dos pontos xos 0 e
x
a
= 1
1
a
da fun cao f e usando um calculo direto, porem trabalhoso,
obtemos os pontos xos de

f em T(R) (veja [12, 14]).
Se 1 a 2, os unicos pontos xos da equa cao fuzzy logstica
s ao:

0, x
a
e u
1
, onde u
1
e denido por [u
1
]
= [0, x
a
], [0, 1].
Se 2 < a 3, alem dos pontos xos

0 e x
a
, temos tambem u
2
,
denido por [u
2
]
= [0,
a
4
], [0, 1].
Se 3 < a 1 +
5, alem de

0, x
a
e u
2
, temos o ponto xo u
3
com
[u
3
]
= [x
1
, x
2
], [0, 1], onde x
1
e x
2
s ao pontos xos de

f, isto
e, f(x
1
) = x
2
e f(x
2
) = x
1
.
Se 1 +
5 < a < 4, os pontos xos s ao

0, x
a
, u
2
, u
3
, u
4
, onde
[u
4
]
= [f(
a
4
),
a
4
] e u
5
que e denido por:
[u
5
]
=
_
[0, f(
a
4
)] se
[f(
a
4
),
a
4
] se >
para todo [0, 1] e algum .
Se a = 4, os unicos pontos xos s ao:

0, x
a
e u
6
com [u
6
]
= [0, 1]
para todo [0, 1].
Na Figura 8.8 est ao resumidos os pontos xos desse exemplo.
u
1
u
2
u
3
u
4
u
5
u
6
R
R
R
R
R
R
Figura 8.8: Equilbrios do sistema fuzzy logstico.
Estabilidade dos pontos de equilbrio
A estabilidade dos equilbrios

0, x
a
e dos ciclos de

f, que s ao fun coes
caractersticas dos ciclos de f, s ao as mesmas quando se estuda f ou

f,
de acordo com o Teorema 8.9.
Os unicos pontos xos novos (fuzzy) de

f que s ao assintoticamente
est aveis s ao u
3
e u
4
. Os demais s ao inst aveis. Este estudo pode ser
encontrado com detalhe em [12, 79].
A Figura 8.9 representa as bifurca coes dos pontos de equilbrio e mos-
tra a mudan ca em sua magnitude quando variamos o par ametro a. Para
o modelo fuzzy, a ramica cao determinstica e igual ao diagrama de
bifurca cao classico (Figura 8.7) e a ramica cao fuzzy ilustra os novos
pontos xos de acordo com nossos resultados.
Como ja salientamos, no caso determinstico, a = 3 e um valor de
bifurca cao, isto e, se a e pouco superior a 3, o ponto xo x
a
deixa de ser
est avel e surge uma orbita de perodo 2. Para valores de a ligeiramente
1
u
Ramo determinstico
Ramo fuzzy
1 2 3 1+
5 4 a
u
1
u
2
u
3
u
5
u
4
u
6
Figura 8.9: Diagrama de bifurcacao para o caso fuzzy.
superiores a 1 +
6 aparece uma orbita de perodo 4. Para valores

pr oximos de 3.89, surge um comportamento caotico na din amica desta
equa cao (ver [43, 50]).
No caso da equa cao fuzzy, a = 1, a = 2, a = 3 e a = 1 +
5
s ao tambem valores de bifurca cao. O diagrama de bifurca cao abaixo
ilustra a din amica do modelo logstico acima supondo uma condi cao
inicial fuzzy.
Devemos salientar que o estudo feito acima trata apenas dos pontos
de equilbrio fuzzy. As orbitas peri odicas (ciclos) estudadas s ao as deter-
minsticas que, como pode ser mostrado (veja [12]), n ao muda o tipo de
estabilidade quando estas s ao consideradas no espa co euclidiano ou no
espa co fuzzy. Estudos de orbitas peri odicas fuzzy foram desenvolvidos
recentemente e ja sabemos que cada orbita peri odica determinstica de
perodo 2
p
d a origem a uma orbita fuzzy de perodo 2
p1
, p 2 (veja
[79]). Exemplo disto e a orbita determinstica de perodo 2 que passou a
ser o ponto de equilbrio fuzzy u
3
, com nveis [u
3
]
= [x
1
, x
2
] para
todo [0, 1]. Nenhum tipo de estudo sobre caos fuzzy foi feito aqui
em nosso texto. O leitor interessado nesse assunto pode consultar, por
exemplo, [73, 109].
Queremos encerrar esse captulo comentando que, como vimos acima,
h a diversas abordagens sobre sistemas din amicos fuzzy. Alem das apre-
sentadas aqui o leitor pode encontrar outras, consultando por exem-
plo [80]. Os sistemas p-fuzzy, formalmente descritos com a metodologia
vista na Subse cao 8.1.5, tanto para o caso discreto como contnuo, ser ao
destacados no Captulo 9, devido a sua riqueza de detalhes.
Captulo 9
Modelagem em Biomatematica:
Fuzziness Demograca
Conforme a complexidade de um
sistema aumenta, nossa habilidade de
fazer armac oes precisas e
signicativas sobre seu comportamento
diminui, ate um limiar em que a
precis ao e relev ancia tornam-se
praticamente caractersticas
mutuamente exclusivas.
(Princpio da Incompatibilidade - Zadeh)
A caracterstica essencial da modelagem matem atica de processos va-
riacionais, utilizando equa coes determinsticas, e a exatidao obtida
nas previs oes do fenomeno estudado. Evidentemente, tais previs oes s ao
dependentes de hip oteses sobre a precisao tanto das vari aveis de es-
tado como dos par ametros, inseridos nos modelos por meio de valores
medios de um conjunto de dados.
Os modelos classicos de biomatematica, particularmente os mode-
los de din amica populacional e epidemiologia, s ao fundamentados em
hip oteses quase sempre provenientes da fsico-qumica, onde a rea cao
entre duas substancias (vari aveis de estado) e modelada pelo produto de
suas concentra coes lei da a c ao das massas. Esta mesma lei e usada
280 Modelagem em Biomatematica: Fuzziness Demograca
nos modelos de Lotka-Volterra de intera cao entre duas especies e nos
modelos de Kermack-MacKendrick de epidemiologia. O par ametro que
representa a taxa de preda cao do modelo presa-predador ou a for ca de
infec cao dos modelos epidemiologicos s ao valores medios simulados ou
obtidos empiricamente.
Nos modelos que lidam com incerteza, os estocasticos, por exemplo,
as solu coes s ao processos estocasticos cujas medias podem ser obtidas
a posteriori, quando se tem as densidades de distribui cao das vari aveis
e/ou dos par ametros envolvidos no modelo referente ao fen omeno ana-
lisado. Porem, se numa popula cao, alem de quanticar seus elemen-
tos, pretendemos levar em conta certas qualidades dos indivduos, as
vari aveis devem captar tais incertezas. Por exemplo, numa popula cao
de presas de uma determinada especie, a cada presa podemos levar em
conta a facilidade como e predada, o que pode estar relacionado com a
sua idade, seu estado de sa ude, habitat etc. Considera coes deste tipo
(vari aveis com adjuntos qualitativos) s ao muito frequentes em fenomenos
biol ogicos e muitas vezes essenciais na modelagem e entendimento do
fenomeno. Num sistema evolutivo, o que parece ser insignicante inici-
almente pode ter import ancia extrema no futuro.
Os varios tipos de incertezas que aparecem nos fenomenos de bioma-
tem atica podem ter modelagem bem variadas. Quando optamos pelos
modelos estocasticos, implicitamente estamos supondo conhecer, a pri-
ori, as distribui coes de probabilidades dos par ametros e condi coes iniciais
do fenomeno estudado. Este e o caso do modelo estocastico malthusiano
estudado por Pielou (veja [22]). Entretanto, se no fenomeno em questao
pretendemos levar em conta heterogeneidade, como gradualidades, que
n ao s ao provenientes de aleatoriedades, como modelar matematicamente
estas caractersticas?
Por exemplo, se temos uma popula cao de fumantes num instante
t
0
, sujeita a alguma taxa de mortalidade, podemos querer saber como
estar a composta esta popula cao no futuro. Se considerarmos que cada
281
indivduo desta popula cao e simplesmente fumante ou n ao-fumante o
problema pode ser resolvido com um modelo determinstico, tomando
separadamente ambas as popula coes. Por outro lado, se temos inicial-
mente uma distribui cao de probabilidades dos fumantes desta popula cao,
podemos usar um modelo estocastico para estudar a evolu cao desta dis-
tribui cao inicial. Porem, se a caracterstica de ser fumante depender da
quantidade de cigarros que se fuma diariamente, qualidade dos cigar-
ros fumados, intermitencia do ato de fumar, etc., devemos caracterizar
tambem o grau de ser fumante. Neste caso, cada indivduo pertence à
popula cao de fumantes com um grau especco de pertinencia: Se n ao
fumar, seu grau de pertinencia e zero; se fumar 3 carteiras di arias pode-
mos dizer que e uma fumante de grau 1; Agora, se o indivduo fumar 10
cigarros por dia, quanto ele ser a fumante? Esta subjetividade, ser fu-
mante, pode ser expressa por uma fun cao
A
, onde
A
(x) indica o grau
com que o indivduo que fuma x cigarros est a em concordancia com o
conceito de fumante. Um estudo sobre esperan ca de vida de um grupo,
considerando a quantidade de cigarros fumados por dia, foi realizado por
A. Kandel [70].
Os modelos variacionais fuzzy podem comportar varios tipos de in-
certezas (vagueza ou fuzziness), traduzidas por coecientes, condi coes
iniciais ou pelas pr oprias vari aveis de estado.
Se a subjetividade vem na vari avel de estado ou nos par ametros dos
modelos temos, respectivamente, fuzziness demogr aca ou fuzziness am-
biental. Assim, quando as vari aveis de estado s ao modeladas por meio
da teoria dos conjuntos fuzzy, temos fuzziness demogr aca, e temos fuz-
ziness ambiental quando somente os par ametros s ao considerados fuzzy.
Em geral, ambos os tipos de fuzziness est ao presentes nos fenomenos
biol ogicos.
O comentario feito acima sugere que a ado cao de fuzziness ambiental
permite a utiliza cao dos conceitos classicos de taxa de varia cao, uma
vez que as vari aveis de estado s ao determinsticas. Essa abordagem ser a
explorada no Captulo 10 deste texto.
Para a fuzziness demograca, devemos adotar algum conceito para va-
ria cao (ou taxa de varia cao) que seja compatvel com a no cao de vari aveis
incertas.
Ha muitas possibilidades de se modelar fuzziness demograca. Dado
que, para esse caso, a varia cao de estado e incerta, qualquer uma das
metodologias vistas nas Se coes 8.1.2 e 8.1.3 poderiam ser utilizadas para
modelos contnuos. A escolha de qual delas adotar est a relacionada com
a modelagem adequada do fenomeno. Por outro lado, se o modelo for
discreto, entao temos a metodologia da Se cao 8.2 como opcao. No en-
tanto, devido a riqueza dos sistemas p-fuzzy (veja abaixo), utilizaremos
essa metodologia para estudar a evolu cao de sistemas dinamicos em que
as vari aveis de estado s ao incertas.
Os sistemas considerados aqui s ao do tipo aut onomo, ou seja, as va-
ria coes (ou taxas de varia coes) n ao dependem explicitamente do tempo.
Mais ainda, tanto as vari aveis de estado como suas varia c oes s ao con-
sideradas lingusticas. Dessa forma, as vari aveis de estado est ao cor-
relacionadas com suas varia coes, n ao por meio de equa coes que e o
caso mais comum na literatura, e sim por uma base de regras fuzzy cuja
caracterstica principal e ter as variaveis de estado como entradas
enquanto as varia c oes sao as sadas.
Como denominamos na Se cao 8.1.5, os sistemas estudados aqui s ao
chamados p-fuzzy porque o campo de dire coes, conhecido parcialmente
a priori, e obtido por meio de metodologias de controladores fuzzy. As-
sim, p-fuzzy e uma abrevia cao de parcialmente fuzzy. Como em tais
metodologias est ao previstos processos de defuzzica cao, a solu cao de
um sistema p-fuzzy e crisp, isto e, um valor preciso x(t) que representa
a vari avel de estado em cada instante t.
Os sistemas p-fuzzy podem ser discretos ou contnuos. Para efeito
did atico, abordaremos primeiro o caso discreto, e em seguida, o contnuo.
9.1 Fuzziness Demograca: modelagem discreta 283
9.1 Fuzziness Demograca: modelagem discreta
Os principais conceitos que estudaremos nesta se cao fazem parte do
recente trabalho de tese de doutorado de Silva [117]. Portanto, o leitor
interessado no aprofundamento desse assunto est a convidado a consultar
tal trabalho.
Nao estamos interessados nesta parte no estudo da convergencia dos
modelos p-fuzzy para os determinsticos. A modelagem matem atica dos
fenomenos aqui analisados e fundamentalmente proveniente dos con-
troladores fuzzy. Por isso n ao adotaremos o ndice r, que indica o
n umero de regras, no campo de dire coes para distingu-lo do modelo
determinstico.
Os sistemas p-fuzzy discretos tem a forma
_
x
t+1
= F(x
t
)
x
0
= x(t
0
)
, (9.1)
onde F : R
n
R
n
e a fun c ao F(x) = x+x e x e a sada defuzzicada
dada por um controlador fuzzy para a entrada x. Um sistema p-fuzzy
discreto nada mais e que uma equa cao de diferen cas, x
t+1
x
t
= f(x
t
),
em que a fun cao f(x) = x e a sada do controlador fuzzy. A Figura 9.1
representa esquematicamente um sistema p-fuzzy discreto.
Controlador
Fuzzy
Modelo Matemtico
x
k+1
=
+
x
k
x
k
x
k k
x
Figura 9.1: Arquitetura de um modelo p-fuzzy discreto.
Recentemente, Ortega et al [96] aplicaram essa metodologia aliada ao
princpio de extensao de Zadeh para estudar a evolu cao da raiva canina
no Estado de S ao Paulo.
Para um melhor entendimento a respeito da estabilidade dos pontos
de equilbrio dos sistemas p-fuzzy faz-se necessario alguns comentarios
sobre base de regras fuzzy com oposi cao sem antica.
9.1.1 Regras Fuzzy com Oposicao Semantica
Se considerarmos o princpio malthusiano para crescimento populacio-
nal, isto e,
a varia c ao de uma populac ao e proporcional ` a popula c ao
em cada instante
entao, uma primeira tentativa de modelagem para tal princpio poderia
nos levar às regras do Quadro 8.1, cujos antecedentes e consequentes
est ao representados nas Figuras 8.4(a) e 8.4(b), respectivamente.
Com essa base de regras, o controlador de Mamdani e a defuzzica cao
dada pelo centro de massa, o sistema p-fuzzy (9.1) nos leva à trajetoria
ilustrada na Figura 9.2.
0 2 4 6 8 10
0
50
100
150
200
250
Tempo
P
o
p
u
la
o
Figura 9.2: N umero de indivduos em funcao do tempo a partir do sistema
p-fuzzy discreto e da base de regras do Quadro 8.1.
De acordo com a Figura 9.2, o sistema p-fuzzy discreto produz uma
trajetoria compatvel com o modelo exponencial malthusiano, no qual o
n umero de mortes e inferior ao de nascimento. No entanto, esse cresci-
mento exponencial ilimitado n ao e observado na realidade, a n ao ser por
um curto espa co de tempo. Ha na natureza fatores como alimenta cao,
competi cao com outros indivduos, disputa por espa co, luz, etc, que li-
mitam a popula cao a um certo limiar (capacidade suporte), dando-lhe
estabilidade num determinado ambiente.
Fatores como os citados acima desencadeiam um processo de inibi cao
da popula cao de modo que, para popula coes muito grandes, a varia cao
e pequena ou mesmo negativa.
R1 : Se (X) e baixa (A1) entao a variacao e baixa positiva (B1)
R2 : Se (X) e media baixa (A2) entao a variacao e media positiva (B2)
R3 : Se (X) e media (A3) entao a variacao e alta positiva (B3)
R4 : Se (X) e media alta (A4) entao a variacao e media positiva (B4 = B2)
R5 : Se (X) e alta (A5) entao a variacao e baixa positiva (B5 = B1)
R6 : Se (X) e altssima (A6) entao a variacao e baixa negativa (B6)
Quadro 9.1: Base de regras para modelar a variacao da populacao com base
na sua densidade, com oposicao semantica.
Com o proposito de aprimorar o modelo malthusiano acima, tais in-
forma coes devem ser inseridas na base de regras. Se esperamos es-
tabilidade ou equilbrios, a base de regras deve apresentar regras com
oposi cao semantica nos consequentes. Oposi cao sem antica e caracte-
rizada aqui pela altern ancia de sinais nas varia coes (consequentes). Um
estudo teorico sobre esse assunto o leitor pode encontrar em [102]. Por
exemplo, poderamos renar a base de regras do Quadro 8.1 de modo a
obter a base de regras do Quadro 9.1 com oposi cao sem antica nas regras
sucessivas R
5
e R
6
, em que os conjuntos fuzzy dos antecedentes e dos
consequentes est ao ilustrados na Figura 9.3(a) e 9.3(b) respectivamente.
Levando em conta esta base de regras, o controlador de Mamdani
e a defuzzica cao do centro de gravidade, o sistema p-fuzzy produz a
trajetoria mostrada na Figura 9.4.
0 100 200 210
1
Media Baixa Media Alta Alts s ima Baixa Media Alta
(a) Conjuntos fuzzy antecedentes para
popula c oes (X).
2 0 2 4 6 8 10
Baixa Pos Media Pos Alta Pos
Baixa Neg
(b) Conjuntos fuzzy conseq uentes para
varia c oes (X).
Figura 9.3: Funcoes de Pertinencia para o Quadro 9.1.
0 2 4 6 8 10 12 14
0
20
40
60
80
100
120
140
160
180
200
Tempo
P
o
p
u
la
o
Figura 9.4: Solucao do sistema p-fuzzy discreto para base de regras Qua-
dro 9.1 e x0 = 2.
A trajetoria apresentada na Figura 9.4 tem comportamento quali-
tativo compatvel com os modelos que apresentam inibi cao como, os
modelos logstico, de Gompertz, de Montroll etc.
Para facilitar o estudo de equilbrios de sistemas p-fuzzy faremos al-
gumas exigencias a respeito da base de regras. Uma delas diz respeito
à monotonicidade, isto e, as regras devem estar dispostas numa escala
ordinal. Por exemplo, as regras do Quadro 9.1 apresentam tal ordem:
os antecedentes est ao monotonicamente dispostos do menor para o
maior. Isso facilitara a localiza cao de possveis equilbrios do mo-
delo. Claro que a n ao ordena cao n ao elimina os pontos de equilbrio.
A existencia ou n ao deles depende, dentre outros fatores, da existencia
de oposi cao sem antica nas regras. Regras sem oposi cao sem antica im-
plicam na n ao existencia de equilbrios hiperbolicos ([59]) que s ao
os de nosso interesse. Por outro lado, regras com oposi cao sem antica
implicam na possibilidade de existencia desses equilbrios. A existencia
de tais pontos depende da continuidade na base de regras. No caso
classico essa garantia vem do Teorema do Anulamento de Bolzano [5, 57].
Vale ressaltar que n ao temos interesse no estudo da din amica em
torno de equilbrios n ao hiperb olicos. Intuitivamente, equilbrio n ao hi-
perb olico signica que em torno dele a varia cao n ao muda de sinal.
9.1.2 Equilbrio e Estabilidade dos Sistemas p-fuzzy Discretos
Unidimensionais
Como ja comentamos, de agora em diante a base de regras fuzzy deve
satisfazer algumas propriedades, listadas a seguir. Tal procedimento visa
facilitar a localiza cao de possveis equilbrios do sistema.
(i) Os universos devem ser intervalos limitados do conjunto dos n umeros
reais;
(ii) Os conjuntos fuzzy da base de regras devem ser n umeros fuzzy
(ver Cap. 2);
(iii) A base de regras deve ser uma cobertura do universo relacionado,
no sentido que cada elemento dos universo tem pertinencia nao
nula a pelo menos um dos n umeros fuzzy da base de regras;
(iv) No m aximo duas regras devem ser ativadas de cada vez, isto e, cada
elemento do universo deve ter pertinencia n ao nula a no m aximo
dois antecedentes;
(v) Os elementos de pertinencia m axima (igual a 1) pertencem somente
a um dos n umeros fuzzy da base de regras, isto e, tem grau de
pertinencia nula aos demais n umeros fuzzy das regras;
(vi) A base de regras deve ser ordenada monotonicamente (cres-
cente ou decrescente), isto e, os qualicadores dos antecedentes
devem ser ordenados: pequeno, medio e grande, por exemplo.
Formalmente, isto signica que o maior elemento do suporte do
antecedente da regra R
i
deve ser menor que o da regra seguinte
R
i+1
.
Com as hip oteses acima vamos enunciar alguns resultados importan-
tes. Mais detalhes o leitor pode encontrar em [117].
Denicao 9.1 (Ordena cao de regras). Uma base de regras com as seis
caractersticas acima ser a denominada bem ordenada.
Proposicao 9.1. Suponha que a base de regras do sistema p-fuzzy (9.1)
seja bem ordenada e que os n umeros fuzzy A
i
e A
i+1
, de regras con-
secutivas, tenham func oes de pertinencias contnuas. Ent ao, para todo
x I
= suppA
i
suppA
i+1
, = , a sada x e contnua e de-
riv avel.
Corolario 9.2. Suponha que a base de regras para (9.1) seja bem or-
denada e que seja formada por n umeros fuzzy triangulares, trapezoi-
dais e/ou em forma de sino. Nestas condi c oes, para todo x I
=
suppA
i
suppA
i+1
, = , a sada x e contnua e deriv avel.
Denicao 9.2 (Equilbrio). Um n umero real x e um ponto de equilbrio
do sistema p-fuzzy discreto (9.1) se
F(x) = x x + x = x x = 0.
Teorema 9.3 (Existencia de equilbrio). Suponha que uma base de regras
esteja nas condi c oes da Proposi c ao 9.1 e que as regras R
i
e R
i+1
, com
antecedentes A
i
e A
i+1
, apresentem oposi c ao sem antica nos consequen-
tes B
i
e B
i+1
. Nestas condi c oes o intervalo
I
= suppA
i
suppA
i+1
, =
possui pelo menos um equilbrio do sistema (9.1).
Demonstra c ao. A prova e baseada no fato de que a oposi cao sem antica
implica na mudan ca de sinal de x no intervalo I
. Da, de x ser
contnua (Proposi cao 9.1) e do Teorema de Bolzano conclui-se a prova
do teorema. Para mais detalhes ver [117].
A Figura 9.5 ilustra o Teorema 9.3.
Figura 9.5: Existencia de equilbrio para base de regras com oposicao
semantica: Bi > 0 e Bi+1 < 0.
O estudo de unicidade do equilbrio de sistemas p-fuzzy e um tanto
extenso e o leitor pode consultar [117]. A seguir vamos apenas mencionar
alguns resultados.
Com sistemas p-fuzzy em que a base de regras fuzzy satisfaz a Pro-
posi cao 9.1, a sada x tem uma express ao explcita com rela cao às
fun coes de pertinencia dos antecedentes e conseq uentes das regras que
apresentam oposi cao sem antica. A partir de tal expressao e possvel
estudar varias proposi coes a respeito da unicidade do equilbrio no in-
tervalo I
.
Um primeiro resultado geral e o seguinte: se x se anular em I
e
for mon otona, entao o sistema p-fuzzy (9.1) tem um unico ponto de
equilbrio em I
. Uma condi cao suciente para que x seja mon otona

e que sua derivada n ao mude de sinal.
A seguir vamos enunciar apenas o resultado para determina cao de
equilbrio em que as sadas s ao simetricas.
Teorema 9.4 (Unicidade de equilbrio para sadas simetricas). Suponha
que uma base de regras esteja nas condi c oes da Proposi c ao 9.1 e que
as regras R
i
e R
i+1
, com antecedentes A
i
e A
i+1
, apresentem oposi c ao
sem antica nos consequentes B
i
e B
i+1
cujas func oes de pertinencia se-
jam simetricas, isto e,
B
i
(s) =
B
i+1
(s) para todo s do universo.
Nestas condi c oes o intervalo I
= suppA
i
suppA
i+1
possui ape-
nas um equilbrio x do sistema p-fuzzy (9.1), que e dado por
x = max
xI
[min(
A
i
(x),
A
i+1
(x)
)]
ou pela solu c ao da equa c ao
A
i
(x) =
A
i+1
(x),
quando existir.
Alem disso, tambem vale a seguinte f ormula, util para estudo de esta-
bilidade
d(x)
dx
[
x=x
=
[
1
B
+
i+1
(
A
i
(x))]
2
[
A
i
(x)
A
i+1
(x)]
4
_

A
i
(x)
0
1
B
+
i+1
(s) ds
. (9.2)
onde
B
+
i+1
e a func ao de pertinencia de B
i+1
restrita ao lado direito
deste conjunto.
Demonstra c ao. [117]. A ilustra cao da existencia de x encontra-se na
Figura 9.5.
O estudo que apresentaremos a seguir sobre estabilidade de equilbrios
dos sistemas p-fuzzy discretos s ao feitos a partir do Corol ario 8.10 para
sistemas discretos classicos.
Teorema 9.5 (Estabilidade de equilbrio de sistemas p-fuzzy discretos).
Suponha que x seja um equilbrio do sistema p-fuzzy (9.1). Nestas
condi c oes valem
(a) x e assintoticamente est avel se
[F
(x)[ < 1
1 +
d(x)
dx
x=x
< 1
2 <
d(x)
dx
x=x
< 0.
(b) x e inst avel se
d(x)
dx
x=x
< 2 ou
d(x)
dx
x=x
> 0.
E interessante observar que, dependendo do sinal de

d(x)
dx
[
x=x
, tere-
mos variadas formas para o comportamento de estabilidade dos sistemas
discretos:
(i) se 1 <
d(x)
dx
[
x=x
< 0, x e assintoticamente est avel com con-
vergencia mon otona;
(ii) se 2 <
d(x)
dx
[
x=x
< 1, x e assintoticamente est avel com con-
vergencia oscilat oria;
(iii) a instabilidade e oscilat oria se
d(x)
dx
[
x=x
< 2.
O exemplo a seguir ilustra os conceitos vistos acima.
Exemplo 9.1. Considere o sistema p-fuzzy discreto cuja base de regras
apresenta autoinibi cao e e dada pelas regras do Quadro 9.1 e cujos an-
tecedentes e consequentes s ao dados na Figura 9.3.
Pela base de regras podemos observar oposi cao sem antica nos con-
seq uentes B
5
e B
6
. Assim, temos uma unica regi ao de equilbrio que e
o intervalo
I
= suppA
5
suppA
6
= [200, 210].
Como nessa regi ao os consequentes B
5
e B
6
s ao simetricos e
A
5
(x) =
210 x
20
e
A
6
(x) =
x 200
20
,
entao, do Teorema 9.4, o unico ponto de equilbrio e a solu cao da equa cao
A
5
(x) =
A
6
(x)
210 x
20
=
x 200
20
x = 205.
A estabilidade deste equilbrio e estudada a partir da formula (9.2)
para
d(x)
dx
[
x=x
, no Teorema 9.4.
Como
B
+
6
(x) = 1 x =
1
B
+
6
(x) = 1 x =
1
B
+
6
(
A
5
(x)) =
3
4
.
Tambem
A
5
(x) =
1
4
,
A
5
(x) =
1
20
,
A
6
(x) =
1
20
e
_

A
5
(x)
0
1
B
+
6
(s) ds =
_ 1
4
0
(1 s) ds =
7
32
.
Entao,
d(x)
dx
[
x=205
=
(
3
4
)
2
[(
1
20
)
1
20
]
4 (
7
32
)
=
9
240
.
Assim,
1 <
d(x)
dx
x=205
< 0.
Portanto, de acordo com o Teorema 9.5(a), x = 205 e assintoticamente
est avel.
E possvel vericar que pequenas perturba coes nos conjuntos da base

de regras acarretam altera coes qualitativas no tipo de estabilidade do
equilbrio deste sistema (ver [117, Se cao 4.1.1] e o Exerccio 9.1). Isto
signica que o sistema p-fuzzy estudado e estruturalmente inst avel. Esse
fato est a em total acordo com o modelo discreto de Verhulst estudado
na Sec cao 8.2.2.
Um aspecto interessante dos sistemas p-fuzzy discretos que pode ser
explorado, do ponto de vista pr atico, e sua utiliza cao para ajustar pa-
r ametros de modelos teoricos. Supondo que o sistema do Exemplo 9.1
represente a din amica de uma popula cao com inibi cao, um modelo de-
terminstico deveria ter as mesmas propriedades que o p-fuzzy. Por
exemplo, se quisessemos ajustar um modelo de Verhulst discreto ao p-
fuzzy estudado acima, a capacidade suporte K e a taxa de crescimento
intrnseca a devem satisfazer 205 = K
1
a
, ja que o equilbrio do modelo
de Verhulst discreto e dado por x = K
1
a
. O ajuste propriamente dito
seria feito a partir dos valores gerados pelo sistema p-fuzzy.
Claro que tal metodologia deveria ser aplicada com mais cuidado se
quisessemos ajustar o sistema p-fuzzy discreto a um modelo classico
contnuo, pelos motivos comentados anteriormente estabilidade estru-
tural por exemplo. No entanto, se o equilbrio do sistema p-fuzzy dis-
creto tiver as mesmas propriedades qualitativas que a de um contnuo,
ou seja, se o equilbrio do p-fuzzy for est avel, entao e possvel usar os da-
dos gerados pelo p-fuzzy discreto para ajuste de par ametros do modelo
teorico contnuo. Um estudo para esses casos os leitor pode encontrar
em [118].
Exerccio 9.1. Fa ca altera coes nos suportes dos antecedentes A
5
e A
6
das regras do Quadro 9.1 que contem o equilbrio, de modo a obter um
equilbrio est avel oscilat orio e fa ca o estudo a partir dos resultados ja vis-
tos. Em seguida, fa ca altera coes para obter equilbrio n ao nulo inst avel.
(Sugestao: combine a formula (9.2) com os resultados do Teorema 9.5).
Vamos encerrar esta se cao apresentando uma introdu cao aos sistemas
p-fuzzy bidimensionais.
9.1.3 Modelo tipo presa-predador p-fuzzy discreto
Especicamente nossa abordagem e sobre um modelo tipo presa-preda-
dor, no qual simulamos os contingentes populacionais das presas e dos
predadores e apresentamos um plano de fase.
Para estudarmos esta din amica, por meio de um sistema p-fuzzy dis-
creto, consideramos que as vari aveis de entrada s ao o n umero de presas
(X) e o n umero de predadores (Y ), cujas propriedades qualitativas s ao:
as presas favorecem os predadores e s ao desfavorecidas por estes. Es-
sas s ao as principais caractersticas desse fenomeno ecologico. As sadas
X e Y representam, respectivamente, as varia coes das populacoes
das presas e dos predadores.
Todas as vari aveis s ao consideradas lingusticas e cada uma delas pode
ser avaliada qualitativamente atraves de termos como: baixa (B), media
(M) e alta (A) para as vari aveis de estado e, alta positiva (A
+
), media
positiva (M
+
), baixa positiva (B
+
), baixa negativa (B
), media negativa
(M
), e alta negativa (A
) para as respectivas varia coes.

Suponhamos que tais termos sejam modelados por conjuntos fuzzy,
cujas fun coes de pertinencia s ao obtidas junto a um especialista. Tais
fun coes est ao representadas na Figura 9.6.
As fun coes de pertinencia para as varia coes das popula coes s ao ilus-
tradas na Figura 9.7.
A correla cao entre as vari aveis lingusticas e dada por uma base de
0 20 40 60 80 100 120 140
1
B M A
(a) Presas (X)
0 5 10 15 20 25 30 35
1
B M A
(b) Predadores (Y )
Figura 9.6: Funcoes de pertinencia das populacoes.
30 20 10 0 10 20 30
0
1
Aneg Mneg Apos B neg Mpos B pos
x
(a) x: Varia c ao de x.
3 2 1 0 1 2 3
0
1
Aneg Mneg Apos B pos Mpos B neg
y
(b) y: Varia c ao de y.
Figura 9.7: Funcoes de pertinencia das variacoes das populacoes.
regras que deve ser coerente com as caractersticas de um sistema inte-
rativo do tipo presa-predador, como comentado acima.
A base de regras, apresentada no Quadro 9.2, pode ser representada
gracamente na Figura 9.8, onde as setas indicam as magnitudes e sen-
tidos das varia coes.
Como no caso unidimensional, aqui tambem adotaremos o metodo de
inferencia de Mamdani com defuzzica cao dada pelo centro de massa.
A din amica do sistema bidimensional p-fuzzy discreto consiste em
1. Se X e B e Y e B ent ao X e M
+
e Y e M
2. Se X e B e Y e M ent ao X e B
+
e Y e A
3. Se X e B e Y e A ent ao X e M
e Y e M
4. Se X e M e Y e B ent ao X e A
+
e Y e B
+
5. Se X e M e Y e A ent ao X e A
e Y e B
6. Se X e A e Y e B ent ao X e M
+
e Y e M
+
7. Se X e A e Y e M ent ao X e B
e Y e A
+
8. Se X e A e Y e A ent ao X e M
e Y e M
+
Quadro 9.2: Base de regras para um sistema p-fuzzy discreto do tipo presa-
predador
Figura 9.8: Representacao da base de regras do sistema p-fuzzy (9.3).
obter as popula coes por meio do sistemas iterativo bidimensional
_
_
x
n+1
= x
n
+
1
[x
n
, y
n
]
y
n+1
= y
n
+
2
[x
n
, y
n
]
x
0
, y
0
R s ao dados
(9.3)
em que
1
[x, y] e
2
[x, y] s ao as sadas defuzzicadas para as entradas
(X, Y ) = (x, y).
A solu cao do sistema p-fuzzy (9.3), com os conjuntos dados nas Figu-
ras 9.6 e 9.7 e (x
0
, y
0
) = (70, 10), pode ser visualizada na Figura 9.9 e o
plano de fase na Figura 9.10.
Figura 9.9: Solucao do sistema.
Figura 9.10: Plano de fase do sistema.
Observamos que existe uma regi ao E que n ao est a coberta por ne-
nhuma regra. No entanto, como h a oposi cao sem antica nos consequentes
das regras 4 e 5, que envolvem E, espera-se que a estejam os equilbrios
do sistema.
Se quisessemos preencher a regi ao E de forma contnua, a regra
deveria relacionar as popula coes medias.
Por exemplo,
Se X e M e Y e M entao X e B e Y e B.
Salientamos que quando usamos o termo Popula cao Media para a
vari avel lingustica, na verdade estamos, a priori, considerando a existencia
de um valor fuzzy de equilbrio para o sistema real.

E como dizer que,
com poucas informa coes como as que temos as presas favorecem os pre-
dadores e s ao desfavorecidas por estes, ou seja, o equilbrio est a sempre
em torno da media.
O leitor interessado em um estudo mais detalhado sobre os sistemas
p-fuzzy bidimensionais discretos pode consultar [36, 117].
9.2 Fuzziness Demograca: modelagem contnua
Como ja dissemos na introdu cao desse captulo, existem varias aborda-
gens para sistemas din amicos fuzzy contnuos (ver Captulo 8). Aqui
rearmamos nosso interesse naquela do tipo p-fuzzy.
Tais sistemas desempenham papel importante quando deseja-se mo-
delar algum sistema din amico contnuo onde o campo de dire coes e ape-
nas conhecido parcialmente, como discutido na Se cao 6.4 do Captulo
6. L a comentamos que tais sistemas s ao bons aproximadores de siste-
mas teoricos. A exemplo do que zemos para o caso discreto, aqui n ao
estamos interessados nessa propriedade e, por isso, omitiremos o ndice
r do campo f
r
que o diferencia do campo teorico. Aqui o modelo
matem atico para o fenomeno em questao e dado pelo PVI
_
_
_
dx
dt
= f(x)
x(t
0
) = x
0
, (9.4)
onde o campo f de dire coes e dado por um controlador fuzzy.
Os comentarios a seguir s ao feitos no sentido de ressaltar as diferen cas
entre os sistemas p-fuzzy contnuos e discretos, ja que em ambos os casos
o que se usa essencialmente s ao as sadas de um controlador fuzzy.
9.2.1 Caractersticas de um sistema p-fuzzy contnuo
Antes de tudo, lembramos que estamos estudando sistemas aut onomos
(os campos de dire coes n ao dependem explicitamente do tempo). Isso
signica que as regras co-relacionam as entradas, que s ao as vari aveis de
estado, com as varia coes (para o caso discreto) e/ou taxas de varia coes
(para o caso contnuo) que s ao as vari aveis de sada. Formalmente, a
base de regras de um sistema p-fuzzy contnuo e semelhante a de um
discreto. A diferen ca se d a fundamentalmente na formula cao de cada
regra.
9.2 Fuzziness Demograca: modelagem contnua 299
Nos sistemas discretos, as varia coes s ao qualicadas em termos abso-
lutos, isto e, as qualica coes s ao formuladas para os intervalos de tempo
em que ocorrem as sucessoes de gera coes (mudan cas sucessivas nas en-
tradas).
Para o caso contnuo, as gera coes se sobrepoem e as taxas de varia coes
devem ter propriedades qualitativas condizentes com o conceito de de-
rivada. Portanto, as qualica coes para as sadas devem ser compatveis
com o conceito de varia cao por unidade de tempo. Tal unidade nada
tem a ver com sucessoes de gera coes, simplesmente porque essa n ao est a
denida aqui. Como dissemos, num modelo contnuo as gera coes se so-
brepoem.
A metodologia de controladores fuzzy que utilizaremos aqui e nova-
mente a de Mamdani com defuzzica cao dada pelo centro de massa.
Tambem, como ja frisamos antes, usaremos base de regras bem ordena-
das (Deni cao 9.1). Assim sendo, dependendo das regras, o campo f
(que e a sada do controlador) pode ter propriedades que garantam a
existencia e unicidade de solu cao para o PVI (9.4). Por exemplo, com
as hip oteses do Teorema 9.3, a fun cao f e contnua ou derivavel. Se f
for conhecida explicitamente, atraves de metodos tradicionais, pode-se
chegar à solu cao analtica do PVI (9.4). Porem, dependendo da com-
plexidade de f, o que se faz e apelar para metodos numericos a m de
obter estimativas para a solu cao do PVI em questao. Esse e nosso in-
teresse aqui pois, pela metodologia dos controladores fuzzy, em geral f
e implicitamente conhecida, sendo possvel calcular as imagens de todo
ponto de seu domnio.
9.2.2 Metodos numericos para solucoes do PVI p-fuzzy
contnuo
As estimativas x
n
ser ao obtidas por meio de metodos numericos para
solu coes de Equa coes Diferenciais Ordinarias (E.D.O) como, por exem-
plo, o de Euler e os de Runge-Kutta, ou por meio de metodos numericos
de integra cao (ver [41, 110]).
(a) Metodo de Euler para E.D.O.
Este metodo gera as estimativas x
n
da seguinte forma:
x
n+1
= x
n
+hf(t
n
, x
n
),
onde h e o passo e f e a aplica cao produzida pelo controlador fuzzy.
(b) Metodos de Runge-Kutta de segunda ordem para E.D.O.
O metodo de Runge-Kutta de segunda ordem que adotamos aqui, tambem
conhecido como metodo de Euler Aperfei coado, gera as estimativas
x
n+1
= x
n
+
h
2
[f(t
n
, x
n
) +f(t
n
+h, x
n
+hf(t
n
, x
n
)].
Claro que o leitor pode usar qualquer outro metodo de ordem superior
em seu estudo.
(c) Metodos de Integracao Numerica
As estimativas x
n
podem tambem ser obtidas por meio de algum metodo
de integra cao numerica, transformando o PVI (9.4) em um PVI em que
a E.D.O. e traduzida na forma de integral, como a regra dos trapezios
ou a regra de Simpson. Um estudo com essa formula cao o leitor pode
encontrar em [101].
Aplicacao
A seguir vamos ilustrar a metodologia aqui proposta nos modelos de
crescimento populacional com inibi cao, como o de Verhulst.
O modelo tradicional de Verhulst para crescimento populacional e
regido pelo PVI
_
_
_
1
x
dx
dt
= a(K x)
x(t
0
) = x
0
, (9.5)
onde a e a raz ao de crescimento intrnsica e K e a capacidade suporte.
As solu coes classicas de (9.5), que representam as popula coes x(t) em
cada instante t, s ao dadas por
x(t) =
K
(
K
x
0
1)e
at
+ 1
. (9.6)
Logo,
_
_
x e crescente se x
0
< K
x e constante se x
0
= K
x e decrescente se x
0
> K
,
e tem a forma representada na Figura 9.11.
0 5 10 15 20 25 30
0
50
100
150
300
Tempo
P
o
p
u
la
o
x0 = 270
x0 = K
x0 = 25
Figura 9.11: Trajetorias do modelo de Verhulst com K = 200 e x0 = 25,
200 e 270.
Lembremos que no exemplo que estamos analisando, a fun cao que
modela o campo de dire coes e dada explicitamente por
g(x) =
dx
dt
= ax(K x). (9.7)
Entretando, para adotar a nossa metodologia n ao precisamos conhecer
explicitamente tal express ao. Aqui ela e apresentada apenas com a na-
lidade de comparar as propriedades qualitativas das trajetorias classicas
com as produzidas pelo sistema p-fuzzy contnuo.
A seguir vamos obter estimativas para as trajetorias logsticas a partir
da metodologia descrita no incio desta se cao para E.D.O.
Para tra carmos um paralelo nas formula coes das regras com o modelo
classico, re-escreveremos (9.7) como
1
x
dx
dt
= a(K x) = f(x), (9.8)
em que f e linear.
Note que a equa cao (9.8) est a escrita em fun cao da taxa de crescimento
especco. Esta formula cao facilita a elabora cao das regras do sistema
p-fuzzy. A constru cao das regras a partir da varia cao percentual por
unidade de tempo pode, em alguns casos, parece ser mais intuitiva que
a formula cao a partir das varia coes absolutas. Por esse motivo n ao
usaremos a base de regras do Quadro 9.1.
Apenas para efeito de nota cao, denotaremos X para a popula cao (en-
trada) e
1
X
dX
dt
(sada) para a taxa de crescimento relativa por unidade
de tempo (ou taxa de crecimento especco).
Base de Regras
R1 : Se (X) e muito baixa (A1) entao a
1
X
dX
dt
e alta positiva (B1)
R2 : Se (X) e baixa (A2) entao a
1
X
dX
dt
e alta positiva (B2 = B1)
R3 : Se (X) e media (A3) entao a
1
X
dX
dt
e media positiva (B3)
R4 : Se (X) e media alta (A4) entao a
1
X
dX
dt
e media positiva (B4 = B3)
R5 : Se (X) e alta (A5) entao a
1
X
dX
dt
e baixa positiva (B5)
R6 : Se (X) e altssima (A6) entao a
1
X
dX
dt
e baixa negativa (B6)
Quadro 9.3: Regras para o modelo fuzzy contnuo.
Nesta base de regras, os n umeros fuzzy A
i
e B
i
s ao os mesmos da
base de regras do Quadro 9.1, exceto os suportes de B
i
, que devem estar
entre 1 e 1, por raz oes evidentes.
Assim, utilizando regras do Quadro 9.3, obtemos valores para f e
com um dos metodos numericos anteriores (ver 9.2.2), calculamos as
estimativas para o modelo de Verhulst.
Para efeito de ilustra cao optamos pelo metodo numerico de Euler
(para a fun cao xf(x), ja que a taxa para as regras do Quadro 9.3 e a
especca) e chegamos nas estimativas x
n
:
x
n+1
= x
n
+hx
n
f(x
n
),
cuja representa cao gr aca pode ser vista na Figura 9.12.
0 10 20 30 40 50 60 70 80 90
0
50
100
150
200
250
Figura 9.12: Trajetoria do modelo p-fuzzy contnuo com x0 = 5 referente
ao Quadro 9.3.
As regras do Quadro 9.3 est ao de acordo com as principais carac-
tersticas de um modelo geral de popula cao com crescimento inibido que
seja regulado por uma capacidade suporte. O modelo de Verhulst, estu-
dado por n os acima, e um caso particular. Alem desse, com pequenas
modica coes, a mesma base de regras poderia servir para os modelos
inibidos de Gompertz, de Montroll, de von Bertalany, etc (ver [22]).
A seguir vamos fazer um breve estudo do modelo geral de Montroll e,
supondo que a base de regras (Quadro 9.3) corresponda ao modelo de
Verhulst, ilustrar uma maneira de ajustar tais regras a m de levar
em conta as particularidades do modelo de Montroll.
9.2.3 Estudo do modelo p-fuzzy de Montroll
A maioria dos modelos aut onomos contnuos de crescimento populacio-
nais, formalizados a partir de equa coes diferenciais, tem a forma
dx
dt
= xf(x).
A fun cao f e denominada crescimento especco da popula cao. Abaixo
apresentamos algumas delas que s ao bastante usadas na literatura.
Modelo de Verhulst
f e linear e dada por
f(x) = a(K x).
Modelo de Montroll
f(x) = a
_
1
_
x
K
_
s
_
, com s > 0.
Modelo de Gompertz
f(x) = a ln
x
K
, x > 0.
A Figura 9.13 abaixo ilustra uma base de regras na forma granular e
possibilidades para diversos crescimentos especcos (f) com inibi cao.
x
x
Gompertz
Montroll
s > 1
0 < s < 1
Verhulst
k
A
1

A
2
A
3
A
4
A
5
A
6

B
6

B
5

B
3
= B
4

B
1
= B
2

I
*
=supp( A
5
) supp( A
6
)
Figura 9.13: Granulos e possibilidades de campos de diversos modelos de
crescimento inibido; x =
1
x
dx
dt
.
Embora os modelos comentados acima tenham uma forma geral para
suas bases de regras, cada um deles tem sua particularidade. Aqui es-
tamos interessado apenas no ajuste da base de regras do Quadro 9.3
para o modelo de Montroll.
Dependendo do par ametro s no modelo de Montroll tem-se cresci-
mento especco maior ou menor que o modelo de Verhulst (ver Fi-
gura 9.13).
Se s > 1, o crescimento especco do modelo de Montroll e maior
que o de Verhulst ate a capacidade suporte. Depois desse valor, o
modelo de Montroll cresce menos.
Se 0 < s < 1, tem-se invers ao nos crescimento em rela cao ao
par ametro s > 1.
Essas particularidades sugerem as modica coes que devem ser fei-
tas na base de regras (Quadro 9.3), supondo que esta represente o de
Verhulst, para chegarmos numa outra coerente com o modelo de Mon-
troll.
Exemplo 9.2. A seguir faremos modica coes no sentido de incorporar
as particularidades do modelo de Montroll, supondo 0 < s < 1:
Base de regras para o modelo de Montroll com 0 < s < 1
R1 : Se (X) e muito baixa (A1) entao a
1
X
dX
dt
e pouco alta positiva (pB1)
R2 : Se (X) e baixa (A2) entao a
1
X
dX
dt
e alta positiva (pB2 = pB1)
R3 : Se (X) e media (A3) entao a
1
X
dX
dt
e media positiva (pB3)
R4 : Se (X) e media alta (A4) entao a
1
X
dX
dt
e media positiva (pB4 = pB3)
R5 : Se (X) e alta (A5) entao a
1
X
dX
dt
e baixa positiva (mB5)
R6 : Se (X) e altssima (A6) entao a
1
X
dX
dt
e baixa negativa (mB6)
Quadro 9.4: Regras para o modelo fuzzy de Montroll contnuo.
Os antecedentes das regras do Quadro 9.4 s ao os mesmos que os das
regras do Quadro 9.3. Para modelar as modica coes especicadas nas
regras da Quadro 9.4, vamos utilizar o conceito de modicador fuzzy
visto na Se cao 4.5 do Captulo 4.
Para o caso especco que estamos tratando acima, vamos utilizar
os modicadores do tipo potencia, em que a potencia e um par ametro
0 < < 1 ou seu inverso
1
. Vamos aplicar os seguintes modicadores

nos consequentes das regras do Quadro 9.3 para obter os das regras do
Quadro 9.4,
_
_
pB
i
= (B
i
)

pB
i
(x) = (
B
i
(x))
, i = 1, 2.
pB
i
=
_
_
_
(B
i
)

pB
i
(x) = (
B
i
(x))
(B
+
i
)
1

pB
+
i
(x) = (
B
+
i
(x))
1
, i = 3, 4.
mB
i
= (B
i
)
1

mB
i
(x) = (
B
i
(x))
1
, i = 5, 6.
onde B
i
e B
+
i
s ao respectivamente o lado esquerdo e direito do conjunto
fuzzy B
i
.
A Figura 9.14 ilustra os consequentes das regras do Quadro 9.3 e do
Quadro 9.4.
2 0 2 4 6 8 10
mB6 mB5
pB3 =pB4 pB1 =pB2
Figura 9.14: Consequentes das regras do Quadro 9.3 e suas respectivas mo-
dicacoes por potencia.
Com essa nova base de regras obtemos uma trajetoria para o modelo
p-fuzzy de Montroll que pode ser visualizada na Figura 9.15.
0 2 4 6 8 10 12 14
0
15
30
45
60
75
90
105
120
135
150
165
180
195
210
Tempo
P
o
p
u
l
a
o
pfuzzy contnuo
modificado por potncia
204
Figura 9.15: Trajetoria dos modelos p-fuzzy contnuos para as regras do
Quadro 9.3 e regras modicadas ( = 0, 05) conforme Qua-
dro 9.4.
Exerccio 9.2. Refa ca o exemplo acima supondo o par ametro s > 1.
Encerraremos esta se cao fazendo comentarios sobre estimativa de pa-
r ametros a partir do modelo p-fuzzy. Por exemplo, como zemos no
modelo de Verhulst, o equilbrio no modelo p-fuzzy de Montroll pertence
ao intervalo
I
= supp(A
5
)
supp(A
6
) = [200, 210],
ja que h a oposi cao sem antica nos consequentes mB
5
e mB
6
. Esse valor
ser a a capacidade suporte (K) do modelo teorico de Montroll em que o
campo de dire coes e dado por f(x) = a(1(
x
K
)
s
). Como os antecedentes
A
5
e A
6
s ao os mesmos do Exemplo 9.1, o equilbrio e a solu cao da
equa cao
A
5
(x) =
A
6
(x) = x = 205.
Portanto, a capacidade suporte K deve ser igual a 205. O par ametro
a e obtido a partir de um ajuste do tipo quadrados mnimos. Claro que
tanto a como K podem ser obtidos por ajustes, do campo ou da solu cao
classica do modelo.
Um estudo a respeito de obten cao de par ametros para modelos p-
fuzzy contnuos o leitor pode encontrar em [47]. A estabilidade de tais
sistemas s ao obtidas a partir de resultados semelhantes aos que zemos
para os p-fuzzy discretos.
A sugestao acima, para nos aproximarmos do modelo de Montroll a
partir do de Verhulst, n ao e a unica.

E apenas uma dentre tantas outras
possibilidades, como por exemplo, transladar os consequentes da base
de regras ou aplicar o princpio de extensao na fun cao f(x) = 1 x
s
.
A se cao seguinte encerra esse captulo e trata dos sistemas p-fuzzy
contnuos para modelos bidimensionais.
9.2.4 Modelos Bidimensionais: modelo presa-predador
p-fuzzy de Lotka-Volterra
Vamos rapidamente relembrar o modelo classico de Lotka-Volterra para,
em seguida, formular o modelo p-fuzzy correspondente. Queremos sa-
lientar que a formula cao dada por n os para o modelo p-fuzzy Lotka-
Volterra n ao utiliza as hip oteses dadas por Volterra para o seu modelo
classico. Este e colocado aqui apenas com o intuito de compararmos
ambas abordagens: classica e p-fuzzy.
Modelo presa-predador de Lotka-Volterra
Por volta de 1925, Lotka e Volterra desenvolveram um dos modelos ma-
tem aticos de mais largo uso e de destacada import ancia para representar
intera coes entre presas e seus predadores. Tal modelo e conhecido como
Modelo Presa-Predador de Lotka-Volterra.
O modelo criado por Volterra foi bem aceito por explicar as altera coes
observadas nas popula coes de pescadas e tubaroes no Mar Adriatico,
por ocasi ao da paralisa cao das atividades pesqueiras devido à I Guerra
Mundial e posterior retomada, quando do termino da guerra.
O modelo presa-predador classico de Lotka-Volterra pressup oe que:
1. Tanto as presas como os predadores est ao distribudos uniforme-
mente num mesmo habitat, ou seja, todos os predadores tem a
mesma chance de encontrar cada presa;
2. O encontro entre os elementos das duas especies seja ao acaso, a
uma taxa proporcional ao tamanho das duas popula coes, ja que
quanto maior o n umero de presas, mais facil ser a encontr a-las e
quanto mais predadores, maior o n umero de ataques;
3. A popula cao de presas cresce exponencialmente na ausencia de
predadores (crescimento ilimitado por escassez de predadores);
4. A popula cao de predadores decresce exponencialmente na ausencia
de presas (decrescimo por escassez de alimento);
5. A popula cao de predadores e favorecida pela abundancia de presas;
6. A popula cao de presas e desfavorecida pelo aumento de predadores.
Estas seis hip oteses (ver [24, 55]) s ao resumidas nas equa coes abaixo,
denominadas Modelo de Lotka-Volterra:
_
_
dx
dt
= ax xy
dy
dt
= by +xy
. (9.9)
As vari aveis de estado x e y s ao, respectivamente, quantidade de presas
e quantidade de predadores em cada instante t.
Os par ametros representam:
a : taxa de crescimento da popula cao de presas na ausencia de
predadores;
: a eciencia de preda cao, isto e, a eciencia de convers ao de

uma unidade de massa de presas em uma unidade de massa de
predadores, ja que representa a propor cao de sucesso dos ataques
dos predadores e a taxa de convers ao de biomassa das presas em
predadores;
b : taxa de mortalidade de predadores na ausencia de presas;
Os pontos crticos do sistema (9.9) s ao: (0, 0), um ponto de sela
inst avel, e
_
b
,
a
_
que e um centro est avel (ver [24]).
O car ater cclico das solu coes explica as utua coes observadas experi-
mentalmente em popula cao de presas e predadores.
b
x
y
Figura 9.16: Plano de fase do modelo de Lotka-Volterra (9.9).
Modelo presa-predador p-fuzzy
Na subse cao anterior apresentamos as hip oteses de Lotka-Volterra que
caracterizam um modelo presa-predador, cujos contingentes populacio-
nais oscilam com o tempo. Isso vem ao encontro de observa coes empricas
nestes ecossistemas [50, 91, 55]. Os resultados, coerentes com o fenomeno
estudado, zeram com que o modelo de Lotka-Volterra, embora teorico,
tenha se tornado um paradgma para os modelos do tipo presa-predador.
Na subse cao 9.1.3 procuramos modelar a principal caracterstica de
um sistema presa-predador: as presas favorecem o crescimento dos pre-
dadores e s ao desfavorecidas por eles. Como consequencia, o plano de
fase apresenta trajetorias que oscilam. Aqui queremos ir alem disso.
Pretendemos reproduzir, por meio de um sistema p-fuzzy bidimensional
contnuo, um plano de fase semelhante ao do modelo contnuo de Lotka-
Volterra, em que as trajetorias s ao ciclos (ver Figura 9.16). Para isto e
necessario re-interpretarmos as seis hip oteses comentadas acima:
1 dentro de cada especie, o ambiente n ao previlegia nenhum indivduo.
Portanto e natural que as vari aveis de estado sejam apenas quanti-
dades;
2 h a intera cao entre as especies;
3 n ao h a auto-inibi cao nas presas, isto e, para um dado n umero de pre-
dadores, o crescimento especco das presas e constante, podendo
ser positivo ou negativo;
4 como em 3, para um dado n umero de presas, o crescimento es-
pecco dos predadores seja constante, podendo ser positivo ou ne-
gativo;
5 o crescimento especco dos predadores aumenta com o n umero de
presas;
6 o crescimento especco das presas diminui com o aumento dos pre-
dadores.
Resumidamente, as hip oteses de 3 a 6 indicam que, a intera cao
e tpica de presa-predador e que, mantendo-se uma especie constante, a
outra tem crescimento (decrescimento) malthusiano, isto e, tem cresci-
mento especco constante.
Note que se as regras do modelo p-fuzzy malthusiano (Quadro 8.1)
tivessem sido enunciadas em termos de crescimento especco, este de-
veria ter sido classicado com o mesmo adjetivo, isto e, o conseq uente
seria o mesmo para todas as regras.
Considerando as observa coes acima, temos como objetivo elaborar
uma base de regras fuzzy que substitua as Equa coes (9.9), para mo-
delar a din amica entre as presas e os predadores, por meio de um modelo
p-fuzzy contnuo de Lotka-Volterra.
Como no caso unidimensional, temos as vari aveis lingusticas de en-
trada: quantidade de presas (X) e quantidade de predadores (Y ), e duas
vari aveis de sada: varia cao relativa da quantidade de presas por uni-
dade de tempo, denotada por
1
X
dX
dt
, que e o crescimento especco das
presas; e varia cao relativa da quantidade de predadores por unidade de
tempo, denotada por
1
Y
dY
dt
crescimento especco dos predadores. A
Figura 9.17 representa um esquema do modelo.
Figura 9.17: Sistema baseado em Regras Fuzzy para (9.9).
Os valores assumidos pela vari avel X s ao: baixa (A
1
), media baixa
(A
2
), media alta (A
3
) e alta (A
4
) e pela vari avel Y s ao baixa (B
1
),
media baixa (B
2
), media alta (B
3
) e alta (B
4
).
Ambos os crescimentos especcos,
1
X
dX
dt
e
1
Y
dY
dt
, assumirao os valores
alto positivo (P
2
), baixo positivo (P
1
), baixo negativo (N
1
) e alto nega-
tivo (N
2
). No esquema acima (Figura 9.17), a base de conhecimentos e
traduzida por um conjunto de regras fuzzy que desempenham o papel
do campo de dire coes.
A partir das seis reinterpreta coes para as hip otese de Lotka-Volterra
feitas acima, principalmente a observa cao ap os a 6, propomos a base
de regras fuzzy do Quadro 9.5.
Podemos representar gracamente a base de regras considerando que
n ao deve haver varia cao nos crescimentos especcos, quanto às mag-
nitudes e sentidos, de cada especie quando mantemos a quantidade da
outra constante (crescimento malthusiano para cada especie, dada a ou-
tra especie). Por exemplo, para uma quantidade xa de predadores, a
varia cao especca de presas deve ser constante (ver setas horizontais
na Figura 9.18). Claro que outra base de regras poderia ser adotada,
ja que, as magnitudes envolvidas, tanto para as vari aveis como para os
crescimentos especcos, s ao incertas.
A Figura 9.18 ilustra a base de regras que est a no Quadro 9.5. As
setas horizontais representam as magnitudes e sentidos de
1
X
dX
dt
e as
verticais representam
1
Y
dY
dt
.
1 0
1
0
B1
A1
B2
A2
B3
A3
B4
A4
Presa
P
r
e
d
a
d
o
r
Figura 9.18: Representacao graca das regras do Quadro 9.5 na forma de
vetores de direcoes.
Nos apresentamos a Figura 9.18 para tra carmos um paralelo com a
Se X e A
1
e Y e B
1
entao
1
X
dX
dt
e P
2
e
1
Y
dY
dt
e N
2
Se X e A
2
e Y e B
1
entao
1
X
dX
dt
e P
2
e
1
Y
dY
dt
e N
1
Se X e A
3
e Y e B
1
entao
1
X
dX
dt
e P
2
e
1
Y
dY
dt
e P
1
Se X e A
4
e Y e B
1
entao
1
X
dX
dt
e P
2
e
1
Y
dY
dt
e P
2
Se X e A
1
e Y e B
2
entao
1
X
dX
dt
e P
1
e
1
Y
dY
dt
e N
2
Se X e A
2
e Y e B
2
entao
1
X
dX
dt
e P
1
e
1
Y
dY
dt
e N
1
Se X e A
3
e Y e B
2
entao
1
X
dX
dt
e P
1
e
1
Y
dY
dt
e P
1
Se X e A
4
e Y e B
2
entao
1
X
dX
dt
e P
1
e
1
Y
dY
dt
e P
2
Se X e A
1
e Y e B
3
entao
1
X
dX
dt
e N
1
e
1
Y
dY
dt
e N
2
Se X e A
2
e Y e B
3
entao
1
X
dX
dt
e N
1
e
1
Y
dY
dt
e N
1
Se X e A
3
e Y e B
3
entao
1
X
dX
dt
e N
1
e
1
Y
dY
dt
e P
1
Se X e A
4
e Y e B
3
entao
1
X
dX
dt
e N
1
e
1
Y
dY
dt
e P
2
Se X e A
1
e Y e B
4
entao
1
X
dX
dt
e N
2
e
1
Y
dY
dt
e N
2
Se X e A
2
e Y e B
4
entao
1
X
dX
dt
e N
2
e
1
Y
dY
dt
e N
1
Se X e A
3
e Y e B
4
entao
1
X
dX
dt
e N
2
e
1
Y
dY
dt
e P
1
Se X e A
4
e Y e B
4
entao
1
X
dX
dt
e N
2
e
1
Y
dY
dt
e P
2
Quadro 9.5: Regras fuzzy para o modelo presa-predador.
representa cao do campo de dire coes de equa coes diferencias classicas.
Apenas em ttulo de curiosidade e para nos convencermos mais sobre o
poder da metodologia p-fuzzy, a base de regras de fato gera um campo
classico de dire coes para uma E.D.O. A Figura 9.19 abaixo ilustra o
campo produzido pela base de regras do Quadro 9.5.
Presa
P
r
e
d
a
d
o
r
Figura 9.19: Representacao graca do campo de direcoes gerados pelas re-
gras do Quadro 9.5.
Voltando ao nosso exemplo, a Figura 9.18 e bastante e util no estudo
da din amica do sistema. Por exemplo, atraves dela e possvel localizar
a regi ao do plano que contem os possveis equilbrios (n ao nulos) do
sistema. No nosso caso essa regi ao e
E = [supp(A
2
)
supp(A
3
)] [supp(B
2
)
supp(B
3
)] = I
x
I
y
.
Observamos que as oposi coes sem anticas ocorrem nessa regi ao.

E
possvel tambem sugerir que as intersec coes de
A
2
com
A
3
e
B
2
com
B
3
formam as coordenardas de um forte candidato a equilbrio desse
sistema. Isso est a em acordo com a Proposi cao 9.1. Recentemente,
Cecconello [36] desenvolveu um procedimento numerico para buscar tais
coordenadas. Com tais valores em m aos, poderamos adot a-los para o
equilbrio de um sistema classico de Lotka-Volterra (9.9) e, juntamente
com ajustes, obter os valores dos par ametros a, b, e desse sistema.
Entretanto, n ao estudaremos aqui metodos para obten cao de par ametros
de modelos classicos a partir dos p-fuzzy. O leitor interessado nesse as-
sunto poder a consultar alguns trabalhos feitos recentemente com siste-
mas p-fuzzy [36, 47, 101, 117].
Nosso interesse aqui e ilustrar o metodo proposto, no intuito de pro-
duzir uma trajetoria que represente a evolu cao do sistema p-fuzzy.
As Figuras 9.20 e 9.21 representam as fun coes de pertinencia de cada
um dos valores fuzzy adotados em nosso exemplo.
0 50 100 150 200 250
0
0.2
0.4
0.6
0.8
1
x
G
ra
u
s
d
e
P
e
rtin
n
c
ia
A
1
A
2
A
3
A
4
(a) Presas (X)
0 1 2 3 4 5 6 7
0
0.2
0.4
0.6
0.8
1
y
G
r
a
u
s
d
e
p
e
r
tin
n
c
ia
B
1
B
2
B
3
B
4
(b) Predadores (Y )
Figura 9.20: Funcoes de pertinencia dos antecedentes.
0.05 0.04 0.03 0.02 0.01 0 0.01 0.02 0.03 0.04 0.05
0
0.2
0.4
0.6
0.8
1
G
ra
u
d
e
p
e
rtin
n
c
ia
N
2 N
1
P
1
P
2
Variao especfica de X
(a) Varia c oes das presas
1
X
dX
dt
0.03 0.02 0.01 0 0.01 0.02 0.03 0.04

0
0.2
0.4
0.6
0.8
1
G
ra
u
d
e
p
e
rtin
n
c
ia
N
2 N
1
P
1
P
2
Variao especfica de Y
(b) Varia c oes dos predadores
1
Y
dY
dt
Figura 9.21: Funcoes de pertinencia dos consequentes.

Utilizando o Metodo de Inferencia de Mamdani e a defuzzica cao do
Centro de Gravidade obtemos os valores
1
x
dx
dt
e
1
y
dy
dt
.
Em cada instante t, o n umero de presas e de predadores e dado pelas
formulas
_
_
x(t) = x(t
0
) +
t
_
t
0
dx
dt
(s) ds
y(t) = y(t
0
) +
t
_
t
0
dy
dt
(s) ds
. (9.10)
Como as sadas s ao
1
x
dx
dt
e
1
y
dy
dt
, devemos multiplic a-las pelas entradas x
e y, respectivamente, para obter
dx
dt
e
dy
dt
. Porem, as express oes analticas
de cada uma dessas derivadas n ao s ao conhecidas.
Para estimar as trajetorias dadas por (9.10), aproximamos
dx
dt
(s) por
dx
dt
(t
i1
) em cada intervalo [t
i1
, t
i
], de modo que a integral
t
i
_
t
i1
dx
dt
(s) ds
e aproximada por (t
i
t
i1
)
dx
dt
(t
i1
).
Assim, os valores de x(t) e y(t) s ao estimados pelas formulas
_
x(t
i
) = x(t
i1
) +hx
i1
y(t
i
) = y(t
i1
) +hy
i1
, (9.11)
onde t
i
= t
0
+ ih enquanto x
e y
s ao as sadas do controlador corrres-

pondentes às entradas x
i1
x(t
i1
) e y
i1
y(t
i1
), respectivamente.
Resultados
As simula coes das trajetorias produzidas pelo sistema p-fuzzy acima
seguem os passos:
Para come car o processo, adotamos os valores x
0
= 100, y
0
= 3,
h = 0, 1 e t
0
= 0.
Dados iniciais para o controlador fuzzy: a popula cao de presas x
0
e a de predadores y
0
;
Figura 9.22: (a) Evolucao dos contingentes populacionais ao longo do
tempo; (b) Plano de fase do sistema p-fuzzy para x0 = 100
e y0 = 3.
As sadas fornecidos pelo controlador fuzzy, multiplicadas pelas
entradas, fornecem os valores: x
0
e y
0
;
Por (9.11), encontramos x
1
e y
1
;
x
1
e y
1
s ao os novos valores de entrada do controlador e assim
sucessivamente;
Usando as Equa coes (9.11), obtemos o plano de fase e as trajetorias
ilustradas na Figura ??.
Com os dados iniciais adotados acima e o sistema p-fuzzy dado pe-
las regras do Quadro 9.5, combinadas com o sistema (9.11), e possvel
concluir que o ponto de equilbrio e P
e
= (77, 5; 3, 5).
Claro que outros metodos numericos, como os de Runge-Kutta, podem
ser adotados para estimar x(t) e y(t) (ver [47]).
Como ja comentamos antes, se estivessemos interessados em encontrar
os par ametros de um modelo de Lotka-Volterra classico para produzir
as trajetorias representadas na Figura 9.16, poderamos comparar as
coordenadas de P
e
com as do equilbrio teorico, P =
_
b
,
a
_
, para obter
rela coes entre a, b, e . Da, usar ajustes para, nalmente encontrar
cada um desses par ametros.
Os primeiros trabalhos que se utilizaram dos sistemas p-fuzzy contnuos
para modelar intera cao entre especies o leitor pode encontrar em [101].
L a a autora usa tal metodologia para modelar a rela cao entre pulg oes e
joaninhas no controle biol ogico de uma doen ca chamada Morte S ubita
dos Citros. O pulg ao, supostamente hospedeiro do vrus causador da
morte s ubita, e a presa e a Joaninha, que se alimenta do pulg ao, e o
predador. Neste sistema presa-predador o modelo p-fuzzy pressup oe
inibi cao em ambas popula coes. Portanto as regras devem levar isso em
conta, de maneira que as trajetorias deixam de apresentar um car ater
cclico para apresentar ciclos limites. Tal modelo p-fuzzy apresenta pro-
priedades qualitativas coincidentes com as do modelo classico de Holling
Tanner. A partir da, um estudo a respeito da estabilidade e ajustes de
par ametros desse modelo e feito.
Um aspecto importante dos sistemas p-fuzzy explorado pela autora e a
facilidade em lidar com possveis heterogeneidades nas popula coes. Por
exemplo, para o caso especco da morte s ubita, os predadores apre-
sentam varios nveis de preda cao, dependendo de seu est agio: larval
e adulto. Neste caso, a autora optou, para vari aveis de estado, pelo
n umero de pulg oes e pontencial de preda cao, que leva em conta n ao s o
o n umero de predadores, mas tambem a qualidade dos mesmos.
Captulo 10
Modelagem em Biomatematica:
Fuzziness ambiental
Quando as leis da matem atica se
referem ` a realidade, elas n ao s ao
certas. E se s ao certas, n ao s ao
referentes ` a realidade.
(Albert Einstein)
Como ja comentamos no Captulo 9, as maneiras de se incorporar incer-
tezas em modelos matem aticos s ao bastante variadas. Didaticamente,
procuramos separar os casos em que as vari aveis que modelam o sistema
s ao incertas fuzziness demograca daqueles em que algum par ametro
de uma equa cao classica e incerto fuzziness ambiental. As termi-
nologias acima adotadas tem origem em din amica de popula cao. Nos
adotamos o termo fuzziness demograca em analogia à estocasticidade
demograca que trata de estudar, por exemplo, o n umero de descenden-
tes dos indivduos de uma popula cao (ver Turelli [124]). Claramente, o
n umero de descendentes e totalmente incerto. Indivduos aparentemente
identicos, sob algum aspecto, gemeos, por exemplo, podem ter n umeros
de descendentes totalmente diferentes.
J a a estocasticidade ambiental pressup oe incerteza na previs ao do
n umero de indivduos de uma popula cao devido à perturba coes no ambi-
ente. Neste caso o ambiente atua na popula cao como um todo. Exemplos
322 Modelagem em Biomatematica: Fuzziness ambiental
desta natureza s ao abundantes na realidade: quando o custo de vida em
uma localidade inuencia a esperan ca de vida do grupo; quando num
modelo presa-predador o ambiente e favor avel à presa ou ao predador;
quando em um modelo de competi cao algum dos competidores e favore-
cido pelo ambiente etc. Via de regra, a fuzziness ambiental e incorporada
aos par ametros do modelo matem atico do fenomeno. Este e o caso das
aplica coes que estudaremos neste captulo. Na primeira delas considera-
mos a pobreza como um fator que supostamente inuencia a esperan ca
de vida de um grupo. Tal modelo pode ser encontrado com mais detalhes
em [11, 23].
Do ponto de vista matem atico, estes modelos podem ser tratados pe-
los metodos classicos, sem a necessidade de novos conceitos matem aticos
para modelar a evolu cao da incerteza. Por exemplo, se o fenomeno for
modelado por meio de equa coes diferenciais, o conceito de taxa de va-
ria cao (ou derivada) e o mesmo dos modelos determinsticos, e a equa cao
diferencial pode ser entendida como uma famlia de equa c oes diferenciais
classicas, dependentes de par ametros (na teoria de equacoes diferenciais
estocasticas, estas equa coes s ao denominadas equa c oes aleat orias (veja
[6]).
Na maioria dos fenomenos est ao presentes os dois tipos de incertezas
e, neste caso, a modelagem n ao diferencia muito das abordadas neste
livro. Porem, dependendo do interesse em questao, mesmo a fuzziness
demograca pode ser tratada com a metodologia da fuzziness ambiental.
Para isto deve-se passar toda a incerteza das vari aveis de estado para
os par ametros do modelo matem atico, desde que tal procedimento fa ca
sentido (veja 10.2).
10.1 Esperanca de Vida Pobreza
Para modelar a pobreza, poderamos usar qualquer indicador, como por
exemplo, consumo de calorias, de vitaminas, saneamento b asico etc.
10.1 Esperanca de Vida Pobreza 323
Aqui, usaremos a renda do grupo estudado [11, 23].
10.1.1 O Modelo
Suponha que A seja um grupo fechado com n(t) indivduos no instante
t. Assumindo que a pobreza (aqui avaliada subjetivamente pelo nvel de
renda) seja um fator de redu cao no tempo de vida de cada elemento de
A, podemos considerar que
_
_
_
dn
dt
= [
1
+(r)
2
] n
n
0
= n(0)
, (10.1)
onde
1
e a taxa de mortalidade natural (obtida em um grupo que disp oe de
condi coes satisfatorias de sobrevivencia);
(r)
2
indica a inuencia da pobreza no aumento de
1
;
(r) indica o grau com que um indivduo com renda r pertence ao con-
junto fuzzy dos pobres, ou seja, e uma fun cao de pertinencia.
Note que a taxa m axima de mortalidade e
1
+
2
, obtida quando
(r) = 1
A solu cao de (10.1) e
n(t) = n
0
e
[
1
+(r)
2
]t
.
A fun cao de pertinencia pode ser representada por uma fun cao
decrescente com r e, aqui, achamos conveniente adotar a famlia de
curvas (ver Exemplo 1.5)
k
(r) =
_
[1 (
r
r
0
)
2
]
k
se 0 < r < r
0
0 se r r
0
, (10.2)
onde k e um par ametro que fornece alguma caracterstica do grupo.
Lembramos que quanto maior o valor de k, menor ser a a dependencia
do indivduo em rela cao à renda. Assim, intuitivamente, k revela se o
ambiente em que o grupo vive e mais ou menos favor avel à vida.
Observamos que (10.1) e uma famlia de equa coes diferenciais or-
din arias. Assim, n(t) e uma famlia de solu coes da equa cao diferencial
indexada por r, ou seja, para cada r xo, n(t) e uma solu cao da equa cao
diferencial correpondente a este r. Este conjunto de solu coes forma a
solu cao do problema fuzzy (10.1). Deste modo, supondo que r tenha
uma distribui cao estocastica, n(t) e uma vari avel aleatoria para cada t
xo.
Se quisermos eleger uma unica curva para representar a evolu cao do
n umero de indivduos no tempo, uma forte candidata e a que fornece o
n umero medio de n(t) para cada t. Esta curva media e obtida calculando-
se a esperan ca, da mesma forma que se faz no caso estocastico.
Nosso objetivo a seguir e obter a expectativa de vida do grupo por
meio das esperan cas classica e fuzzy, conforme os conceitos vistos no
Captulo 7.
10.1.2 Esperanca Estocastica: E[n(t)]
A esperan ca estocastica e dada por
E[n(t)] =
_

n(t)h(r) dr, (10.3)

onde h(r) e a densidade de distribui cao da renda.
Para o nosso caso especco, vamos usar a distribui cao de Pareto,
indicada para pases em desenvolvimento (ver [31]) com par ametros a e
b:
h(r) =
_
ab
a
r
(a+1)
se r b
0 se r < b
.
Assim,
0 b
h
r
Figura 10.1: Densidade de distribuicao da renda.
E[n(t)] = n(0)e
1
t
ab
a
_

b
e
k
(r)
2
t
r
(a+1)
dr
ou
E
_
n(t)
n(0)
_
= e
1
t
ab
a
_

b
e
k
(r)
2
t
r
(a+1)
dr. (10.4)
Se r
0
b, entao
k
(r) = 0 para r b e
E[n(t)] = n(0)e
1
t
ab
a
_

b
r
(a+1)
dr = n(0)e
1
t
.
Isto signica que E[
n(t)
n(0)
] = e
1
t
, para todo a > 0, ou seja, neste
caso o valor de b e sucientemente grande para que n ao haja in-
terferencia da pobreza na esperan ca de vida do grupo.
Se r
0
> b, temos que ab
a
_

b
e
k
(r)
2
t
r
(a+1)
dr < 1, de maneira
que E[n(t)] < n(0)e
1
t
. Assim, podemos interpretar o n umero
ab
a
_

b
e
k
(r)
2
t
r
(a+1)
dr
como um fator de redu cao na expectativa de vida devido à pobreza.
A seguir vamos calcular a esperan ca fuzzy a m de compara-la com a
esperan ca estocastica obtida acima.
10.1.3 Esperanca Fuzzy: EF
_
n(t)
n(0)
_
Consideramos Y
t
(r) =
n(t)
n
0
a fun cao de pertinencia de um conjunto fuzzy,
ja que
n(t)
n
0
[0, 1]. Vamos obter EF
_
n(t)
n(0)
_
usando o Teorema 7.1,
aplicado à fun cao
H() = Pr : Y
t
(r) =
n(t)
n(0)
= Pr : e
(
1
+
2
k
(r))t

= Pr : e
k
(r)t
e
1
t
, (10.5)
onde P e a probabilidade denida pela fun cao de densidade da renda
h(r).
Assim, H() = 0 se > e
1
t
.
Por outro lado, se e
1
t
,
H() = Pr : e
(
1
+
2
k
(r))t
< e
1
t
+Pr : r r
0
que, com alguma manipula cao algebrica, chegamos a

H() =
_
_
1 se 0 e
(
1
+
2
k
(b))t
_
_
b
r
0
_
1 ((
ln
2
t
+

1
2
))
1
k
_
_
a
se e
(
1
+
2
k
(b))t
< e
1
t
0 se e
1
t
< 1
.
(10.6)
E facil ver que H() e contnua em [0, 1], exceto quando = e
1
t
, e
que o ponto xo de H est a compreendido entre Y
t
(b) e e
1
t
, isto e,
Y
t
(b) = e
(
1
+
2
k
(b))t
EF
_
n(t)
n(0)
_
e
1
t
.
Algumas conclusoes aqui s ao ligeiramente diferentes das obtidas no
caso da esperan ca estocastica. Especicamente:
Se (
b
r
0
)
a
e
1
t
, entao EF
_
n(t)
n(0)
_
= e
1
t
= EF[e
1
t
].
H
1
bissetriz
EF
_
b
r0
_
a
Y
t
(r) EF e
1t
1

Figura 10.2: H() e esperanca fuzzy (EF).
Em particular, temos que se b r
0
, entao a pobreza n ao interfere
na esperan ca de vida. Este foi o caso que obtivemos para a espe-
ran ca classica. No entanto, a esperan ca fuzzy indica mais: para que
a pobreza n ao interra na expectativa de vida, o que interessa e a
rela cao
__
b
r
0
_
a
e
1
t
_
entre a renda do indivduo e a renda mnima
do grupo. Por exemplo, um indivduo pode ter renda relativamente pe-
quena (b < r
0
) e, ainda assim, esta n ao interferir em sua espectativa de
vida. Para isto, basta que
_
b
r
0
_
a
e
1
t
. Este e o caso tpico de alguem
solteiro que tem toda a infra-estrutura para sobreviver.
Queremos ressaltar que, do ponto de vista tecnico, e mais difcil obter
E(n(t)), por n ao ter primitiva, do que EF
_
n(t)
n(0)
_
cujo valor e o ponto
xo de H, e pode ser obtido via Teorema do Ponto Fixo de Banach
(ver [20]).
Se
_
b
r
0
_
a
< e
1
t
, podemos calcular o valor de EF
_
n(t)
n(0)
_
determi-
nando o ponto xo de H, uma vez que esta fun cao e contnua e decres-
cente para < e
1
t
. Observamos que H tem os mesmos pontos xos
que sua inversa, isto e,
H
1
() = exp
_
1
+
2
k
(
b
1/a
)
__
t, se
_
b
r
0
_
a
< < 1.
Este modelo foi usado para avaliar a esperan ca de vida de um grupo
de metal urgicos de Recife onde tnhamos algumas informa coes sobre sua
renda e o calculo da esperan ca classica o que nos permitiu comparar o
modelo fuzzy com o estoc astico.
10.1.4 Aplicacao: Esperanca de vida de um grupo de
metalurgicos de Recife
Faixa de sal ario Distribui cao populacional % da folha
mnimo n
0
% de pagamento
ate 2 4003 45,0 21,1
2 a 3 2099 23,6 18,8
ate 3 6102 68,7 39,9
3 a 4 933 10,5 12,0
4 a 5 670 7,5 11,0
5 a 6 300 3,4 6,0
6 a 7 264 3,0 6,2
7 a 10 367 4,1 11,1
10 a 15 171 1,9 7,8
mais de 15 81 0,9 6,1
Tabela 10.1: Distribuicao total dos trabalhadores, por faixas de salarios
mnimos. Recife, 1988 Fonte: DIEESE.
De acordo com os dados da tabela 10.1 podemos determinar o valor
dos par ametros a e b da vari avel renda, considerada numa distribui cao
de Pareto h(r). Consideremos a fun cao de distribui cao acumulada da
renda
F(r) =
_
r
b
h(r)dx =
_
r
b
ab
a
x
a1
dx = 1 b
a
r
a
= R.
Desta forma,
ln(1 R) = a ln b a ln r.
Fazendo um ajuste linear com os dados da tabela, obtemos a 2, 031
e b 1, 726. Assim,
h(r) =
_
6, 15r
3031
se r 1, 726
0 se r < 1, 726
.
A tabela de esperan ca de vida no Nordeste em 1977, na zona urbana,
onde o sal ario mnimo era de Cr$ 156,00, e dada pela Tabela 10.2.
Classe de Renda Esperan ca
Renda Cr$ de vida (anos)
1 1 a 150 40,0
2 151 a 300 45,9
3 301 a 500 50,8
4 mais de 500 54,4
Tabela 10.2: Fonte: Carvalho e Wood (1977).
Vamos supor agora que a renda r seja proporciononal a uma potencia
do sal ario S do grupo estudado: r = S
m
, sendo m uma constante.
Entao, temos
k
(S
m
) =
_
[1 (
S
S
0
)
2m
]
k
se 0 < S < S
0
0 se S S
0
.
A esperan ca de vida, independente da renda familiar, e 54, 4 anos.
Logo, a taxa de mortalidade natural e
1
=
1
54,4
. Por outro lado,
1
+
2
e a maior taxa de mortalidade do grupo, ou seja,
1
+
2
= 1/40 =
2
=
1
40

1
54,4
= 6, 618 10
3
.
Vamos considerar como nvel de renda satisfatorio o valor Cr$ 500,00
que equivale a S
0
=
500
156
= 3, 2 sal arios mnimos. Da Tabela 10.2 ainda
temos dois valores de esperan ca de vida
Se S = 1 =
1
1
+
2
k
(1)
= 45, 9
Se S = 2 =
1
1
+
2
k
(2
m
)
= 50, 8
=
k
(1) =
1
45,9

1
54,4
= 3, 404 10
3
k
(2
m
) =
1
50,8

1
54,4
= 1, 303 10
3
.
Como
2
= 6, 618 10
3
, temos
k
(1) = 0, 514 =
_
1 (
1
S
0
)
2m
_
k
= 0, 514
k
(2
m
) = 0, 197 =
_
1 (
2
S
0
)
2m
_
k
= 0, 197
Logo, m = 0, 4435 e k = 1, 51.
Como S
0
= 3, 2 tem-se que r
0
= (3, 2)
0,4435
1, 68.
Entao, o subconjunto fuzzy
k
(r) e dado por
k
(r) =
_
_
_
1
_
r
3,2
_
0,887
_
1,51
se 0 < r < 1, 68
0 se r 1, 68
. (10.7)
1.68
1
r
1,51
Figura 10.3: Funcao de pertinencia do conjunto dos pobres para k = 1, 51
10.1.5 Comparacao das Esperancas Classica e Fuzzy
Tendo em m aos a fun cao de pertinencia do conjunto dos pobres em
questao (
1,51
), podemos calcular o n umero medio de trabalhadores es-
tudados na Se cao 10.1.4, ano a ano, utilizando os resultados das Se coes
10.1.2 e 10.1.3. A Tabela 10.3 ilustra esse n umero.
t E
_
n(t)
n(0)
_
EF
_
n(t)
n(0)
_
E
_
n(t)
n(0)
_
EF
_
n(t)
n(0)
_
10
3
1 0,9810872 0,9800555 1,0317
2 0,9625352 0,9605718 1,9634
3 0,9443294 0,941537 2,7924
4 0,9264697 0,9229397 3,5300
5 0,908949 0,9047686 4,1804
10 0,8261962 0,8199376 6,2486
20 0,682632 0,6766003 6,0317
40 0,4660586 0,4687494 2,6908
Tabela 10.3: Esperancas classicas e fuzzy do n umero de trabalhadores. A
ultima coluna mostra a diferenca entre as metodologias.
A quarta coluna da Tabela 10.3 nos mostra as diversas diferen cas entre
as duas metodologias para o calculo de esperan ca.
De um modo geral, o Corol ario 7.3 nos garante que essas diferen cas
n ao ultrapassam 0, 25. Para os valores da tabela, a maior diferen ca para
essas esperan cas e da ordem de 0, 63%.
Ainda, para esse exemplo especco, e facil ver que EF
_
n(t)
n(0)
_
est a
compreendida entre Y (cb
m
) e e
1
t
. Assim
lim
t
E
_
n(t)
n(0)
_
EF
_
n(t)
n(0)
_
= 0,
ou seja, E
_
n(t)
n(0)
_
EF
_
n(t)
n(0)
_
para t sucientemente grande.
Ainda, como exemplica cao, vamos supor que as rendas sejam dadas
por faixas e usar o Teorema 7.5.
Suponhamos agora que o grupo de trabalhadores A tenha 150 elemen-
tos, isto e, #A = 150 = n
0
e as rendas estejam distribudas da seguinte
maneira:
n
1
= 100 elementos recebem na faixa de r = 2, 0 sal arios minimos
Y (2) = e
0,0013t
e
1
t
;
n
2
= 40 com renda na faixa de r = 2, 5 sal arios mnimos Y (2, 5) =
e
0,00057t
e
1
t
;
n
3
= 10 na faixa de r = 3, 5 sal arios mnimos Y (3, 5) = e
1
t
.
Podemos considerar que
P n[Y > =
#n[Y >
#A
.
Entao,
Se Y (2, 5) < Y (3, 5) =
n
2
#A
=
10
150
= 0, 0667
Se Y (2, 0) < Y (2, 5) =
n
2
+n
1
#A
=
50
150
= 0, 333.
Se considerarmos o valor esperado fuzzy, num tempo t, de Y (r)
EF[Y
t
(r)] = sup
01
inf [, P n[Y > ]
= med
_
0, 0667; 0, 333; e
0,0013t
e
1
t
; e
0,00057t
e
1
t
; e
1
t
_
= e
0,0013t
e
1
t
.
Observamos que para t = 1 temos EF(Y
1
(r)) 0, 9987e
1
.
Por outro lado, se tomarmos a media classica para estes mesmos dados,
obtemos
E[Y
t
] =
100Y
1
+ 40Y
2
+ 10Y
3
150
=
e
1
t
150
(100e
0,0013t
+ 40e
0,00057t
+ 10)
Assim, para t = 1
E[Y
1
] 0, 9998e
1
.
Os dois exemplos seguintes tem caractersticas semelhantes quanto à
modelagem e, portanto, ser ao tratados com ferramentas matem aticas
an alogas. A principal semelhan ca entre eles est a no fato de que suas
incertezas tem origem nas vari aveis de estado, tratando-se portanto
de fuzziness demograca. No entanto, de certa forma, tais incertezas
ser ao transferidas para par ametros dos modelos, o que nos permite usar
10.2 O Modelo Epidemiologico SI 333
tecnicas de fuzziness ambiental. Este procedimento objetiva a redu cao
de complexidade nos metodos adotados. Mais especicamente, tratar
matematicamente fuzziness demograca e, via de regra, mais compli-
cado que fuzziness ambiental. Claro que nem sempre podemos empregar
este processo de transferencia, que depende muito do tipo de situa cao
modelada.
10.2 O Modelo Epidemiologico SI
O modelo classico mais simples para descrever a din amica de doen cas
transmitidas diretamente, onde h a intera cao entre indivduos suscetveis
e infectados, e o modelo do tipo SI, representado pelo diagrama com-
partimental da gura 10.4.
S I
Figura 10.4: Diagrama Compartimental do Modelo SI.
As equa coes diferenciais classicas que descrevem essa din amica s ao
dadas por:
_
_
dS
dt
= SI
dI
dt
= SI
, (10.8)
com S + I = 1, onde S e a propor cao de indivduos suscetveis, I e a
propor cao de indivduos infectados e e o coeciente de transmiss ao.
Levando-se em conta que o modelo e normalizado, isto e, S + I = 1,
o n umero de indivduos infectados e obtido pela solu cao da equa cao
logstica
dI
dt
= (1 I)I.
cuja solu cao e dada por:
I =
I
0
e
t
S
0
+I
0
e
t
, (10.9)
onde S
0
e I
0
s ao as propor coes iniciais de suscetveis e infectados res-
pectivamente.
O modelo SI 10.8 faz parte do grupo de modelos de transmiss ao direta.
Tais modelos s ao formulados por equa coes diferenciais e baseiam-se na lei
de a c ao de massas originada do estudo de cinetica qumica. A lei de a c ao
de massas postula que a taxa de forma cao dos compostos e proporcional
às concentra coes dos reagentes. A aceita cao desta lei e baseada no fato de
que cada partcula dos reagentes movimenta-se independentemente das
demais, o que signica que a mistura e homogenea e portanto todas as
partculas tem a mesma chance de encontro com as demais. A tradu cao
desta lei para os modelos matem aticos, e feita considerando o encontro
entre vari aveis como sendo o produto delas. Lotka e Volterra, na mesma
epoca, tambem usaram esta formula cao para modelar intera cao entre
especies.
A transposi cao desta lei para a epidemiologia deu-se, inicialmente,
com os modelos de Kermack-Mackendric (1926) baseados na hip otese
que os indivduos infecciosos est ao distribudos homogeneamente em
toda a popula cao e tem o mesmo poder de transmitir a doen ca. Esta e
uma simplica cao consideravel para a epidemiologia, j a que h a muitas
fontes de heterogeneidade que interferem na propaga cao de uma doen ca,
como por exemplo idade e/ou classe social.
No modelo que vamos propor continuaremos admitindo a lei de a cao
de massas, ou seja, que cada infeccioso tem a mesma chance de encontro
com os suscetveis. Entretanto, vamos considerar que a chance de ocor-
rer novo caso da doen ca varie de indivduo para indivduo. Uma nova
infec cao s o poder a ocorrer se um n umero mnimo de vrus (ou outro
agente patogenico) for trasmitido pelo hospedeiro. Desta forma, vamos
tomar a carga viral como um fator inuente na propaga cao da doen ca,
acreditando que indivduos com carga viral alta tem mais chance de
transmitir a doen ca que aquele com carga baixa (veja [111]).
O modelo SI fuzzy que descreveremos a seguir leva em considera cao a
carga viral como caracterstica relevante do indivduo infeccioso.
10.2.1 O Modelo SI Fuzzy
Os conceitos de suscetvel, bem como de infeccioso, s ao incertos no sen-
tido que h a diferentes graus, tanto de suscetibilidade como de infeccio-
sidade.
Visando incorporar essa heterogeneidade populacional no modelo, con-
sideramos que quanto mais um indivduo estiver infectado, maior ser a a
chance de transmiss ao da doen ca. Em outras palavras, assumimos que
= (v), onde v e a carga viral, e uma fun cao n ao decrescente com v.
Por outro lado, espera-se que quando a carga viral e muito baixa n ao
h a chance de ocorrer a transmiss ao. Em outras palavras, admitimos que
existe uma carga mnima necessaria v
mn
para que haja possibilidade
n ao nula de transmiss ao da doen ca. Alem disso, a partir de uma certa
carga viral v
M
, a chance de transmiss ao e m axima. Admitimos ainda
que a carga viral e limitada por um valor m aximo v
max
.
Escolhemos para a seguinte fun cao
(v) =
_
_
0 se v v
min
v v
min
v
M
v
min
se v
min
< v v
M
1 se v
M
< v v
max
0 se v > v
max
. (10.10)
O par ametro v
min
representa a quantidade mnima de vrus necessaria
para que possa ocorrer a transmiss ao da doen ca. Este par ametro po-
deria ser interpretado como o valor limiar da suscetibilidade do grupo
estudado. De fato, quanto maior for o valor de v
min
maior e a quantidade
necessaria de vrus para que ocorra a transmiss ao, e isto signica que o
grupo estudado possui uma baixa suscetibilidade à doen ca. Em outras
palavras, quanto maior for v
min
, maior e a resistencia dos indivduos
suscetveis. J a o par ametro v
M
representa a carga viral a partir da qual
a chance de transmiss ao e m axima, isto e, (v) = 1. Obviamente, n ao
signica que de fato ocorra a transmiss ao da doen ca quando (v) = 1.
Desde que (v) [0, 1], podemos interpretar como a fun cao de
pertinencia de algum subconjunto fuzzy cujo domnio contem os valores
para a carga viral (veja Exemplo 7.6).
1
v
M
v
min v
Figura 10.5: Coeciente fuzzy de transmissao .
Solucao Fuzzy
Com a incorpora cao da carga viral, o sistema 10.8 pode ser visto como
uma famlia de equa coes diferenciais ordinarias que tem como solu cao
as fun coes
I(v, t) =
I
0
e
(v)t
S
o
+I
0
e
(v)t
(10.11)
para cada v xo.
Agora, para cada t > 0 xo, I(v, t) e um conjunto de valores reais e
isto signica que, para cada instante t, a solu cao (10.11) do problema
fuzzy (10.8) e uma distribui cao de possveis valores para o n umero de
infectados no intervalo [0, 1]. Assim, I(v, t) = I
t
(v) [0, 1] pode ser
interpretada como a fun cao de pertinencia de um conjunto fuzzy. Se por
algum motivo for necessario adotar um unico valor real para representar
o n umero de indivduos infectados devemos adotar algum procedimento
de defuzzica cao. Podemos, por exemplo, estimar seu n umero medio
em cada instante t, por meio do valor esperado fuzzy EF[I(V, t)], usado
aqui como um defuzzicador de I(v, t).
Para fazer uma compara cao entre os modelos SI classico e fuzzy vamos
calcular os n umeros medios de infectados, atraves das esperan cas classica
E [I(V, t)] e fuzzy EF[I(V, t)].
Para isto, consideramos que a carga viral V e uma vari avel lingustica
que pode ser classicada como fraca (V
), media (V
+
) ou forte (V
+
),
sendo cada uma dessas classica coes um conjunto fuzzy que tem forma
triangular, de acordo com a fun cao de pertinencia da carga viral do
grupo estudado:
(v) =
_
1
|v v|
se v [ v , v +]
0 se v / [ v , v +]
. (10.12)
Note que (v) pode ser visto como a possibilidade de ocorrer V = v e,
passa a ser uma distribui cao de possibilidades para a vari avel V . Para
uma melhor interpreta cao de veja Exemplo 7.6 do Captulo 7.
1
0
v
v v v +
Figura 10.6: Distribuicao de possibilidades da carga viral .
O par ametro v e um valor medio em torno do qual cada um dos
conjuntos fuzzy assumidos por V distribui-se, enquanto (a metade da
base dos tri angulos), d a uma ideia da dispers ao.
Os conjuntos fuzzy assumidos pela vari avel lingustica V ser ao classi-
cados baseados nos par ametros v
min
e v
M
que aparecem na deni cao
de .
10.2.2 Esperanca fuzzy do numero de indivduos infectados
A seguir iremos calcular o n umero medio de indivduos infectados nos
distintos casos correspondentes às distribui cao de carga viral do grupo.
Como ja denido no Captulo 7, a esperan ca fuzzy EF do conjunto
fuzzy I(V, t) e dada por
EF[I(V, t)] = sup
01
min[, I(v, t) ],
onde v : I(v, t) e uma medida fuzzy do conjunto classico -nvel
de I(v, t) = [I(V, t)]
.
Assim, para cada t, a fun cao H(), cujo ponto xo e o valor EF[I(V, t)],
de acordo com o Teorema 7.1, e dada por
H() = v : I(v, t) =
_
[I(v,t)]
(v)dv = 1 v : I(v, t) < .

Primeiro, observamos que H(0) = 1 e H(1) = 0. Para 0 < < 1,
fazendo k =
S
0
I
0
temos
H() = 1 v : I(v, t) < = 1 v : (v) < ln(
k
1
)
1
t
=
=
_
_
1 se ln(
k
1
)
1
t
0
v [0, B) se 0 < ln(
k
1
)
1
t
< 1
0 se ln(
k
1
)
1
t
1
=
=
_
_
1 se 0 I
0
v [0, B) se I
0
< <
I
0
e
t
S
0
+I
0
e
t
0 se
I
0
e
t
S
0
+I
0
e
t
1
,
onde B = v
min
+ (v
M
v
min
) ln(
k
1
)
1
t
. Note que v
min
< B v
M
.
Para calcular a esperan ca fuzzy pode-se usar qualquer medida fuzzy
(n ao necessariamente -aditiva). No nosso caso, vamos adotar a medida
fuzzy
(A) =
1
_
A
(v)dv =
_
A
(v)
dv,
que tambem e uma medida de probabilidade cuja fun cao densidade de
distribui cao e
(v)
. Note que
_
A
(v)
dv = 1.
A m de exemplicar os casos onde a carga viral e fraca, media ou
forte, vamos calcular a esperan ca fuzzy EF[I(V, t)] para os tres casos
distintos, conforme Figura 10.7.
1
fraca media forte
v
M
v
min v
Figura 10.7: Classicacoes das cargas virais.
Carga viral fraca (V
): Neste caso, tomamos v

min
> v +.
Como B > v
min
, temos v [0, B] = 1 e assim,
H() =
_
1 se 0 I
0
0 se I
0
< 1
.
Portanto,
EF[I(V, t)] = I
0
.
Neste caso, o n umero de infectados em cada instante t permanece o
mesmo do instante inicial e portanto, a doen ca n ao se propaga. Este
resultado est a em acordo com o fato de que, nesta faixa, (v) = 0.
Carga viral forte (V
+
): Neste caso, tomamos v
M
v .
Para esta situa cao, como B v
M
, obtemos v [0, B] = 0, logo
H() =
_
1 se 0
I
0
e
t
S
0
+I
0
e
t
0 se
I
0
e
t
S
0
+I
0
e
t
< 1
e, portanto
EF[I(V, t)] =
I
0
e
t
S
0
+I
0
e
t
.
Novamente neste caso, obtemos a solu cao classica quando = 1.
Carga viral media (V
+
): Tomamos v
min
< v < v + < v
M
.
Um calculo direto, porem trabalhoso, nos leva a
H() =
_
_
1 se 0 I( v , t)
1
1
2
_
B v
+ 1
_
2
se I( v , t) < I( v, t)
1
2
_
v B
+ 1
_
2
se I( v, t) < I( v +, t)
0 se I( v +, t) < 1
.
1
H
I( v,t) I( v+,t) 1
Figura 10.8: Graco da funcao nvel H() para carga viral media.
De acordo com a express ao e o gr aco acima conclui-se que H() e
contnua e decrescente com H(0) = 1 e H(1) = 0. Portanto, H tem unico
ponto xo que coincide com EF[I(V, t)] (Teorema 7.1). Conhecendo-se
os os valores de todos os par ametros , v, v
min
e v
M
obtemos EF[I(V, t)].
Nao e difcil ver que, para cada t > 0, se v [v , v + ] entao
I( v, t) e I( v+, t) formam, respectivamente, as extremidades inferior e
superior de um intervalo da reta. Tambem temos que, se v
2
v
1
, entao
I(v
2
, t) I(v
1
, t). Deste modo, pelo Teorema do Valor Intermediario
(veja [57]), para cada t > 0 existe um unico v = v(t) [v , v + ] tal
que
EF[I(V, t)] = I(v(t), t) =
I
0
e
(v(t))t
S
0
+I
0
e
(v(t))t
.
Desta forma, o valor medio das solu coes EF[I(V, t)] n ao coincide com
nenhuma das curvas solu coes (10.11) do modelo. O que temos e que,
para cada t, o valor de EF[I(V, t)] coincide com I(v, t) para algum v. No
entanto, mudando o instante t, tambem mudara a curva I(v, t), ja que,
EF[I(V, t)] = I(v(t), t) e v = v(t) varia com o tempo.
Em outras palavras, a curva EF[I(V, t)] = I(v(t), t) n ao e solu cao da
equa cao diferencial aut onoma original
dI
dt
= (1 I)I.
Do estudo anterior podemos fazer ainda algumas observa coes:
Enquanto houver suscetveis e v v
min
> 0, o n umero medio de
infectados EF[I(V, t)] cresce com t, pois
lim
t
EF[I(V, t)] lim
t
I( v , t) = 1.
A doen ca poder a ser controlada por I( v + , t), ou seja, fazendo v +
v
min
0, o n umero medio de infectados n ao crescera pois
lim
t
EF[I(V, t)] lim
t
I( v +, t) = I
0
.
10.2.3 Esperanca classica do numero de infectados
Com o par ametro considerado, isto e, = (v), a esperan ca classica
do n umero de indivduos infectados, E[I(V, t)], e dada por
E[I(V, t)] =
+
_
I(v, t)
(v)
dv =
1
v+
_
v
I(v, t)(v) dv, (10.13)
pois para valores de v fora do intervalo [ v , v + ], temos (v) = 0 e
assim,
I( v , t) E[I(v, t)] I( v +, t).
Como existem varias possibilidades para calcularmos a esperan ca em
fun cao dos par ametros, escolhemos os tres casos particulares ja analisa-
dos com a esperan ca fuzzy:
Carga viral fraca: v
min
> v +.
Nesta situa cao, para todos os indivduos infectados o coeciente de
transmiss ao (v) e nulo. Substituindo (v) = 0 e I(V, t) dado por
(10.11) em (10.13), obtemos:
E[I(V, t)] =
1
v+
_
v
I(v, t)(v) dv = I
0
.
Portanto, como todos os indivduos infectados apresentam carga viral
abaixo de v
min
(nenhum indivduo possui carga viral mnima necessaria
para que ocorra a transmiss ao), n ao ocorre a propaga cao da doen ca.
Poderamos interpretar essa situa cao como a de um grupo altamente
resistente (v
min
e alto), que faz com que a suscetibilidade seja muito
baixa. Neste caso a quantidade de infectados permanece inalterada I
0
.
Carga viral forte: v
M
< v .
Neste caso, o coeciente de transmiss ao e m aximo para todos os in-
divduos infectados, isto e, (v) = 1.
Apos efetuar os calculos, obtemos
E[I(V, t)] =
1
v+
_
v
I(v, t)(v) dv =
I
0
e
t
S
0
+I
0
e
t
.
Observe que a express ao acima coincide com a solu cao classica do
modelo quando consideramos o coeciente de transmiss ao constante, isto
e = 1.
Carga viral media: v > v
min
e v + < v
M
.
Neste caso, assim como vimos para esperan ca classica, aqui tambem o
coeciente de transmiss ao e vari avel para todos os indivduos infectados.
Toda a distribui cao de V est a na regi ao onde (v) =
vv
min
v
M
v
min
. Assim,
para obter E[I(V, t)] e preciso saber os valores de todos os par ametros
, v, v
min
, v
M
e v
max
.
Observa coes an alogas em rela cao à propaga cao da doen ca, feitas para
esperan ca fuzzy, valem aqui tambem, lembrando que
I( v , t) E[I(v, t)] I( v +, t),
lim
t
E[I(V, t)] lim
t
I( v , t) = 1
e
lim
t
E[I(V, t)] lim
t
I( v +, t) = I
0
.
Para a esperan ca classica tem-se tambem que
E[I(V, t)] = I(v(t), t)),
para alguma fun cao v = v(t).
Para nalizar esta se cao queremos ressaltar que, diferentemente da
esperan ca classica, poderamos ter utilizado outras medidas fuzzy para
obter a esperan ca fuzzy. Esta possibilidade de escolher diferentes me-
didas, de acordo com o fenomeno estudado, e que torna a esperan ca
fuzzy com grande poder de aplica cao. Por exemplo, ao invez de adotar
a medida
(A) =
1
_
(v) dv,
poderamos ter utilizado a seguinte medida de possibilidade (ver
Captulo 7)
(A) = sup
vA
(v).
A nosso ver, esta e uma medida bem razo avel para ser adotada no
nosso exemplo uma vez que apresenta um car ater conservador no se-
guinte sentido: um grupo A de indivduos infectados e avaliado por
aquele indivduo deste grupo com maior carga viral. O n umero medio
de indivduos infectados, isto e, EF[I(V, t)] poderia ser avaliado com
essa medida conservadora para, a partir da, se tomar alguma medida
de controle da doen ca. Queremos ressaltar que, especicamente para
esta medida de possibilidade, chegamos a conclusoes bem semelhantes
às dos tres casos analisados anteriormente, nos quais a fun cao H passa
a ser
H() =
_
_
1 se 0 I
0
sup
v[a,vmax]
(v) se I
0
<
I
0
e
t
S
0
+I
0
e
t
0 se
I
0
e
t
S
0
+I
0
e
t
< 1
e EF[I(V, t)] e o ponto xo da fun cao H.
Com o intuito de explorar um pouco mais este exemplo, vamos fazer
um estudo comparativo entre a estrategia aplicada acima e o metodo
determinstico.
10.2.4 Solucao das medias (I(EF[V ], t)) Media das
solucoes (EF[I(V, t)])
Nesta se cao vamos comparar a curva EF[I(V, t)] com a trajetoria dos 3
casos estudados anteriormente, isto e, I(EF[V ], t) = I( v, t)
Da express ao de H podemos concluir que H(I( v, t)) =
1
2
para todo t.
Assim EF[I(V, t)] = I( v, t) apenas quando I( v, t) =
1
2
.
Por outro lado, uma vez que EF[I(V, t)] e o ponto xo H temos
EF[I(V, t)] > I( v, t) se I( v, t) <
1
2
EF[I(V, t)] < I( v, t) se I( v, t) >
1
2
.
Desta forma, a trajetoria devido à carga media I( v, t), n ao produz o
n umero medio de indivduos infectados ( dado por EF[I(V, t)] ) em cada
instante. Portanto, a nosso ver, n ao e correto adotar a carga media ou
modal ( v) para estudar a evolu cao da doen ca na popula cao como um
todo, ja que EF[I(V, t)] = I( v, t) apenas no instante

t =
v
M
v
min
vv
min
ln(
S
0
I
0
),
S
0
I
0
. Observemos que

t e o ponto de inexao de I( v, t) e que I( v,
t) =
1
2
, isto e, no instante

t o incremento da taxa de crescimento de I( v, t) e
maior que I( v,
t) =
1
2
(veja Figura 10.9).
I
I
0
0,5
1
EF[I(V, t)]
I( v, t)
t t
Figura 10.9: EF[I(V, t)]: media fuzzy e I( v, t): determinstico.
A partir da desigualdade de Jensen [68], n os obtemos conclusoes se-
melhantes às comentadas acima para a esperan ca classica, E(I(V, t)),
mudando apenas o instante

t em que a curva I( v, t) supera E(I(V, t)).
Estes fatos revelam que, para sistemas heterogeneos, momentos distin-
tos em que as incertezas s ao retiradas de modelo podem levar a diferentes
avalia coes para o sistema como um todo.
A ado cao do modelo determinstico para se estudar a evolu cao do
sistema acima nos leva a adotar I( v, t) como solu cao pois, neste caso,
toda a incerteza deve ser retirada ja no incio do modelo matem atico,
no nosso caso, V = v. Por outro lado, o modelo fuzzy permite que
as incertezas, neste caso inerente ao fenomeno, sejam retiradas em um
momento (futuro) desejado, obtendo-se EF[I(V, t)] ou E[I(V, t)] - o que
for mais representativo para o sistema como um todo.
Os modelos matem aticos de epidemias s ao estudados com a nalidade
de se estabelecer polticas ou estrategias de controle da doen ca. Vamos
a seguir exemplicar este fato com o modelo SI fuzzy.
10.2.5 Controle da Epidemia e Valor de Reprodutibilidade
Basal
A discussao que faremos nesta se cao e baseada nas propriedades do
modelo SI fuzzy , levando-se em conta a curva dada pela esperan ca fuzzy
EF[I(V, t)]. Conclusoes semelhantes s ao obtidas se a curva adotada fosse
E[I(V, t)] [16].
Vimos que,
se S
0
> I
0
, e enquanto t <

t =
v
M
v
min
vv
min
ln(
S
0
I
0
), entao EF[I(V, t)] >
I( v, t). A partir de t =

t temos que EF[I(V, t)] < I( v, t). Assim
podemos dizer que o modelo determinstico subestima o n umero
de indivduos infectados no incio da doen ca e superestima a partir
de

t (veja Figura 10.9).
se S
0
I
0
entao EF[I(V, t)] I( v, t) para todo t > 0 e, neste
caso, o modelo determinstico superestima o n umero de indivduos
infectados.
Portanto, no incio da doen ca quando t <

t =
v
M
v
min
vv
min
ln(
S
0
I
0
) e S
0
>>
I
0
, temos
I( v, t) EF[I(V, t)] I( v +, t)
e, assim, v(t) [ v, v +].
Uma vez que EF[I(V, t)] = I(v(t), t) cresce com o crescimento de
v(t), podemos dizer que quanto maior a carga viral media, maior o
n umero medio de infectados EF[I(V, t)]. Tambem, quanto maior a dis-
pers ao , maior ser a EF[I(V, t)] e que quanto maior for v
min
, menor ser a
EF[I(V, t)].
Para os modelos epidemiologicos classicos, um par ametro essencial e o
valor de reprodutibilidade basal R
0
, que d a o n umero de casos secundarios
causados por um indivduo infectado introduzido numa popula cao intei-
ramente suscetvel [50, 83]. Dessa forma, esse par ametro indica sob quais
condi coes a doen ca se propaga na popula cao. Se um indivduo infectado
consegue provocar mais que um novo caso, , isto e, se R
0
> 1 entao a
doen ca se propaga. Por outro lado, quando R
0
< 1 a doen ca se extingue.
Para os modelos epidemiologicos mais simples, a express ao para o
par ametro R
0
pode ser obtida a partir da condi cao dI/dt > 0, que e
a condi cao para que ocorra acrescimo no n umero de infectados. Desta
forma, para o modelo SI classico normalizado onde I +S = 1, teramos
dI
dt
> 0 SI = (1 I)I > 0
que e satisfeito ate que existam indivduos suscetveis na popula cao, pois
> 0. Em outras palavras, teremos R
0
> 1 sempre que > 0 e I < 1.
Entretanto, quando utilizamos um conjunto fuzzy para descrever o
par ametro isto pode n ao ocorrer. No nosso caso, de acordo com a
an alise feita acima, e facil vericar que a condi cao suciente para que
n ao ocorra a transmiss ao da doen ca e que nenhum indivduo infectado
possua a carga mnima necessaria para transmitir a doen ca, ou seja, a
condi cao v + < v
min
deve ser satisfeita.
Poderamos pois, denir o valor de reprodutibilidade basal fuzzy para
o nosso modelo como sendo o valor
R
fuzzy
0
=
v +
v
min
. (10.14)
Na modelagem classica, as medidas de controle e preven cao visam
reduzir o valor do par ametro R
0
(de tal forma que R
0
< 1) para que
a doen ca n ao se propague. Logo, para o modelo classico SI isso n ao
seria possvel, visto que a varia cao dos indivduos infectados e sempre
positiva, como ja foi visto antes.
Porem, se for considerado = (v) fuzzy em (10.8), mesmo este
modelo simplista, nos dar a informa coes adicionais à din amica da doen ca.
Por exemplo, e possvel interferir na sua transmiss ao reduzindo o valor
do par ametro R
fuzzy
0
. Isto pode ser feito de duas formas: aumentado-
se o valor de v
min
, o que signica aumentar a resistencia dos indivduos
suscetveis (baixar a suscetibilidade). Isto poderia ser feito, por exemplo,
atraves de vacina cao, saneamento b asico etc. Nesse sentido, pelo fato do
par ametro v
min
estar relacionado aos indivduos suscetveis, essa forma
de diminuir R
0
refere-se à medidas de controle.
A outra op cao para reduzir R
0
seria diminuir o valor de v + , dimi-
nuindo v ou . A diminui cao de poderia se dar atraves de medidas
de controle na popula cao infectada, como por exemplo, isolamento. A
diminui cao de v est a relacionada às medidas de tratamento dos in-
divduos infectados.
Finalizando esta aplica cao queremos salientar que, diferentemente do
modelo SI classico que e muito simplista e pouco adequado para a maio-
ria das doen cas, o modelo SI fuzzy e mais abrangente e pode ser associ-
ado a modelos mais complexos em que a classe dos infecciosos e dividida
em subclasses de acordo com seu status de infecciosidade (veja [78]). Um
estudo completo do modelo SI fuzzy pode ser encontrado em [15] e do
modelo SIS fuzzy em [16, 17]. Para ver outras aplica coes em Epidemio-
logia, o leitor pode consultar [96] e fascculos da revista Biomatem atica
editada pelo IMECC-UNICAMP desde 1991.
+
349
10.3 Modelo Fuzzy da Transferencia de
Assintomaticos HIV
+
para Sintomaticos
O modelo que daremos em seguida faz parte da tese de doutorado de
Jafelice [65, 67].
Quando se analisa a evolu cao de uma popula cao de indivduos HIV
+
assintom aticos para a classe dos sintom aticos, muitos fatores est ao en-
volvidos no processo. A taxa de transferencia est a, pois, sujeita a to-
dos os fatores respons aveis pela mudan ca de est agios. Alguns destes
fatores s ao mais decisivos que outros, por exemplo a carga viral do in-
divduo e seu nvel de CD4
+
s ao fundamentais para predizer seu estado
pr oximo futuro. O que pretendemos neste exemplo e mostrar como po-
demos estudar um fenomeno, basicamente regido por vari aveis inexatas
ou incomensur aveis, usando um modelo determinstico com par ametro
subjetivo. Neste caso, consideramos a taxa de transferencia subjetiva-
mente dependente da carga viral e do nvel de CD4
+
. Assim podemos
expressar tal taxa por um conjunto fuzzy, isto e, denido por meio de
descri coes das vari aveis lingusticas, como comentamos no Captulo 5.
10.3.1 O modelo classico
Em 1986 Anderson et al. [4] propos o seguinte modelo para transferencia
de indivduos assintom aticos para soropositivos:
_
_
dx
dt
= (t)x com x(0) = 1
dy
dt
= (t)x com y(0) = 0
, (10.15)
onde (t) e a taxa de transferencia de infectados com HIV
+
para in-
divduos soropositivos. A vari avel de estado x indica a propor cao de
infectados que ainda n ao tem sintomas declarados de AIDS e y indica
a propor cao de elementos que possuem sintomas claros de AIDS.
Em uma primeira aproxima cao, Anderson propoe que esta taxa deva
ser da forma linear
(t) = at, com a > 0.
Assim, a solu cao do sistema determinstico e dada por:
x(t) = e
at
2
2
e y(t) = 1 e
at
2
2
.
10.3.2 O Modelo Fuzzy
Vamos agora considerar a taxa de transferencia subjetivamente depen-
dente da carga viral v e do nvel de CD4
+
c, ou seja,
= (, c).
Usando formula cao an aloga a do modelo determinstico de Anderson,
podemos escrever:
_
_
_
dx
dt
= (, c)x
x(0) = 1
(10.16)
ou sua equa cao complementar
dy
dt
= (, c)x = k(, c)(1 y) com y(0) = 0.
A diferen ca entre este modelo e o determinstico e que agora a taxa
de transferencia tem uma clara conota cao biol ogica, pois antes era
apenas um par ametro ajustado. A solu cao do modelo fuzzy e
x(t) = e
(,c)t
ou y(t) = 1 e
(,c)t
e cada solu cao pode ser entendida como um elemento da famlia de
curvas que tem a mesma condi cao inicial:
x(t) = e
(,c)t
, com t > 0,
+
351
onde assume valores dependendo da carga viral e nvel de CD4
+
,
vari aveis estas que s ao caractersticas pr oprias dos indivduos da po-
pula cao de infectados. A deni cao analtica do par ametro e obtida
atraves de combina coes lingusticas das vari aveis V e CD4
+
e base de
regras, conforme vimos no Captulo 5.
De acordo com informa coes medicas, o par ametro mais usado para
controlar a transferencia de assintom aticos HIV
+
para sintom aticos e o
valor de CD4
+
. Desta forma, numa primeira aproxima cao, poderamos
simplesmente usar = (c) como fator de transferencia no modelo fuzzy
(10.16). Se, para cada valor da carga viral v tomarmos = (c),
entao sua congura cao e, aproximadamente, a de curva logstica de-
crescente (Figura 10.10). A equa cao que dene = (c) foi escolhida
aqui, levando-se em conta argumenta coes semelhantes àquelas do modelo
anterior (veja Captulo 5 para uma justicativa mais tecnica).
(c) =
_
_
1 se c < c
min
c
M
c
c
M
c
min
se c
min
c c
M
0 se c > c
M
(10.17)
onde, c
min
representa o nvel mnimo de CD4
+
para que o indivduo se
torne sintom atico e c
M
representa o nvel de CD4
+
a partir do qual a
chance de se tornar sintom atico e mnima.
1
c
min
c
M
c
max CD4
+
Figura 10.10: Taxa de transferencia .
10.3.3 Esperanca fuzzy do numero de indivduos
assintomaticos
A esperan ca fuzzy fornece uma especie de media dos valores de x(t, c)
em cada instante, sendo pois um defuzzicador do conjunto dos assin-
tom aticos
x(t, c) = e
(c)t
.
Como vimos no Captulo 7, para denir uma esperan ca fuzzy neces-
sitamos, inicialmente, escolher uma medida fuzzy . Entao, o valor da
esperan ca fuzzy dos indivduos assintom aticos x(t, c) e dada por:
EF [x] = sup
01
inf [, x ] ,
onde x = c : x(c) e e uma medida fuzzy.
Seja H() = c : x(c) , para cada t > 0. Para este caso, um
calculo direto nos leva à seguinte express ao para a fun cao H:
H() =
_
_
[c
M
, c
max
] se = 1
[B, c
max
] se e
t
< 1
1 se e
t
, (10.18)
onde B = c
M
(c
M
c
min
)(
ln
t
) =c
min
< B c
M
.
Para denir uma medida fuzzy escolhemos uma distribui cao de
nveis de CD4
+
com diferentes possibilidades de ocorrer. Podemos con-
siderar que o nvel de CD4
+
tenha uma distribui c ao triangular dada
por:
(c) =
_
1
|c c|
se c [ c , c +]
0 se c / [ c , c +]
. (10.19)
Aqui, c e o valor modal em [0, c
max
], com c
max
um limite m aximo da
carga viral em um indivduo, e e a dispers ao do nvel de CD4
+
na
popula cao estudada.
+
353
1
c c c +
CD4
+
Figura 10.11: Distribuicao de CD4
+
.
Agora, sugerimos como medida fuzzy a seguinte medida de possibi-
lidade:
(A) =
_
_
_
sup
cA
(c) se A ,=
0 se A =
,
onde A e um subconjunto dos n umeros reais.
Como antes no SI fuzzy, aqui tambem os conjuntos A de interesse
s ao os intervalos A = [B, c
max
], onde B = c
M
(c
M
c
min
)(
ln
t
) =
c
min
< B c
M
.
Observamos que e uma medida otimista no sentido que o nvel de
CD4
+
de um grupo e avaliado como sendo o melhor nvel dos indivduos
deste grupo.
Vamos considerar o nvel de CD4
+
estudado como uma vari avel lin-
gustica com valores baixa, media e alta, sendo cada um desses valores
caracterizados por conjuntos fuzzy triangulares, de acordo com a fun cao
de pertinencia (veja Figura 10.12) [67].
Caso 1: Nvel de CD4
+
baixo (C
).
Neste caso, tomamos c
min
> c + . Como B > c
min
temos que
[c
M
, c
max
] = 0 e [B, c
max
] = 0. Logo,
H() =
_
1 se e
t
0 se e
t
< 1
1

c
min
c
M c
baixa media alta
Figura 10.12: Valores da variavel lingustica nvel de CD4
+
.
e assim obtemos EF[x] = e
t
.
Desta forma, o n umero medio de transferencia de assintom atico
para sintom atico tem crescimento exponencial.
Caso 2: Nvel de CD4
+
alto (C+).
Neste caso, tomamos c
M
c e c + c
max
.
Assim, temos B c
M
e portanto, [c
M
, c
min
] = 1 e [B, c
max
] = 1.
Logo,
H() =
_
1 se = 0
0 se > 0
.
Portanto, FEV [x] = 1, o que signica que, se no grupo, o nvel
de CD4
+
e alto, entao n ao haver a transferencia de assintom aticos
para sintom aticos.
Caso 3: Nvel de CD4
+
medio (C
+
).
Neste caso, tomamos c > c
min
e c + < c
M
o que implica em
[c
M
, c
max
] = 1.
Fazendo alguns calculos, obtemos:
H() =
_
_
1 se 0 e
( c)t
(B) se e
( c)t
< < e
( c+)t
0 se e
( c+)t
1
,
10.4 Dinamica populacional e migracao de moscas varejeiras 355
onde (B) =
1
[c
M
(c
M
c
min
)(
ln
t
) + c +].
Como H() e uma fun cao contnua e decrescente com H(0) = 1
e H(1) = 0, entao H tem um unico ponto xo que coincide com
EF[x] (veja Captulo 7). A Figura 10.13 ilustra este fato.
1
H
e
( c)t
e
( c+)t
bissetriz
EF[x]
EF[x]
1
Figura 10.13: Representacao da EF[x].
Assim,
e
( c)t
< EF[x] < e
( c+)t
.
Observamos que, para os 3 casos estudados, temos sempre a desigual-
dade
e
EF[]t
e
( c)t
EF [x] .
Isto signica que o valor esperado da popula cao de assintom aticos,
em cada instante, e superior ao valor obtido pelo modelo determinstico,
que considera como taxa de transferencia o valor constante ( c) =

.
10.4 Dinamica populacional e migracao de moscas
varejeiras
Para encerrarmos este captulo apresentaremos um modelo bidimensio-
nal que representa a competi cao e migra cao de moscas. Tal modelo foi
desenvolvido por Magnano e Castanho em 2003 [35].
O modelo e proveniente de um sistema bidimensional determinstico
discreto, onde os par ametros foram determinados por meio de bases de
regras. Nos o consideramos como um caso de fuzziness ambiental porque
o tratamento matem atico dado leva em considera cao que as incertezas
est ao nos par ametros do modelo. As incertezas de tais parametros s ao
tratadas por meio da teoria fuzzy e seus valores obtidos por meio de
controladores fuzzy.
Um modelo determinstico utilizado por Godoy em 2002 [54] para
analisar o estabelecimento de colonias de moscas varejeiras, tem sua for-
mula cao baseada na incorpora cao dos modelos determinstico de Prout
McCheney (1985) e estocastico de Roughgarden (1998), ou seja,
_
_
N
1,t+1
=
(1 m
12
)
2
F
1
S
1
e
(f+s)N
1,t
N
1,t
+
m
21
2
F
2
S
2
e
(f+s)N
2,t
N
2,t
N
2,t+1
=
m
12
2
F
1
S
1
e
(f+s)N
1,t
N
1,t
+
(1 m
21
)
2
F
2
S
2
e
(f+s)N
2,t
N
2,t
(10.20)
Este modelo relaciona a din amica de uma popula cao de moscas com
o processo de migra cao entre duas colonias. As vari aveis de estado s ao:
N
1,t
: popula cao de moscas da colonia i no instante t.
Os par ametros s ao:
F
i
: fecundidade m axima das moscas quando estas se encontram na
colonia i;
S
i
: sobrevivencia m axima das moscas em i;
m
ij
: taxa de migra cao da colonia i para j;
f e s estimam a varia cao da fecundidade e da sobrevivencia, respectiva-
mente.
Sabemos que os par ametros m
ij
, F
i
e S
i
s ao dependentes de uma
serie de fatores que muitas vezes s ao impossveis de serem avaliados
quantitativamente. Neste caso, um estudo do fenomeno atraves de um
sistema fuzzy parece mais adequado.
O processo consiste em substituir os par ametros da equa cao deter-
minstica por par ametros subjetivos, obtidos por meio de uma com-
bina cao de regras.
Vamos considerar que os par ametros incertos m
ij
, F
i
e S
i
sejam de-
pendentes de duas vari aveis de entrada: a Popula c ao (N
i,t
) e o Ambiente
(A
i
) (habitat de cada colonia).
Para a Popula c ao, com os dados experimentais obtidos por Godoy, ob-
tivemos o comportamento para os termos lingusticos: Pequena, Media
e Grande conforme a Figura 10.14.
Para o Ambiente os termos lingusticos considerados foram: Hostil,
Mediano e Favor avel com a fun cao de pertinencia dada na Figura 10.15.
100 200 300 400 500 600 700 0
1
Pequena Media Grande
Figura 10.14: Valores fuzzy da Populacao.
0 0.2 0.4 0.6 0.8 1
1
Hos til Medio Favoravel
Figura 10.15: Valores fuzzy do Ambiente.
Para modelar o par ametro fuzzy Taxa de Migra c ao m, como vari avel
de sada, dependente da Popula c ao e do Ambiente, adotamos a base de
regras apresentada no Quadro 10.1. A fun cao de pertinencia de m
ij
e
baseada em simula coes determinsticas.
Usamos os termos lingusticos pequena, media e grande para repre-
sentar a taxa de migra cao, conforme o seguinte gr aco (Figura 10.16):
Os gr acos das vari aveis de sada, Fecundidade fuzzy

F e Sobre-
vivencia fuzzy

S s ao propostos intuitivamente, considerando uma certa
simetria entre os valores experimentais de m aximos e mnimos.
A resolu cao da equa cao de Godoy (10.20) com par ametros fuzzy se
1. Se a Popula c ao e pequena e o Ambiente e favoravel entao a Mi-
gra c ao e pequena;
2. Se a Popula c ao e pequena e o Ambiente e mediano entao a Mi-
gra c ao e pequena;
3. Se a Popula c ao e pequena e o Ambiente e hostil entao a Migra c ao
e grande;
4. Se a Popula c ao e media e o Ambiente e favoravel entao a Migra c ao
e pequena;
5. Se a Popula c ao e media e o Ambiente e mediano entao a Migra c ao
e grande;
6. Se a Popula c ao e media e o Ambiente e hostil entao a Migra c ao e
grande;
7. Se a Popula c ao e grande e o Ambiente e favoravel entao a Migra c ao
e media;
8. Se a Popula c ao e grande e o Ambiente e mediano entao a Migra c ao
e grande;
9. Se a Popula c ao e grande e o Ambiente e hostil entao a Migra c ao
e grande;
Quadro 10.1: Regras para a taxa migracao de moscas varejeiras.
0 0.2 0.4 0.6 0.8 1
1
Pequena
Media Grande
Figura 10.16: Valores fuzzy - taxa de migracao.
1. Se a Popula c ao e pequena e o Ambiente e favoravel entao a Fecun-
didade e alta;
2. Se a Popula c ao e pequena e o Ambiente e mediano entao a Fecun-
didade e alta;
3. Se a Popula c ao e pequena e o Ambiente e hostil entao a Fecundi-
dade e media;
4. Se a Popula c ao e media e o Ambiente e favoravel entao a Fecun-
didade e alta;
5. Se a Popula c ao e media e o Ambiente e mediano entao a Fecun-
didade e grande;
6. Se a Popula c ao e media e o Ambiente e hostil entao a Fecundidade
e baixa;
7. Se a Popula c ao e grande e o Ambiente e favoravel entao a Fecun-
didade e media;
8. Se a Popula c ao e grande e o Ambiente e mediano entao a Fecun-
didade e baixa;
9. Se a Popula c ao e grande e o Ambiente e hostil entao a Fecundidade
e baixa;
Quadro 10.2: Regras para fecundidade de moscas varejeiras.
4 4.5 5 5.5 6 6.5 7
1
0
Baixa Media Alta
Figura 10.17: Valores fuzzy - fecundidade.
0.6 0.65 0.7 0.75 0.8 0.85 0.9
0
1
Baixa Media Alta
Figura 10.18: Valores fuzzy - sobrevivencia.
realiza computacionalmente, indicado passo-a-passo, da seguinte forma
(ver Captulo 5):
1. Se a Popula c ao e pequena e o Ambiente e favoravel entao a Sobre-
vivencia e alta;
2. Se a Popula c ao e pequena e o Ambiente e mediano entao a Sobre-
vivencia e media;
3. Se a Popula c ao e pequena e o Ambiente e hostil entao a Sobre-
vivencia e baixa;
4. Se a Popula c ao e media e o Ambiente e favoravel entao a Sobre-
vivencia e media;
5. Se a Popula c ao e media e o Ambiente e mediano entao a Sobre-
vivencia e baixa;
6. Se a Popula c ao e media e o Ambiente e hostil entao a Sobre-
vivencia e baixa;
7. Se a Popula c ao e grande e o Ambiente e favoravel entao a Sobre-
vivencia e baixa;
8. Se a Popula c ao e grande e o Ambiente e mediano entao a Sobre-
vivencia e baixa;
9. Se a Popula c ao e grande e o Ambiente e hostil entao a Sobre-
vivencia e baixa;
Quadro 10.3: Regras para sobrevivencia de moscas varejeiras.
i) Entrada
Inicialmente s ao dadas as condi coes iniciais, por exemplo,
N
1,0
= 300 e N
2,0
= 700
A
1,0
= 0, 01 e A
2,0
= 0, 3
Os valores das condi coes iniciais s ao as vari aveis de entrada.
ii) Controlador
Os par ametros fuzzy s ao obtidos atraves das bases de regras via processo
de Mamdani:
Na colonia 1, temos:
P
M
(300) = 0, 5 (grau de pertinencia ao conjunto fuzzy populac ao media/ou
grande);
A
H
(0, 01) = 0, 995 (grau de pertinencia ao conjunto fuzzy ambiente
hostil ).
Entao,
0, 5 0, 995 = 0, 5
Pela base de regras, temos que Popula c ao media ou grande e Ambiente
hostil geram o conjunto fuzzy Migra c ao grande como vari avel de sada.
O conjunto fuzzy Migra c ao, para estes dados iniciais, tem a seguinte
congura cao (Figura 10.19).
30 20 10 0 10 20 30
0
1
Aneg Mneg Apos B neg Mpos B pos
x
(a) x: Varia c ao de x.
3 2 1 0 1 2 3
0
1
Aneg Mneg Apos B pos Mpos B neg
y
(b) y: Varia c ao de y.
Figura 10.19: Sada fuzzy da Migracao.
iii) Defuzzicacao
O processo que transforma este conjunto de sada fuzzy em um valor
exato e conhecido como defuzzica cao.
Como vimos no Captulo 5, s ao varios os metodos de defuzzica cao.
Utilizamos aqui o metodo do centro de massa, isto e,
m
12
=
_
R
zm(z) dz
_
R
m(z) dz
,
onde R e a regi ao limitada pelo gr aco da fun cao de pertinencia da sada
m (ver Figura 10.19). Observe que o valor da integral do denominador
e exatamente a area de R.
Da mesma maneira obtemos os valores dos par ametros defuzzicados
F
1
e S
1
.
iv) Parametros crisps
Os valores m aximos de fecundidade e sobrevivencia s ao constantes que
dependem da especie de varejeira estudada. No caso da Chrysomya
albiceps estas constantes, determinadas experimentalmente, s ao F =
7, 03 e S = 0, 915.
Fazemos os mesmos calculos para os par ametros m
21
, F
2
e S
2
da
colonia 2
v) Solucao do sistema
Aplicando todos os valores obtidos ao sistema recursivo (10.20) obtemos
os valores numericos de N
1,1
e N
2,1
, que ser ao as novas condi coes iniciais
das respectivas colonias. Com o mesmo procedimento anterior, obtemos
novamente os par ametros e aplicamos ao sistema determinstico recur-
sivo (10.20) para obter os valores de N
1,2
e N
2,2
. Assim, sucessivamente,
teremos os valores das popula coes das duas colonias em cada instante
discreto. Neste caso, vimos que as popula coes se estabilizam.
Podemos observar que as condi coes ambientais s ao mais decisivas do
que o valor numerico das popula coes para o processo de migra cao destas
moscas. Por exemplo, se mantivermos as mesmas popula coes iniciais
(N
1,0
= 300 e N
2,0
= 400) e considerarmos condi coes ambientais fa-
vor aveis nas duas colonias (A
1,0
= 1 e A
2,0
= 0, 9), obtemos popula coes
peri odicas em cada colonia (Figura 10.21)
Um estudo de metapopula coes de moscas varejeiras com uma aborda-
gem fuzzy na din amica populacional foi desenvolvido por Magnago [79]
em sua tese de doutorado.
0 5 10 15 20 25 30 35
0
100
200
300
400
500
600
700
Tempo
P
o
p
u
la
o
Migrao Bilateral: N
1
(0)=300, N
2
(0)=700, Amb
1
=0.01, Amb
2
=0.3
Colnia 1
Colnia 2
Figura 10.20: Estabilidade das colonias.
0 2 4 6 8 10 12 14 16 18 20
150
200
250
300
350
400
Tempo
P
o
p
u
la
o
Migrao Bilateral: N
1
(0)=300, N
2
(0)=400, Amb
1
=1, Amb
2
=0.9
Colnia 1
Colnia 2
Figura 10.21: Populacoes periodicas.
Referencias Bibliogracas
[1] H. O. Aguiar Jr., L ogica difusa: Aspectos pr aticos e aplica c oes,
Editora Interciencia Ltda, 1999.
[2] M. Z. Ahmad and B. D. Baets, A predator-prey model with fuzzy
initial populations, Cd-rom, Proceding of IFSA-EUSFLAT Confe-
rence, Lisbon, 2009.
[3] M. Amendola, A. L. Souza, and L. C. Barros, Manual do uso
da teoria dos conjuntos fuzzy no Matlab 6.5., Vers ao 2005 do
manual apresentado no Ciclo de Palestras/2004, realizado na
FEAGRIUNICAMP. Disponvel em http://www.ime.unicamp.
br/
~
laeciocb, Acesso em 17.8.2005.
[4] R. M. Anderson, G. F. Medley, R. M. May, and A. M. Johnson,
A preliminaire study of the transmission dynamics of the human
immunodeciency virus (HIV), the causitive agent of AIDS, IMA
J. Mathematical Medicine and Biology 3 (1986), 229263.
[5] T. M. Apostol, Calculus, 2 ed., vol. 2, Editorial Reverte, 1975.
[6] L. Arnold, Random dynamical systems, 2 ed., Springer, Verlag-
Berlin-Heidelberg Germany, 2003.
[7] J. P. Aubin and A. Cellina, Dierential inclusions set-value maps
and a viability theory, Springer-Verlag, Berlin Heidelberg, 1984.
[8] J. M. Baetens and B. D. Baets, Incorporating fuzziness in spatial
366 Referencias Bibliogracas
susceptible-infected epidemic models, Cd-rom, Proceding of IFSA-
EUSFLAT Conference, Lisbon, 2009.
[9] V. A. Baidosov, Fuzzy dierential inclusions, PMM USSR 54
(1990), no. 1, 813.
[10] F. Bando, Sistemas fuzzy e aproxima c ao universal, Disserta cao de
Mestrado, IMECCUNICAMP, Campinas, 2002.
[11] L. C. Barros, Modelos determinsticos com par ametros subjetivos,
Disserta cao de Mestrado, IMECCUNICAMP, Campinas, 1992.
[12] , Sobre sistemas din amicos fuzzy teoria e aplica c ao, Tese
de Doutorado, IMECCUnicamp, Campinas, 1997.
[13] L. C. Barros, R. C. Bassanezi, and R. Z. G. Oliveira, Fuzzy die-
rential inclusion: An application to epidemiology, Soft Methodo-
logy and Random Information Systems (Miguel Lopez-Diaz, Ma-
ria A. Gil, Przemyslaw Grzegorzewski, Olgierd Hyrniewicz, and
Jonathan Lawry, eds.), vol. I, Springer, Warsaw, 2004, pp. 631
637.
[14] L. C. Barros, R. C. Bassanezi, and P. A. Tonelli, Fuzzy modelling
in population dynamics, Ecological Modelling 128 (2000), 2733.
[15] L. C. Barros, M. B. F. Leite, and R. C. Bassanezi, The SI epi-
demiological models with a fuzzy transmission parameter, Intern.
J. Computers & Mathematics with Applications 45 (2003), 1619
1628.
[16] L. C. Barros, R. Z. Oliveira, and R. C. Bassanezi, The inuence
of heterogeneity in the control of deseases, Frontiers in Articial
intelligence and Applications 85 (2002), 8895.
[17] L. C. Barros, R. Z. Oliveira, R. C. Bassanezi, and M. B. F. Leite,
A desease evolution model with uncertain parameters, Proceedings
of Joint 9th IFSA world Congress and 20th NAFIPS International
Conference (Vancouver, Canada), IFSA, NAFIPS, 2001, pp. 1626
1630.
[18] L. C. Barros and P. A. Tonelli, Fuzzy pertubation of vector -
elds, Proceedings of Joint 9th IFSA World Congress and 20th NA-
FIPS International Conference (Vancouver, Canada) (Michael H.
Smith, W. A. Gruver, and Lawrence OHiggins Hall, eds.), NA-
FIPS, North American Fuzzy Information Processing Society and
IFSA, the International Fuzzy Systems Association, IEEE, 2001,
pp. 30003002.
[19] L. C. Barros, P. A. Tonelli, and A. P. Juliao, C alculo diferencial
e integral para func oes fuzzy via extens ao dos operadores de de-
rivac ao e integra c ao, Relat orio tecnico 06-03 www.ime.unicamp.
br/rel_pesq/relatorio.html, IMECC - UNICAMP, 2010.
[20] R. G. Bartle, The elements of real analysis, John Wiley & Sons,
Inc., New York, 1964.
[21] R. B. Bassanezi, N. Gimenes-Fernandes, P. T. Yamamoto, and
W. C. Jesus Jr., Manual da morte s ubita dos citros, Manual, Fun-
decitros, 2004.
[22] R. C. Bassanezi, Ensino-aprendizagem com modelagem ma-
tem atica, 2 ed., Edit. Contexto, S ao Paulo, 2004.
[23] R. C. Bassanezi and L. C. Barros, A simple model of life expectancy
with subjective parameters, Kybernets 7 (1995), 9198.
[24] R. C. Bassanezi and W. C. Ferreira Jr, Equac oes diferenciais com
aplica c oes, Edit. HARBRA, S ao Paulo, 1998.
[25] R. C. Bassanezi and H. E. Roman, Relaciones fuzzy: optimizacion
de diagnostico medico, Anais do Encontro Nacional de Ecologia
(Rio de Janeiro), LNCC, 1989, pp. 115124.
[26] B. Bede and S. G. Gal, Generalizations of the dierentiability of
fuzzy-number-valued functions with applications to fuzzy dieren-
tial equations, Fuzzy Sets and Systems 151 (2005), 581599.
[27] J. C. Bezdek, Fuzzy models what are they, and why?, Transaction
on Fuzzy Systems 1 (1993), no. 1, 16, Editorial.
[28] T. G. Bhasker, V. Lakshmikantham, and V. Devi, Revisiting fuzzy
dierential equations, Nonlinear Analysis 58 (2004), 351358.
[29] P. Blinder, Implementac ao da l ogica fuzzy em redes neurais arti-
ciais e aplica c oes ` a biologia, Disserta cao de Mestrado, IMECC
Unicamp, CampinasSP, 1994.
[30] J. J. Buckley, Fuzzy probability and statistics, Studies in Fuzziness
and Soft Computing, Springer, 2006.
[31] W. O. Bussab and P. A. Morettin, Estatstica b asica, 5 ed., Editora
Saraiva, S ao Paulo, 2002.
[32] V. M. Cabral and L. C. Barros, Fuzzy dierential equation with
parameters completely correlated, (no prelo).
[33] B. J. Cara ca, Conceitos fundamentais da matem atica, 4 ed., Gra-
diva Publica coes Ltda, Lisboa, 2002.
[34] M. J. P. Castanho, Constru c ao e avalia c ao de um modelo ma-
tem atico para predizer c ancer de pr ostata e descrever seu cresci-
mento utilizando a teoria dos conjuntos fuzzy, Tese de Doutorado,
FEECUNICAMP, Campinas, 2005.
[35] M. J. P. Castanho, K. F. Magnago, R. C. Bassanezi, and W. Go-
doy, Fuzzy subset approach in coupled population dynamics of blow-
ies, Biological Research 39 (2006), no. 2, 341352.
[36] M. S. Cecconello, Modelagem alternativa para din amica populaci-
onal: Sistemas din amicos fuzzy, Disseta cao de Mestrado, IMECC-
Unicamp, Campinas, 2006.
[37] Y. Chalco-Cano, Algumas contribui c oes na teoria fuzzy multvoca,
Tese de Doutorado, IMECCUNICAMP, Campinas, 2004.
[38] Y. Chalco-Cano, R. C. Bassanezi, M. T. Mizukoshi, and M. Rojas-
Medar, Population dynamics by fuzzy dierential inclusion, Ky-
bernetes (2004).
[39] G. Choquet, Theory of capacities, Ann. Institut Fourier 5 (1955),
131295.
[40] M. R. Civanlar and H. J. Trussel, Constructing membership func-
tions using statistical data, Fuzzy Sets and Systems 18 (1986),
113.
[41] M. C. C. Cunha, Metodos numericos., 2 ed., Editora da Unicamp,
Campinas, 2000.
[42] M. De Cock and E. E. Kerre, Fuzzy modiers based on fuzzy rela-
tions, Information Sciences 160 (2004), 173199.
[43] R. L. Devaney, An introduction to chaotic dynamical systems, Be-
jamin/Cummings, Menlo Park, California, 1989.
[44] P. Diamond, Time-dependent dierential inclusions, cocycle at-
tractors and fuzzy dierential equation, IEEE Trans. Fuzzy Sets
and Systems 7 (1999), 734740.
[45] P. Diamond and P. E. Kloeden, Metric spaces of fuzzy sets: Theory
and applications, World Scientic Publishing Company, 1994.
[46] M. R. Dias and L. C. Barros, Dierential equations based on fuzzy
rules, IFSA-EUSFLAT (2009).
[47] M. R. B. Dias, Equac oes diferenciais ordin arias com campo
de dire c oes parcialmente conhecido, Disserta cao de Mestrado,
IMECCUnicamp, CampinasSP, 2006.
[48] D. Dubois and H. Prade, Fuzzy sets and systems theory and
applications, Academic Press, Inc., 1980.
[49] , Properties of measures of information in evidence and
possibility theories, Fuzzy Sets and Systems 24 (1987), no. 2, 161
182.
[50] L. Edelstein-Keshet, Mathematical models in biology, McGraw-
Hill, Mexico, 1988.
[51] R. F uller and T. Keresztfalvi, On generalization of Nguyen The-
orem, Fuzzy Sets and Systems 41 (1990), 371374.
[52] R. F uller and P. Majlender, On interactive fuzzy numbers, Fuzzy
Sets and Systems 143 (2004), 355369.
[53] M. A. Gil, M. L opez-Diaz, and D. A. Ralescu, Overview on the
development of fuzzy random variable, Fuzzy Sets and Systems
157 (2006), 25462557.
[54] W. A. C. Godoy, Din amica determinstica e estoc astica em po-
pulac oes de dpteros califordeos: acoplamento por migra c ao, ex-
tinc ao local e global., Tese de livre docencia, UNESP, Botucatu,
2002.
[55] A. G. Gomes and M. C. Varriale, Modelagem de ecossistemas:
Uma introduc ao, vol. 1, Editora UFSM, Santa MariaRS, 2001.
[56] L. T. Gomes, Um estudo sobre o espalhamento da dengue usando
equa c oes diferenciais parciais e l ogica fuzzy, Disserta cao de mes-
trado, IMECCUNICAMP, Campinas, 2009.
[57] H. L. Guidorizzi, Um curso de c alculo, 5 ed., vol. 1, Livros Tecnicos
e Cientcos Editora S. A., Rio de Janeiro, 2001.
[58] P. Hajek, Metamathematics of fuzzy logic, Kluwer Academic Pu-
blisher, Dordrecht, 1997.
[59] J. Hale and H. Ko cak, Dynamics and bifurcations., Springer-
Verlag, New York, 1991.
[60] E. Hisdal, Conditional possibilities independence and noninterac-
tion, Fuzzy Sets and Systems 1 (1978), no. 4, 283297.
[61] C. S. Honig, Aplica c oes da topologia ` a an alise, Projeto Euclides,
Edgard Bl ucher, 1976.
[62] , A integral de lebesgue e suas aplica c oes, 11
o
Col oquio
Brasileiro de Matematica (Po cos de Caldas), IMPA Instituto de
Matematica Pura e Aplicada, 1977.
[63] M. Hukuhara, Integration des applications mesurables donc la va-
leur est un compact convexe, Funkcialaj Ekvacioj 10 (1967), 205
223.
[64] E. H ullermeier, An approach to modelling and simulation of
uncertain dynamical systems, Intern. J. Uncertainty Fuzziness
Knowledge-Based Systems 5 (1997), 117137.
[65] R. M. Jafelice, Um estudo da din amica de transferencia de soro-
positivos para aideticos via modelagem fuzzy., Tese de Doutorado,
FEECUnicamp, Campinas, 2003.
[66] R. M. Jafelice, L. C. Barros, and R. C. Bassanezi, A fuzzy de-
lay dierential equation model for hiv dynamics, IFSA-EUSFLAT
(2009), 265270.
[67] R. M. Jafelice, L. C. Barros, R. C. Bassanezi, and F. Gomide,
Fuzzy modeling in symptomatic HIV virus infected population, Bul-
letin of Mathematical Biology 66 (2004), 15971620.
[68] B. James, Probabilidade: um curso de nvel intermedi ario, Insti-
tuto de Matematica Pura e Aplicada, Rio de Janeiro, 1981.
[69] O. Kaleva, Fuzzy dierential equations, Fuzzy Sets Systems 24
(1987), no. 3, 301318.
[70] A. Kandel, Fuzzy mathematical techniques with applications,
Addison-Wesley Pu. Co., 1986.
[71] E. P. Klement, R. Mesiar, and E. Pap, Triangular norms, Kluwer
Academic Publishers, Netherlands, 2000.
[72] G. Klir and B. Yuan, Fuzzy sets and fuzzy logic theory and appli-
cations, Prentice-Hall, 1995.
[73] P. E. Kloeden, Chaotic iterations of fuzzy sets, Fuzzy Sets Syst.
42 (1991), no. 1, 3742.
[74] M. C. Koissi and A. F. Shapiro, Fuzzy formulation of the lee-
carter model for mortality forecasting, Insurance: Mathematics
and Economics 39 (2006), 287309.
[75] A. N. Kolmogorov and S. V. Fomin, Introductory real analysis,
Prentice-Hall, Englewood Clis, New Jersey, 1970.
[76] B. Kosko, Fuzzy thinking the new science of fuzzy logic, Hype-
rion, New York, 1993.
[77] V. Krivan and G. Colombo, A non-stochastic approach for mode-
ling uncertainty in population dynamics, Bulletin of Mathematical
Biology 60 (1998), 721751.
[78] M. B. F. Leite, R. C. Bassanezi, and H. M. Yang, The basic re-
production ratio for a model of directly transmitted infections con-
sidering the virus charge and the immunological response, IMA J.
Maths. Appl. in Medicine and Biology 17 (2000), 1531.
[79] K. F. Magnago, Abordagem fuzzy em modelos populacionais dis-
cretos, Tese de Doutorado, IMECCUNICAMP, Campinas, 2005.
[80] D. D. Majumder and K. K. Majumdar, Complexity analysis, un-
certainty management and fuzzy dynamical systems, Kybernetes
33 (2004), 11431184.
[81] D. Maki and M. Thompson, Mathematical models and applicati-
ons, Prentice-Hall, Englewood Clis, N.J., 1973.
[82] E. H. Mamdani and S. Assilian, An experiment in linguistic synthe-
sis with a fuzzy logic controller, Int. J. Man-Machine Studies 7
(1975), 113.
[83] E. Massad, R. Menezes, P. Silveira, and N. Ortega, Metodos quan-
titativos em medicina, Manole, S ao Paulo, 2004.
[84] E. Massad, N. R. S. Ortega, L. C. Barros, and C. J. Struchiner,
Fuzzy logic in action: Applications in epidemiology and beyond,
Springer, Berlin, Heidelberg, 2008.
[85] K. Menger, Statistical metrics, Proceedings of the National Aca-
demy of Sciences 28 (1942), no. 12, 535537.
[86] M. Missio, Modelos de edp intregrados a l ogica fuzzy e metodos
probabilsticos no tratamento de incertezas: uma aplica c ao em fe-
bre aftosa em bovinos, Tese de Doutorado, IMECCUNICAMP,
Campinas, 2008.
[87] M. T. Mizukoshi, Estabilidade de sistemas din amicos fuzzy, Tese
de Doutorado, IMECCUNICAMP, Campinas, 2004.
[88] M. Mizumoto, S. Fukani, and K. Tanaka, Some methods of fuzzy
reasoning, Advances in Fuzzy Sets Theory and Applications (Ams-
terdan) (M. M. Gupta et al, ed.), North-Holland, 1979.
[89] M. Mizumoto and H. J. Zimermann, Comparison of fuzzy reaso-
ning methods, Fuzzy Sets and Systems 8 (1986), 253283.
[90] T. Murofushi and M. Sugeno, An interpretation of fuzzy measu-
res and choquets integral as an integral with respect to a fuzzy
measure, Fuzzy Sets and Systems 29 (1989), 201227.
[91] J. Murray, Mathematical biology, Springer-Verlog, USA, 1990.
[92] C. V. Negoita and D. A. Ralescu, Applications of fuzzy sets to
systems analysis, John Wiley & Sons, New York, 1975.
[93] H. T. Nguyen, On conditional possibility distributions, Fuzzy Sets
and Systems 1 (1978), no. 4, 299309.
[94] H. T. Nguyen, M. Sugeno, R. Tang, and R. Yager (eds.), The-
oretical aspects of fuzzy control, New York, IEEE International
Conference on Fuzzy Systems 1993, John Wiley & Sons, 1995.
[95] H. T. Nguyen and E. A. Walker, A rst course of fuzzy logic, CRC
Press, Boca Raton, 1997.
[96] N. R. S. Ortega, L. C. Barros, and E. Massad, Fuzzy gradual rules
in epidemiology, Kybernetes 32 (2003), 460477.
[97] R. Paiva Sobrinho, Desenvolvimento de um sistema especialista
fuzzy aplicado ` a previs ao de variac ao da salinidade supercial no
estu ario lagunar de Cananeia, Iguape e Ilha Comprida, Relat orio
tecnico, Prefeitura Municipal de Ilha Comprida, 2001.
[98] H. P. Palaro and L. C. Barros, Compara c ao entre esperan ca fuzzy e
esperan ca estoc astica, Anais do XXIII CNMAC Congresso Naci-
onal de Matematica Aplicada e Computacional (SantosSP), SB-
MAC Sociedade Brasileira de Matematica Aplicada e Computa-
cional, 2000.
[99] W. Pedrycz, Fuzzy modelling paradigms and practice, Kluwer
Academic Publishers, 1996.
[100] W. Pedrycz and F. Gomide, An introduction to fuzzy sets: Analy-
sis and design, The MIT Press, Massachusets, 1998.
[101] M. S. Peixoto, Sistemas din amicos e controladores fuzzy: Um es-
tudo da dispers ao da morte s ubita dos ctros em s ao paulo, Tese
de Doutorado, IMECCUNICAMP, Campinas, 2005.
[102] J. C. R. Pereira, An alise de dados qualitativos estrategias me-
todol ogicas para as ciencias da sa ude, humanas e sociais., 3 ed.,
Edusp-Fapesp, S ao Paulo, 2003.
[103] J. C. R. Pereira, P. A. Tonelli, L. C. Barros, and N. R. S. Ortega,
Defuzzication in medical diagnosis, Advances in Logic, Articial
Intelligence and Robotics 85 (2002), 202207.
[104] , Clinical sings of pneumonia in children: association with
and prediction od diagnosis by fuzzy sets theory, Brazilian Journal
of Medical and Biological Research 37 (2004), 19.
[105] M. L. Puri and D. A. Ralescu, Dierentials of fuzzy functions,
Journ. Math. Analysis and Applications 91 (1983), 552558.
[106] , Fuzzy random variables, Journ. Math. Analysis and Ap-
plications 91 (1986), 409422.
[107] D. Ralescu, Y. Ogura, and S. Li, Set defuzzication and choquet
integrals, International J. Uncertaintly, Fuzziness and Knowledge-
Based Systems 9 (2001), 112.
[108] F. Ribacionka, Sistemas computacionais baseados em l ogica fuzzy,
Disseta cao de Mestrado, Engenharia Eletrica Universidade Pres-
biteriana Mackenzie, S ao Paulo, 1999.
[109] H. Roman-Flores, A note on transitivity in set-valued discrete sys-
tems, Chaos solitons & fractals 17 (2003), 99104.
[110] M. A. G. Ruggiero and V. L. R. Lopes, C alculo numerico, aspectos
te oricos e computacionais., 2 ed., Makron Books, S ao Paulo, 1997.
[111] K. Sadegh-Zadeh, Fundamentals of clinical methodology: 3. noso-
logy, Articial Intelligence in Medicine 17 (1999), 87108.
[112] , The fuzzy revolution: Goodbye to the aristotelian weltans-
chauung, Articial Intelligence in Medicine 21 (2001), 125.
[113] L. San Martin and M. S. F. Marques, C alculo estoc astico, 18o.
Col oquio da SBM, IMPA, Rio de Janeiro, 1991.
[114] E. Sanchez, Resolution of composite fuzzy relation equations, In-
formation and Control 30 (1976), 3547.
[115] S. Seikkala, On the fuzzy initial value problem, Fuzzy Sets Syst.
24 (1987), no. 3, 319330.
[116] I. S. Shaw and M. G. Sim oes, Controle e modelagem fuzzy, Editora
Edgar Blucher Ltda, S ao Paulo, 2001.
[117] J. D. M. Silva, An alise de estabilidade de sistemas din amicos
p-fuzzy com aplica c oes em biomatem atica., Tese de Doutorado,
IMECCUnicamp, Campinas, 2005.
[118] J. D. M. Silva and R. C. Bassanezi, Modelagem em biomatem atica:
um software aplicativo., Programa livre disponvel em http://
www.ime.unicamp.br/
~
biomat, 2006.
[119] G. P. Silveira, L. L. Vendite, and L. C. Barros, Software de-
senvolvido a partir de um modelo matem atico fuzzy para predi-
zer o est agio patol ogico do c ancer de pr ostata, Biomatem atica 18
(2008), 2736.
[120] L. Stephane and B. Bobee, Revision of possibility distributions: A
bayesian inference pattern, Fuzzy Sets and Systems 116 (2000),
no. 2, 119140.
[121] T. Sudkamp, On probability-possibility transformations, Fuzzy Sets
and Systems 51 (1992), 7381.
[122] M. Sugeno, Theory of fuzzy integrals and applications, Tese de
Doutorado, Instit. of Technology, Tokyo, 1974.
[123] T. Takagi and M. Sugeno, Fuzzy identication of systems and its
applications to modeling and control, IEEE Trans. System Man
Cybernetics 15 (1985), 116132.
[124] M. Turelli, Stochastic community theory: A partially guided tour,
Biomathematics 17 (1986), 321339.
[125] W. Wangning, Fuzzy reasoning and fuzzy relational equations,
Fuzzy Sets and Systems 20 (1986), 6778.
[126] L. Weber and P. A. T. Klein, Aplica c ao da l ogica fuzzy em software
e hardware, Ulbra, CanoasRS, 2003.
[127] M. Wergenknecht and K. Hartmann, On the construction of fuzzy
eigen soluyions in given regions, Fuzzy Sets and Systems 20
(1996), 5565.
[128] M. Ying, Reasonableness of compositional rule of fuzzy inference,
Fuzzy Sets and Systems 36 (1990), 305310.
[129] L. A. Zadeh, Fuzzy sets, Information and Control 8 (1965), 338
353.
[130] , Probability measures of fuzzy events, J. Math. Analysis
and Applications 23 (1968), 421427.
[131] , Fuzzy sets as a basis for a theory of possibility, Fuzzy Sets
and Systems 1 (1978), 328.
[132] L. K. Zsolt, Redes neurais articiais: Fundamentos e aplica c oes,
3 ed., Editora Livraria da Fsica USP, S ao Paulo, 1996.
Indice Remissivo
-nvel, 52
-nvel, 30
Aproxima cao Universal, 174
Aumann, Integral de, 243
Base de regras fuzzy, 115
Bezdek, 197
Bolzano, Teorema do Anulamento
de, 287
Casos favor aveis
n umero de, 221223
Choquet, Integral de, 207
Controlador fuzzy, 115, 117
Desigualdade de Chebyshev, 214
Diamond, 254
Distribui coes
binomiais, 233
condicionais, 107
de Poisson, 235
de possibilidades condicionais,
109
de possibilidades marginais,
109
de probabilidades, 225
exponenciais, 236
marginais, 107
uniformes, 236
Equa coes Diferenciais
Estocasticas, 241
Fuzzy, 241
Equa coes Relacionais Fuzzy, 163
169
Espa co
de probabilidades, 220
Esperan ca, 224
Esperan ca Fuzzy, 213
Eventos Fuzzy, 220
Eventos fuzzy, 220, 225
Independencia de, 227
Probabilidade de, 221
Eventos reais, 225
Extens ao da solu cao determins-
tica, 241
380

Indice Remissivo
Fun cao
caracterstica, 13, 224
de pertinencia, 14, 32, 221,
224, 225
densidade de probabilidades,
225
indicadora, 220
Fuzziness Ambiental, 321
Fuzziness Demogr aca
Modelagem contnua, 298
Modelagem discreta, 283
G odel, Implica cao de, 88, 90
Gaines-Rescher, Implica cao de,
89
Goguen, Implica cao de, 88, 168
Gompertz, Modelo de, 304
Heisenberg, Princpio da Incer-
teza de, 11
Hukuhara
Derivada de, 242
Diferen ca de, 57
Hullermeier, 253
Implica cao fuzzy, 87, 88
Inclus ao diferencial fuzzy, 241
Independencia
Possibilstica, 106
Probabilstica, 106
Integral
de Choquet, 207
de Lebesgue, 204
de Sugeno, 208, 212
de Aumann, 243
Kandel, 281
Kleene-Dienes, Implica cao de, 89
Lebesgue, Integral de, 204
Lukasiewicz, Implica cao de, 88,
97
Metodo de Euler, 300
Metodos de defuzzica cao, 126,
134
Centro de Gravidade, 126,
285
Centro de Maximos, 127
Media dos Maximos, 128
Metodos de Integra cao Numerica,
300
Metrica para conjuntos fuzzy, 245
Metodos de Runge-Kutta, 300
Mamdani
Controlador de, 120, 285
Metodo de inferencia de, 120
126
Medida
de possibilidade, 193, 195, 232
de probabilidade, 220
de Sugeno, 190
Fuzzy, 191
Modelagem Fuzzy
Indice Remissivo 381

Controle de Pulgoes, 152
Diagnostico do cancer de pr os-
tata, 201
Diagnostico Medico, 169
Dinamica populacional de
Moscas Varejeiras, 355
363
Esperan ca de Vida X Pobreza,
322
Conjunto fuzzy dos pobres,
18, 25
Lotka-Volterra, 308
Modelo de Malthus, 248
Modelo logstico discreto, 272
Modelo SI Fuzzy, 335348
Presa-predador p-fuzzy con-
tnuo, 310
Presa-predador p-fuzzy dis-
creto, 294
Previs ao de Salinidade, 135
Taxa de crescimento bem de-
terminada, 254
Transferencia de Soropositi-
vos, 143
Assintom aticos para Sin-
tom aticos, 349355
Modicador fuzzy, 100
Modus Ponens, 93
Fuzzy, 93
Fuzzy generalizado, 94, 119
Montroll, Modelo de, 304
N umero Fuzzy, 43
opera coes com, 48
sino, 47
trapezoidal, 46
triangular, 44
Nao-interatividade
Possibilstica, 106
Probabilstica, 107
Negoita e Ralescu
Teorema da representa cao, 32
Nguyen, Teorema de, 180
Oposi cao sem antica, 285
Orbitas peri odicas fuzzy, 276

Ordena cao de regras, 288
Pielou, 280
Problema de Valor Inicial Autonomo,
261
Problema de Valor Inicial Fuzzy,
246
Generalizado, 252
via Extens ao de Zadeh, 256
via Inclus ao Diferencial Fu-
zzy, 253
Problema de Valor Inicial p-fuzzy,
264
Produto cartesiano fuzzy, 62
Ralescu, 245
Regra de composi cao de inferen-
cia, 70
382

Indice Remissivo
Reichenbach, Implica cao de, 89
Rela cao Fuzzy, 62
bin aria, 62, 71
bin aria inversa, 68
Composi coes Generalizadas,
160163
Sistema Baseado em Regras
Fuzzy, 115
Sistema Dinamico Fuzzy, 239
Contnuo, 239
Condi cao inicial e par ame-
tro fuzzy, 258
Condi cao inicial fuzzy, 256
Equilbrio, 260
Estabilidade, 260, 262
Discreto, 266
Equilbrio, 268
Sistema p-fuzzy
Contnuo, 298
Metodos numericos, 299
Modelo de Montroll, 304
Discreto, 283
Bidimensional, 295
Estabilidade, 291
Subconjunto Fuzzy, 14
normal, 33
opera coes com, 21
complementar, 21
intersec cao, 21
uni ao, 21
Sugeno, 213
Integral de, 208, 212
t-conorma, 85
t-norma, 84
Takagi-Sugeno, Controlador de,
120
Takagi-Sugeno-Kang, Metodo de
inferencia de, 128
Vari aveis
aleatorias, 220, 224
lingusticas, 92
n ao-correlacionada, 228
Verhulst, Modelo de, 304
Wu, Implica cao de, 89, 103
Zadeh, 12
Implica cao de, 89
Princpio da Extens ao de, 37,
38, 40, 50, 56
Princpio da Incompatibili-
dade, 279

Tópicos de Lógica Fuzzy e Biomatemática - Laécio Carvalho de Barros PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tópicos de Lógica Fuzzy e Biomatemática - Laécio Carvalho de Barros PDF

Uploaded by

Copyright:

Available Formats

T opicos de Logica Fuzzy

AFICA ELABORADA PELA

Indices para Catalogo Sistematico

E comum propormos um encontro com outra pessoa, dizendo:

E precisamente neste tipo de incerteza que a L ogica Fuzzy tem dado

E interessante notar que, diferentemente do subconjunto fuzzy, o su-

(x) = 0, enquanto que o conjunto universo (U) tem fun cao de

de U cuja fun cao de pertinencia e dada

= U), para todo x U.

= , assim como pode

= U. O exemplo a seguir refor ca tais fatos.

1 0,7 0,6 0,7 0,6 0,3 0,3 0,7

, respectivamente, onde A e B s ao supostamente dados.

, o valor 0, 3 indica que o paciente 1 est a tanto no

e de uma interpreta cao para estas

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

determina completamente o conjunto fuzzy A. Aqui tambem se utiliza

para todo [0, 1].

para todo [0, 1]. Se A ,= B entao

para todo [0, 1]. De maneira

n ao signica somat orio.

1.4 O conceito de -nvel 35

f(A) de Z, cuja fun cao caracterstica e

f(A) = f(A) = f(a) : a A .

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

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

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

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

= [(1 +)(3 +), (3 )(5 )];

= [(ln 2), (ln 2 ln 3) + ln 3] =

onde A e B s ao as formas matriciais em linha dos respectivos conjuntos

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

seja B, para a entrada

. Neste caso, denominaremos o silogismo por modus ponens

96 Nocoes da Logica Fuzzy

, cuja fun cao de pertinencia e

E bastante comum se obter um funcional teorico, sem que esse fun-

com fun cao de pertinencia

E interessante notar que B

, que e obtido por meio da aplica cao de um

que indica o termo quase madura,

), cuja fun cao de pertinencia e dada por

quase madura ou me-

E claro que os conceitos de independencia (p

E interessante ressaltar que no dois casos - probabilstico e fuzzy - as

e (4.6) toma a forma

E neste m odulo que cada proposi cao fuzzy e traduzida matematica-

Quadro 5.7: Base de regras para o Exemplo 5.4

E interessante observar que se as fun coes g

AO a salinidade nal e baixa.

AO a salinidade nal e media baixa.

, no qual se encontra implementado o Metodo de Mamdani com

0,8 0,6 0,4

E facil ver que o sistema (6.4) n ao tem solu cao, pois

Do teorema acima, seguem imediatamente os seguintes corolarios.

E interessante notar que a matriz de diagn ostico T = o

indica o vetor v em linha.

Quadro 6.1: Base de regras para a aproximacao da funcao teorica f.

) = 1 P(A) (complementar), onde A

(B), para algum > 1, se

e uma medida fuzzy.

() = 0 pois > 1 ja que = .

e uma medida de Sugeno se, e