Beruflich Dokumente
Kultur Dokumente
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/256373655
CITATIONS READS
53 2,008
2 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Rodney Carlos Bassanezi on 06 June 2014.
Colecao IMECC
Textos Didaticos 5
Laecio Carvalho de Barros
Colecao IMECC
Textos Didaticos
Volume 5
Grupo de Biomatematica
Instituto de Matematica, Estatstica e Computacao Cientfica
Universidade Estadual de Campinas
FICHA CATALOGRAFICA ELABORADA PELA
BIBLIOTECA DO IMECC
B278t Barros, Laecio Carvalho de.
Topicos de logica fuzzy e biomatematica/ Laecio Carvalho
de Barros, Rodney Carlos Bassanezi Campinas, SP:
UNICAMP/IMECC, 2006.
354p.: il. (Colecao IMECC Textos didaticos; v.5)
Apresentacao 1
Prefacio 3
3 Relacoes Fuzzy 61
3.1 Relacoes Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Formas de representacao e propriedades . . . . . . 65
3.2 Composicao entre Relacoes Fuzzy Binarias . . . . . . . . . 69
Pedro A. Tonelli
Prefacio
Os Autores
Captulo 1
violencia.
Como e sabido, Socrates confrontava os sofistas de sua epoca, e a
questao principal era formulada pela pergunta o que e? (Ti Estin).
Inicialmente Platao, seguidor de Socrates, compartilhou com as ideias
de Heraclito, principalmente a de que tudo esta mudando, esta no fluxo
do vir-a-ser. Porem, se tudo estava em movimento nao seria possvel o
conhecimento. Para nao cair num ceticismo, Platao pensou no mundo
das ideias. Em tal mundo nao haveria mudancas, as coisas seriam eter-
nas para alem da dimensao espaco-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 detras do vir-a-ser do mundo sensvel. Porem, para Platao
o mais importante nao era um conceito final, mas o caminho para se
chegar ate ele. O mundo das ideias nao e acessvel pelos sentidos,
apenas pela intuicao intelectual e a dialetica e o movimento de ascese
em busca da verdade. Com isso Platao promove uma sntese de Heraclito
e Parmenides.
Ja para Aristoteles, nao existe o mundo das ideias e as essencias estao
contidas nas proprias coisas. O conhecimento universal esta vinculado
a sua Logica (de Logos, o mesmo que razao, princpio de ordem, estudo
das consequencias) e ao Silogismo, mecanismo de deducao 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-
ferenca fundamental entre Aristoteles e os sofistas, consiste no fato de
que, para Aristoteles, existe uma verdade objetiva, eterna, imutavel, que
independe dos seres humanos, ao passo que para os sofistas nao existe
nenhuma verdade absoluta, eterna e imutavel e, sim, apenas o conheci-
mento relativo aos nossos sentidos. Para Platao e Aristoteles, respecti-
vamente, a dialetica e o silogismo devem ser empregados em busca da
verdadade. Os sofistas adotam a retorica, que e a arte da persuasao,
10 Conjunto fuzzy como modelador de incerteza
A = {x R : x e proximo de 2} .
F : U [0, 1],
rais pares:
P = {n N : n e par} .
F = {x R : x e proximo de 2} .
depende da funcao de pertinencia que pode ser dada por uma infinidade
de maneiras diferentes, dependendo de como se quer avaliar o termo
proximo. Observe que poderamos tambem definir proximo de 2 por
um conjunto classico com funcao de pertinencia F , considerando, por
exemplo, um valor de suficientemente pequeno e a funcao caracterstica
do intervalo (2 , 2 + ), conforme a expressao abaixo
(
1 se |x 2| <
F (x) = .
0 se |x 2|
Note que, ser proximo de 2 significa estar numa vizinhanca pre de-
terminada de 2. A subjetividade esta exatamente na escolha do raio
da vizinhanca. Especificamente, neste caso todos os valores desta vi-
zinhanca estao proximos de 2 com o mesmo grau de pertinencia que e
1.
F = {n N : n e pequeno}.
1
F (n) = .
n+1
Claro que a escolha da funcao F neste caso foi feita de maneira to-
talmente arbitraria, levando-se em conta apenas o significado da palavra
pequeno. Para modelar matematicamente o conceito de numero na-
tural pequeno, isto e, associar ao subconjunto fuzzy F uma funcao de
pertinencia, poderamos escolher qualquer sequencia monotona decres-
cente, comecando em 1 (um) e convergente para 0 (zero):
{n }nN , com 0 = 1.
Por exemplo,
F (n) = en ;
1
F (n) = 2
;
n +1
1
F (n) = .
ln(n + e)
ou
(
40x 2
40 se 0 x 40
J (x) = .
0 se 40 < x 120
A ( r )
k 2
(
1 se x A ou x B
max {A (x), B (x)} =
0 se x
/Aex
/B
(
1 se x A B
=
0 se x
/ AB
= AB (x), x U.
Figura 1.3: Operacoes com subconjuntos fuzzy: (a) uniao; (b) interseccao;
(c) complemento.
(b) Verifique que AB (x) = A (x)B (x). Note que essa identidade nao
e valida se A e B forem subconjuntos fuzzy.
Exemplo 1.6 (Conjunto fuzzy dos idosos). O conjunto fuzzy I dos idosos
deve refletir uma situacao oposta da relacionada com o conjunto dos
jovens quando consideramos a idade dos seus elementos. Enquanto que
para o conjunto de jovens a funcao de pertinencia deve ser decrescente
com a idade, para idosos deve ser crescente. Uma possibilidade para a
funcao de pertinencia de I e
I (x) = 1 J (x),
Idosos: I
1
Jovens: J
10 20 30 40 50 60 70 80 90 100 110 120
idade
e
(
x40 2
80 se 40 < x 120
I (x) = .
0 se x 40
1.3 Operacoes com subconjuntos fuzzy 25
Exerccio 1.2. Considere que o conjunto fuzzy dos jovens seja dado por
4
1 x 2 se x [10, 120]
J (x) = 120
0 se x
/ [10, 120]
(Ak1 )Ak2
Uma recompensa honesta, ao grupo que sofreu tal dano, deve devolver
o mesmo status de pobre que antes, ou seja, dada uma renda r1 , o grupo
deve ter uma renda r2 (apos o dano) de modo que
Ak1 Ak2
Ak1 (r1 ) = Ak2 (r2 )
r
r1 r2 r0
A (x) = 0 se A (x) = 1 x A;
A (x) = 1 se A (x) = 0 x
/ A.
Exemplo 1.8 (Conjuntos fuzzy dos febris e/ou com mialgia). Suponha que
o conjunto universo U seja composto pelos pacientes de uma clnica,
identificados pelos numeros 1, 2, 3, 4 e 5. Sejam A e B os subconjuntos
fuzzy que representam os pacientes com febre e mialgia1 , respectiva-
mente. A Tabela 1.1 abaixo ilustra as operacoes uniao, interseccao e
complemento.
1
max [(x), (x)] = [(x) + (x) + |(x) (x)|]
2
1
min [(x), (x)] = [(x) + (x) |(x) (x)|]
2
para todo u U .
Exerccio 1.3. Considere o subconjunto fuzzy das pessoas altas (em me-
tros) do Brasil, definido por
0 se x 1, 4
A (x) = 1
0,4 (x 1, 4) se 1, 4 < x 1, 8
1 se x > 1, 8
1 A
1 [A ] 3 U
1 A
U
[A ] 1
(ii) A A se ;
\
(iii) A = Ak se k convergir para com k .
k0
[A] = A .
[A B] = [A] [B] ,
[A B] = [A] [B] .
Entao,
n
X
A = [1 A (xi )] /xi = 0, 9/1+0, 8/2+0, 75/3+0, 3/5+0, 1/8+0/10.
i=1
!
X X
fb(A) = fb A (xi )xi = A (xi )f (xi ).
i=1 i=1
f^ (A ) Z
f
1
X
A
1 f
f^ (A )
1/4
1/2 1
1
X
A
1
duas variaveis.
[A] = [a1 , a2 ].
(
1 se x = r
r (x) = .
0 se x 6= r
2 R
crisp
Exemplo 2.5. A expressao em torno das quatro horas pode ser modelada
matematicamente pelo numero fuzzy triangular simetrico A, cuja funcao
de pertinencia e dada por
( |x4|
1 0,2 se 3, 8 x 4, 2
A (x) = .
0 caso contrario
e esta representada na Figura 2.4.
3,8 4 4,2 R
a1 = 0, 2 + 3, 8 e a2 = 0, 2 + 4, 2.
11 14 17 20 R
u u u+ R
A = [a1 , a2 ] e B = [b1 , b2 ].
A + B = [a1 + b1 , a2 + b2 ].
A B = [a1 b2 , a2 b1 ].
(
[a1 , a2 ] se 0
A = .
[a2 , a1 ] se < 0
onde P = {a1 b1 , a1 b2 , a2 b1 , a2 b2 }.
[A + B] = A + B
funcao de pertinencia e
sup min[A (x), B (y)] se (z) 6= 0
(A+B) (z) = (z) ,
0 se (z) = 0
[A B] = [A] [B]
para todo [0, 1], sendo qualquer uma das operaccoes aritmeticas
mencionadas anteriormente.
A prova deste teorema foge do proposito deste texto e nao sera feita
aqui. O leitor interessado na mesma pode encontra-la nos livros classicos
de Klir e Yuan [72], Nguyen [95], Pedrycz e Gomide [100] ou mais geral-
mente em Fuller [51].
A combinacao dos Teoremas 2.1 e 2.4 produz metodos praticos para
se obter os resultados de cada operacao entre numeros fuzzy. Observa-
mos mais uma vez que o -nveis de um numero fuzzy e sempre um
intervalo fechado de R, dado por:
sendo 1
A () = {x R : A (x) = } a pre-imagem de .
A seguir ilustraremos tais metodos praticos na forma de proprieda-
des.
2.2 Numeros Fuzzy 53
onde P = {a1 b1 , a1 b2 , a2 b1 , a2 b2 }.
[A] = [1 + , 3 ] e [B] = [3 + , 5 ],
Note que os numeros fuzzy obtidos em (d) e (e) nao sao triangulares.
Entretanto, e facil verificar que com numeros fuzzy triangulares, a soma,
a diferenca e a multiplicacao por escalar resulta em um numero fuzzy
triangular. Para ver isto, basta considerar os numeros A = (a1 ; u; a2 ) e
B = (b1 ; v; b3 ). Entao, a partir da Equacao (2.6) temos
[A] = [(u a1 ) + a1 , (u a2 ) + a2 ]
[B] = [(v b1 ) + b1 , (v b2 ) + b2 ].
Assim
[A + B] = [A] + [B]
e, portanto,
[A+B] = [{(u+v)(a1 +b1 )}+(a1 +b1 ), {(u+v)(a2 +b2 )}+(a2 +b2 )].
Portanto,
2.2 Numeros Fuzzy 57
Como
[A B] = [a1 b2 , a2 b1 ],
segue que
A B = A H B b1 = b2 ,
ou seja,
A B = A H B B R.
Note que
A B = A + (1)B 6= A H B.
Essa diferenca foi utilizada para se estudar, pela primeira vez, a deri-
vada de funcoes fuzzy (ver Captulo 8).
58 O Princpio de Extensao e Numeros Fuzzy
X = xj X (xj ) PX (xj )
2 0, 5 0, 5
3 0, 5 0, 5
Y = yk Y (yk ) PY (yk )
3 0, 5 0, 5
4 0, 5 0, 5
e
X
PX+Y (zi ) = P(X,Y ) (X = xj , Y = yk ), (2.10)
xj +yk =zi
2.2 Numeros Fuzzy 59
Relacoes Fuzzy
Tudo que existe na natureza e devido
a chance e a necessidade.
quando optamos pela teoria dos conjuntos fuzzy, e sera crisp quando
usamos a teoria classica de conjuntos para conceituar a relacao em es-
tudo. A adocao do tipo de relacao, dentre estas duas, depende muito
do fenomeno estudado. Porem, a opcao 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 relacao classica indica se ha ou nao alguma associacao entre dois
objetos, enquanto que uma relacao fuzzy, alem de indicar se ha ou nao
tal associacao, indica tambem o grau desta relacao.
R : U1 U2 . . . Un {0, 1} ,
com (
1 se (x1 , x2 , . . . , xn ) R
R (x1 , x2 , . . . , xn ) = . (3.1)
0 se (x1 , x2 , . . . , xn )
/R
s
l
i
c
a
a c i l s x
presa
R y1 y2 ... yn
r11 r12 ... r1n
x1 r11 r12 ... r1n
r21 r22 ... r2n
x2 r21 r22 ... r2n ou R =
.. .. .. .. .
.. .. .. .. .. . . . .
. . . . .
rm1 rm2 ... rmn
xm rm1 rm2 ... rmn
p r e d a d o r
R a c i l s
p a 0 0 0 0 0
r c 1 0,2 0 0 0
e i 0,1 0 0,3 0 1
s l 1 0,8 0 0 0
a s 0,2 1 0 0 0,1
e
0 0 0 0 0
1 0,2 0 0 0
R=
0,1 0 0,3 0 1
.
1 0,8 0 0 0
0,2 1 0 0 0,1
e que
r11 r12 ... r1n s11 s12 . . . s1p
r21 r22 . . . r2n s21 s22 . . . s2p
R=
.. .. .. ..
e S=
.. .. .. ..
.
. . . . . . . .
rm1 rm2 . . . rmn mn
sn1 sn2 . . . snp np
onde
tij = sup [min(R (ui , vk ), S (vk , wj ))] = sup [min(rik , skj )]. (3.3)
1kn 1kn
B = R(A) = A R.
A = B R1 .
B =AR e A = B R
Definicao 3.8. Seja R uma relacao fuzzy binaria sobre U , cuja funcao
de pertinencia e R . Entao, para quaisquer x, y e z de U , a relacao
fuzzy R e
tela ou tafeta
fio de trama
raport
fio de urdume
Tela Sarja
Cetim
seguir.
Vamos considerar inicialmente a soma de tela T e sarja S definida
por: T S = max {tij , sij }. Como o mnimo multiplo comum (MMC)
das ordens das matrizes T e S e igual a 6, tomamos os multiplos de cada
padrao. Entao se
0 1 0 1 0 1 0 0 1 0 0 1
1 0 1 0 1 0 0 1 0 0 1 0
0 1 0 1 0 1 1 0 0 1 0 0
T = e S= =
1 0 1 0 1 0 0 0 1 0 0 1
0 1 0 1 0 1 0 1 0 0 1 0
1 0 1 0 1 0 1 0 0 1 0 0
0 1 1 1 0 1
1 1 1 0 1 0
1 1 0 1 0 1
= T S =
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
obtencao de outros raports, considerando as composicoes das simetrias
(translacoes, rotacoes e reflexoes veja Figura 3.5).
Se a esta em A e b esta em B,
(4.1)
entao c esta em C ou d nao esta em D
a esta em A e b esta em B
80 Nocoes da Logica Fuzzy
p q pq p q pq
1 1 1 1 1 1
1 0 0 1 0 1
0 1 0 0 1 1
0 0 0 0 0 0
p q p = q
1 1 1
p p 1 0 0
1 0 0 1 1
0 1 0 0 1
Conectivo e:
Assim,
(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 0;
(0, 1) = 0 1 = 0;
(0, 0) = 0 0 = 0.
Conectivo ou:
Portanto,
(1, 1) = 1 1 = 1;
(1, 0) = 1 0 = 1;
(0, 1) = 0 1 = 1;
(0, 0) = 0 0 = 0.
: {0, 1} {0, 1}
p 7 p,
Implicacao: =
(1) (p = q) = (p) q;
= (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.
a A(p = 1); b
/ B(q = 0); c C(r = 1) e d
/ D(s = 1),
(0 1) = (1 1) = (0 = 1) = 1.
2 (x, y) = xy;
3 (x, y) = max {0, x + y 1} ;
x se y = 1
4 (x, y) = y se x = 1 .
0 caso contrario
c3 ) associativa: x (y z) = (x y) z;
c4 ) monotonicidade: se x u e y v, entao x y u v.
n2 ) involucao: ((x)) = x;
n3 ) monotonicidade: e decrescente.
As aplicacoes
1x
1 (x) = 1 x e 2 =
1+x
86 Nocoes da Logica Fuzzy
(x y) = (x) (y)
(x y) = (x) (y) .
(1) (p = q) = (p) q;
a) Implicacao de Godel:
(
1 se x y
(x = y) = g(x, y) = .
y se x > y
b) Implicacao de Goguen:
(
1 se x y
(x = y) = gn (x, y) = y .
se x > y
x
c) Implicacao de Lukasiewicz:
d) Implicacao de Kleene-Dienes:
e) Implicacao de Reichenbach:
(x = y) = r(x, y) = (1 x + xy).
f) Implicacao de Zadeh:
g) Implicacao de Gaines-Rescher:
(
1 se x y
(x = y) = gr (x, y) = .
0 se x > y
h) Implicacao de Wu:
(
1 se x y
(x = y) = w(x, y) = .
min {1 x, y} se x > y
(x = y) = (1 x) (x y) = (x) (x y).
Exemplo 4.4. Vamos voltar a expressao (4.1) e obter seu valor logico
quando considerarmos = , = , (x) = 1 x e a implicacao de
Godel.
Inicialmente, para cada celula p, q, r e s, da expressao (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) = (r s).
ou seja,
Se X e entao Y e . (4.3)
(4.1).
de modo que
(
1 se y B
sup [R (x, y) A (x)] = = B (y),
xU 0 se y
/B
ou seja, para o caso classico, o modus ponens pode ser escrito matema-
ticamente por meio da formula:
Se x A entao y B.
Regra: Se x e A, entao y e B
Fato: x e A
Conclusao: y e B
Regra: Se x e A, entao y e B
Fato: x e A
Conclusao: y e B
96 Nocoes da Logica Fuzzy
Assim,
ou seja, R(A) = B.
a) implicacao de Zadeh;
b) implicacao Wu.
a implicacao de Lukasiewicz:
e a t-norma 1 = .
Vamos obter as sadas a partir da formula (4.5) para cada entrada.
Lembrando que a implicacao
e a de Lukasiewicz, temos
e, para a entrada
Desta forma, para este exemplo, as sadas obtidas pelo modus ponens
fuzzy generalizado sao
e=
sentido. Estudos para investigar propriedades como essa e/ou que B
B serao 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
B = A t R,
ou seja,
0, 8 0, 6
B = + .
y1 y2
100 Nocoes da Logica Fuzzy
ms (A) := (A)s ,
4.5 Modificadores Lingusticos 101
ou seja,
m(A) (x) = (A (x))s ,
na forma
Se X e A entao Y e B,
1
nvel de amarelo
60 67 x (nm)
1
grau de maturao
19 25 acar (%)
Agora, vamos supor que o termo quase amarelo seja modelado por
um subconjunto fuzzy A , que e obtido por meio da aplicacao de um
modificador fuzzy expansivo ao subconjunto fuzzy A:
Portanto,
B = m(B) B.
Observemos que
R
A R(A)
m m
R
m(A) R(m(A)) = m(R(A))
Vamos aqui nos deter apenas ao caso discreto. O caso contnuo e analogo,
substituindo a distribuicao de probabilidades pela funcao densidade de
probabilidades.
Sejam X e Y duas variaveis aleatorias discretas. Supondo que P(X,Y )
seja a distribuicao de probabilidades conjunta do vetor aleatorio (X, Y ),
e sabido [31, 72] que:
para todo par (x, y). Caso contrario, sao ditas interativas [72].
por
P(X,Y ) (x, y)
PX|Y (x|y) = P(X,Y ) (x, y) = PX|Y (x|y).PY (y)
PY (y)
se PY (y) 6= 0 e
P(X,Y ) (x, y)
PY |X (y|x) = P(X,Y ) (x, y) = PY |X (y|x).PX (x)
PX (x)
se PX (x) 6= 0 .
para todo par (x, y). Caso contrario, sao ditas dependentes.
e
(A,B) (x, y) = (B|A) (y|x)A (x).
para todo par (x, y). Caso contrario, sao ditas possibilisticamente
dependentes.
A regra condicional
nao 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 distribuicao conjunta (sugerida inicialmente por Zadeh [131]).
112 Nocoes da Logica Fuzzy
(Lotfi A. Zadeh)
Roupa
Limpa
R1 : Proposicao fuzzy 1
ou
R2 : Proposicao fuzzy 2
..............................
ou
Rr : Proposicao fuzzy r
No Exemplo 5.1 acima estamos supondo que cada tarefa seja execu-
tada por um ser humano, nao precisando pois, de qualquer ferramenta
matematica. Esse nao e o caso de controladores fuzzy. As variaveis de
interesse sao: roupa (r) a ser lavada; sua sujeira (s) e o controle ado-
tado (e), e cada uma das classificacoes grossa ou fina, para roupa, e
facil ou difcil para a sujeira, muito tempo, pouco tempo ou em
tempo medio, para a acao de lavar, devem ser modeladas por conjuntos
fuzzy.
De forma semelhante a que vimos no Captulo 4, cada uma das clas-
sificacoes das variaveis que constam na base de regras e modelada por
um conjunto fuzzy. A logica fuzzy e a outra parte utilizada na obtencao
5.2 Controlador Fuzzy 117
Modulo de fuzzificacao
Este e o estagio onde as entradas do sistema sao modeladas por conjuntos
fuzzy com seus respectivos domnios. E nele que justifica-se a grande
importancia de especialistas do fenomeno a ser modelado. Juntamente
com os especialistas, as funcoes de pertinencia sao formuladas para cada
conjunto fuzzy envolvido no processo. Mesmo que a entrada seja crisp,
essa sera fuzzificada por meio de sua funcao caracterstica.
Se x1 e A1 e x2 e A2 e e xn e An
Entao u1 e B1 e u2 e B2 e e um e Bm
Modulo de defuzzificacao
Na teoria estocastica e comum indicar a esperanca matematica (ou
media) como o numero que melhor representa uma variavel aleatoria
(ou uma distribuicao de dados). Outros valores como a moda e a me-
diana tambem sao utilizados para representar a centralizacao de tal
distribuicao.
Na teoria dos conjuntos fuzzy, a defuzzificacao e um processo que
permite representar um conjunto fuzzy por um valor crisp (numero real).
A Figura 5.2 representa um esquema geral de um controlador fuzzy.
A base de regras e modelada matematicamente por uma relacao fuzzy
5.2 Controlador Fuzzy 119
Base de
Regras
Modulo de Modulo de
Fuzzificacao Defuzzificacao
Modulo de
Inferencia
Fuzzy
Fato: A = x1 e A1 e x2 e A2 e e xn e An .
Conclusao: u e B = R(A).
M (x, u) = max (Rj (x, u)) = max [Aj (x) Bj (u)], (5.3)
1jr 1jr
Observacoes:
Aj (x) = Aj1 (x1 ) Aj2 (x2 ) e Bj (u) = Bj1 (u1 ) Bj2 (u2 ),
Quadro 5.4: Base de regras para um controlador com duas entradas e uma
sada.
M (t) = {A11 (x1 ) A12 (x2 ) B1 (u)} {A21 (x1 ) A22 (x2 ) B2 (u)}
= max {A11 (x1 ) A12 (x2 ) B1 (u), A21 (x1 ) A22 (x2 ) B2 (u)}
Desta forma
= sup {[A1 (x1 )A11 (x1 )][A2 (x2 )A12 (x2 )]B1 (u)}
(x1 ,x2 )
sup {[A1 (x1 )A21 (x1 )][A2 (x2 )A22 (x2 )]B2 (u)}
(x1 ,x2 )
= BR1 (u) BR2 (u).
A sada geral e dada pela uniao das sadas parciais, conforme a Fi-
gura 5.4.
ou seja,
A = A1 A2
onde
( (
1 se x = x0 1 se y = y0
A1 (x) = e A2 (y) = .
0 se x 6= x0 0 se y 6= y0
fuzzy, mesmo para o caso de uma entrada crisp. Assim, se for necessario
ter um numero real devemos fazer uma defuzzificacao do subconjunto
fuzzy de sada para se obter um valor crisp que o represente.
n
X
ui B (ui )
i=0
G(B) = n . (5.4)
X
B (ui )
i=0
Z
uB (u)du
G(B) = ZR . (5.5)
B (u)du
R
i+s
C(B) = , (5.6)
2
onde
u = fr (x1 , x2 , . . . , xn )
Xr r
X
j .gj (x1 , x2 , . . . , xn ) j .uj
j=1 j=1
= r = r , (5.9)
X X
j j
j=1 j=1
onde os pesos j sao dados por j = Aj1 (x1 ) Aj2 (x2 ) Ajn (xn ),
e e uma t-norma. O peso j corresponde a contribuicao da regra Rj
para a sada geral. Os casos mais comuns de t-normas sao o produto e
o mnimo.
Para o caso de duas regras, cada uma com duas variaveis de entrada
130 Sistemas Baseados em Regras Fuzzy
Supondo que seja a t-norma mnimo, temos como sada geral, re-
presentando o controle para as acoes x1 e x2 , o valor de u dado pela
equacao:
1 u1 + 2 u2 1 g1 (x1 , x2 ) + 2 g2 (x1 , x2 )
u= = = fr (x1 , x2 ), (5.10)
1 + 2 1 + 2
gi (x1 , x2 ) = ai x1 + bi x2 + ci .
1 u1 + 2 u2 1 g1 (x0 , y0 ) + 2 g2 (x0 , y0 )
u= = .
1 + 2 1 + 2
R1 : Se x e baixo(A1 ) entao y1 = x + 2
ou
R2 : Se x e alto(A2 ) entao y2 = 2x
A1 (x).y1 + A2 (x).y2
y = = A1 (x).y1 + A2 (x).y2
A1 (x) + A2 (x)
x2 x
= + +2
4 2
que e uma
parabola com concavidade voltada para cima, cujo vertice e
7
1, .
4
O grafico a seguir ilustra a sada (y) e a base de regras com as funcoes
de pertinencias A1 e A2 . Observe que tais funcoes estao representadas
abaixo do eixo OX.
1 c1 + 2 c2
u=
1 + 2
5.6 Aplicacoes
Este modelo foi desenvolvido por Ranulfo Paiva Sobrinho junto a pre-
feitura de Ilha Comprida, utilizando controladores fuzzy. Seu objetivo
era prever a variacao da salinidade superficial em um ponto situado em
frente a Ilha de Cananeia, tendo como variaveis de entrada a precipitacao
pluviometrica e a vazao do Rio Ribeira de Iguape [97].
Apresentacao do fenomeno
O modelo
mm
50 100 150 200 250 300 350
0
/00
5 10 15 20 25 30 35
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 vazao do
Rio Ribeira e alta ENTAO a salinidade final 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 vazao
do Rio Ribeira for baixa ENTAO a salinidade final 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 fizemos no Exemplo 5.3, vamos aqui ilustrar, passo a passo, o
metodo de inferencia de Mamdani para esta aplicacao.
5.6 Aplicacoes 139
Inferencia
R2 : min {Cb (23), SIm (23), Vma (1454)} = min[1; 0,25; 0,82] = 0,25.
R3 : min {Cb (23), SImb (23), Vma (1454)} = min[1; 0,67; 0,82] = 0,67.
Assintomaticos = Sintomaticos
Por outro lado, existe uma relacao entre a carga viral de HIV e a pos-
sibilidade de desenvolver a AIDS. Cargas altas de HIV destroem gran-
des quantidades de linfocitos CD4+ e o sistema imunologico perde sua
eficacia. Carga viral baixa nao tem condicao de afetar substancialmente
o sistema imunologico. Os seguintes dados sao relevantes para a ela-
boracao do modelo [65]:
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;
Entradas Sada
Carga Viral
TSK
Taxa de
CD4+
Conversao
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
Nvel de Classificacao
= 1 = 0, 00 para f : fraco
= 2 = 0, 15 para M f : medio fraco
= 3 = 0, 65 para M : medio
= 4 = 1, 00 para F : forte
Funcoes de pertinencias
mtbaixo
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 +
V CD4
1 = 0
2 = 0,15 3 = 0,65 4 = 1
1
0.8
Taxa de transferencia ()
0.6
0.4
0.2
1
0
0 0.5
0.2
0.4
0.6
0.8 0
1
Nivel de CD4+ (c) Carga viral (v)
c min cM CD4
+
r
c(v) = ou c(v) = 0 + aev ,
a +
CD4+ . Essa e uma grande diferenca do caso classico em que tal taxa
e, via de regra, dada por algum tipo de ajuste ou simulacoes de dados
amostrais.
O modelo
Adotamos como variaveis de entrada a densidade de arvores infestadas
de pulgoes P (numero de arvores infestadas/total de arvores) e a va-
riacao da densidade de infestacao P , que e avaliada conforme a epoca
do ano, a qual seria mais ou menos propcia para seu crescimento. Sabe-
se que os pulgoes proliferam mais na epoca das chuvas, quando as plantas
tem novos brotos.
A variavel P , dada em porcentagem p, varia de 0% a 100%. A va-
riacao de P que, neste caso, representa seu crescimento numa unidade
de tempo, pode assumir valores entre 0% a 100% de p. Estas variaveis
serao definidas em termos lingusticos e modeladas por subconjuntos
fuzzy triangulares.
Variaveis
Nas Tabelas 5.5 e 5.6 abaixo encontram-se as denominacoes das variaveis
lingusticas e seus valores em questao.
5.6 Aplicacoes 153
Base de Regras
O Quadro 5.11 abaixo sintetiza a base de regras aqui utilizada. Por
exemplo, se P e densidade media alta (Pma ) e P e variacao densidade
media (Vm ) entao o controle e medio alto (Cma ).
P P V0 Vbi Vb Vm Va Vat
Pbi C0 C0 C0 Cbi Cbi Cb
Pb C0 Cbi Cbi Cb Cb Cm
Pm Cbi Cb Cb [Cm ] [Cm ] Cma
Pma Cb Cm Cm [Cma ] [Cma ] Ca
Pa Cm Cma Cma Ca Ca Cat
Pat Cma Ca Ca Cat Cat Cat
2018
Para p = 18 temos Pm (18) = 7,5 = 0, 27.
Se optarmos pela formula (2.6) para Pm , esta fornece p = (12, 5
20)+20. Para p = 18 temos 18 = (12, 520)+20. Logo, a pertinencia
5.6 Aplicacoes 155
0,27
Observamos que na notacao acima, Pm indica que p = 18% pertence
a Pm com grau 0, 27. O smbolo nao indica qualquer tipo de adicao,
apenas conecta os conjuntos atingidos. Tambem, P (p) nao indica per-
tinencia de p a P , ja que P nao e conjunto fuzzy, e sim uma variavel
lingustica.
38 = (30 40) + 40 = 0, 2.
38 = (40 30) + 30 = 0, 8.
Portanto,
Vm (38) Va (38) 0, 2 0, 8
P (38) = = .
Vm Va Vm Va
0, 27 0, 40
C (18, 38) = .
Cm Cma
158 Sistemas Baseados em Regras Fuzzy
0, 27 30 + 0, 40 40
G(C) = c = = 35, 97.
0, 27 + 0, 40
Este resultado indica que devemos aplicar um biocida que tenha poder
de reducao de 35, 97% das arvores infestadas.
Como antes da aplicacao tnhamos uma densidade de 18% de arvores
infestadas e uma potencialidade de crescimento de 38%, vamos supor que
a aplicacao de biocida se da imediatamente apos tal crescimento. Assim,
quando aplicarmos o biocida teremos uma densidade de infestacao dada
por:
p1 = p + 0, 38p = 24, 84.
Agora, aplicando o controle que reduz tal infestacao em 35, 97%, isto
e, c = 35, 97, teremos uma densidade de infestacao resultante, dada por:
pe = p1 0, 3597p1 16.
(a) (x, y) = x y;
(R t S)1 = S 1 t R1
RX =T ou X R =T,
RX =T
164 Equacoes Relacionais Fuzzy e Aproximacao
RX =T. (6.1)
para cada 1 i m e 1 k p.
Portanto, no sentido de investigar a solucao de (6.1), a primeira pro-
videncia a ser tomada e verificar se tal sistema de equacoes tem chance
de ter solucao.
De (6.2) temos
para todo i e todo k. Da, segue imediatamente que se existir uma linha
i de modo que
max rij < max tik , (6.3)
1jn 1kp
6.2 Equacoes Relacionais Fuzzy 165
entao nao havera X que resolva a equacao. Isto nos leva ao seguinte
resultado:
Y R=T.
R t X = T . (6.5)
X t R = T
(R t X )1 = X 1 t R1 .
R t X = T . (6.6)
a) = min
b) = produto.
6.2 Equacoes Relacionais Fuzzy 169
P \s s1 s2 s3 s4 s5 s6 s7 s8 s9 s10 s11
P1 0,8 0,4 0,5 0,8 0,2 0,1 0,1 0,9 0,1 0,1 0,4
P2 0,3 0,1 0,4 0,8 0,9 0,2 0,1 0,1 0,1 0,1 0,3
P3 0,8 0,3 0,5 0,8 0,1 0,2 0,9 0,1 0,6 0,3 0,6
P4 0,8 0,7 0,7 0,2 0,1 0,9 0,1 0,1 0,1 0,9 0,4
P \d d1 d2 d3 d4
P1 0,9 0,3 0,4 0,2
P2 0,3 0,9 0,1 0,1
P3 0,4 0,1 0,9 0,3
P4 0,2 0,1 0,3 0,9
Neste exemplo, os dados em cada uma das tabelas acima foram ob-
tidos na literatura (fato que possibilita usar dados de doencas que por
ventura ja nao tenha mais sido diagnosticada). No entanto, dados de
especialistas podem (e devem) ser usados no modelo.
6.2 Equacoes Relacionais Fuzzy 171
s\d d1 d2 d3 d4
s1 0,2 0,1 0,1 0,1
s2 0,2 0,1 0,3 0,2
s3 0,2 0,1 0,1 0,1
s4 0,3 0,1 0,1 0,1
s5 0,3 1,0 0,1 0,1
s6 0,2 0,1 0,1 0,1
s7 0,4 0,1 1,0 0,3
s8 1,0 0,3 0,4 0,2
s9 0,4 0,1 1,0 0,3
s10 0,2 0,1 0,3 1,0
s11 0,2 0,1 0,1 0,1
0,8 0,2 0,1 0,1 0,1
0,4 0,2 0,1 0,3 0,2
0,5 0,2 0,1 0,1 0,1
0,8 0,3 0,1 0,1 0,1
0,2 0,3 1,0 0,1 0,1
h i
P1 D = 0,1 0,2 0,1 0,1 0,1 = 0,9 0,3 0,4 0,2 .
0,1 0,4 0,1 1,0 0,3
0,9 1,0 0,3 0,4 0,2
0,1 0,4 0,1 1,0 0,3
0,1 0,2 0,1 0,3 1,0
0,4 0,2 0,1 0,1 0,1
(a) Mostre que, se o modelo matematico para diagnosticar for dado pela
equacao S t X = T , onde a t-norma e a do produto, entao a matriz
de diagnostico e obtida por D = S 1 gn T , em que gn e a implicacao
de Goguen (sugestao: use Corolario 6.5)
Base de
Entrada Sada
Conhecimento
plo 5.3 e um sistema de duas entradas e uma sada: a cada par (x, y)
de numeros reais e associado um numero real u. O sistema fuzzy de-
fine portanto uma funcao f : D R2 R . Tambem o Modelo
5.6.2 (HIV) tem estas caractersticas. Ja o controlador do Modelo 5.6.1
(Salinidade) induz a uma funcao g : D R3 R.
O que queremos salientar com esses exemplos e que, cada um deles
produz uma funcao 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 aproximacao esta no fato de poder substituir, com alguma credi-
bilidade, a tal funcao teorica, uma vez que esta pode apresentar muitas
dificuldades de manipulacao ou mesmo ser apenas conhecida parcial-
mente. Por exemplo, qual funcao teorica poderamos propor para prever
a salinidade superficial 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 maximo. 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 funcoes f , dadas por um
sistema fuzzy, depende:
R1 : Se x e A1 entao y e B1
ou
R2 : Se x e A2 entao y e B2
ou
.. ..
. .
ou
Rr : Se x e Ar entao y e Br
Este teorema pode ser entendido da seguinte forma: para cada funcao
contnua (no nosso discurso, a funcao teorica f ) existe uma sequencia
de funcoes fr , produzidas por sistemas fuzzy, que estao suficientemente
proximas da funcao teorica f .
Por tras destes teoremas existe o seguinte fato: quanto maior for o
numero de regras (maior r) mais proxima do valor teorico esperado sera
a sada do controlador. Quanto mais regras, menores sao os suportes
dos conjuntos fuzzy da base de regras e assim, menores sao os granulos
aos quais o grafico da funcao teorica deve pertencer (veja Figura 6.1).
Este resultado e muito semelhante ao teorema de Weierstrass, trocando-
se os graus dos polinomios aproximadores (n) pelo numero de regras
(r). Neste sentido, podemos dizer que os controladores fuzzy desem-
penham papel de fundamental importancia em determinadas areas da
matematica como a Analise Numerica.
O leitor com interesse neste assunto pode consultar outros tipos de
aproximacoes de funcoes na dissertacao de mestrado de Bando [10].
A seguir vamos ilustrar o potencial de aplicacao da capacidade de
aproximacao dos controladores fuzzy voltada para sistemas evolutivos
especficos.
dx
= f (x) (6.9)
dt
para o caso contnuo.
O fato e que em ambos os casos o campo f representa variacao e o
sistema e estudado a partir deste. No entanto, se f nao 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 evolucao do sistema? Tradicionalmente,
em um primeiro momento, o que se faz e adotar uma expressao ma-
tematica para f que contemple tais caractersticas.
O que sugerimos aqui e a adocao 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 variacoes dos estados. Essa e a particulari-
dade dos controladores fuzzy aplicados a sistemas dinamicos.
Claro que, do ponto de vista de modelagem, tal procedimento faz
sentido quando as informacoes disponveis sao de grande importancia
para o fenomeno. Como as regras sao formuladas baseando-se no que se
conhece do fenomeno, espera-se que a funcao fr , dada pelo controlador
(Secao 6.3.1) capte tal conhecimento.
Deste modo podemos substituir o campo teorico f pelo fr , e estudar
as solucoes da equacao de diferencas
dx
= fr (x) (6.11)
dt
para o caso contnuo.
6.4 Controladores Fuzzy aplicado a Sistemas Dinamicos 183
cuja solucao e
Zt
x(t) = x0 + f (s, x(s))ds. (6.13)
t0
Zt
xr (t) = x0 + fr (s, x(s))ds. (6.15)
t0
(B. J. Caraca)
da moeda.
Para situar razoavelmente as questoes de interesse, abordaremos al-
guns conceitos pertencentes a Analise Fuzzy, como medida fuzzy e in-
tegral fuzzy, que servirao para definir esperanca fuzzy de uma variavel
incerta. Tais conceitos serao utilizados em aplicacoes nos captulos se-
guintes.
(i) S () = 0 e S () = 1;
(i) () = 0 e () = 1;
(1) g () = 1;
1 = g () = g ( ) = g () + g () + g ()g () =
= 1 + g () + g (),
ou seja,
1 = 1 + g () + g () (1 + )g () = 0.
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).
g() = g({x1 , x2 , . . . , xn }) = 1.
(a) () = 0 e () = 1;
para todo A A.
Segue da definicao de medida de possibilidade que, para quaisquer
subconjuntos (classicos) A, B A
: R+ [0, 1].
1 = (1 ) (2 ) . . . (n ) e P (1 ) P (2 ) . . . P (n ).
7.1 Medidas Classicas e Medidas Fuzzy 201
P (i ) (i )
a) (i ) = ou b) P (i ) = n .
P (1 ) X
(i )
i=1
(i )
P (i ) = n ,
X
(i )
i=1
fuzzy.
k
X
g() = i Ai (),
i=1
g() = 1 A1 () + 2 A2 () + 3 A3 (), .
Entao Z
g d = 1 (A1 ) + 2 (A2 ) + 3 (A3 ).
7.2 Integrais Fuzzy 205
Note que cada parcela i (Ai ) pode ser vista como uma area e a
integral de g e a area total da figura limitada pelo seu grafico, pelas
retas verticais limtrofes da figura e pelo eixo . A Figura 7.2 ilustra a
integral de Lebesgue de g.
simples, ou seja,
Z
X
g d = { : g() > i }((i+1) i )
Zi=0
= { : g() > } d. (7.4)
0
{ : f () > } d
{ : f () > }
Figura 7.3: Integral de Riemann da funcao h e a de Lebesgue da funcao f .
X() 0 ,
entao Z
E(X) = (1 F (x) dx)
0
f : [0, ),
H
1 1
f
Bissetriz
=
{ : f () > } H() =
(a) Grafico de f e seu nvel . (b) = integral de Sugeno de f .
2 9
7.2 Integrais Fuzzy 211
> 89 > 98
f f Bissetriz
=
1 H()
A A 6
[F ] 1 [F ] 1
A[F ] =A H()
Z 1 Z 1
Note que H() d = { : f () } d e a integral de
0 0
Choquet da funcao f .
Z Z Z 1
1 d H() d + H() d .
0 0
Z Z
1
(1 H()) d = (1 ) d = (1 ) ,
0 0 4
ja que [0, 1].
A penultima desigualdade acima e valida porque H e decrescente. E
1
importante frisar que nao e possvel diminuir a diferenca maxima de 4
que aparece no teorema acima. Ou seja, existem funcoes f para as quais
esta diferenca e atingida [11, 107]. No entanto, escolhendo certas catego-
rias de funcoes, tal diferenca cai bastante (veja Exemplos 7.10 e 7.11).
Z Z
(v) Se A B, entao (S) f d (S) f d;
A B
Z Z Z
(vi) (S) f d (S) f d (S) f d;
AB A B
Z Z Z
(vii) (S) f d (S) f d (S) f d;
AB A B
a) (Sugeno)
1
| EF (X) E(X) | .
4
b)
p
EF (X) E(X).
214 Medidas, Integrais e Eventos Fuzzy
1
H() = P { : X() } E(X),
logo
1
EF (X) = sup [ H()] sup [ E(X)] = ,
01 01
Em particular
Z Z
E(X) = XdP = xf (x)dx.
R
onde P [X = xi ] = P { : X = xi }.
Em particular
X
E(X) = xi P [X = xi ].
i
Z 1
1
E facil ver que E(X) = xf (x) dx = .
0 2
Por outro lado,
Z 1
H() = P { : X() } = f (x) dx = 1 .
a
E(X) = .
a+b
Tabela 7.1: Alguns valores de E(X) e EF(X) para distribuicao beta ().
Z 1 Z 1
2 1
f (x) dx = f (x) dx =
0 1 2
2
218 Medidas, Integrais e Eventos Fuzzy
Z 1
e H() = P { : X() } = f (x) dx.
Da, Z 1
1 1
H( ) = f (x) dx =
2 1 2
2
e, consequentemente, EF (X) = 12 .
Agora, e sabido que a esperanca estocastica E(X) de qualquer variavel
aleatoria simetrica coincide com a mediana e esta, por sua vez vale 12 , o
que prova o teorema.
Exemplo 7.12. Suponha que o conjunto fuzzy das pessoas que ganham
bem em uma determinada empresa, seja dado por:
7.2 Integrais Fuzzy 219
Portanto,
Z
EF (X) = X d
3 5 9 11
= med ; 0, 40 ; ; 0, 50 ; 0, 55 ; 0, 60 ; ;
12 12 12 12
= 0, 55,
220 Medidas, Integrais e Eventos Fuzzy
Portanto X
A (i )
i
P (A) = .
n
Por extensao, se A for fuzzy, e conhecendo-se A : [0, 1], o
numero de casos favoraveis e
X
m= A (i ),
i
222 Medidas, Integrais e Eventos Fuzzy
de modo que X
A (i )
i
P (A) = . (7.14)
n
Claro que nesse caso m pode nao ser inteiro.
0, 1 0, 25 0, 25 0, 8 0, 8 1, 0
A= + + + + + .
1 2 3 5 0, 8 10
0, 9 0, 75 0, 75 1, 0 0, 2 1, 0 1, 0 0, 2 1, 0
A = + + + + + + + +
1 2 3 4 5 6 7 8 9
de modo que
X
A (i )
i
P (A ) =
10
0, 9 + 0, 75 + 0, 75 + 1, 0 + 0, 2 + 1, 0 + 1, 0 + 0, 2 + 1, 0
=
10
= 0, 68.
ou
m = (1 2 )m1 + (2 3 )m2 + k mk ,
k
X
(i i+1 )mi
i=1
P (A) = . (7.15)
n
224 Medidas, Integrais e Eventos Fuzzy
Com essa formula e possvel obter P (A). Por exemplo, para o evento
fuzzy A acima, embora nao seja esse o objetivo das formulas acima, pois
no caso A e dado, tem-se
e
3, 2
P (A) = = 0, 32.
10
Embora nosso interesse maior seja no caso em que o evento A e dado,
consequentemente sua funcao de pertinencia A e conhecida, vamos ex-
plorar um pouco mais a expressao 7.15.
A formula 7.15 pode ser reescrita como
k
X k
mi X
P (A) = (i i+1 )
= (i i+1 )P ([A]i )
m
i=1 i=1
Xk Z
= (i i+1 )P [A i ] = A dP (7.16)
i=1
P (A) = E(A ).
EF (A ) = P (A) = E(A ).
se X for discreta, e
Z Z
P (A) = E(A ) = E(A (X)) = A (x)f (x)dx = A (x)f (x)dx
R suppA
(7.18)
onde f e a funcao densidade de probabilidades de X.
A figura 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
226 Medidas, Integrais e Eventos Fuzzy
Nao e difcil verificar que P (A), como definida em (7.18) acima, satifaz
os axiomas de probabilidade. Por exemplo,
Z
P () = E( ) = 0.f (x)dx = 0
R
e Z
P () = E(R ) = 1.f (x)dx = 1.
R
P (AB) E(A .B )
P (A|B) = = . (7.19)
P (B) E(B )
E(A .B )
= E(A ) E(A .B ) = E(A ).E(B ) (7.20)
E(B )
228 Medidas, Integrais e Eventos Fuzzy
ou
P (AB) = P (A)P (B).
P (AB) E(A .B )
P (A|B) = = . (7.21)
P (B) E(B )
A .B
= E(A ) E(A .B ) = E(A ).E(B ). (7.22)
B
P (X ser A)
X : F(R).
P (A2 ) = E(2A ),
a) P (X 1);
d) P (A B);
e) P (A/B);
f) A e B sao independentes?
Solucoes
a) Temos (
1 se 0 x 1
A (x) =
0 caso contrario
! !
10 10
= 1.P (X = 0) + 1.P (X = 1) = 0, 9510 + 0, 959 0, 051
0 1
= 0, 91
b) (
x
1 2 se 0 x 2
B (x) =
0 caso contrario
234 Medidas, Integrais e Eventos Fuzzy
Portanto,
X
P (B) = B (xi )P (X = xi ) = B (0)P (X = 0) + B (1)P (X = 1)
i
+ AB (1)P (X = 1) + AB (2)P (X = 2)
1
= 1.P (X = 0) + .P (X = 1) + 0.P (X = 2) = 0, 7563
2
= 0, 91
P (AB) E(A B )
e) P (B/A) = = =
P (A) E(A )
1.P (X = 0) + 0, 5P (X = 1) 0, 7563
= = 6= 0, 7563 = P (B)
0, 91 0, 91
1
= (X exp()),
5
Pede-se:
a) a esperanca T ;
236 Medidas, Integrais e Eventos Fuzzy
d) M e B sao independentes?
a) P (A) e P (B);
b) P (A B) e P (AB);
c) A e B sao independentes?
2 1
PX (1) = PY (1) = PX (1) = PY (1) = e PX (0) = PY (0) = .
5 5
a) P (A B) P (AB);
c) V ar(A ) e V ar(A ).
Pede-se:
u : [a, b] F(R), a 0,
u1 , u2 : [a, b] R
para todo [0, 1], e a derivada da funcao fuzzy u(t), conhecida como
derivada de Hukuhara. Claro que estamos supondo a existencia das
derivadas classicas (u1 ) (t) e (u2 ) (t).
Z b Z b
onde u1 (t) dt e u2 (t) dt sao as integrais de Riemann das funcoes
a a
reais u1 e u2 .
Z b
A existencia de u(t) dt implica necessariamente que os intervalos
a
Z b Z b
u1 (t) dt, u2 (t) dt
a a
t
a1
a2 a1 t
a
a2 t
Figura 8.1: Funcao u(t) e seus -nveis.
Logo,
u (t) = A.
Z b Z b Z b Z b Z b
u(t) dt = u1 (t)dt =
dt, dt, u2 (t)
dt a1 t a2 t
a a a a a
2
b a2 b
2 a2 b2 a2
= a1 ( ), a2 ( ) = ( ) [a1 , a2 ]
2 2 2 2 2 2
Z b
= t dt [A] .
a
8.1 Sistemas Dinamicos Fuzzy Contnuos 245
Portanto,
Z b Z b Z b
b2 a2
u(t) dt = At dt = A t dt = A.
a a a 2
Z b
Observamos que t dt e a integral de Riemann que, multiplicada
a
pelo numero fuzzy A, da a integral de Aumann de u(t) = At.
Com essa metrica Ralescu [106] provou que o espaco metrico F(R) e
completo, garantindo que toda sequencia convergente de numeros fuzzy
converge para um numero fuzzy.
O teorema a seguir tem importancia no estudo das equacoes diferen-
ciais fuzzy.
u : [a, b] F(R)
8.1 Sistemas Dinamicos Fuzzy Contnuos 247
Corolario 8.5. Se u(t) e solucao do (8.8) entao, para cada [0, 1], a
funcao d(t) = diam[u(t)] e nao decrescente.
Portanto,
e nao decrescente, uma vez que (F2 (s, u(s))F1 (s, u(s))) 0 para todo
s [a, b].
t
u01 (t) x(t) [u(t)]1
u02 (t)
[u(t)]
[u0 ] x
cuja solucao e
u01
x(t) [u(t)]1
x u02
Observacoes
1. O diametro de [u(t)] , dado por:
(
x (t) = x(t)
, (8.16)
x0 R
cuja solucao e
x(t) = x0 et .
Isto significa que x(t) [u(t)]1 para todo t, ou seja, a solucao deter-
minstica x(t) tem pertinencia 1 (um) na solucao fuzzy. Portanto e
uma solucao preferida (veja Figuras 8.2 e 8.3).
du
onde F : [a, b] F(R) F(R), u0 F(R) e representa a taxa de
dt
du
variacao contnua da funcao u, em algum sentido. Se e a derivada
dt
de Hukuhara da funcao incognita u(t), o estudo do PVIFG se reduz ao
tratado na Secao 8.1.2.
Uma funcao u : [a, b] F(R) e uma solucao, nos diversos sentidos
que daremos, de (8.17) se, e somente se, satisfizer a Equacao (8.17) e
u(a) = u0 . Para este problema generalizado definimos, para cada t 0,
8.1 Sistemas Dinamicos Fuzzy Contnuos 253
t : F(R) F(R)
u0 7 t (u0 ) := u(t, u0 ),
-nveis sao
Observacao
t (u0 ) = u(t, u0 ),
Portanto,
de modo que
t (u0 ) = u0 et .
[t (u0 )] = [u01 e2 t , u02 e1 t ],
dx = f (t, x(t))
dt , (8.22)
x(a) = x
0
Se R e u0 F(R), temos
dx = x(t)
dt . (8.23)
x(a) = u
0
Vamos supor agora que o PVIFG (8.17) seja fuzzy porque algum
parametro () e tambem a condicao inicial sao fuzzy.
[t (, u0 )] = [u01 e1 t , u02 e2 t ],
[t (, u0 )] = [u01 e2 t , u02 e1 t ],
Com esta nocao de estabilidade e facil ver que nao e possvel ter
equilbrio assintoticamente estavel para sistemas fuzzy contnuos, para
os quais a derivada utilizada e a de Hukuhara. Lembremos que para tais
sistemas os diametros dos -nveis das solucoes sao sempre crescentes.
O principal resultado que enunciaremos aqui sobre estabilidade e para
os sistemas fuzzy contnuos cujas solucoes sao obtidas por meio do
princpio de extensao de Zadeh.
Observamos que, com a Definicao 8.5 de estabilidade e facil verificar
que as populacoes em retracao no modelo malthusiano, cujas solucoes
sao obtidas via inclusoes diferenciais fuzzy ou extensao de Zadeh, sao as-
sintoticamente estaveis. O resultado seguinte generaliza essa observacao
feita para o modelo de Malthus.
(a) x e estavel para o PVI (8.27) se, e somente se, {x} e estavel para
o PVIFGA (8.28);
Para encerrar esta secao queremos observar que, embora o Teorema 8.7
seja bastante intuitivo, ele revela algo que consideramos forte: x ser
assintoticamente estavel para (8.27), significa que x atrai pontos de R.
264 Sistemas Dinamicos Fuzzy
Quadro 8.1: Base de regras para modelar a variacao da populacao com base
na densidade da mesma.
MB B M A MB B M A
1 1
0.8 0.8
Grau de Pertinencia
Grau de Pertinencia
0.6 0.6
0.4 0.4
0.2 0.2
0 0
250
Malthus pfuzzy
Malthus deterministico
200
150
populao
100
50
0
0 2 4 6 8 10
tempo (t)
0 (u0 ) = F 0 (u0 ) = u0
1 (u0 ) = F 1 (u0 ) = F (u0 )
2 (u0 ) = F 2 (u0 ) = F (F (u0 ))
.. .. ..
. = . = .
t (u0 ) = F t (u0 ) = F (F t1 (u0 )),
268 Sistemas Dinamicos Fuzzy
para t N.
Deste modo, se u0 F(R), entao as iteradas definidas acima, bem
como seu limite, quando existir (na metrica D), estao em F(R), ja que
o espaco metrico (F(R), D) e completo (veja [106]).
Observamos que, em um sistema discreto, o tempo e determinado
proporcionalmente ao numero de iteracoes executadas.
Com base na Definicao 8.4 podemos tambem fazer a seguinte definicao.
ut = t u0 , (8.33)
Pontos de Equilbrio
e assim,
0 se 0 < < 1
lim diam[ut ] = + se > 1 .
t+
diam[u0 ] se = 1
e
D({0} , ut ) = D({0} , t u0 ) = t u002 .
(a) {x} e equilbrio para o sistema fuzzy ut+1 = fb(ut ) se, e somente se,
x for equilbrio para o sistema determinstico xt+1 = f (xt );
(b) {x} e estavel para o sistema fuzzy ut+1 = fb(ut ) se, e somente se, x
e estavel para o sistema determinstico xt+1 = f (xt );
(c) {x} e assintoticamente estavel para o sistema ut+1 = fb(ut ) se, e so-
mente se, x e assintoticamente estavel para o sistema determinstico
xt+1 = f (xt ).
Estes dois ultimos resultados valem num contexto mais geral [12].
Voltando ao modelo de Malthus, como x = 0 e assintoticamente
estavel para o caso determinstico, o Corolario 8.10 nos permite con-
cluir imediatamente que {0} e assintoticamente estavel para o modelo
fuzzy de Malthus discreto, se 0 < < 1.
Para casos de sistemas nao lineares, como o logstico, a dinamica
muda radicalmente quando estudada atraves dos sistemas fuzzy discre-
tos. Como o espaco fuzzy F(R) contem R, e razoavel que o numero
272 Sistemas Dinamicos Fuzzy
de pontos crticos dos sistemas fuzzy seja maior que o do caso deter-
minstico. Alem disso, surgem novas orbitas periodicas. Tambem, o
diagrama de bifurcacao e diferente daquele que aparece no caso classico.
Vamos verificar este fato no modelo logstico (ou de Verhulst).
u
1
1 2 3 4 a
Figura 8.7: Diagrama de bifurcacao determinstico.
Pontos de Equilbrio
fb(u) = u
274 Sistemas Dinamicos Fuzzy
u1 u2 u3
R R R
u4 u5 u6
R R R
u
1
Ramo determinstico
u1
u2 u3 u5
Ramo fuzzy
u6
u4
1 2 3 1+ 5 4 a
Figura 8.9: Diagrama de bifurcacao para o caso fuzzy.
superiores a 1 + 6 aparece uma orbita de perodo 4. Para valores
proximos de 3.89, surge um comportamento caotico na dinamica desta
equacao (ver [43, 50]).
No caso da equacao fuzzy, a = 1, a = 2, a = 3 e a = 1 + 5
sao tambem valores de bifurcacao. O diagrama de bifurcacao abaixo
ilustra a dinamica do modelo logstico acima supondo uma condicao
inicial fuzzy.
Devemos salientar que o estudo feito acima trata apenas dos pontos
de equilbrio fuzzy. As orbitas periodicas (ciclos) estudadas sao as deter-
minsticas que, como pode ser mostrado (veja [12]), nao muda o tipo de
estabilidade quando estas sao consideradas no espaco euclidiano ou no
espaco fuzzy. Estudos de orbitas periodicas fuzzy foram desenvolvidos
recentemente e ja sabemos que cada orbita periodica determinstica de
perodo 2p da origem a uma orbita fuzzy de perodo 2p1 , p 2 (veja
[79]). Exemplo disto e a orbita determinstica de perodo 2 que passou a
ser o ponto de equilbrio fuzzy u3 , com nveis [u3 ] = [x1 , x2 ] 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,
8.2 Sistemas Dinamicos Fuzzy Discretos 277
Modelagem em Biomatematica:
Fuzziness Demografica
Conforme a complexidade de um
sistema aumenta, nossa habilidade de
fazer afirmacoes precisas e
significativas sobre seu comportamento
diminui, ate um limiar em que a
precisao e relevancia tornam-se
praticamente caractersticas
mutuamente exclusivas.
xk Controlador xk
Fuzzy
Modelo Matemtico
xk+1 = xk + xk
250
200
150
Populao
100
50
0
0 2 4 6 8 10
Tempo
Quadro 9.1: Base de regras para modelar a variacao da populacao com base
na sua densidade, com oposicao semantica.
(a) Conjuntos fuzzy antecedentes para (b) Conjuntos fuzzy consequentes para
populacoes (X). variacoes (X).
200
180
160
140
120
Populao
100
80
60
40
20
0
0 2 4 6 8 10 12 14
Tempo
Figura 9.4: Solucao do sistema p-fuzzy discreto para base de regras Qua-
dro 9.1 e x0 = 2.
(iv) No maximo duas regras devem ser ativadas de cada vez, isto e, cada
elemento do universo deve ter pertinencia nao nula a no maximo
dois antecedentes;
288 Modelagem em Biomatematica: Fuzziness Demografica
Corolario 9.2. Suponha que a base de regras para (9.1) seja bem or-
denada e que seja formada por numeros fuzzy triangulares, trapezoi-
dais e/ou em forma de sino. Nestas condicoes, para todo x I =
T
supp {Ai } supp {Ai+1 } =
6 , a sada x e contnua e derivavel.
F (x) = x x + x = x x = 0.
9.1 Fuzziness Demografica: modelagem discreta 289
quando existir.
Alem disso, tambem vale a seguinte formula, util para estudo de esta-
bilidade
[1 2
+ (Ai (x))] [Ai (x) Ai+1 (x)]
d(x) Bi+1
|x=x = Z A (x) . (9.2)
dx i
1
4 B + (s) ds
0 i+1
deste conjunto.
(b) x e instavel se
d(x) d(x)
< 2 ou > 0.
dx dx
x=x x=x
d(x)
E interessante observar que, dependendo do sinal de dx |x=x , tere-
mos variadas formas para o comportamento de estabilidade dos sistemas
discretos:
d(x)
(i) se 1 < dx |x=x < 0, x e assintoticamente estavel com con-
vergencia monotona;
d(x)
(ii) se 2 < dx |x=x < 1, x e assintoticamente estavel com con-
vergencia oscilatoria;
292 Modelagem em Biomatematica: Fuzziness Demografica
d(x)
(iii) a instabilidade e oscilatoria se dx |x=x < 2.
210 x x 200
A5 (x) = e A6 (x) = ,
20 20
210 x x 200
A5 (x) = A6 (x) = x = 205.
20 20
1 1 1
A5 (x) = , A5 (x) = , A6 (x) =
4 20 20
e Z Z 1
A5 (x) 4 7
1
B6+
(s) ds = (1 s) ds = .
0 0 32
Entao,
d(x) ( 3 )2 [( 201
) 1
20 ] 9
|x=205 = 4 7 = .
dx 4 ( 32 ) 240
9.1 Fuzziness Demografica: modelagem discreta 293
Assim,
d(x)
1 < < 0.
dx
x=205
B M A B M A
1 1
x y
A neg M neg B neg B pos M pos A pos A neg M neg B neg B pos M pos A pos
1 1
0 0
30 20 10 0 10 20 30 3 2 1 0 1 2 3
1. Se X e B e Y e B entao X e M + e Y e M
2. Se X e B e Y e M entao X e B + e Y e A
3. Se X e B e Y e A entao X e M e Y e M
4. Se X e M e Y e B entao X e A+ e Y e B +
5. Se X e M e Y e A entao X e A e Y e B
6. Se X e A e Y e B entao X e M + e Y e M +
7. Se X e A e Y e M entao X e B e Y e A+
8. Se X e A e Y e A entao X e M e Y e M +
Quadro 9.2: Base de regras para um sistema p-fuzzy discreto do tipo presa-
predador
Observamos que existe uma regiao E que nao esta coberta por ne-
nhuma regra. No entanto, como ha oposicao semantica nos consequentes
das regras 4 e 5, que envolvem E, espera-se que a estejam os equilbrios
do sistema.
Se quisessemos preencher a regiao E de forma contnua, a regra
deveria relacionar as populacoes medias.
Por exemplo,
Se X e M e Y e M entao X e B e Y e B.
xn+1 = xn + hf (tn , xn ),
h
xn+1 = xn + [f (tn , xn ) + f (tn + h, xn + hf (tn , xn )].
2
Claro que o leitor pode usar qualquer outro metodo de ordem superior
em seu estudo.
Aplicacao
A seguir vamos ilustrar a metodologia aqui proposta nos modelos de
crescimento populacional com inibicao, como o de Verhulst.
O modelo tradicional de Verhulst para crescimento populacional e
regido pelo PVI
1 dx = a(K x)
x dt , (9.5)
x(t0 ) = x0
onde a e a razao de crescimento intrnsica e K e a capacidade suporte.
9.2 Fuzziness Demografica: modelagem contnua 301
K
x(t) = . (9.6)
( xK0 1)eat + 1
Logo,
x e crescente se x0 < K
x e constante se x0 = K ,
x e decrescente se x0 > K
e tem a forma representada na Figura 9.11.
300
x0 = 270
x0 = K
Populao
150
100
50
x0 = 25
0
0 5 10 15 20 25 30
Tempo
dx
g(x) = = ax(K x). (9.7)
dt
1 dx
= a(K x) = f (x), (9.8)
x dt
em que f e linear.
Note que a equacao (9.8) esta escrita em funcao da taxa de crescimento
especfico. Esta formulacao facilita a elaboracao das regras do sistema
p-fuzzy. A construcao das regras a partir da variacao percentual por
unidade de tempo pode, em alguns casos, parece ser mais intuitiva que
a formulacao a partir das variacoes absolutas. Por esse motivo nao
usaremos a base de regras do Quadro 9.1.
Apenas para efeito de notacao, denotaremos X para a populacao (en-
1 dX
trada) e X dt (sada) para a taxa de crescimento relativa por unidade
de tempo (ou taxa de crecimento especfico).
Base de Regras
1 dX
R1 : Se (X) e muito baixa (A1 ) entao a X dt
e alta positiva (B1 )
1 dX
R2 : Se (X) e baixa (A2 ) entao a X dt
e alta positiva (B2 = B1 )
1 dX
R3 : Se (X) e media (A3 ) entao a X dt
e media positiva (B3 )
1 dX
R4 : Se (X) e media alta (A4 ) entao a X dt
e media positiva (B4 = B3 )
1 dX
R5 : Se (X) e alta (A5 ) entao a X dt
e baixa positiva (B5 )
1 dX
R6 : Se (X) e altssima (A6 ) entao a X dt
e baixa negativa (B6 )
250
200
150
100
50
0
0 10 20 30 40 50 60 70 80 90
dx
= xf (x).
dt
Modelo de Verhulst
f e linear e dada por
f (x) = a(K x).
Modelo de Montroll x s
f (x) = a 1 , com s > 0.
K
Modelo de Gompertz
x
f (x) = a ln , x > 0.
K
A Figura 9.13 abaixo ilustra uma base de regras na forma granular e
possibilidades para diversos crescimentos especficos (f ) com inibicao.
x
Gompertz
s>1 Montroll
B =B
1 2
0<s<1
Verhulst
B =B
3 4
*
B I =supp( A ) supp( A )
5 5 6
B
6
k x
A A A A A5 A6
1 2 3 4
1 dX
R1 : Se (X) e muito baixa (A1 ) entao a X dt
e pouco alta positiva (pB1 )
1 dX
R2 : Se (X) e baixa (A2 ) entao a X dt
e alta positiva (pB2 = pB1 )
1 dX
R3 : Se (X) e media (A3 ) entao a X dt
e media positiva (pB3 )
1 dX
R4 : Se (X) e media alta (A4 ) entao a X dt
e media positiva (pB4 = pB3 )
1 dX
R5 : Se (X) e alta (A5 ) entao a X dt
e baixa positiva (mB5 )
1 dX
R6 : Se (X) e altssima (A6 ) entao a X dt
e baixa negativa (mB6 )
(Bi ) pBi (x) = (Bi (x)) , i = 1, 2.
pBi =
(B ) (x) = ( (x))
i pBi Bi
pBi = 1 1 , i = 3, 4.
+
(Bi ) pB + (x) = (B + (x))
1
i i
1
mBi = (Bi ) mBi (x) = (Bi (x)) , i = 5, 6.
mB6 mB5
2 0 2 4 6 8 10
Figura 9.14: Consequentes das regras do Quadro 9.3 e suas respectivas mo-
dificacoes por potencia.
Com essa nova base de regras obtemos uma trajetoria para o modelo
9.2 Fuzziness Demografica: modelagem contnua 307
210
204
195 pfuzzy contnuo
180 modificado por potncia
165
150
135
Populao
120
105
90
75
60
45
30
15
0
0 2 4 6 8 10 12 14
Tempo
Estas seis hipoteses (ver [24, 55]) sao resumidas nas equacoes abaixo,
denominadas Modelo de Lotka-Volterra:
dx
= ax xy
dt . (9.9)
dy = by + xy
dt
: a eficiencia de predacao, isto e, a eficiencia de conversao de
uma unidade de massa de presas em uma unidade de massa de
predadores, ja que representa a proporcao de sucesso dos ataques
dos predadores e a taxa de conversao de biomassa das presas em
predadores;
Os pontos crticos
do sistema (9.9) sao: (0, 0), um ponto de sela
b a
instavel, e , que e um centro estavel (ver [24]).
O carater cclico das solucoes explica as flutuacoes observadas experi-
mentalmente em populacao de presas e predadores.
b x
B4
B3
Predador
B2
B1
0
1
A1 A2 A3 A4
1 dX 1 dY
Se X e A1 e Y e B1 entao X dt e P2 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B1 entao X dt e P2 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B1 entao X dt e P2 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B1 entao X dt e P2 e Y dt e P2
1 dX 1 dY
Se X e A1 e Y e B2 entao X dt e P1 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B2 entao X dt e P1 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B2 entao X dt e P1 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B2 entao X dt e P1 e Y dt e P2
1 dX 1 dY
Se X e A1 e Y e B3 entao X dt e N1 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B3 entao X dt e N1 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B3 entao X dt e N1 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B3 entao X dt e N1 e Y dt e P2
1 dX 1 dY
Se X e A1 e Y e B4 entao X dt e N2 e Y dt e N2
1 dX 1 dY
Se X e A2 e Y e B4 entao X dt e N2 e Y dt e N1
1 dX 1 dY
Se X e A3 e Y e B4 entao X dt e N2 e Y dt e P1
1 dX 1 dY
Se X e A4 e Y e B4 entao X dt e N2 e Y dt e P2
Predador
Presa
0.8 0.8
Graus de Pertinncia
Graus de pertinncia
0.6 0.6
0.4 0.4
0.2 0.2
0 0
N P N N P P
2 N1 P1 2
2 1 1 2
1 1
0.8 0.8
Grau de pertinncia
Grau de pertinncia
0.6 0.6
0.4
0.4
0.2
0.2
0
0
1 dx 1 dy
Centro de Gravidade obtemos os valores e .
x dt y dt
Em cada instante t, o numero de presas e de predadores e dado pelas
formulas
Zt
dx
x(t) = x(t0 ) + (s) ds
dt
t0
Zt . (9.10)
dy
y(t) = y(t0 ) + (s) ds
dt
t0
1 dx 1 dy
Como as sadas sao x dt e y dt , devemos multiplica-las pelas entradas x
dx dy
e y, respectivamente, para obter dt e dt . Porem, as expressoes analticas
de cada uma dessas derivadas nao sao conhecidas.
Para estimar as trajetorias dadas por (9.10), aproximamos dx dt (s) por
ti
R
dx dx
dt (ti1 ) em cada intervalo [ti1 , ti ], de modo que a integral dt (s) ds
ti1
e aproximada por (ti ti1 ) dx
dt (ti1 ).
Assim, os valores de x(t) e y(t) sao estimados pelas formulas
(
x(ti ) = x(ti1 ) + hxi1
, (9.11)
y(ti ) = y(ti1 ) + hyi1
Resultados
As simulacoes das trajetorias produzidas pelo sistema p-fuzzy acima
seguem os passos:
Modelagem em Biomatematica:
Fuzziness ambiental
Quando as leis da matematica se
referem a realidade, elas nao sao
certas. E se sao certas, nao sao
referentes a realidade.
(Albert Einstein)
10.1.1 O Modelo
onde
(r) indica o grau com que um indivduo com renda r pertence ao con-
junto fuzzy dos pobres, ou seja, e uma funcao de pertinencia.
0 b r
Figura 10.1: Densidade de distribuicao da renda.
Z
1 t a
E[n(t)] = n(0)e ab ek (r)2 t r (a+1) dr
b
ou Z
n(t) 1 t a
E =e ab ek (r)2 t r (a+1) dr. (10.4)
n(0) b
n(t)
Isto significa que E[ n(0) ] = e1 t , para todo a > 0, ou seja, neste
caso o valor de b e suficientemente grande para que nao haja in-
terferencia da pobreza na esperanca de vida do grupo.
Z
a
Se r0 > b, temos que ab ek (r)2 t r (a+1) dr < 1, de maneira
b
que E[n(t)] < n(0)e1 t . Assim, podemos interpretar o numero
Z
a
ab ek (r)2 t r (a+1) dr
b
h i
n(t)
10.1.3 Esperanca Fuzzy: EF n(0)
n(t)
Consideramos Yt (r) = a funcao de pertinencia de um conjunto fuzzy,
n0 h i
n(t) n(t)
ja que n0 [0, 1]. Vamos obter EF n(0) usando o Teorema 7.1,
aplicado a funcao
n(t)
H() = P {r : Yt (r) = } = P {r : e(1 +2 k (r))t }
n(0)
= P {r : e2 k (r)t e1 t }, (10.5)
H
1
bissetriz
EF
a
b
r0
Yt (r) EF e1 t 1
Figura 10.2: H() e esperanca fuzzy (EF).
Desta forma,
ln(1 R) = a ln b a ln r.
e b 1, 726. Assim,
(
6, 15r 3031 se r 1, 726
h(r) = .
0 se r < 1, 726
1
Se S = 1 = 1 +2 k (1) = 45, 9
1
=
Se S = 2 = 1 +2 k (2m ) = 50, 8
330 Modelagem em Biomatematica: Fuzziness ambiental
1 1
2 k (1) = 45,9 54,4 = 3, 404 103
1 1
2 k (2m ) = 50,8 54,4 = 1, 303 103 .
1,51
1.68 r
# {n |Y > }
P {n |Y > } = .
#A
Entao,
n2 10
Se Y (2, 5) < Y (3, 5) = #A = 150 = 0, 0667
n2 +n1 50
Se Y (2, 0) < Y (2, 5) = #A = 150 = 0, 333.
Se considerarmos o valor esperado fuzzy, num tempo t, de Y (r)
Assim, para t = 1
E[Y1 ] 0, 9998e1 .
S I
I0 et
I= , (10.9)
S0 + I0 et
vmin vM v
Figura 10.5: Coeficiente fuzzy de transmissao .
Solucao Fuzzy
Com a incorporacao da carga viral, o sistema 10.8 pode ser visto como
uma famlia de equacoes diferenciais ordinarias que tem como solucao
as funcoes
I0 e(v)t
I(v, t) = (10.11)
So + I0 e(v)t
para cada v fixo.
Agora, para cada t > 0 fixo, I(v, t) e um conjunto de valores reais e
isto significa que, para cada instante t, a solucao (10.11) do problema
fuzzy (10.8) e uma distribuicao de possveis valores para o numero de
infectados no intervalo [0, 1]. Assim, I(v, t) = It (v) [0, 1] pode ser
interpretada como a funcao de pertinencia de um conjunto fuzzy. Se por
algum motivo for necessario adotar um unico valor real para representar
10.2 O Modelo Epidemiologico SI 337
0 v v v + v
Figura 10.6: Distribuicao de possibilidades da carga viral .
k 1
H() = 1 {v : I(v, t) < } = 1 {v : (v) < ln( )t } =
1
1
k t
1 se ln( 1 ) 0
1
= k t
{v [0, B)} se 0 < ln( 1 ) <1 =
1
k t
0 se ln( 1 ) 1
10.2 O Modelo Epidemiologico SI 339
1 se 0 I0
= I 0 et ,
{v [0, B)} se I0 < < S0 +I0 et
I 0 et
0 se S0 +I0 et 1
1
k t
onde B = vmin + (vM vmin ) ln( 1 ) . Note que vmin < B vM .
Para calcular a esperanca fuzzy pode-se usar qualquer medida fuzzy
(nao necessariamente -aditiva). No nosso caso, vamos adotar a medida
fuzzy Z Z
1 (v)
(A) = (v)dv = dv,
A A
que tambem e uma medida de probabilidade cuja funcao densidade de
R (v)
distribuicao e (v)
. Note que A dv = 1.
A fim de exemplificar os casos onde a carga viral e fraca, media ou
forte, vamos calcular a esperanca fuzzy EF [I(V, t)] para os tres casos
distintos, conforme Figura 10.7.
Portanto,
EF [I(V, t)] = I0 .
e, portanto
I0 et
EF [I(V, t)] = .
S0 + I0 et
Novamente neste caso, obtemos a solucao classica quando = 1.
Carga viral media (V+ ): Tomamos vmin < v < v + < vM .
Um calculo direto, porem trabalhoso, nos leva a
1 se 0 I(v , t)
2
B v
1
1 2 +1 se I(v , t) < I(v, t)
2
H() = .
1 v B
2
+1 se I(v, t) < I(v + , t)
0 se I(v + , t) < 1
H
1
I(v,t) I(v+,t) 1
Figura 10.8: Grafico da funcao nvel H() para carga viral media.
dI
= (1 I)I.
dt
+
Z v+
Z
(v) 1
E[I(V, t)] = I(v, t) dv = I(v, t)(v) dv, (10.13)
v
v+
Z
1
E[I(V, t)] = I(v, t)(v) dv = I0 .
v
v+
Z
1 I0 et
E[I(V, t)] = I(v, t)(v) dv = .
S0 + I0 et
v
e
lim E[I(V, t)] lim I(v + , t) = I0 .
t t
A nosso ver, esta e uma medida bem razoavel para ser adotada no
nosso exemplo uma vez que apresenta um carater conservador no se-
guinte sentido: um grupo A de indivduos infectados e avaliado por
aquele indivduo deste grupo com maior carga viral. O numero 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 doenca. Queremos ressaltar que, especificamente para
esta medida de possibilidade, chegamos a conclusoes bem semelhantes
as dos tres casos analisados anteriormente, nos quais a funcao H passa
a ser
1 se 0 I0
I 0 et
H() = sup (v) se I0 < S0 +I0 et
v[a,vmax ]
I 0 et
0 se S0 +I0 et <1
1
EF [I(V, t)] > I(v, t) se I(v, t) < 2
1
.
EF [I(V, t)] < I(v, t) se I(v, t) > 2
Desta forma, a trajetoria devido a carga media I(v, t), nao produz o
numero medio de indivduos infectados ( dado por EF [I(V, t)] ) em cada
instante. Portanto, a nosso ver, nao e correto adotar a carga media ou
modal (v) para estudar a evolucao da doenca na populacao como um
todo, ja que EF [I(V, t)] = I(v, t) apenas no instante t = vvv
M vmin
min
ln( SI00 ),
S0 I0 . Observemos que t e o ponto de inflexao 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
1
maior que I(v, t) = 2 (veja Figura 10.9).
I
1
I(v, t)
EF [I(V, t)]
0,5
I0
t t
Figura 10.9: EF [I(V, t)]: media fuzzy e I(v, t): determinstico.
vM vmin
se S0 > I0 , e enquanto t < t = vvmin ln( SI00 ), 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 numero
de indivduos infectados no incio da doenca e superestima a partir
de t (veja Figura 10.9).
vM vmin
Portanto, no incio da doenca quando t < t = vvmin ln( SI00 ) e S0 >>
I0 , temos
I(v, t) EF [I(V, t)] I(v + , t)
dI
> 0 SI = (1 I)I > 0
dt
v +
R0fuzzy = . (10.14)
vmin
348 Modelagem em Biomatematica: Fuzziness ambiental
at2 at2
x(t) = e 2 e y(t) = 1 e 2 .
= (, c).
dy
= (, c)x = k(, c)(1 y) com y(0) = 0.
dt
c c c + CD4+
Figura 10.11: Distribuicao de CD4+ .
Neste caso, tomamos cmin > c + . Como B > cmin temos que
[cM , cmax ] = 0 e [B, cmax ] = 0. Logo,
(
1 se et
H() =
0 se et < 1
354 Modelagem em Biomatematica: Fuzziness ambiental
Logo, (
1 se = 0
H() = .
0 se > 0
+
Caso 3: Nvel de CD4+ medio (C ).
H
1
bissetriz
EF [x]
Assim,
e(c)t < EF [x] < e (c+)t
.
(1 m12 ) m21
N = F1 S1 e(f +s)N1,t N1,t + F2 S2 e(f +s)N2,t N2,t
1,t+1 2 2
N m12 (1 m21 )
2,t+1 = F1 S1 e(f +s)N1,t N1,t + F2 S2 e(f +s)N2,t N2,t
2 2
(10.20)
Este modelo relaciona a dinamica de uma populacao de moscas com
o processo de migracao entre duas colonias. As variaveis de estado sao:
N1,t : populacao de moscas da colonia i no instante t.
Os parametros sao:
Fi : fecundidade maxima das moscas quando estas se encontram na
colonia i;
Si : sobrevivencia maxima das moscas em i;
mij : taxa de migracao da colonia i para j;
f e s estimam a variacao da fecundidade e da sobrevivencia, respectiva-
mente.
Sabemos que os parametros mij , Fi e Si sao dependentes de uma
serie de fatores que muitas vezes sao impossveis de serem avaliados
quantitativamente. Neste caso, um estudo do fenomeno atraves de um
sistema fuzzy parece mais adequado.
10.4 Dinamica populacional e migracao de moscas varejeiras 357
0 100 200 300 400 500 600 700 0 0.2 0.4 0.6 0.8 1
Figura 10.14: Valores fuzzy da Populacao. Figura 10.15: Valores fuzzy do Ambiente.
0 0
4 4.5 5 5.5 6 6.5 7 0.6 0.65 0.7 0.75 0.8 0.85 0.9
Figura 10.17: Valores fuzzy - fecundidade. Figura 10.18: Valores fuzzy - sobrevivencia.
360 Modelagem em Biomatematica: Fuzziness ambiental
i) Entrada
ii) Controlador
Os parametros fuzzy sao obtidos atraves das bases de regras via processo
de Mamdani:
Na colonia 1, temos:
PM (300) = 0, 5 (grau de pertinencia ao conjunto fuzzy populacao media/ou
grande);
AH (0, 01) = 0, 995 (grau de pertinencia ao conjunto fuzzy ambiente
hostil).
Entao,
0, 5 0, 995 = 0, 5
x y
A neg M neg B neg B pos M pos A pos A neg M neg B neg B pos M pos A pos
1 1
0 0
30 20 10 0 10 20 30 3 2 1 0 1 2 3
iii) Defuzzificacao
O processo que transforma este conjunto de sada fuzzy em um valor
exato e conhecido como defuzzificacao.
Como vimos no Captulo 5, sao varios os metodos de defuzzificacao.
362 Modelagem em Biomatematica: Fuzziness ambiental
v) Solucao do sistema
Aplicando todos os valores obtidos ao sistema recursivo (10.20) obtemos
os valores numericos de N1,1 e N2,1 , que serao as novas condicoes iniciais
das respectivas colonias. Com o mesmo procedimento anterior, obtemos
novamente os parametros e aplicamos ao sistema determinstico recur-
sivo (10.20) para obter os valores de N1,2 e N2,2 . Assim, sucessivamente,
teremos os valores das populacoes das duas colonias em cada instante
discreto. Neste caso, vimos que as populacoes se estabilizam.
Podemos observar que as condicoes ambientais sao mais decisivas do
que o valor numerico das populacoes para o processo de migracao destas
moscas. Por exemplo, se mantivermos as mesmas populacoes iniciais
(N1,0 = 300 e N2,0 = 400) e considerarmos condicoes ambientais fa-
voraveis nas duas colonias (A1,0 = 1 e A2,0 = 0, 9), obtemos populacoes
10.4 Dinamica populacional e migracao de moscas varejeiras 363
600
350
500
300
400
Populao
Populao
300
250
200
200
100
0 150
0 5 10 15 20 25 30 35 0 2 4 6 8 10 12 14 16 18 20
Tempo Tempo
[20] R. G. Bartle, The elements of real analysis, John Wiley & Sons,
Inc., New York, 1964.
[27] J. C. Bezdek, Fuzzy models what are they, and why?, Transaction
on Fuzzy Systems 1 (1993), no. 1, 16, Editorial.
[48] D. Dubois and H. Prade, Fuzzy sets and systems theory and
applications, Academic Press, Inc., 1980.
[72] G. Klir and B. Yuan, Fuzzy sets and fuzzy logic theory and appli-
cations, Prentice-Hall, 1995.
[76] B. Kosko, Fuzzy thinking the new science of fuzzy logic, Hype-
rion, New York, 1993.
[115] S. Seikkala, On the fuzzy initial value problem, Fuzzy Sets Syst.
24 (1987), no. 3, 319330.