3

ANLISE DE RISCO MEDIANTE A LGICA FUZZY

A anlise do Risco influenciada tanto por fatores qualitativos como quantitativos.
Isto sugere que a metodologia que avalie o Risco deve ser capaz de manipular dados
qualitativos e quantitativos. No entanto, o tratamento de fatores qualitativos pode ser
problemtico devido no existncia de um procedimento objetivo para sua
avaliao. Por isso, algumas metodologias somente consideram os fatores
quantitativos. No entanto, as caractersticas qualitativas so tambm importantes e
devem ser consideradas na avaliao.
Nesse cenrio as metodologias que avaliam o Risco podem ser classificadas em duas
classes, as qualitativas ou quantitativas [9]. As metodologias qualitativas avaliam os
fatores quantitativos ou qualitativos, mediante formas subjetivas ou aproximadas. Por
exemplo, a varivel nvel de corroso, que uma varivel tipo quantitativa, pode ser
representada mediante termos subjetivos, tal como, nvel de corroso baixo, mdio ou
alto. J a metodologia quantitativa s consegue representar variveis que s so
possveis de serem medidas, por exemplo, a varivel de nvel de corroso medido em
um duto pode ser expressa como uma percentagem da espessura de um duto.
Comparando as duas metodologias, ambas apresentam vantagens e desvantagens. Por
exemplo, na primeira, a avaliao das variveis obtida de forma mais rpida, sem
necessidade de fazer muito investimento. Na segunda, requer-se fazer medies de
campo, tornando sua obteno demorada. Em alguns casos h necessidade de um alto
investimento econmico para que os resultados sejam mais confiveis se comparados
com os resultados da metodologia qualitativa.
Das duas classes de metodologias acima mencionados, surge uma terceira, a
semiquantitativa, que aproveita as vantagens das duas metodologias que a originaram.
Sendo assim, as variveis mantm sua natureza durante sua avaliao. Se a varivel
do tipo quantitativo ser avaliada mediante a forma quantitativa e ser for do tipo
qualitativo ser avaliada mediante a forma qualitativa.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
63
Nesta tese somente se tratar a metodologia qualitativa para avaliar o Risco. Na qual,
todos os fatores do tipo quantitativo ou qualitativo, sero representados mediante a
forma aproximada ou subjetiva. Em seguinte sero mencionados argumentos que
justificam as razes do Risco poder ser avaliado mediante a forma qualitativa.
- Na anlise de Risco, quanto mais a avaliao da varivel tenta descrever a
realidade, esta no pode ser avaliada de forma exata, e quanto mais uma varivel
avaliada com um valor pontual, esta no representa a realidade Albert Einstein
[8].
- Muitas variveis usadas para avaliar o Risco so difceis de serem quantificadas,
por conseguinte, estas so de natureza vaga. Para assegurar a representao deste
cenrio necessrio que a natureza vaga da varivel seja refletido no modelo. Por
exemplo, a satisfao dos empregados dentro de uma organizao poderia ser
levada em considerao quando avaliado um possvel Risco. No entanto, o grau
de satisfao de um empregado difcil de ser quantificado, em outras palavras
um termo incerto [17]
- Em geral o Risco pode ser tratado como um conceito nebuloso, no sentido de
que no existe um nico Risco para um evento perigoso ocorrer em um
determinado tempo, tambm, o Risco de um evento pode variar de tempo em
tempo, de circunstncia em circunstncia [29]
- Muitas anlises das cincias sociais rejeitam o argumento de que o Risco pode
ser quantificado objetivamente, ao invs disso, defendem que o Risco
inerentemente subjetivo [61]
- O conhecimento cognitivo (experincia) do especialista em avaliar o Risco
melhor representado na forma subjetiva [62]
Com isto, a teoria da lgica fuzzy desenvolvida por Zadeh [63], aplicada nos
problemas de anlise de Risco. As razes da escolha desta teoria se devem aos
seguintes aspectos:
- Pode representar variveis incertas ou vagas.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
64
- Fcil modelagem de problemas cujas teorias clssicas apresentam deficincia;
- Potencialidade de poder representar o conhecimento do especialista mediante as
variveis lingsticas;
- Adaptabilidade e flexibilidade de assimilar novos conhecimentos;
- Capacidade de resolver problemas de diversas reas.
- Modela a forma de pensar do ser humano, isto , a forma de obter concluses
baseadas em avaliaes subjetivas.
Neste captulo, o problema do Risco ser avaliado atravs da teoria de lgica fuzzy,
portanto, se estudar a relao entre estes dois conceitos. Como resultado deste
estudo, a inferncia Mamdani e a teoria de nmeros fuzzy sero aplicadas na soluo
dos problemas de anlise de Risco.
3.1
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
65
DEFINIES BSICAS DA TEORIA DE LGICA FUZZY
Para uma melhor compreenso da teoria de lgica fuzzy, a seguir se definir os
seguintes conceitos: conjuntos fuzzy, funo de pertinncia, principio de extenso,
variveis lingsticas, relaes fuzzy, composio, operaes de conjuntos fuzzy,
base de regras fuzzy. Na definio de cada um deles, exemplos sero dados com base
na anlise do seguinte enunciado:
Freire [64] menciona que a perda por corroso em um duto pode ser avaliada pela
idade do duto e o meio agressor no qual opera. Para a varivel idade assume-se uma
faixa de zero ate vinte anos, para o meio agressor uma faixa entre 0-1, na qual valores
perto de zero ou um representam ambientes no corrosivos ou muito corrosivos
respectivamente, e para a varivel perda por corroso entre 0 e 60% da espessura do
duto. A relao entre as trs variveis feita mediante regras fuzzy do tipo SE-
ENTO da lgica fuzzy, com base nesta relao, a perda por corroso no duto uma
funo da idade e meio ambiente. No entanto, um outro especialista pode sugerir um
outro modelo com base a novas regras fuzzy, o mesmo modificando a faixa de
valores para qualquer das trs variveis.
Sendo assim, seja um especialista que considere que a perda por corroso (Z)
relacionada pela soma da varivel idade (X) e meio agressor (Y). O especialista
considera que os valores de X variaram no intervalo 0 e 20 anos, para os valores de Y
entre 0-30. Neste ltimo, um resultado perto de zero indica um meio muito favorvel
para a corroso, e perto de 30, um meio muito desfavorvel. Com isto, o resultado de
Z, estar entre 0 e 50. Considera-se tambm que as variveis X, Y e Z somente
podero assumir valores inteiros.
Com o exposto, deseja-se gerar um modelo que relacione a varivel idade, meio
ambiente e perda por corroso, baseada nas regras fuzzy do tipo SE-ENTO da
lgica fuzzy, tal que, seus resultados obtidos sejam aproximados aos apresentados
pelo especialista.
3.1.1
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
66
VALORES LINGSTICOS
Um valor lingstico no pode ser representado por nmeros e sim por palavras ou
sentenas expressadas em uma linguagem natural ou artificial. Palavras ou sentenas,
em geral so menos precisas que os nmeros, pois, os conceitos destas servem para
dar significado a uma caraterizao aproximada de um fenmeno, por exemplo:
idade baixo, meio ambiente muito corrosivo, corroso mdia, etc.
3.1.2
CONJUNTO FUZZY
Um conjunto fuzzy uma coleo de dados, sem caractersticas bem definidas, isto ,
sem limites estipulados, em que a pertinncia parcial valor entre 0 (excluso
completa) e 1 (incluso completa) permitida. Formalmente um conjunto fuzzy
caraterizado por uma funo de pertinncia que mapea os elementos de um domnio
X para o intervalo [0,1], isto , [ ] 1 , 0 X : . De modo geral, um conjunto fuzzy M
pode ser representado pela seguinte expresso: { } X x ) x (
M
, x M , na qual:
x : um elemento do conjunto fuzzy M
) x (
M
: funo de pertinncia do conjunto fuzzy M
X : universo de discurso de x
3.1.3
FUNO DE PERTINNCIA
Funo de pertinncia associada a um conjunto fuzzy M, representado por ) x (
M
,
permite definir as fronteiras de M dentro do universo de discurso, por exemplo, seja o
conjunto fuzzy idade alta, representada por M:
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
67
[ ]

'

>

15 x se , 1
0,15 x se ,
15
x
) x (
M
cuja representao grfica :
Ao valor de ) x (
M
denominado grau de pertinncia, assim, se este igual a 1
significa que x pertence completamente ao conjunto fuzzy M, se igual a 0 significa
que x no pertence ao conjunto fuzzy M. Os valores entre [0-1] significa que x
pertence parcialmente ao conjunto fuzzy M. Na figura 3.1, os valores de x iguais a
7.5 e 15 tem grau de pertinncia iguais a 0.5 e 1 respectivamente, isto significa, que x
igual a 15 (maior grau de pertinncia) tem ligao mais forte ao conjunto M se
comparado x igual a 7.5 (menor grau de pertinncia).
Na literatura podem-se encontrar diferentes tipos de funo de pertinncia, por
exemplo, triangular, trapezoidal, sigmoidal, gausiana, etc., destes tipos o mais
utilizado o triangular, devido a representao da informao de uma forma mais
fcil, e tambm sua expresso matemtica simples, o que possibilita pouco esforo
computacional.
Figura 3.1: Representao grfica de um
conjunto fuzzy M
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
68
3.1.4
CORTE ( -CUT)
O corte de um conjunto fuzzy M em um universo X, denotado por M

, o conjunto
dos elementos de X cujos graus de pertinncia so maiores ou iguais que o valor
[0,1]. Assim, { }

) x ( ; X x M
M
. Por exemplo, o corte igual a 0.5 no
conjunto fuzzy da figura 3.1 observado na figura 3.2.
3.1.5
PRINCPIO DE EXTENSO
O princpio de extenso um conceito bsico da teoria de lgica fuzzy que sustenta
a extenso das expresses matemticas do domnio CRISP ao domnio fuzzy. Este
procedimento generaliza o mapeamento pontual de uma funo ) ( f para um de
conjuntos fuzzy [65]. Por exemplo, seja o conjunto fuzzy idade mdia, denotado por
M, do tipo triangular no domnio de X:

15 x e 5 x 0
15 x 10 3
5
x
10 x 5 1
5
x
M

'

+


Figura 3.2: Representao grfica de -cut=0.5 no
conjunto fuzzy M
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
69
Com este conjunto fuzzy M, a imagem refletida atravs de uma funo qualquer, por
exemplo, a funo Y=X
2
gerar um conjunto fuzzy P, no universo de valores de Y,
representada por:

1
5
x
5 22 x e 25 x 0
5 22 x 100
2
3
5
x
100 x 25
P
2

'

,
_

,
_

+


Cuja representao grfica pode ser observada na figura 3.3
3.1.6
VARIVEL LINGSTICA (VL)
De forma geral, uma varivel expressa por valores numricos, mas, se a varivel
representada por meio de valores lingsticos, esta chamada de varivel lingstica.
A definio formal de uma VL :
Figura 3.3: Imagem do conjunto fuzzy M ao conjunto
fuzzy P atravs da funo y=x
2
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
70
{ } M , U ), x ( T , x VL
Na qual:
x : nome da varivel lingstica
T(x) : conjuntos de valores lingsticos que a VL pode aceitar
U : universo de discurso o conjunto de valores que a VL pode assumir
M : so os conjuntos fuzzy associado a cada valor lingstico.
Como exemplo apresenta-se na figura 3.4 a varivel lingstica idade do duto, X, com
quatro conjuntos fuzzy do tipo triangular definidos dentro do universo [0,20].
3.1.7
RELAES FUZZY
A noo de relaes em engenharia essencial para descobrir as relaes entre dois
conjuntos A e B. Na forma tradicional a relao entre os elementos de dois conjuntos
A e B outro conjunto ( B A ) com valores para o grau de pertinncia ( ) y , x (
B A
)
iguais a 0 ou 1. Onde zero significa que x no tem relao com y, e 1 significa que x
tem relao com y. Nas relaes fuzzy, x relaciona-se com y com um grau de
pertinncia entre [0,1]. Assim a relao R, onde B A R , outro conjunto fuzzy
com uma funo de pertinncia [ ] 1 , 0 B A :
R
, onde R igual a:
( ) ( ) { } B y , A x , 0 ) y , x ( ) y , x ( , y , x R
R R

Figura 3.4: Varivel lingstica X com quatro conjuntos fuzzy.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
71
Por exemplo, sejam os conjuntos X com elementos dados pelas causas que originam
falha em um duto e Y com elementos que contem os tipos de danos que poderiam
causar a falha no duto:
{ }
{ } fratura fadifa, - corroso o,
chova ra, temperatu presso, vibrao,
corros , fadiga Y
X

Ento a segundo a forma tradicional a relao R que indica alta influencia de X em Y

denotado por ( )
i i R
y , x pode ser dado por:
( )
[ ] umidade a temperatur o press vibrao
0 1 1 1
0 1 0 1
0 1 0 0
0 1 0 1
fratura
fadiga - o corros
o corros
fadiga
y , x
i i R
1
1
1
1
]
1

1
1
1
1
]
1

Esta relao indica que a vibrao tem alta influencia na fadiga (grau de pertinncia
igual a 1) enquanto que no tem alta influencia na corroso ( grau de pertinncia igual
a 0). A mesma relao R, pode ser obtida mediante a relao fuzzy, tal como se
apresenta a seguir:
( )
[ ] umidade a temperatur o press vibrao
5 . 0 8 . 0 7 . 0 9 . 0
7 . 0 9 . 0 8 . 0 95 . 0
5 . 0 7 . 0 5 . 0 4 . 0
4 . 0 7 . 0 6 . 0 0.9
fratura
fadiga - o corros
o corros
fadiga
y , x
i i R
1
1
1
1
]
1

1
1
1
1
]
1

J nesta relao se aceita que a vibrao tem alta influencia na corroso com um grau
de pertinncia igual a 0.4 no conjunto fuzzy alto. Desta a forma, nas relaes fuzzy
permitido relacionar elementos de diferentes conjuntos por valores intermedirios
entre [0,1].
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
72
3.1.8
COMPOSIO MAX-MIN
Se duas relaes fuzzy R e S so definidas baseadas nos conjuntos fuzzy X,Y e Z, tal
que Z Y S e Y X R , ento a composio de R e S, representada como
S R , definida como:
( ) [ ] ) z , y ( ), y , x ( Min Max ) z , x (
S R S R


A composio S R pode ser interpretada como uma indicao da relao existente
entre os conjuntos X e Z. Por exemplo, seja X o conjunto trechos de dutos:
{ } 3 Duto , 2 Duto , 1 Duto X , Y um conjunto de tipos de danos atuantes nos dutos:
{ } incorretas es o
~
Opera , terceiros por Dano , o a
~
Corros Y e Z conjunto de programas
de inspeo (PI): { } 2 PI 3, PI 1, PI Z . Baseado nestes trs conjuntos deseja-se saber
que tipo de PI pode-se realizar nos trs dutos, com base no conhecimento das
relaes entre P=(X,Y) e Q=(Y,Z):
( )
[ ] 3 y 2 y 1 y
3 x
2 x
1 x
9 . 0 7 . 0 8 . 0
9 . 0 7 . 0 5 . 0
8 . 0 8 . 0 2 . 0
y , x ) Y , X ( P
i i P
1
1
]
1

1
1
]
1

( )
[ ] 3 z 2 z 1 z
3 y
2 y
1 y
1 5 . 0 2 . 0
2 . 0 1 5 . 0
2 . 0 5 . 0 1
z , y ) Z , Y ( Q
i i Q
1
1
]
1

1
1
]
1

Com estas duas relaes, pode-se obter a relao R entre os conjuntos X e Z,
aplicando a operao composio, Q P R :
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
73
[ ] 3 z 2 z 1 z
3 x
2 x
1 x
8 . 0 7 . 0 8 . 0
9 . 0 7 . 0 5 . 0
8 . 0 8 . 0 5 . 0
Q P ) Z , Y ( R
1
1
]
1

1
1
]
1

Desta relao, opta-se por realizar o PI2 e PI3 no duto 1, enquanto que no duto 2
recomenda-se fazer o PI3 e para o duto 3 o PI1 e PI3.
3.1.9
OPERAES COM CONJUNTOS FUZZY
Sejam A e B conjuntos fuzzy definidos no universo de discurso X, com funes de
pertinncia
A
(x),
B
(x), tal com apresenta-se na figura 3.5.
Na qual:
( ) ( )

'

'

5 . 3 x 1
5 . 3 x 2.5 2 x
5 . 2 x 0
x
B

5 . 3 x e 5 . 1 x 0
5 . 3 x 2.5 x 4
5 . 2 x 1.5 1 x
x
A
Apresentam-se abaixo as operaes bsicas de unio e interseo de conjuntos fuzzy.
1- A unio de A com B, A B, igual ao significado do operador boleano OU (ver
figura 3.6):

B
(x) =
A
(x) V
B
(x) = max (
A
(x) ,
B
(x)) xX
Figura 3.5: Conjuntos fuzzy A e B
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
74
2- A interseo de A com B, A B igual ao significado do operador boleano E (ver
figura 3.7):

B
(x) =
A
(x)
B
(x) = min (
A
(x),
B
(x)) xX
3.1.10
BASE DE REGRAS FUZZY
Uma regra fuzzy normalmente formada por duas partes principais:
e Consequent o a
~
Ent e antecedent Se
O antecedente composto por um conjunto de condies que, quando satisfeitas
(mesmo parcialmente), determinam o processamento do conseqente da regra por um
mecanismo de inferncia fuzzy [66].
As regras fuzzy relacionam os conjuntos fuzzy das variveis lingsticas de entradas
com as sadas. Na maioria dos casos as regras fuzzy tm a forma de muitas variveis
lingsticas de entradas e de sadas (MIMO). No entanto, demostra-se que um
MIMO com n entradas e q sadas pode ser descomposto em q regras com n
Figura 3.6: Unio dos conjuntos fuzzy A e B
Figura 3.7: Interseo dos conjuntos fuzzy A e B
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
75
entradas e uma s sada (MISO) [68]. A forma de uma regra tipo MISO com duas
variveis lingsticas de entradas e uma de sada a seguinte:
Regra
i-
: SE X igual a Ai

e Y igual a B
i
ento Z igual a C
i
Onde:
Regra
i
: i-sima regra fuzzy da base de regras fuzzy.
X, Y : so as variveis lingsticas de entrada, por exemplo, idade do duto e meio
agressor respectivamente.
Z : a varivel lingstica de sada, por exemplo, perda por corroso.
A
i
, B
i
e C
i
: so conjuntos fuzzy das variveis lingsticas X, Y e Z.
3.1.8
IMPLICAO
A regra fuzzy SE X igual a A
i
ento Z igual a C
i
, uma relao fuzzy expressa
mediante uma implicao fuzzy
i i
C A R . A relao R pode ser vista como
um conjunto fuzzy com grau de pertinncia bidimensional,
)) z ( ), x ( ( f ) z , x (
i i
C A R

A funo f, chamada de funo de implicao, realiza a tarefa de transformar os graus
de pertinncia de x em A
i
e de z em C
i
, para (x,z) em A
i
xC
i
. Em [50] podem-se
encontrar mais de 10 opes para a funo de implicao f, no entanto, os tipos de
implicao mais conhecidos so: MINIMO e PRODUTO. O primeiro, proposto por
Mamdani, avalia a implicao fuzzy R mediante a expresso:

C A
C A
) z , x /( ) z ( ) x ( C A R
na qual, ^ o operador mnimo. No tipo de implicao PRODUTO, a implicao
fuzzy R calculada por:

C A
B A
) z , x /( ) z ( ) x ( C A R
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
76
na qual o produto algbrico.
3.2
METODOLOGIAS PARA AVALIAR O RISCO BASEADO NA LGICA
FUZZY
De um levantamento bibliogrfico foram encontradas quatro metodologias diferentes,
na qual a teoria de lgica fuzzy aplicada na avaliao do Risco:
1.- Inferncia Mamdani [9]: Proposto por Ebrahim Mamdani no ano 1975, esta o
tipo de inferncia mais conhecida na lgica fuzzy. Este mtodo foi o primeiro a ser
aplicado ao controle de sistemas usando a teoria de lgica fuzzy.
Para obter a resposta final mediante a inferncia de Mamdani, os operadores
MINIMO para a implicao fuzzy e MAX-MIN para a composio fuzzy so
aplicadas a cada uma das regras fuzzy, por exemplo, na figura 3.8, no detalhe A e A
apresenta-se a aplicao do operador MNIMO na ativao de duas regras fuzzy
compostas por duas variveis lingsticas de entrada e uma de sada, no detalhe B e
B apresentam-se os resultados do operador MAX-MIN. Da realizao destas
operaes so obtidos os conjuntos fuzzy em cada regra, com as quais so realizados
os processos de agregao (detalhe C) e desfuzificao para obter o resultado final
(detalhe D). A definio dos processos de agregao e desfuzificao, assim como
mais informaes da inferncia Mamdani sero realizadas em 3.3.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
77
2.- Inferncia monotnica [18,19]: Na inferncia monotnica a obteno do resultado
final obtida diretamente da funo de pertinncia do conjunto fuzzy do antecedente,
tal como apresentado na figura 3.9.
Figura 3.8: Procedimento geral da inferncia Mamdani para obter a sada C com base nos valores
de entrada x1 e x2.
Figura 3.9: Procedimento geral da inferncia monotnica para obter o resultado em base a
uma varivel de entrada x
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
78
No caso de aplicar a inferncia monotnica para varias regras, o resultado final
deveria ser avaliado como a mdia dos resultados de cada regra fuzzy, tal como est
mostrada na figura 3.10.
3.- Teoria possibilistica [8]: os procedimentos que avaliam o Risco em engenharia
precisam gerar resultados confiveis, pois, o contrario pode ocasionar graves
conseqncias para a sociedade. No entanto, na prtica muitos destes procedimentos
so relativamente novos fazendo-se necessrios as avaliaes subjetivas do
especialista. Por muito tempo as experincias dos especialistas tm sido substitudas
pela teoria de confiabilidade. Esta teoria tradicional baseia-se em dois fundamentos
que so:
- Considerao da probabilidade: significa que o sistema deve ser caracterizado no
contexto da probabilidade.
Figura 3.10: Procedimento geral da inferncia monotnica para obter o resultados para trs
variveis de x1,x2 e x3
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
79
- Condio de estado binrio: significa que o estado do sistema bem definido
para qualquer instante do tempo por dois estados, um de funcionamento e outro
de no funcionamento.
De acordo com a teoria de probabilidade, o termo probabilidade deveria satisfazer as
seguintes premissas: evento definido precisamente, condio repetitiva nos dados
coletados do evento analisado e um tamanho grande de dados coletados.
Do exposto, podem observaes fazer: (1) existem casos onde os eventos no so
definidos exclusivamente por somente dois estados (funcionando e no
funcionando), como por exemplo, Freire [64] considera um duto critico quando
apresenta uma perda de 70 % na espessura, j para 50 % de perda de espessura
considera que o duto tem uma grande corroso, enquanto para 20 % define-se como
baixa corroso e para 10% como se o duto no tive-se corroso, com isto, a definio
da criticidade do duto com base a perda de espessura por corroso, no somente se
realiza baseados em dois estados (crtico e no crtico), seno tambm com estados
intermdios como alto, mdio, baixo, etc., e (2) h situaes onde no existe uma
quantidade grande de dados, por conseguinte, em estas situaes no pode ser
aplicada a teoria de probabilidade, como o caso do impacto da construo de um
gasoduto na antrtica ou em reas de alta sensibilidade a acidentes, etc.
Com base nas observaes feitas, surgiu a teoria de confiabilidade possibilstica
baseada na lgica fuzzy. Na confiabilidade possibilstica existem trs modelos bem
definidos, os quais visam a avaliar a confiabilidade do sistema, estas so POSBIST
[69], POSFUST [70] e PROSFUST [71,72]. Destes trs modelos, o primeiro e o
terceiro tm sido bastante estudados com relao ao segundo.
4.- Mtodo de Karwoski e Mital [73]: Este mtodo prope avaliar o Risco com base
na probabilidade de ocorrer um evento (L), a influencia do ambiente no evento (E) e
as conseqncias ocasionadas se o evento ocorrer (C). Com isto, Karwoski e Mital
consideram que L,E e C podem ser avaliados por valores lingsticos em vez dos
numricos, tal como se apresentam na seguinte tabela:
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
80
E para relacionar os valores lingsticos de L, E, C com o Risco (R) Karwoski e Mital
propem a seguinte expresso, L E C R , na qual, o operador
composio e x o operador produto cartesiano.
Da comparao destes quatro mtodos, pode-se mencionar que o mtodo proposto
por Karwoski e Mital considera que todas as variveis que influenciam no Risco,
deveriam ser avaliadas atravs do L, E ou C. Esta forma de avaliar o Risco mais
restrito se comprado com o mtodo de Mamdani, na qual, as variveis influentes no
Risco se relacionam por meio das regras fuzzy do tipo: Se CORROSO severa e
...... eINSPEO tima ento RISCO alto. Nesta regra, o nmero de variveis
lingsticas (CORROSO e INSPEO) que se podem associar ilimitado, no
entanto, no se recomenda associar mais de 7 variveis lingsticas, devido a maior
Definies usadas na anlise de Risco Correspondentes valores
lingsticos
Probabilidade
Freqentemente Muito provvel
Absolutamente possvel provvel
Inusual Mais ou menos provvel
Remotamente possvel Improvvel
Possvel mas altamente improvvel Muito improvvel
Praticamente impossvel Impossvel
Exposio
Muitas vezes ao dia Muito alto
Uma vez ao dia Alto
Ocasionalmente Moderado
Uma vez por ms Mais o menos baixo
Raramente Baixo
Muito raro Muito baixo
Conseqncias
Catastrfico, sobre $ 10
7
e muitas
fatalidades.
Extremamente alto
Desastroso, $ 10
7
10
6 e
fatalidades Muito alto
Muito srio, $ 10
6
10
5
e uma
fatalidade
Alto
Srio, $ 10
5
10
4
e srio perigo. Mdio
Importante, 10
4
10
3
e fora de servio. Mais ou menos mdio
Sensvel, 10
2
10
3
e primeiros
auxlios.
Baixo
Tabela 3.1: Valores lingsticos para L, C e E dados por
Karwoski e Mital [38]:
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
81
quantidade de variveis lingsticas mais difcil de gerar boas regras. Uma vantagem
da inferncia Mamdani est na possibilidade de que o modelo usado que avalie o
Risco pousa ser atualizado na incorporao de novas regras.
Na inferncia monotnica podem-se tambm associar as diversas variveis com o
Risco, no entanto, esta limitada a associar somente uma varivel lingstica de
entrada com outra de sada. Esta limitao o faz mais restrita e menor geral se
comparada com a inferncia Mamdani.
Com relao aos mtodos que aplicam a teoria possibilstica para avaliar o Risco,
estas no limitam a quantidade de variveis na sua anlise, no entanto, a avaliao de
cada varivel requer represent-la mediante os nmeros fuzzy, o que significa
determinar as disperses da esquerda e direita respeito ao valor mdio que a varivel
pousa assumir.
Em resumo, na inferncia Mamdani e na teoria possibilistica podem-se relacionar
muitas variveis com a varivel Risco, enquanto na inferncia monotnica limita-se a
relacionar um varivel por vez, j no mtodo proposto por Karwoski e Mital somente
podem-se relacionar trs variveis.
Com base nas comparaes das quatro alternativas, na presente tese se estudar com
maior profundidade os mtodos que aplicam a inferncia Mamdani e a teoria
possibilstica na avaliao do Risco por serem mais genricos e menos restritos se
comparados com os outros dois mtodos.
3.3
INFERNCIA MAMDANI
Na inferncia Mamdani [9,67], a forma geral de uma base com regras tipo MISO
com duas variveis lingsticas de entrada X e Y e uma de sada Z tem a seguinte
forma:
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
82
C' z : Saida
___ __________ __________ __________ __________
n
C z o a
~
ent
n
B y e
n
A x Se :
n
R
... ... ...
... ... ...
2
C z o a
~
ent
2
B y e
2
A x Se :
2
R
1
C z o a
~
ent
1
B y e
1
A x Se :
1
R
B' y e A' x Se : Entradas
Na qual, Ae B so os valores das variveis lingsticas de entrada, estes podem ser
representados por valores CRISP ou lingsticos; R
1
,R
2
,....,R
n
so as regras fuzzy que
relacionam as duas variveis lingsticas com a varivel lingstica de sada e C o
valor resultante da varivel lingstica de sada z.
A expresso para calcular C a seguinte [50]:
( ) [ ] ( ) [ ] ( ) U I
n
1 i

i
C ,
i
B Rc ' B
i
C ,
i
A Rc ' A ' C

Na qual:
Rc o operador implicao, o operador composio, U o operador unio e I
o operador interseo. Na expresso anterior, o resultado gerado pela expresso que
est entre parnteses, o resultado dado por cada uma das regras fuzzy. Assim, a
unio de todos os resultados de cada regra, ser igual a C. Ao processo de obter a
resposta de C com base na unio das repostas de cada regra, chama-se de processo
de agregao pelo mtodo mximo. Na figura 3.11, observa-se a obteno de C
mediante o mtodo de agregao mximo da ativao de duas regras fuzzy.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
83
Em [68] menciona que a obteno de C tambm pode ser realizado pelo mtodo de
agregao do tipo soma, tal como apresentado na seguinte expresso:

,
_

1
]
1

,
_

1
]
1

,
_

n
1 i

i
C ,
i
B Rc ' B
i
C ,
i
A Rc ' A ' C I
Neste caso, C obtida da soma de todas as respostas obtidas de cada uma das regras
fuzzy. Na figura 3.12, mostra-se como o mtodo de agregao soma aplicado para
obter C mediante a ativao de duas regras fuzzy.
Figura 3.11: Inferncia Mamdani com mtodo de agregao MXIMO
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
84
A escolha do mtodo de agregao depender do tipo de problema, no entanto, esta
deve garantir que a agregao seja capaz de transmitir adequadamente o
conhecimento explicitado pelo conjunto de regras fuzzy. Outros mtodos de
agregao mencionados em [57] so a mdia das alturas ou do peso estatstico.
Com o valor obtido C, a metodologia Mamdani realiza o processo de desfuzifio
objetivando obter uma sada tipo CRISP para z. Esta sada necessria por que na
maioria das aplicaes necessita-se tomar decises com base nos resultados. Em [74]
menciona-se a existncia de cinco mtodos de desfuzzificao:
O mtodo do centride (CENTROIDE): Este mtodo de desfuzificao considera que
a sada CRISP igual ao o centro de gravidade
_
z de todas as possveis solues
dadas por C, a qual avaliada mediante a seguinte expresso:

z
' C
z
' C _
dz ) z (
dz ) z ( z
z
Figura 3.12: Inferncia Mamdani com mtodo de agregao SOMA
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
85
Mtodo que considera o valor mdio dos pontos mximos (MOM): Este avalia
_
z
como a mdia dos valores mximos contidas em C.
Mtodo que considera o valor mximo dos mximos (LOM): Conceitualmente
significa o mesmo do MOM, porem, em vez de calcular a mdia dos mximos,
calcula-se o mximo dos mximos.
Mtodo que considera o valor mnimo dos mximos (SOM): Este avalia
_
z como o
valor mnimo dos mnimos.
Mtodo BISECTOR: Este mtodo considera que a sada deterministica
_
z igual ao
valor de z que divide a C em duas reas equivalentes
Na figura 3.13 apresenta-se esquematicamente como cada tipo de desfuzificao
obtm o resultado final dado um conjunto fuzzy de sada C.
Figura 3.13: Valores zs, zm, zl, zb e zc obtidos segundo diferentes mtodos
de desfuzificao.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
86
3.3.1
SISTEMAS DE LGICA FUZZY
A aplicao da inferncia Mamdani feita atravs do chamado sistema de lgica
fuzzy (SLF). No existe um procedimento definido para a construo deste sistema,
no entanto a sua estrutura muito similar a estrutura dos sistemas de controle [75].
De forma geral, um SLF composto por quatro partes, a seguir (ver figura 3.14):
1- Fuzificador: sua funo transformar os valores determinsticos de entrada em
valores fuzzy.
2- Base de regras fuzzy: representa o conhecimento do problema mediante regras da
forma: SE-ENTO.
3- rea de inferncia: estabelece a relao entre as variveis fuzzy de entrada e
sada.
4- Desfuzificador: transforma os valores fuzzy de sada em valores determinsticos.
O funcionamento de um SLF comea com a fuzificao dos dados das variveis
lingsticas, os quais podem ser expressos mediante nmeros ou conjuntos fuzzy, a
continuao executa-se o processo de inferncia Mamdani para cada uma das regras
fuzzy, finalmente realiza-se o processo de agregao e desfuzificao.
Figura 3.14: Estrutura de um sistema de lgica fuzzy
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
87
3.3.2
IDENTIFICAO DE UM SISTEMA FUZZY
Independente do problema a resolver, o sucesso do SLF encontra-se associado em
identificar:
(1) a melhor base de regras fuzzy,
(2) o melhor tipo de agregao,
(3) o melhor tipo de desfuzificao,
(4) a quantidade tima de conjuntos fuzzy,
(5) o melhor tipo de inferncia e
(6) o melhor tipo de funo de pertinncia para a soluo de um determinado
problema.
A identificao destas seis caractersticas dos SFL variam de problema a problema,
sendo assim, uma boa escolha destas influenciar grandemente no desempenho do
SLF. Andreas Bastian [21] menciona que na bibliografia pode-se encontrar diversos
trabalhos onde se identificam algumas das caratersticas, no entanto, so raros os
trabalhos nos quais se analisa todas as caratersticas, nesta tese sero identificados as
quatro primeiras caractersticas, e com relao as duas ltimas, sero definidas a
inferncia Mamdani e tipo triangular.
Para facilitar a anlise das quatro caractersticas, foi desenvolvido um aplicativo com
uma interface grfica que possibilitar a anlise do desempenho de um SLF. A
descrio desta interface grfica pode-se dividir em duas partes.
A primeira parte faz uso do TOOLBOX fuzzy do software MATLAB para gerar o
SLF cujo objetivo aproximar a funo soma, multiplicao e diviso, isto significa,
que o SLF gerado ter duas variveis lingsticas de entrada, X e Y, e uma varivel
de lingstica de sada Z. Este aplicativo permite selecionar o tipo de agregao
(soma e mximo), desfuzificao (Centroide, Bisector, SOM, MOM e LOM) e o tipo
de tcnica para gerar a base de regras. Nesta ltima, existem trs tipos de tcnicas
para gerar a base de regras, que esto baseados no principio de extenso, no valor
mximo dos conjuntos fuzzy das variveis lingsticas de entrada e no Mtodo de
Ishibuchi [76], a descrio das trs tcnicas ser realizada em 3.3.2.1.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
88
Na figura 3.15 apresenta-se a visualizao grfica do exposto.
Nela, as primeiras duas caixas brancas servem para limitar o intervalo de valores das
variveis lingsticas X e Y, enquanto que a terceira caixa branca serve para escolher
a relao que tem X e Y para determinar a varivel de sada Z . As seguintes duas
caixas brancas servem para estabelecer a discretizao a ser usada em cada varivel X
e Y. Assim, com estas cinco informaes, o aplicativo gera uma base de dados, que
servira para comparar o desempenho do SLF que ser gerado. As seguintes duas
caixas brancas, servem para estabelecer os nmeros de conjuntos fuzzy das variveis
lingsticas X e Y. A continuao encontra-se duas caixas que possibilitam escolher
os tipos de agregao e desfuzificao, e ainda, uma caixa para selecionar o mtodo
de gerao de regras. Nela existem quatro mtodos, a primeira baseada nos valores
mximos dos conjuntos fuzzy das variveis lingsticas de entrada, a segunda baseada
Figura 3.15: Entrada de dados no aplicado.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
89
no princpio de extenso e as duas ltimas baseadas no mtodo de Ishibuchi. As duas
ltimas caixas brancas so informaes que requer o mtodo de Ishibuchi, estas no
so necessrias para os dois primeiros mtodos de gerao de regras.
Com estas informaes, os resultados gerados pelo aplicativo so o clculo do erro
quadrtico, erro quadrtico mdio e a variao observada entre os resultados gerados
pelo SLF e as informaes contidas na base de dados. Na figura 3.16 apresenta-se a
visualizao gerada pelo aplicativo.
Alm destes resultados, a primeira parte do aplicativo gera o SLF segundo o formato
do TOOLBOX FUZZY do software MATLAB.
A segunda parte do aplicativo permite representar os valores de X e Y mediante a
forma de conjuntos fuzzy, isto significa, considerar incerteza sobre as avaliaes
CRISP de X e Y. As restries desta segunda parte do aplicativo que somente
permite representar os valores de X e Y mediante a forma triangular e que a
determinao da base de regras seja realizada segundo o mtodo dos valores
Figura 3.16: Obteno de resultados do aplicativo
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
90
mximos. Isto por que o tipo de representao mediante os conjuntos fuzzy tipo
triangular so os mais aplicados na lgica fuzzy e o mtodo de gerao de regras pelo
mtodo dos valores mximos foi o que apresentou melhores resultados comparados
com os outros trs mtodos (isto se tratar em 3.3.2.1). Na figura 3.17 apresenta-se a
visualizao grfica da segunda parte do aplicativo.
Na figura 3.17, as caixas brancas so para representar os valores fuzzy, tipo
triangular, das variveis lingsticas X e Y. Em cada caixa branca, existem trs
nmeros, o primeiro representa o vrtice inferior esquerdo do tringulo, o segundo o
vrtice mdio superior e o ultimo o vrtice inferior direito do tringulo. Debaixo da
segunda caixa encontra-se o resultado final obtido do SLF gerado com as
caractersticas estabelecidas na primeira parte. No lado direito da figura 3.17,
apresentam-se os resultados gerados pelo SLF (linha de cor azul) e o resultado
esperado (linha de cor verde).
Logo mais, com ajuda do aplicativo gerado, se realizar uma anlise para selecionar o
mtodo para gerar a base de regras, tipo de agregao, desfuzificao e a quantidade
ideal de conjuntos fuzzy.
3.3.2.1
BASE DE REGRAS
Uma base de regras fuzzy pode ser gerada baseada na experincia do especialista ou
por tcnicas geradoras de regras. Se a base de regras for gerada pelo especialista, o
Figura 3.17: Entrada de dados em forma CRISP ou por nmeros fuzzy no aplicativo.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
91
sucesso do SLF depender do quo confiveis so as regras dadas por ele. Se uma
tcnica geradora for usada, o sucesso estar em funo do desempenho do algoritmo
gerador de regras, neste caso, preciso a existncia de uma base de dados para avaliar
o desempenho.
Na literatura encontram-se diferentes mtodos para gerar regras, aqui sero analisados
trs mtodos diferentes. A primeira ser baseada no princpio de extenso, a segunda
nos valores mximos dos conjuntos fuzzy das variveis lingsticas de entradas,
finalmente, a terceira uma adaptao do trabalho desenvolvido por Isibuchi [76].
As duas primeiras metodologias so propostas nesta tese, objetivando fuzificar o
modelo de Muhlbauer, na qual as variveis esto relacionadas por meio de operaes
soma, diviso ou multiplicao. A comparao dos resultados destas duas propostas
foram realizadas com os resultados do modelo proposto por Ishibuchi [76], este
modelo gera as regras fuzzy com base nas informaes de uma base de dados. A
escolha da metodologia de Ishibuchi como referncia para a comparao, deve-se a
facilidade de implementa-o em um programa computacional, alm, Ishibuchi, um
professor da universidade de Osaka Japon, pesquisador com ampla experincia na
rea de lgica fuzzy com mais de trinta publicaes em revistas internacionais, por
exemplo, Fuzzy Set and Systems, com o exposto, a continuao se explicar as trs
metodologias.
3.3.2.1.1
MTODO DE GERAO DE REGRAS BASEADA NO PRINCPIO DE
EXTENSO
Com base na definio do princpio de extenso explicado em 3.1.5, desenvolveu-se
uma metodologia para a gerao de regras, a qual requer o conhecimento da funo f
que relacione as variveis lingsticas de entrada e sada. Esta metodologia pode ser
implementado atravs dos 5 passos a seguir:
1.- Definir uma funo f, seja por exemplo:
[ ] [ ] 30 - 0 Y 20 - 0 X Y, X ) Y , X ( f z +
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
92
2.- Definir os conjuntos fuzzy triangulares A
i
e B
j
para as variveis lingsticas X e Y.
Onde n ,...., 1 i e m ,.... 1 j , sendo n e m a quantidade de conjuntos fuzzy das
variveis lingsticas X e Y.
3.- Aplicar o princpio de extenso para obter o conjunto fuzzy C
(i-1)m+j
, que imagem
de A
i
e B
j
obtido atravs da funo f (X,Y).
4.- A regra associada a esta imagem : SE X A
i
e Y B
j
ento Z C
(i-1)m+j
5.- Repetir os passos 3 e 4 para todos os valores de i e j.
Para visualizar o desempenho de um SLF que utilize o mtodo de gerao de regras
descrito, se apresentaram os resultados do erro quadrtico, erro quadrtico mdio e
mxima variao obtida na soluo do exemplo enunciado em 3.1. Na figura 3.18
apresentam-se os resultados gerados pelo aplicativo descrito em 3.3.2.
Figura 3.18: Resultado obtido pelo aplicativo 1.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
93
Os resultados apresentados na figura 3.18 corresponde para o mtodo de agregao
tipo MXIMO, tipo de desfuzificao tipo CENTROIDE e com 5 conjuntos fuzzy
tipo triangular distribudos uniformemente no universo de discurso das variveis
lingsticas X e Y. Na figura 3.19 apresenta-se os 5 conjuntos fuzzy para a varivel
lingstica X gerado pelo TOOLBOX fuzzy do MATLAB.
3.3.2.1.2
MTODO DE GERAO DE REGRAS BASEADO NOS VALORES
MXIMOS DOS CONJUNTOS FUZZY
Esta metodologia diferencia-se da anterior, em que o princpio de extenso somente
aplicado nos valores mximos dos conjuntos fuzzy, isto , quando o valor do grau de
pertinncia for igual a um, em quanto na primeira metodologia aplicada em todos os
valores dos conjuntos fuzzy, ou seja, quando o valor do grau de pertinncia varia de
zero at um. Esta diferena origina que ambas metodologias gerem diferentes
quantidades de conjuntos fuzzy. A explicao desta metodologia pode ser dividido
em dez passo a seguir:
1- Definir as variveis lingsticas de entradas e sadas, como tambm o domnio de
cada varivel. Seja por exemplo as variveis de entradas: X e Y, como tambm,
varivel de sada a Z, sendo que [ ] [ ] [ ] 50 - 0 Z 30 - 0 Y 20 - 0 X
Figura 3.19: Conjuntos fuzzy gerados pelo aplicativo para a varivel lingstica X.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
94
2.- Definir os conjuntos fuzzy triangulares A
i
e B
j
para as variveis lingsticas X e Y.
Na qual n ,...., 1 i e m ,.... 1 j , sendo n e m a quantidade de conjuntos fuzzy das
variveis lingsticas X e Y.
4.- Encontrar a funo f que aproxime as variveis de entradas com a varivel de
sada.
5.- Para cada conjunto fuzzy A
i
e B
j
das variveis de entradas, extrair os valores x
i
e
y
j
tal que possuam um grau de pertinncia igual a um.
6.- Com os valores x
i
e y
j,
encontrar o valor z
(i-1)m+j
atravs da funo f encontrada no
passo quatro.
7.- Formar a matriz M = [i j z
(i-1)m+j
].
8.- Mantendo livre a primeira e a segunda coluna da matriz M, ordenar em forma
descendente a terceira coluna da matriz M. Assim se produzir uma nova matriz
denominada M .
9.- Cada s- sima fila (s=1,..., nxm) da matriz M representar o seguinte:
- um conjunto fuzzy tipo triangular para a varivel lingstica de sada, com
a seguinte representao:
Z(s)= [M(s-1,3) M (s,3) M (s+1,3)]
- uma regra fuzzy do tipo:
SE X A
M(s,1)
e Y B
M(s,2)
ento Z Z(s)
10.- Fazer passos 5,6,7,8 e 9 para todos os valores de i e j.
Na figura 3.20 apresenta-se o mesmo caso apresentado na figura 3.18, exceto que
nesta figura, a base de regras foi gerada pelo mtodo dos valores mximos dos
conjuntos fuzzy das variveis lingsticas de entrada.
Os resultados da figura 3.20, so obtidos para o mtodo de agregao tipo mximo,
tipo de desfuzificao centroide e cinco conjuntos fuzzy para as duas variveis
lingsticas X e Y.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
95
3.3.2.1.3
MTODO DE GERAO DE REGRAS BASEADO NO MTODO DE
ISHIBUCHI
O procedimento proposto por Ishibuchi encontra-se explicado em 19 folhas do
trabalho [51], as quais foram necessrias estuda-la para implementa-o em um
programa computacional. Como resultado deste estudo, a metodologia proposto por
Ishibuchi pode ser resumido em dez passos a seguir:
1.- Definir as variveis lingsticas de entradas e de sadas, como tambm o domnio
de cada varivel. Seja por exemplo, as variveis de entradas: X e Y, como tambm,
varivel de sada a Z, sendo que [ ] [ ] [ ] 50 - 0 Z 30 - 0 Y 20 - 0 X
2.- Normalizar as variveis de entradas e sada, tal que seus domnios fiquem entre
[0-1].
3.- Definir os conjuntos fuzzy triangulares A
i
e B
j
para as variveis lingsticas X e Y.
Onde n ,...., 1 i e m ,.... 1 j , sendo n e m a quantidade de conjuntos fuzzy das
variveis lingsticas X e Y.
Figura 3.20: Resultado obtido pelo aplicativo 2.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
96
3.- Definir os conjuntos fuzzy triangulares Z
k
para a varivel lingsticas Z. Onde
r ,.... 1 k , sendo r a quantidade de conjuntos fuzzy da varivel lingsticas Z.
4.- Gerar a base de dados numricos para as variveis lingsticas de entradas e sada.
Seja por exemplo m dados para X, Y e Z. Com isso formar as matrizes
[ ] [ ] Z T e Y X V
P P
, onde p=1....m.
5.- Calcular os valores de W mediante a seguinte expresso: { }

) V ( ) V ( W
p ij p ij
,
onde um parmetro que serve para ajustar os resultados.
6.- Calcular os valores b mediante a seguinte expresso:

m
1 p
p ij p p ij ij
) V ( W T ) V ( W b
7.- Este mtodo gera duas bases de regras, chamadas de primria e secundria com
base nos resultados de
ij
b .
8.- As regras da base primria (BP) tm a seguinte forma:
Se X A
i
e Y B
i
ento Z
ij
* Z , com um grau de certeza dada por
ij
* CF
9.- As regras da base secundria (BS) tm a seguinte forma:
Se X A
i
e Y B
i
ento Z
ij
* * Z , com um grau de certeza dada por
ij
* * CF
Para maiores detalhes de
ij ij ij ij
* * CF e * CF , * * Z * Z ver referncia [51].
10.- Calcular a sada T* mediante a seguinte expresso:
{ }

'

m
1 j
ij p ij ij p ij
n
1 i
m
1 j
ij ij p ij ij ij p ij
n
1 i
p
* * CF ) V ( * CF ) V (
* * CF * * Z ) V ( * CF * Z ) V (
) V ( * T
Na figura 3.21 apresenta-se os resultados gerados pelo SLF, no qual, sua base de
regras foi gerada mediante o mtodo Ishibuchi.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
97
Os resultados da figura 3.21 no foram obtidos para o mtodo de agregao do tipo
mximo e de desfuzificao tipo centroide, j que, o mtodo Ishibuchi considera seus
prprios mtodos de agregao e desfuzificao os quais esto expressos no passo 10.
Outra diferena com relao aos outros dois modelos, que o modelo Ishibuchi
requer informao adicional para gerar a base de regras, como a quantidade de
conjuntos fuzzy para a varivel lingstica de sada e valor de ajuste, alpha. Neste
caso, considerou-se um valor de 1.5, j que, com este valor o SLF tem menor erro
quadrtico, no entanto, no garante ter a menor variao, pois, com um valor de alpha
igual a 2.5, tem-se uma mxima variao de 2.5 que menor a 2.9, a qual foi obtida
para alpha igual a 1.5, como poder ser observada na figura 3.21.
Na figura 3.22, apresenta-se os resultados dados pelo mesmo SLF gerado pelo
aplicativo, no entanto, para a avaliao do seu desempenho s se considerar a base
primria.
Figura 3.21: Resultado obtido pelo aplicativo 3.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
98
Destes trs mtodos para gerar a base de regras, o mtodo que considera os valores
mximos o que apresenta melhores resultados do erro quadrtico, erro quadrtico
mdio e variao mxima, tal como pode ser ver na tabela 3.2:
No caso do mtodo de Ishibuchi que considera a base de regras primaria e secundaria,
os valores dados na tabela 3.2 so para alpha igual a 1.5, no entanto, se alpha fosse
igual a 2.5, a variao mxima seria igual 2.4 e o erro quadrtico seria igual a 906.
Com base a estes resultados, nesta tese se selecionar o mtodo baseado nos valores
mximos dos conjuntos nebulosos das variveis lingsticas de entrada.
Figura 3.22: Resultado obtido pelo aplicativo 4.
Mtodo baseado no: Erro quadrtico Variao mxima
Princpio de extenso 1513 5.5
Valores mximos 220 2.9
Ishibuchi BP BS (alpha =1.5) 620 3
Ishibuchi BP (alpha =1.5) 3804 7.9
Tabela 3.2: Resumo de resultados das figuras 3.18, 3.20, 3.21 e 3.22.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
99
3.3.2.2
TIPOS DE AGREGAO E DESFUZIFICAO
A escolha do mtodo de agregao e desfuzificao dependeram do tipo de problema,
no entanto, estas devem garantir que o resultado final reflita as informaes
explicitas no conjunto de regras fuzzy. Este estudo analisar dois tipos de agregao,
SOMA e MAXIMO, e cinco tipos de desfuzificao, CENTROIDE, BISECTOR,
MOM, SOM e LOM. Com os tipos de agregao e desfuzificao, faz-se uma
combinao entre todos eles, tal como apresentado na tabela 3.3.
Para selecionar o tipo de agregao e desfuzificao, se gerar um SLF baseado no
enunciado descrito em 3.1 o aplicativo descrito em 3.3.2. A gerao automtica de
regras realizada pelo mtodo escolhido em 3.3.2.1, isto , pelo mtodo dos valores
mximos dos conjuntos fuzzy das variveis lingsticas de entrada. Para continuar a
seqncia dos exemplos apresentados ao longo deste captulo da tese, considera-se
cinco conjuntos fuzzy para as variveis lingsticas de entrada X e Y. Na figura 3.23
apresentam-se os resultados do erro quadrtico e erro quadrtico mdio obtidos do
aplicativo para os dez casos da tabela 3.3.
Nmero
de opes
Tipo de
agregao
Tipo de
desfuzificao
1 (M-C) MAXIMO CENTROIDE
2 (M-B) MAXIMO BISECTOR
3 (M-M) MAXIMO MOM
4 (M-L) MAXIMO LOM
5 (M-S) MAXIMO SOM
6 (S-C) SOMA CENTROIDE
7 (S-B) SOMA BISECTOR
8 (S-M) SOMA MOM
9 (S-L) SOMA LOM
10 (S-S) SOMA SOM
Tabela 3.3: Diferentes opes de seleo para o
tipo de agregao e desfuzificao.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
100
Na grfica anterior, observa-se que as opes 1,2,6 e 7 so os que apresentam menos
erro quadrtico e erro quadrtico mdio. Isto significa que independente do tipo de
agregao, os tipos de desfuzificao CENTROIDE e BISECTOR so as melhores
opes.
As variaes mximas que apresentam os SLF com as dez opes (tabela 3.3), so
apresentadas na figura 3.24.
Nos resultados da figura 3.24, os SLF que apresentam as menores variaes so as
opes 1,2,6 e 7, que coincidem com os resultados da figura 3.23.
Fig. 3.23: Erro quadrtico e erro quadrtico mdio para as dez opes da tabela 3.3.
Figura 3.24: Mxima variao gerada pelas dez opes
da tabela 3.3.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
101
3.3.2.3
QUANTIDADE DE CONJUNTOS FUZZY
A quantidade de conjuntos fuzzy dado a cada uma das variveis lingsticas de
entradas e de sada so decididos de acordo preferncia do SLF que seja genrico
ou preciso na soluo de um problema.
Se a preferncia por generalidade, se usaro poucos conjuntos fuzzy, os quais
podem ser identificados por especialistas ou por tcnicas de classificao. O
especialista poder determinar os conjuntos fuzzy com base nos valores lingsticos
que so geralmente usados na soluo do problema, por exemplo, alto, mdio, baixo,
etc. No caso de utilizar as tcnicas de classificao preciso a existncia de uma base
de dados. Se no existir esta base de dados, a nica opo recorrer ao especialista.
Por outro lado, se a opo por um SLF preciso, se levar em conta que a maior
quantidade de conjuntos fuzzy para cada varivel lingstica de entrada e de sadas,
os resultados do SLF sero mais exatos. Neste caso, o especialista no eficiente em
identificar grandes quantidades de conjuntos fuzzy, assim, as tcnicas de classificao
surgem como uma boa alternativa. Elas identificam os limites dos conjuntos fuzzy
com base a diversos critrios de classificao.
Nesta tese, o critrio a levar em considerao para definir os conjuntos fuzzy das
variveis lingsticas de entrada ser a de classificao uniforme, isto significa, que
os conjuntos fuzzy sero definidos uniformemente dentro do universo de discurso da
varivel. Um exemplo do exposto dado na figura 3.19, no qual, a varivel
lingstica X possui cinco conjuntos fuzzy distribudos uniformemente no universo de
discurso [0,20]. No que respeita definio dos conjuntos fuzzy das variveis
lingsticas de sada, estas sero definidas pelo mtodo de gerao de regras
escolhido em 3.2.2.1 (valores mximos).
Com este critrio de classificao para definir os conjuntos fuzzy, se analisar a
influncia da quantidade de conjuntos fuzzy das variveis lingsticas de entrada no
desempenho de um SLF. Esta anlise se realizar para os diferentes tipos de
agregao e desfuzificao mencionados na tabela 3.3. Para isso, se considerar o
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
102
enunciado realizado em 3.1, no qual, as variveis lingsticas X e Y tero conjuntos
fuzzy variando de 2 at 9, dizer, a quantidade de conjuntos fuzzy para X variar de
2 at 9, e para cada quantidade do conjunto fuzzy de X, a quantidade de conjuntos
fuzzy para Y variar de 2 at 9.
Com a variao dos conjuntos fuzzy para as variveis lingsticas X e Y, com os dos
tipos de agregao e com os cinco tipos de desfuzificao, a quantidade de SLF a
analisar de 640. Na figura 3.25 apresentam-se os resultados do erro quadrtico para
os 640 SLF.
Figura 3.25: Erros quadrticos gerado pelos SLF para diferentes quantidades de conjuntos
fuzzy
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
103
Na figura 3.25, i e j representam o nmero de conjuntos fuzzy das variveis
lingsticas X e Y respectivamente. Desta figura pode-se mencionar que o tipo de
desfuzificao CENTROIDE o que apresenta menor erro quadrtico em quase todos
os 640 sistemas fuzzy, no entanto, nos casos onde o tipo CENTROIDE no o
melhor, este apresenta um erro quadrtico prximo ao melhor tipo. Com respeito aos
tipos de agregao, estes apresentam resultados aproximadamente iguais, sendo que o
tipo SOMA apresenta ligeiramente melhores resultados do que tipo MXIMO.
Continuando, na figura 3.26 apresentam-se os resultados da variao mxima obtida
dos 640 SLF.
Figura 3.26: Variao mxima gerada pelos SLF para diferentes quantidades de conjuntos fuzzy
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
104
Da figura 3.26 observa-se que para a maior parte dos 640 sistemas fuzzy analisados o
tipo de desfuzificao CENTROIDE o que apresenta menor variao mxima, tal
como observado na figura 3.26.
Das figuras 3.25 e 3.26 observa-se que para valores baixos de i e j (regio
esquerda dos grficos) os resultados do erro quadrtico e da variao mxima gerados
pelos SLF no convergem para os diferentes tipos de agregao e desfuzificao,
enquanto, para valores alto de i e j (regio direita dos grficos) os resultados
convergem para os diferentes tipos de agregao e desfuzificao.
Analisando todos os SLF que tenham como mtodo de desfuzificao centride
(linha vermelha nas figuras 3.25 e 3.26) observa-se que os maiores erros quadrticos
e as maiores variaes mximas ocorrem quando a quantidade de conjuntos fuzzy
dadas as variveis lingsticas de X e/ou Y so iguais a dois, e conforme aumenta esta
quantidade de conjuntos fuzzy, o erro quadrtico e a variao mxima tendem a
diminuir.
A continuao se realizar uma anlise particular para visualizar o efeito das
quantidades de conjuntos fuzzy nos resultados. Para isso se far uso da segunda parte
do aplicativo descrito em 3.3.2 e do enunciado realizado em 3.1. Esta anlise
particular considerar que os valores de X e Y sero dados de duas formas, CRISP e
FUZZY. Os valores CRISP de X e Y sero 10 e 15 respetivamente, enquanto que
seus valores fuzzy sero [7 10 13] e [13 15 18] (detalhes sobre o que significa cada
valor numrico entre aspas encontra-se em 3.3.2). As regras do SLF utilizadas para a
anlise particular sero realizadas tal como recomendado em 3.3.2.1, o tipo de
agregao e desfuzificao a considerar ser segundo o recomendado em 3.3.2.1,
alm, se considerar que a quantidade de conjuntos fuzzy para as variveis
lingsticas X e Y sejam iguais. Nesta anlise se avaliar dez SLF, com quantidades
dos conjuntos fuzzy variando de 2 at 11. Os resultados dados pelos dez SLF quando
avaliam os dados de X e Y mencionados acima esto apresentados nas figuras 3.27 e
3.28.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
105
Figura 3.28: Resultados dos SLF quando as variveis de entradas so expressas
mediante conjuntos fuzzy.
Figura 3.27: Resultados dos SLF quando as variveis de entradas so expressas
mediante conjuntos CRIPS.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
106
Nestas duas figuras, a linha de cor verde representa as respostas esperadas, enquanto
que a linha de cor azul so as respostas dadas plos dez SLF. Pode-se observar destas
figuras que conforme o nmero de conjuntos fuzzy aumenta para as variveis
lingsticas X e Y, os valores dados plos SLF se aproximam do valor esperado. Em
geral a maior quantidade de conjuntos fuzzy para as variveis lingsticas de entrada,
se obter o menor erro quadrtico e menor variao mxima nos resultados.
Volvendo nos 640 sistemas fuzzy analisados nas figuras 3.25 e 3.6, seleciona-se um
grupo de SLF, tal que apresentem os menores erros quadrticos e as menores
variaes mximas objetivando avaliar o desempenho destes SLF. Este grupo
selecionado apresentado na tabela 3.4:
Da tabela 3.4, seleciona-se uma opo qualquer, por exemplo, a opo 1 (tipo de
agregao MXIMO e tipo de desfuzificao CENTROIDE) que possui nove
conjuntos fuzzy para as duas variveis lingsticas de entradas. A seguir, na figura
3.29, apresentam-se os resultados do erro quadrtico, erro quadrtico mdio e a
variao mxima para o SLF selecionado, a qual foi gerado pelo aplicativo descrito
em 3.3.2.
Opo
nmero
Nmero de
conjuntos fuzzy
para a varivel x
Nmero de
conjuntos fuzzy para
a varivel y
Erro
quadrtico
Mxima
variao
2 (M-B) 9 7 35.50 1.50
7 (S-B) 9 7 37.75 1.50
7 (S-B) 5 7 44.75 2.00
1 (M-C) 9 9 45.89 1.11
1 (M-C) 9 7 50.56 1.58
6 (S-C) 9 9 53.64 1.12
2 (M-B) 9 9 73.75 1.00
Tabela 3.4: SLF escolhidos dos 640 fuzzy analisados.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
107
Com os resultados obtidos do erro quadrtico, erro quadrtico mdio e de variao
mxima na figura 3.29, observa-se que so menores aos resultados obtidas
anteriormente (figura 3.18, 3.20, 3.21 e 3.22). Esta diferena deve-se principalmente
a quantidade de conjuntos fuzzy utilizados para as variveis lingsticas X e Y, e ao
tipo de tcnica utilizada para determinar a base de regras fuzzy,
Como concluso geral dos tpicos desenvolvidos em 3.3.2.1, 3.3.2.2 e 3.3.2.3
conclui-se os seguintes:
- O melhor mtodo de gerao de base de regras dos valores mximos
- O melhor tipo de desfuzificao do CENTROIDE
- No que respeita ao melhor tipo de agregao, os resultados demostraram que para
o tipo de desfuzificao CENTROIDE o mtodo de agregao tem pouca
influncia no resultado final, alm disso, se a quantidade de conjuntos fuzzy fosse
grande para as variveis lingsticas, o mtodo de agregao e o mtodo de
desfuzificao tm pouca influncia nos resultados.
Figura 3.29: Resultado gerado pelo aplicativo para o SLF escolhido.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
108
Consideram-se que as concluses anteriores baseiam-se no problema enunciado em
3.1, isto significa, se as condies do enunciado variassem, os resultados obtidos em
3.3.2.1, 3.3.2.3 e 3.3.2.3 no necessariamente seriam os mesmos, este caso ser
analisado no captulo quatro.
3.4
NMERO FUZZY
Na cincia e na engenharia, freqentemente se trabalha com valores imprecisos
representados na forma de intervalos para procurar solues. Para isso, as diversas
operaes precisam ser desenvolvidas sobre estes intervalos. A este tipo de anlise
chama-se anlise por intervalos.
Neste tpico da tese se generalizar o conceito de intervalos para o conceito de
intervalos fuzzy, em virtude de um valor representado por intervalos somente ser
definido para um nvel, enquanto que um valor fuzzy (qual representado por
nmeros fuzzy) definido para diversos nveis no intervalo [0,1].
Na continuao se definir os nmeros fuzzy e as operaes bsicas que se podem
realizar entre eles. Um exemplo de clculo do Risco mediante o modelo Muhlbauer
ser explicado. Um exemplo, as variveis de entrada sero os quatro ndices de dano
e o FIV, os quais estaro representados mediante nmeros fuzzy do tipo trapezoidal
ou triangular.
3.4.1
DEFINIO NMEROS FUZZY
Um nmero fuzzy definido como um subconjunto convexo no campo real, limitado
por uma funo de pertinncia normalizada. Um nmero fuzzy b
~
tem a seguinte
forma: ( )
LR
, , a b
~
e satisfaz as seguintes condies:
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
109

'

caso qualquer em 0,
a x a para )
a x
( R
a x - a para )
x a
( L
) x ( b
~
Na qual:
- a o valor mdio do nmero fuzzy b
~
- e so as disperses do lado esquerdo e direito respectivamente. Quando e
so iguais a zero, o nmero b
~
coincidir com a forma CRISP.
- L e R so funes decrescentes e contnuas dentro do intervalo [0-1], as quais
satisfazem as seguintes condies:
- L(0)=R(0)=1, e
- L(1)=R(1)=0
A representao grfica do nmero fuzzy b
~
apresentada na figura 3.30:
A caracterstica de um numero fuzzy que os -cut, os quais so paralelos ao eixo
horizontal, tm a seguinte propriedade:
Figura 3.30: Representao grfica de um nmero fuzzy
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
110
3.4.1.1
OPERAES COM NMEROS FUZZY
Algumas operaes que podem ser realizadas com dois nmeros fuzzy B
~
e A
~
para
diferentes -cut so:
]
1
b
3
a ,
3
b
1
a [ ]
3
b ,
1
b [ ]
3
a ,
1
a [ B
~
A
~
: Diviso 4)
]
3
b
3
a ,
1
b
1
a [ ]
3
b ,
1
b [ ]
3
a ,
1
a [ B
~
A
~
: o Multiplica ) 3
]
3
b
3
a ,
1
b
1
a [ ]
3
b ,
1
b [ ]
3
a ,
1
a [ B
~
A
~
: Subtrao ) 2
]
3
b
3
a ,
1
b
1
a [ ]
3
b ,
1
b [ ]
3
a ,
1
a [ B
~
A
~
: Adio 1)
: se - define ]
3
b ,
1
b [ B
~
],
3
a ,
1
a [ A
~
onde R
3
b ,
1
b ,
3
a ,
1
a

+

+

Como exemplo aplicativo dos nmeros fuzzy, se avaliar o Risco de um duto
mediante o mtodo de Muhlbauer, no qual, as variveis de entrada, os quatro ndices
de danos e o FIV, sero representados via os nmeros fuzzy. Para facilitar esta anlise
ser desenvolto um aplicativo com interface grfica desenvolvida com ajuda do
software MATLAB. Na figura 3.31 visualiza-se a interface grfica do aplicativo
desenvolvido.

<
3 3 1 1
' '
a a a a e s ], 1 , 0 [ ,
1 1
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
111
Na figura 3.31, as cinco primeiras caixas brancas servem para o ingresso de dados
dos quatro ndices de dano e do FIV. Cada uma destas caixas requer como
informao quatro valores, os quais representam nmeros fuzzy tipo trapezoidal, tal
como apresenta-se na figura 3.32.
Com estes cinco dados de entrada, o aplicativo avalia mediante operaes fuzzy a
soma de ndices e Risco. Estes resultados encontram-se mostrados em forma grfica
Figura 3.31: Operaes com nmeros fuzzy
Figura 3.32: Nmeros fuzzy tipo trapezoidal
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A
112
na figura 3.31. Nesta figura tambm se apresenta a varivel FIV mediante a
representao fuzzy.
A ltima caixa branca da figura 3.31 permite o ingresso de parmetro denominado
(alpha), definido como intervalo de confiana por Ching Hsue [77]. Os valores de
esto definidos para o intervalo [0,1], na qual, um valor de zero significa o caso mais
pessimista das avaliaes das variveis, entanto que o valor igual a 1 significa o caso
mais otimista na avaliao das variveis. Na figura 3.31, apresenta-se o caso para
igual a 1; com este valor o resultado mais otimista para o Risco do duto variar no
intervalo [12,35] e para o caso que seja igual a zero, cenrio menos otimista, o
resultado do Risco variar no intervalo [1-225].
Como observado, a utilizao dos nmeros fuzzy permite quantificar a incerteza nas
avaliaes para diferentes valores de com base nas informaes dadas s variveis,
possibilitando considerar seus resultados em uma seguinte etapa do gerenciamento de
Risco.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

9
9
2
5
0
5
5
/
C
A