MS580 Introduo a Teoria Fuzzy

Marcos Eduardo Valle

Lista 2
Exerccio 1. Considere uma t-norma 4 e uma negao fuzzy . Mostre que a aplicao I4, :
[0, 1] [0, 1] [0, 1] dada por
I4, (a, b) = (a) 4 b,
uma implicao fuzzy, chamada S-implicao.
Exerccio 2. Encontre a S-implicao obtida considerando:
(a) A t-conorma de Lukasiewicz 4L e a negao usual (a) = 1 a.
(b) O mximo e a negao usual.
(c) A t-norma drstica 4D e a negao usual.
Exerccio 3. Mostre que a implicao de Gdel no uma S-implicao.
Exerccio 4. Considere uma implicao fuzzy e defina a aplicao IncF : F(U ) F(U ) [0, 1]
atravs da equao
h
i
IncF (A, B) = inf A(u) B(u) .
uU

Mostre que IncF uma medida de incluso fuzzy.

Exerccio 5. Mostre que, se S uma medida subsethood e 4 uma t-norma, ento a aplicao SimS
dada por
SimS (A, B) = S(A, B) 4 S(B, A),
uma medida de similaridade fuzzy.
Exerccio 6. Considere conjuntos fuzzy A, B e C definidos em um universo de discurso finito
U = {u1 , u2 , . . . , u10 } da seguinte forma:
A = {|{z}
0.0 , |{z}
0.0 , |{z}
0.0 , |{z}
0.0 , |{z}
0.4 , |{z}
0.6 , |{z}
0.8 , |{z}
1.0 , |{z}
0.8 , |{z}
0.6 },
u1

u2

u3

u4

u5

u6

u7

u8

u9

u10

B = {|{z}
0.0 , |{z}
0.0 , |{z}
0.0 , |{z}
0.0 , |{z}
0.4 , |{z}
0.5 , |{z}
0.6 , |{z}
1.0 , |{z}
0.6 , |{z}
0.4 },
u1

u2

u3

u4

u5

u6

u7

u8

u9

u10

C = {|{z}
0.0 , |{z}
1.0 , |{z}
0.2 , |{z}
0.3 , |{z}
0.4 , |{z}
0.5 , |{z}
0.6 , |{z}
1.0 , |{z}
0.5 , |{z}
0.0 }.
u1

u2

u3

u4

u5

u6

u7

u8

u9

u10

Determine IncF (A, B), IncF (B, C) e IncF (A, C) usando

(a) A implicao de Lukasiewicz.
(b) A implicao de Gdel.
(c) A implicao de Kleene-Dienes.
Exerccio 7. Considere os conjuntos fuzzy A, B e C do Exerccio ??. Determine SimS (A, B), SimS (B, C)
e SimS (A, C) usando as medidas subsethood S e S com:
(a) O mximo e o mnimo.
(b) A t-norma e t-conorma de Lukasiewicz.
1

(c) A t-norma e t-conorma drstica.

Exerccio 8. Considere conjuntos fuzzy A e B dados pelas seguintes equaes para qualquer u
U = {0, 1, . . . , 10}:
u
u
A(u) =
e B(u) = 1 .
u+1
10

Determine S (A, B) e S (A, B) usando o mnimo e o mximo.

Exerccio 9. Considere conjuntos fuzzy A e B definidos num universo de discurso finito U =
{u1 , . . . , un }. Mostre que a aplicao SK : F(U ) F(U ) [0, 1], chamada medida subsethood de
Kosko, dada por
Pn
max{0, A(ui ) B(ui )}
.
SK (A, B) = 1 i=1 Pn
i=1 A(ui )
de fato uma medida subsethood. Determine SK (A, B), em que A e B so os conjuntos fuzzy do
Exerccio 8. Existe uma relao entre SK e S ou S ?
Exerccio 10 (Medida de Similaridade de Gregson). Considere um universo de discurso finito
U = {u1 , . . . , un }. Defina a aplicao SG : F(U ) F(U ) [0, 1] atravs da seguinte forma para
qualquer A, B F(U ):
Pn
min{A(ui ), B(ui )}
.
SG (A, B) = Pni=1
i=1 max{A(ui ), B(ui )}
Mostre que SG uma medida de similaridade, chamada medida de similaridade de Gregson. Determine SG (A, B), em que A e B so os conjuntos fuzzy do Exerccio 8. Interprete geometricamente
a medida de similaridade de Gregson. A medida de similaridade de Gregson pode ser escrita em
termos de uma medida subsethood, ou seja, podemos escrever SG (A, B) = S(A, B) 4 S(B, A)?
Exerccio 11 (Medida de Similaridade de Eisler e Ekman). Considere um universo de discurso
finito U = {u1 , . . . , un }. Defina a aplicao SE : F(U ) F(U ) [0, 1] atravs da seguinte forma
para qualquer A, B F(U ):
P
2 ni=1 min{A(ui ), B(ui )}
Pn
SE (A, B) = Pn
.
i=1 A(ui ) +
i=1 B(ui )
Mostre que SE uma medida de similaridade, chamada medida de similaridade de Eisler e
Ekman. Determine SE (A, B), em que A e B so os conjuntos fuzzy do Exerccio 8. A medida de
similaridade de Gregson pode ser escrita em termos de uma medida subsethood, ou seja, podemos
escrever SE (A, B) = S(A, B) 4 S(B, A)?
Exerccio 12. Considere um universo de discurso finito U = {u1 , . . . , un }. Defina a aplicao
SH : F(U ) F(U ) [0, 1] atravs da seguinte forma para qualquer A, B F(U ):
n

1X
SH (A, B) = 1
|A(ui ) B(ui )|.
n i=1
Mostre que SH uma medida de similaridade. Determine SH (A, B), em que A e B so os conjuntos fuzzy do Exerccio 8.