Professional Documents
Culture Documents
Tpicosde Lgica Fuzzye Biomatemtica
Tpicosde Lgica Fuzzye Biomatemtica
net/publication/256373655
CITATIONS READS
61 2,856
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.
Coleção IMECC
Textos Didáticos 5
Laécio Carvalho de Barros
Coleção IMECC
Textos Didáticos
Volume 5
Grupo de Biomatemática
Instituto de Matemática, Estatı́stica e Computação Cientı́fica
Universidade Estadual de Campinas
FICHA CATALOGRÁFICA ELABORADA PELA
BIBLIOTECA DO IMECC
B278t Barros, Laécio Carvalho de.
Tópicos de lógica fuzzy e biomatemática/ Laécio Carvalho
de Barros, Rodney Carlos Bassanezi – Campinas, SP:
UNICAMP/IMECC, 2006.
354p.: il. – (Coleção IMECC – Textos didáticos; v.5)
Apresentação 1
Prefácio 3
3 Relações Fuzzy 61
3.1 Relações Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Formas de representação e propriedades . . . . . . 65
3.2 Composição entre Relações Fuzzy Binárias . . . . . . . . . 69
Pedro A. Tonelli
Prefácio
Os Autores
Capı́tulo 1
violência.
Como é sabido, Sócrates confrontava os sofistas de sua época, e a
questão principal era formulada pela pergunta “o que é?” (Ti Estin).
Inicialmente Platão, seguidor de Sócrates, compartilhou com as ideias
de Heráclito, principalmente a de que tudo está mudando, está no fluxo
do vir-a-ser. Porém, se tudo estava em movimento não seria possı́vel o
conhecimento. Para não cair num ceticismo, Platão pensou no “mundo
das ideias”. Em tal mundo não haveria mudanças, as coisas seriam eter-
nas para além da dimensão espaço-temporal. O assim chamado “mundo
sensı́vel” 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 detrás do vir-a-ser do “mundo sensı́vel”. Porém, para Platão
o mais importante não era um conceito final, mas o caminho para se
chegar até ele. O “mundo das ideias” não é acessı́vel pelos sentidos,
apenas pela intuição intelectual e a dialética é o movimento de ascese
em busca da verdade. Com isso Platão promove uma sı́ntese de Heráclito
e Parmênides.
Já para Aristóteles, não existe o mundo das ideias e as essências estão
contidas nas próprias coisas. O conhecimento universal está vinculado
à sua Lógica (de Lógos, o mesmo que razão, princı́pio de ordem, estudo
das consequências) e ao Silogismo, mecanismo de dedução formal. A
partir de certas premissas gerais, o conhecimento deve seguir uma ordem
rigorosamente demonstrativa utilizando-se do silogismo.
De maneira resumida, e talvez ingênua, podemos pensar que a di-
ferença fundamental entre Aristóteles e os sofistas, consiste no fato de
que, para Aristóteles, existe uma verdade objetiva, eterna, imutável, que
independe dos seres humanos, ao passo que para os sofistas não existe
nenhuma verdade absoluta, eterna e imutável e, sim, apenas o conheci-
mento relativo aos nossos sentidos. Para Platão e Aristóteles, respecti-
vamente, a dialética e o silogismo devem ser empregados em busca da
verdadade. Os sofistas adotam a retórica, que é a arte da persuasão,
10 Conjunto fuzzy como modelador de incerteza
A = {x ∈ R : x é próximo de 2} .
ϕF : U −→ [0, 1],
rais pares:
P = {n ∈ N∗ : n é par} .
F = {x ∈ R : x é próximo de 2} .
depende da função de pertinência que pode ser dada por uma infinidade
de maneiras diferentes, dependendo de como se quer avaliar o termo
“próximo”. Observe que poderı́amos também definir próximo de 2 por
um conjunto clássico com função de pertinência ϕεF , considerando, por
exemplo, um valor de ε suficientemente pequeno e a função caracterı́stica
do intervalo (2 − ε, 2 + ε), conforme a expressão abaixo
(
1 se |x − 2| < ε
ϕεF (x) = .
0 se |x − 2| ≥ ε
Note que, ser próximo de 2 significa estar numa vizinhança pré de-
terminada de 2. A subjetividade está exatamente na escolha do raio
da vizinhança. Especificamente, neste caso todos os valores desta vi-
zinhança estão próximos de 2 com o mesmo grau de pertinência que é
1.
F = {n ∈ N : n é pequeno}.
1
ϕF (n) = .
n+1
Claro que a escolha da função ϕF neste caso foi feita de maneira to-
talmente arbitrária, levando-se em conta apenas o significado da palavra
“pequeno”. Para modelar matematicamente o conceito de “número na-
tural pequeno”, isto é, associar ao subconjunto fuzzy F uma função de
pertinência, poderı́amos escolher qualquer sequência monótona decres-
cente, começando em 1 (um) e convergente para 0 (zero):
Por exemplo,
µF (n) = e−n ;
1
µF (n) = 2
;
n +1
1
µF (n) = .
ln(n + e)
ou
(
40−x 2
40 se 0 ≤ x ≤ 40
ϕJ (x) = .
0 se 40 < x ≤ 120
ϕA ( r )
k 2
(
1 se x ∈ A ou x ∈ B
max {χA (x), χB (x)} =
0 se x ∈
/Aex∈
/B
(
1 se x ∈ A ∪ B
=
0 se x ∈
/ A∪B
= χA∪B (x), x ∈ U.
Figura 1.3: Operações com subconjuntos fuzzy: (a) união; (b) intersecção;
(c) complemento.
(b) Verifique que χA∩B (x) = χA (x)χB (x). Note que essa identidade não
é válida se A e B forem subconjuntos fuzzy.
Exemplo 1.6 (Conjunto fuzzy dos idosos). O conjunto fuzzy I dos idosos
deve refletir uma situação oposta da relacionada com o conjunto dos
jovens quando consideramos a idade dos seus elementos. Enquanto que
para o conjunto de jovens a função de pertinência deve ser decrescente
com a idade, para idosos deve ser crescente. Uma possibilidade para a
função de pertinência de I é
ϕI (x) = 1 − ϕJ (x),
Idosos: ϕ I
1
Jovens: ϕ J
10 20 30 40 50 60 70 80 90 100 110 120
idade
e
(
x−40 2
80 se 40 < x ≤ 120
ϕI (x) = .
0 se x ≤ 40
1.3 Operações com subconjuntos fuzzy 25
Exercı́cio 1.2. Considere que o conjunto fuzzy dos jovens seja dado por
4
1− x 2 se x ∈ [10, 120]
ϕJ (x) = 120
0 se x ∈
/ [10, 120]
(b) Determine a idade de um indivı́duo de “meia idade”, isto é, grau 0,5
tanto de jovialidade como de velhice, supondo que o conjunto fuzzy
dos idosos seja o complemento fuzzy dos jovens.
(A′k1 )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 (após o dano) de modo que
ϕAk1 ϕAk2
ϕAk1 (r1 ) = ϕAk2 (r2 )
r
r1 r2 r0
Exemplo 1.8 (Conjuntos fuzzy dos febris e/ou com mialgia). Suponha que
o conjunto universo U seja composto pelos pacientes de uma clı́nica,
identificados pelos números 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 operações união, intersecção e
complemento.
1
max [ϕ(x), ψ(x)] = [ϕ(x) + ψ(x) + |ϕ(x) − ψ(x)|]
2
1
min [ϕ(x), ψ(x)] = [ϕ(x) + ψ(x) − |ϕ(x) − ψ(x)|]
2
para todo u ∈ U .
Exercı́cio 1.3. Considere o subconjunto fuzzy das pessoas altas (em me-
tros) do Brasil, definido por
0 se x ≤ 1, 4
ϕA (x) = 1
0,4 (x − 1, 4) se 1, 4 < x ≤ 1, 8
1 se x > 1, 8
1 ϕA
1 [A ] α 3 U
1 ϕA
U
[A ] α 1
(ii) Aα ⊂ Aβ se β ≤ α;
\
(iii) Aα = Aαk se αk convergir para α com αk ≤ α.
k≥0
[A]α = Aα .
Por outro lado, como em geral [A]α ∪ [A′ ]α 6= U , então [A′ ]α 6= ([A]α )′ .
Então,
n
X
A′ = [1 − ϕA (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 ϕA (xi )xi = ϕA (xi )f (xi ).
i=1 i=1
ϕ f^ (A ) Z
f
α
1
α X
α ϕA
1 f
ϕ f^ (A )
1/4
1/2 1
1 α α
X
α
ϕA
1
duas variáveis.
(
1 se x = r
χr (x) = .
0 se x 6= r
2 R
crisp
Exemplo 2.5. A expressão em torno das quatro horas pode ser modelada
matematicamente pelo número fuzzy triangular simétrico A, cuja função
de pertinência é dada por
( |x−4|
1− 0,2 se 3, 8 ≤ x ≤ 4, 2
ϕA (x) = .
0 caso contrário
e está representada na Figura 2.4.
3,8 4 4,2 R
11 14 17 20 R
α
u−δ u u+ δ R
A = [a1 , a2 ] e B = [b1 , b2 ].
A + B = [a1 + b1 , a2 + b2 ].
A − B = [a1 − b2 , a2 − b1 ].
(
[λa1 , λa2 ] se λ ≥ 0
λA = .
[λa2 , λa1 ] se λ < 0
onde P = {a1 b1 , a1 b2 , a2 b1 , a2 b2 }.
[A + B]α = A + B
função de pertinência é
sup min[ϕA (x), ϕB (y)] se φ(z) 6= 0
ϕ(A+B) (z) = φ(z) ,
0 se φ(z) = 0
para todo α ∈ [0, 1], sendo ⊗ qualquer uma das operacções aritméticas
mencionadas anteriormente.
A prova deste teorema foge do propósito deste texto e não será feita
aqui. O leitor interessado na mesma pode encontrá-la nos livros clássicos
de Klir e Yuan [72], Nguyen [95], Pedrycz e Gomide [100] ou mais geral-
mente em Fuller [51].
A combinação dos Teoremas 2.1 e 2.4 produz “métodos práticos” para
se obter os resultados de cada operação entre números fuzzy. Observa-
mos mais uma vez que o α-nı́veis de um número fuzzy é sempre um
intervalo fechado de R, dado por:
sendo ϕ−1
A (α) = {x ∈ R : ϕA (x) = α} a pré-imagem de α.
A seguir ilustraremos tais “métodos práticos” na forma de proprieda-
des.
2.2 Números Fuzzy 53
(b) [A − B]α = [A]α −[B]α = [−4+2α, −2α]. Assim, A−B = (−4; −2; 0);
Note que os números fuzzy obtidos em (d) e (e) não são triangulares.
Entretanto, é fácil verificar que com números fuzzy triangulares, a soma,
a diferença e a multiplicação por escalar resulta em um número fuzzy
triangular. Para ver isto, basta considerar os números A = (a1 ; u; a2 ) e
B = (b1 ; v; b3 ). Então, a partir da Equação (2.6) temos
[A]α = [(u − a1 )α + a1 , (u − a2 )α + a2 ]
[B]α = [(v − b1 )α + b1 , (v − b2 )α + b2 ].
Assim
[A + B]α = [A]α + [B]α
e, portanto,
[A+B]α = [{(u+v)−(a1 +b1 )}α+(a1 +b1 ), {(u+v)−(a2 +b2 )}α+(a2 +b2 )].
Portanto,
2.2 Números Fuzzy 57
Como
[A − B]α = [aα1 − bα2 , aα2 − bα1 ],
segue que
A − B = A −H B ⇔ bα1 = bα2 ,
ou seja,
A − B = A −H B ⇔ B ∈ R.
Note que
A − B = A + (−1)B 6= A −H B.
Essa diferença foi utilizada para se estudar, pela primeira vez, a deri-
vada de funções fuzzy (ver Capı́tulo 8).
58 O Princı́pio de Extensão e Números Fuzzy
X = xj ϕX (xj ) PX (xj )
2 0, 5 0, 5
3 0, 5 0, 5
Y = yk ϕY (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 Números Fuzzy 59
Relações Fuzzy
“Tudo que existe na natureza é devido
à chance e à necessidade.”
quando optamos pela teoria dos conjuntos fuzzy, e será crisp quando
usamos a teoria clássica de conjuntos para conceituar a relação em es-
tudo. A adoção do tipo de relação, dentre estas duas, depende muito
do fenômeno estudado. Porém, a opção pela teoria dos conjuntos fuzzy
tem sempre maior robustez no sentido que esta inclui a teoria clássica
de conjuntos (lembramos que um conjunto clássico – conjunto crisp –
é, em particular, um conjunto fuzzy).
Uma relação clássica indica se há ou não alguma associação entre dois
objetos, enquanto que uma relação fuzzy, além de indicar se há ou não
tal associação, indica também o grau desta relação.
com (
1 se (x1 , x2 , . . . , xn ) ∈ R
χR (x1 , x2 , . . . , xn ) = . (3.1)
0 se (x1 , x2 , . . . , xn ) ∈
/R
ϕA1 ×A2 ×...×An (x1 , x2 , . . . , xn ) = ϕA1 (x1 ) ∧ ϕA2 (x2 ) ∧ . . . ∧ ϕAn (xn ),
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
Neste caso, R−1 indica que x é predado por y, enquanto que por R
temos que y é predador de x.
e que
r11 r12 ... r1n s11 s12 . . . s1p
r21 r22 . . . r2n s21 s22 . . . s2p
R=
.. .. .. ..
e S=
.. .. .. ..
.
. . . . . . . .
rm1 rm2 . . . rmn m×n
sn1 sn2 . . . snp n×p
onde
tij = sup [min(ϕR (ui , vk ), ϕS (vk , wj ))] = sup [min(rik , skj )]. (3.3)
1≤k≤n 1≤k≤n
ϕA (x) = ϕR−1 (B) (x) = sup [min(ϕR−1 (y, x), ϕB (y))]. (3.5)
y∈V
3.2 Composição entre Relações Fuzzy Binárias 71
B = R(A) = A ◦ R.
A = B ◦ R−1 .
B =A◦R e A = B ◦ R⊤
Definição 3.8. Seja R uma relação fuzzy binária sobre U , cuja função
de pertinência é ϕR . Então, para quaisquer x, y e z de U , a relação
fuzzy R é
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 mı́nimo múltiplo comum (MMC)
das ordens das matrizes T e S é igual a 6, tomamos os múltiplos de cada
padrão. Então 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
obtenção de outros raports, considerando as composições das simetrias
(translações, rotações e reflexões – veja Figura 3.5).
“a está em A e b está em B
80 Noções da Lógica Fuzzy
p q p∧q p q p∨q
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,
• Implicação: =⇒
(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 contrário
c3 ) associativa: x ▽ (y ▽ z) = (x ▽ y) ▽ z;
c4 ) monotonicidade: se x ≤ u e y ≤ v, então x ▽ y ≤ u ▽ v.
n2 ) involução: η(η(x)) = x;
n3 ) monotonicidade: η é decrescente.
As aplicações
1−x
η1 (x) = 1 − x e η2 =
1+x
86 Noções da Lógica Fuzzy
η (x ∧ y) = η(x) ∨ η (y)
η (x ∨ y) = η(x) ∧ η (y) .
(1) (p =⇒ q) = (¬p) ∨ q;
a) Implicação de Gödel:
(
1 se x ≤ y
(x =⇒ y) = g(x, y) = .
y se x > y
b) Implicação de Goguen:
(
1 se x ≤ y
(x =⇒ y) = gn (x, y) = y .
se x > y
x
c) Implicação de Lukasiewicz:
d) Implicação de Kleene-Dienes:
e) Implicação de Reichenbach:
(x =⇒ y) = r(x, y) = (1 − x + xy).
f) Implicação de Zadeh:
g) Implicação de Gaines-Rescher:
(
1 se x ≤ y
(x =⇒ y) = gr (x, y) = .
0 se x > y
h) Implicação de Wu:
(
1 se x ≤ y
(x =⇒ y) = w(x, y) = .
min {1 − x, y} se x > y
(x =⇒ y) = (1 − x) ∨ (x ∧ y) = η(x) ∨ (x ∧ y).
Exemplo 4.4. Vamos voltar à expressão (4.1) e obter seu valor lógico
quando considerarmos △ = ∧, ▽ = ∨, η(x) = 1 − x e a implicação de
Gödel.
Inicialmente, para cada célula p, q, r e s, da expressão (4.1), tomamos
seu valor lógico como o grau de pertinência de cada elemento ao con-
junto relacionado. Consideremos, por exemplo, que tais valores sejam:
ϕA (a) = 0,6; ϕB (b) = 0,7; ϕC (c) = 0,4 e ϕD (d) = 0,7. Então, temos:
(p △ q) =⇒ (r ▽ s).
ou seja,
(4.1).
A implicação clássica, isto é, ϕA (x) ∈ {0, 1} e ϕB (y) ∈ {0, 1}, produz
94 Noções da Lógica Fuzzy
de modo que
(
1 se y ∈ B
sup [χR (x, y) ∧ χA (x)] = = χB (y),
x∈U 0 se y ∈
/B
ou seja, para o caso clássico, o modus ponens pode ser escrito matema-
ticamente por meio da fórmula:
Assim,
ou seja, R(A) = B.
a) implicação de Zadeh;
b) implicação Wu.
a implicação de Lukasiewicz:
e a t-norma △1 = ∧.
Vamos obter as saı́das a partir da fórmula (4.5) para cada entrada.
Lembrando que a implicação
é a de Lukasiewicz, temos
e, para a entrada
Desta forma, para este exemplo, as saı́das obtidas pelo modus ponens
fuzzy generalizado são
e=
sentido. Estudos para investigar propriedades como essa e/ou que B
B serão vistos num contexto um pouco diferente no Capı́tulo 6.
O leitor interessado em se aprofundar neste assunto pode consultar
[88, 89, 125, 128] e muitos outros artigos sobre raciocı́nio aproximado.
Método Prático
B ∗ = A∗ ⊗t R,
ou seja,
0, 8 0, 6
B̃ = + .
y1 y2
100 Noções da Lógica Fuzzy
ms (A) := (A)s ,
4.5 Modificadores Linguı́sticos 101
ou seja,
ϕm(A) (x) = (ϕA (x))s ,
na forma
“Se X é A então Y é B,
daı́ obter a relação R, dada por uma implicação fuzzy, cuja função de
pertinência é
ϕR (x, y) = (ϕA (x) =⇒ ϕB (y)).
1
nível de amarelo
60 67 x (nm)
ϕB
1
grau de maturação
19 25 açúcar (%)
Agora, vamos supor que o termo “quase amarelo” seja modelado por
um subconjunto fuzzy A∗ , que é obtido por meio da aplicação 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 contı́nuo é análogo,
substituindo a distribuição de probabilidades pela função densidade de
probabilidades.
Sejam X e Y duas variáveis aleatórias discretas. Supondo que P(X,Y )
seja a distribuição de probabilidades conjunta do vetor aleatório (X, Y ),
é sabido [31, 72] que:
para todo par (x, y). Caso contrário, são 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 contrário, são ditas dependentes.
e
ϕ(A,B) (x, y) = ϕ(B|A) (y|x)△ϕA (x).
para todo par (x, y). Caso contrário, são ditas possibilisticamente
dependentes.
A regra condicional
não for causal, como é o caso das que aparecem nos controladores fuzzy
(ver Capı́tulo 5), em que R representa o produto cartesiano, ou seja,
cada par (x, y) é um elemento do produto cartesiano, o qual costuma
ser medelado pela t-norma do mı́nimo, então ϕR pode ser interpretada
como distribuição conjunta (sugerida inicialmente por Zadeh [131]).
112 Noções da Lógica Fuzzy
(Lotfi A. Zadeh)
Roupa
Limpa
R1 : “Proposição fuzzy 1”
ou
R2 : “Proposição fuzzy 2”
..............................
ou
Rr : “Proposição fuzzy r”
No Exemplo 5.1 acima estamos supondo que cada tarefa seja execu-
tada por um ser humano, não precisando pois, de qualquer ferramenta
matemática. Esse não é o caso de controladores fuzzy. As variáveis de
interesse são: roupa (r) à ser lavada; sua sujeira (s) e o controle ado-
tado (e), e cada uma das classificações “grossa” ou “fina”, para roupa, e
“fácil” ou “difı́cil” para a sujeira, “muito tempo”, “pouco tempo” ou “em
tempo médio”, para a ação de lavar, devem ser modeladas por conjuntos
fuzzy.
De forma semelhante à que vimos no Capı́tulo 4, cada uma das clas-
sificações das variáveis que constam na base de regras é modelada por
um conjunto fuzzy. A lógica fuzzy é a outra parte utilizada na obtenção
5.2 Controlador Fuzzy 117
Módulo de fuzzificação
Este é o estágio onde as entradas do sistema são modeladas por conjuntos
fuzzy com seus respectivos domı́nios. É nele que justifica-se a grande
importância de especialistas do fenômeno a ser modelado. Juntamente
com os especialistas, as funções de pertinência são formuladas para cada
conjunto fuzzy envolvido no processo. Mesmo que a entrada seja crisp,
essa será fuzzificada por meio de sua função caracterı́stica.
Se x1 é A1 e x2 é A2 e ··· e xn é An
Então u1 é B1 e u2 é B2 e ··· e um é Bm
Módulo de defuzzificação
Na teoria estocástica é comum indicar a esperança matemática (ou
média) como o número que melhor representa uma variável aleatória
(ou uma distribuição de dados). Outros valores como a moda e a me-
diana também são utilizados para representar a centralização de tal
distribuição.
Na teoria dos conjuntos fuzzy, a defuzzificação é um processo que
permite representar um conjunto fuzzy por um valor crisp (número real).
A Figura 5.2 representa um esquema geral de um controlador fuzzy.
A base de regras é modelada matematicamente por uma relação fuzzy
5.2 Controlador Fuzzy 119
Base de
Regras
Módulo de Módulo de
Fuzzificação Defuzzificação
Módulo de
Inferência
Fuzzy
Fato: A = x1 é A1 e x2 é A2 e · · · e xn é An .
Conclusão: u é B = R(A).
ϕM (x, u) = max (ϕRj (x, u)) = max [ϕAj (x) ∧ ϕBj (u)], (5.3)
1≤j≤r 1≤j≤r
Observações:
ϕAj (x) = ϕAj1 (x1 ) ∧ ϕAj2 (x2 ) e ϕBj (u) = ϕBj1 (u1 ) ∧ ϕBj2 (u2 ),
Quadro 5.4: Base de regras para um controlador com duas entradas e uma
saı́da.
ϕM (t) = {ϕA11 (x1 ) ∧ ϕA12 (x2 ) ∧ ϕB1 (u)} ∨ {ϕA21 (x1 ) ∧ ϕA22 (x2 ) ∧ ϕB2 (u)}
= max {ϕA11 (x1 ) ∧ ϕA12 (x2 ) ∧ ϕB1 (u), ϕA21 (x1 ) ∧ ϕA22 (x2 ) ∧ ϕB2 (u)}
Desta forma
= sup {[ϕA1 (x1 )∧ϕA11 (x1 )]∧[ϕA2 (x2 )∧ϕA12 (x2 )]∧ϕB1 (u)} ∨
(x1 ,x2 )
sup {[ϕA1 (x1 )∧ϕA21 (x1 )]∧[ϕA2 (x2 )∧ϕA22 (x2 )]∧ϕB2 (u)}
(x1 ,x2 )
= ϕBR1 (u) ∨ ϕBR2 (u).
onde BR1 e BR2 são as saı́das parciais devido às regras R1 e R2 , respec-
tivamente.
A saı́da geral é dada pela união das saı́das parciais, conforme a Fi-
gura 5.4.
ou seja,
A = A1 × A2
onde
( (
1 se x = x0 1 se y = y0
ϕA1 (x) = e ϕA2 (y) = .
0 se x 6= x0 0 se y 6= y0
fuzzy, mesmo para o caso de uma entrada crisp. Assim, se for necessário
ter um número real devemos fazer uma defuzzificação do subconjunto
fuzzy de saı́da para se obter um valor crisp que o represente.
n
X
ui ϕB (ui )
i=0
G(B) = n . (5.4)
X
ϕB (ui )
i=0
Z
uϕB (u)du
G(B) = ZR . (5.5)
ϕB (u)du
R
i+s
C(B) = , (5.6)
2
onde
u = fr (x1 , x2 , . . . , xn )
Xr r
X
ωj .gj (x1 , x2 , . . . , xn ) ωj .uj
j=1 j=1
= r = r , (5.9)
X X
ωj ωj
j=1 j=1
onde os pesos ωj são dados por ωj = ϕAj1 (x1 )△ ϕAj2 (x2 ) · · · △ ϕAjn (xn ),
e △ é uma t-norma. O peso ωj corresponde à contribuição da regra Rj
para a saı́da geral. Os casos mais comuns de t-normas são o produto e
o mı́nimo.
Para o caso de duas regras, cada uma com duas variáveis de entrada
130 Sistemas Baseados em Regras Fuzzy
Supondo que △ seja a t-norma mı́nimo, temos como saı́da geral, re-
presentando o controle para as ações x1 e x2 , o valor de u dado pela
equação:
ω1 u1 + ω2 u2 ω1 g1 (x1 , x2 ) + ω2 g2 (x1 , x2 )
u= = = fr (x1 , x2 ), (5.10)
ω1 + ω2 ω1 + ω2
gi (x1 , x2 ) = ai x1 + bi x2 + ci .
ω1 u1 + ω2 u2 ω1 g1 (x0 , y0 ) + ω2 g2 (x0 , y0 )
u= = .
ω1 + ω2 ω1 + ω2
que é uma
parábola com concavidade voltada para cima, cujo vértice é
7
−1, .
4
O gráfico a seguir ilustra a saı́da (y) e a base de regras com as funções
de pertinências ϕA1 e ϕA2 . Observe que tais funções estão representadas
abaixo do eixo OX.
ω1 c1 + ω2 c2
u=
ω1 + ω2
5.6 Aplicações
Este modelo foi desenvolvido por Ranulfo Paiva Sobrinho junto à pre-
feitura de Ilha Comprida, utilizando controladores fuzzy. Seu objetivo
era prever a variação da salinidade superficial em um ponto situado em
frente à Ilha de Cananeia, tendo como variáveis de entrada a precipitação
pluviométrica e a vazão do Rio Ribeira de Iguape [97].
Apresentação do fenômeno
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 perı́odo for média baixa E a vazão do
Rio Ribeira é alta ENTÃO a salinidade final é baixa.
R 23 - SE chuva acumulada em Cananeia no intervalo de 1 a 3 dias for
média alta E a salinidade inicial do perı́odo for média baixa E a vazão
do Rio Ribeira for baixa ENTÃO a salinidade final é média baixa.
O Quadro 5.9 fornece todas as regras atingidas (base de regras com 3
entradas e uma saı́da) 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
método de inferência de Mamdani para esta aplicação.
5.6 Aplicações 139
Inferência
R2 : min {ϕCb (23), ϕSIm (23), ϕVma (1454)} = min[1; 0,25; 0,82] = 0,25.
R3 : min {ϕCb (23), ϕSImb (23), ϕVma (1454)} = min[1; 0,67; 0,82] = 0,67.
λ
Assintomáticos =⇒ Sintomáticos
Por outro lado, existe uma relação entre a carga viral de HIV e a pos-
sibilidade de desenvolver a AIDS. Cargas altas de HIV destróem gran-
des quantidades de linfócitos CD4+ e o sistema imunológico perde sua
eficácia. Carga viral baixa não tem condição de afetar substancialmente
o sistema imunológico. Os seguintes dados são relevantes para a ela-
boração do modelo [65]:
b) Se a carga viral estiver entre 10 mil e 100 mil pares de RNA/ml, isto
é, se 10.000 < V < 100.000, então tem-se um risco moderado de
progressão;
Entradas Saı́da
Carga Viral Λ
TSK
Taxa de
CD4+
Conversão
Nı́vel 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
Nı́vel de Λ Classificação
Λ = λ1 = 0, 00 para f : fraco
Λ = λ2 = 0, 15 para M f : médio fraco
Λ = λ3 = 0, 65 para M : médio
Λ = λ4 = 1, 00 para F : forte
Funções de pertinências
mt−baixo
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
λ1 = 0
λ2 = 0,15 λ3 = 0,65 λ4 = 1
1
0.8
Taxa de transferencia (λ)
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) = λ0 + ae−βv ,
a + βυ
CD4+ . Essa é uma grande diferença do caso clássico em que tal taxa
é, via de regra, dada por algum tipo de ajuste ou simulações de dados
amostrais.
O modelo
Adotamos como variáveis de entrada a densidade de árvores infestadas
de pulgões P (número de árvores infestadas/total de árvores) e a va-
riação da densidade de infestação ∆P , que é avaliada conforme a época
do ano, a qual seria mais ou menos propı́cia para seu crescimento. Sabe-
se que os pulgões proliferam mais na época das chuvas, quando as plantas
têm novos brotos.
A variável P , dada em porcentagem p, varia de 0% à 100%. A va-
riação de P que, neste caso, representa seu crescimento numa unidade
de tempo, pode assumir valores entre 0% a 100% de p. Estas variáveis
serão definidas em termos linguı́sticos e modeladas por subconjuntos
fuzzy triangulares.
Variáveis
Nas Tabelas 5.5 e 5.6 abaixo encontram-se as denominações das variáveis
linguı́sticas e seus valores em questão.
5.6 Aplicações 153
Base de Regras
O Quadro 5.11 abaixo sintetiza a base de regras aqui utilizada. Por
exemplo, se P é densidade média alta (Pma ) e ∆P é variação densidade
média (Vm ) então o controle é médio alto (Cma ).
ϕPbi (p) ϕPb (p) ϕPm (p) ϕPma (p) ϕPa (p) ϕPat (p)
ϕP (p) = ⊕ ⊕ ⊕ ⊕ ⊕ .
Pbi Pb Pm Pma Pa Pat
20−18
Para p = 18 temos ϕPm (18) = 7,5 = 0, 27.
Se optarmos pela fórmula (2.6) para Pm , esta fornece p = (12, 5 −
20)α+20. Para p = 18 temos 18 = (12, 5−20)α+20. Logo, a pertinência
5.6 Aplicações 155
0,27
Observamos que na notação acima, Pm indica que p = 18% pertence
a Pm com grau 0, 27. O sı́mbolo ⊕ não indica qualquer tipo de adição,
apenas conecta os conjuntos atingidos. Também, ϕP (p) não indica per-
tinência de p a P , já que P não é conjunto fuzzy, e sim uma variável
linguı́stica.
38 = (30 − 40)α + 40 ⇒ α = 0, 2.
38 = (40 − 30)α + 30 ⇒ α = 0, 8.
Portanto,
0, 27 0, 40
ϕC (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 redução de 35, 97% das árvores infestadas.
Como antes da aplicação tı́nhamos uma densidade de 18% de árvores
infestadas e uma potencialidade de crescimento de 38%, vamos supor que
a aplicação de biocida se dá imediatamente após tal crescimento. Assim,
quando aplicarmos o biocida teremos uma densidade de infestação dada
por:
p1 = p + 0, 38p = 24, 84.
Agora, aplicando o controle que reduz tal infestação em 35, 97%, isto
é, c = 35, 97, teremos uma densidade de infestação resultante, dada por:
pe = p1 − 0, 3597p1 ≃ 16.
(a) △(x, y) = x ∧ y;
(R ⊗t S)−1 = S −1 ⊗t R−1
R∗X =T ou X ∗R =T,
R∗X =T
164 Equações Relacionais Fuzzy e Aproximação
para cada 1 ≤ i ≤ m e 1 ≤ k ≤ p.
Portanto, no sentido de investigar a solução de (6.1), a primeira pro-
vidência a ser tomada é verificar se tal sistema de equações tem chance
de ter solução.
De (6.2) temos
para todo i e todo k. Daı́, segue imediatamente que se existir uma linha
i de modo que
max rij < max tik , (6.3)
1≤j≤n 1≤k≤p
6.2 Equações Relacionais Fuzzy 165
então não haverá X que resolva a equação. Isto nos leva ao seguinte
resultado:
Verifique se há mais que uma solução. Caso exista, tente determinar a
solução maximal.
Y ◦R=T.
R ⊗t X = T . (6.5)
X ⊗t R = T
(R ⊗t X )−1 = X −1 ⊗t R−1 .
R ⊗t X = T . (6.6)
a) △ = min
b) △ = produto.
6.2 Equações 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 doenças que por
ventura já não tenha mais sido diagnosticada). No entanto, dados de
especialistas podem (e devem) ser usados no modelo.
6.2 Equações 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 matemático para diagnosticar for dado pela
equação S ⊗t X = T , onde a t-norma é a do produto, então a matriz
de diagnóstico é obtida por D = S −1 ⊗gn T , em que gn é a implicação
de Goguen (sugestão: use Corolário 6.5)
Base de
Entrada Saı́da
Conhecimento
plo 5.3 é um sistema de duas entradas e uma saı́da: a cada par (x, y)
de números reais é associado um número real u. O sistema fuzzy de-
fine portanto uma função f ∗ : D ⊂ R2 −→ R . Também o Modelo
5.6.2 (HIV) tem estas caracterı́sticas. Já o controlador do Modelo 5.6.1
(Salinidade) induz a uma função g∗ : D ⊂ R3 −→ R.
O que queremos salientar com esses exemplos é que, cada um deles
produz uma função que mapea um domı́nio de entradas X em um contra-
domı́nio de saı́das Y . Esta é uma caracterı́stica dos sistemas baseados
em regras fuzzy e é a que queremos explorar aqui com o propósito de
aproximar um possı́vel funcional (teórico) modelador de determinado
fenômeno.
A grande utilidade dos sistemas fuzzy (controladores fuzzy) no estudo
de aproximação está no fato de poder “substituir”, com alguma credi-
bilidade, a tal função teórica, uma vez que esta pode apresentar muitas
dificuldades de manipulação ou mesmo ser apenas conhecida parcial-
mente. Por exemplo, qual função teórica poderı́amos propor para prever
a salinidade superficial estudada no Modelo 5.6.1?
Em todos os exemplos citados aqui, foram adotados ou o método de
inferência de Mamdani ou o TSK e, portanto, a t-norma é a do mı́nimo
enquanto a t-conorma é a do máximo. Porém, 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 funções f ∗ , dadas por um
sistema fuzzy, depende:
R1 : “Se x é A1 então y é B1 ”
ou
R2 : “Se x é A2 então y é B2 ”
ou
.. ..
. .
ou
Rr : “Se x é Ar então y é Br ”
Este teorema pode ser entendido da seguinte forma: para cada função
contı́nua (no nosso discurso, a função “teórica” f ) existe uma sequência
de funções fr∗ , produzidas por sistemas fuzzy, que estão suficientemente
próximas da função teórica f .
Por trás destes teoremas existe o seguinte fato: quanto maior for o
número de regras (maior r) mais próxima do valor teórico esperado será
a saı́da do controlador. Quanto mais regras, menores são os suportes
dos conjuntos fuzzy da base de regras e assim, menores são os grânulos
aos quais o gráfico da função teórica deve pertencer (veja Figura 6.1).
Este resultado é muito semelhante ao teorema de Weierstrass, trocando-
se os graus dos polinômios aproximadores (n) pelo número de regras
(r). Neste sentido, podemos dizer que os controladores fuzzy desem-
penham papel de fundamental importância em determinadas áreas da
matemática como a Análise Numérica.
O leitor com interesse neste assunto pode consultar outros tipos de
aproximações de funções na dissertação de mestrado de Bando [10].
A seguir vamos ilustrar o potencial de aplicação da capacidade de
aproximação dos controladores fuzzy voltada para sistemas evolutivos
especı́ficos.
dx
= f (x) (6.9)
dt
para o caso contı́nuo.
O fato é que em ambos os casos o campo f representa variação e o
sistema é estudado a partir deste. No entanto, se f não for dada expli-
citamente ou pior ainda, se por algum motivo ela é conhecida apenas
parcialmente, com base nas caracterı́sticas do fenômeno que se deseja
modelar, então, como estudar a evolução do sistema? Tradicionalmente,
em um primeiro momento, o que se faz é adotar uma expressão ma-
temática para f que contemple tais caracterı́sticas.
O que sugerimos aqui é a adoção de um modelo linguı́stico fuzzy cuja
base de regras é “construı́da” a partir das caracterı́sticas do fenômeno.
Mais ainda, as variáveis de estado devem ser as entradas enquanto as
saı́das devem representar variações dos estados. Essa é a particulari-
dade dos controladores fuzzy aplicados a sistemas dinâmicos.
Claro que, do ponto de vista de modelagem, tal procedimento faz
sentido quando as informações disponı́veis são de grande importância
para o fenômeno. Como as regras são formuladas baseando-se no que se
“conhece” do fenômeno, espera-se que a função fr , dada pelo controlador
(Seção 6.3.1) capte tal conhecimento.
Deste modo podemos “substituir” o campo teórico f pelo fr , e estudar
as soluções da equação de diferenças
dx
= fr (x) (6.11)
dt
para o caso contı́nuo.
6.4 Controladores Fuzzy aplicado a Sistemas Dinâmicos 183
cuja solução é
Zt
x(t) = x0 + f (s, x(s))ds. (6.13)
t0
Zt
xr (t) = x0 + fr (s, x(s))ds. (6.15)
t0
Isto é, sob quais condições a convergência das funções fr para f implica
na convergência de suas integrais para a integral de f ?
As respostas para essa questão são tı́picas da área de análise ma-
temática, como os teoremas da convergência monótona ou da conver-
gência dominada de Lebesgue. Uma resposta à questão acima, para
compactos da reta, o leitor pode encontrar em [46].
Com o intuito de estudar a metodologia apresentada aqui, além de
admitir que xr −→ x, assumiremos que cada função fr tenha proprie-
r→∞
dades que nos assegurem que o problema (6.14) está bem colocado e sua
solução seja dada por (6.15).
Finalmente, como a função fr do controlador fuzzy é usualmente dada
na forma de tabela, usaremos métodos numéricos clássicos para obter
soluções numéricas de (6.14), isto é, o método fornecerá uma sequência
{xr }n que estima xr .
Como estamos admitindo que xr −→ x, e que {xr }n −→ xr , espera-
r→∞ n→+∞
n→∞
mos que {xr }n −→ x. Basicamente, esta é a metodologia que queremos
r→∞
utilizar aqui para obter estimativas de soluções de equações diferenciais
ordinárias a partir de controladores fuzzy quando só temos informações
parciais sobre o campo de direções. Veja um primeiro exemplo na Seção
8.1.5 do Capı́tulo 8.
Além dessa metodologia para modelos contı́nuos, exploraremos tam-
bém metologia análoga para o caso discreto no Capı́tulo 9.
Capı́tulo 7
(B. J. Caraça)
da moeda.
Para situar razoavelmente as questões de interesse, abordaremos al-
guns conceitos pertencentes à Análise Fuzzy, como medida fuzzy e in-
tegral fuzzy, que servirão para definir esperança fuzzy de uma variável
incerta. Tais conceitos serão utilizados em aplicações nos capı́tulos se-
guintes.
(1) gλ (Ω) = 1;
(2) gλ (A ∪ B) = gλ (A) + gλ (B) + λgλ (A)gλ (B), para algum λ > −1, se
A ∩ B = ∅.
• Se A ⊆ B então B = A ∪ (B − A) e A ∩ (B − A) = ∅
gλ (B) = gλ (A ∪ (B − A))
= gλ (A) + gλ (B − A) + λgλ (A)gλ (B − A)
= gλ (A) + [1 + λgλ (A)]gλ (B − A).
g(Ω) = g({x1 , x2 , . . . , xn }) = 1.
para todo A ⊂ A.
Segue da definição de medida de possibilidade que, para quaisquer
subconjuntos (clássicos) A, B ∈ A
β : R+ → [0, 1].
P (ωi ) π(ωi )
a) π(ωi ) = ou b) P (ωi ) = n .
P (ω1 ) X
π(ωi )
i=1
π(ωi )
P (ωi ) = n ,
X
π(ωi )
i=1
fuzzy.
k
X
g(ω) = αi χAi (ω),
i=1
Então Z
g dµ = α1 µ(A1 ) + α2 µ(A2 ) + α3 µ(A3 ).
Ω
7.2 Integrais Fuzzy 205
Note que cada parcela αi µ(Ai ) pode ser vista como uma “área” e a
integral de g é a área total da figura limitada pelo seu gráfico, pelas
retas verticais limı́trofes da figura e pelo eixo Ω. A Figura 7.2 ilustra a
integral de Lebesgue de g.
Por outro lado, a “área” citada acima, que dá a integral de Lebesgue
de g, pode ser obtida fazendo-se a partição no eixo vertical dos α. Sob
este ponto de vista, tal área é dada por
simples, ou seja,
Z ∞
X
g dµ = µ{ω ∈ Ω : g(ω) > αi }(α(i+1) − αi )
Ω
Zi=0∞
= µ{ω ∈ Ω : g(ω) > α} dα. (7.4)
0
dα
X(ω) ≥ 0 ∀ ω ∈ Ω,
então Z ∞
E(X) = (1 − F (x) dx)
0
f : Ω → [0, ∞),
H
1 1
f
Bissetriz
α =⇒ α
2 9
7.2 Integrais Fuzzy 211
α> 89 α> 98
α
f f Bissetriz
=⇒
α 1 H(α)
A A 6
[F ]α 1 [F ]α 1 α
A∩[F ]α =A α∧H(α)
Z 1 Z 1
Note que H(α) dα = µ{ω ∈ Ω : f (ω) ≥ α} dα é a integral de
0 0
Choquet da função f .
Z α Z α Z 1
1 dα − H(α) dα + H(α) dα .
0 0 α
Z α Z α
1
(1 − H(α)) dα = (1 − α) dα = (1 − α)α ≤ ,
0 0 4
já que ᾱ ∈ [0, 1].
A penúltima desigualdade acima é válida porque H é decrescente. É
1
importante frisar que não é possı́vel diminuir a diferença máxima de 4
que aparece no teorema acima. Ou seja, existem funções f para as quais
esta diferença é atingida [11, 107]. No entanto, escolhendo certas catego-
rias de funções, tal diferença cai bastante (veja Exemplos 7.10 e 7.11).
Z Z
(v) Se A ⊂ B, então (S) f dµ ≤ (S) f dµ;
A B
Z Z Z
(vi) (S) f dµ ≥ (S) f dµ ∨ (S) f dµ;
A∪B A B
Z Z Z
(vii) (S) f dµ ≤ (S) f dµ ∧ (S) f dµ;
A∩B A B
a) (Sugeno)
1
| EF (X) − E(X) | ≤ .
4
b)
p
EF (X) ≤ E(X).
214 Medidas, Integrais e Eventos Fuzzy
1
H(α) = P {ω : X(ω) ≥ α} ≤ E(X),
α
logo
1
EF (X) = sup [α ∧ H(α)] ≤ sup [α ∧ E(X)] = ᾱ,
0≤α≤1 0≤α≤1 α
Em particular
Z Z
E(X) = XdP = xf (x)dx.
Ω R
onde P [X = xi ] = P {ω ∈ Ω : X = xi }.
Em particular
X
E(X) = xi P [X = xi ].
i
Z 1
1
É fácil ver que E(X) = xf (x) dx = .
0 2
Por outro lado,
Z 1
H(α) = P {ω ∈ Ω : X(ω) ≥ α} = f (x) dx = 1 − α.
α
a
E(X) = .
a+b
Tabela 7.1: Alguns valores de E(X) e EF(X) para distribuição beta (β).
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(α) = P {ω ∈ Ω : X(ω) ≥ α} = f (x) dx.
α
Daı́, Z 1
1 1
H( ) = f (x) dx =
2 1 2
2
e, consequentemente, EF (X) = 12 .
Agora, é sabido que a esperança estocástica E(X) de qualquer variável
aleatória simétrica 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 dµ
Ω
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
Note que no Exemplo 7.12, a integral de Sugeno nos dá uma boa
indicação dos dados, uma vez que o valor extremo de R$ 10,00 não afeta
o resultado. Já a média aritmética clássica é consideravelmente afetada
pelos valores extremos.
Portanto X
χA (ωi )
i
P (A) = .
n
Por extensão, se A for fuzzy, e conhecendo-se ϕA : Ω → [0, 1], o
“número de casos favoráveis” é
X
m= ϕA (ωi ),
i
222 Medidas, Integrais e Eventos Fuzzy
de modo que X
ϕA (ωi )
i
P (A) = . (7.14)
n
Claro que nesse caso m pode não 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
ϕA′ (ωi )
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.
Note que esse resultado era esperado, já que P (A′ ) = 1 − P (A) = 1 −
0, 32 = 0, 68.
ou
m = (α1 − α2 )m1 + (α2 − α3 )m2 + αk mk ,
k
X
(αi − αi+1 )mi
i=1
P (A) = . (7.15)
n
224 Medidas, Integrais e Eventos Fuzzy
Com essa fórmula é possı́vel obter P (A). Por exemplo, para o evento
fuzzy A acima, embora não seja esse o objetivo das fórmulas acima, pois
no caso A é dado, tem-se
e
3, 2
P (A) = = 0, 32.
10
Embora nosso interesse maior seja no caso em que o evento A é dado,
consequentemente sua função de pertinência ϕA é conhecida, vamos ex-
plorar um pouco mais a expressão 7.15.
A fórmula 7.15 pode ser reescrita como
k
X k
mi X
P (A) = (αi − αi+1 )
= (αi − αi+1 )P ([A]αi )
m
i=1 i=1
Xk Z
= (αi − αi+1 )P [ϕA ≥ αi ] = ϕA dP (7.16)
i=1 Ω
P (A) = E(ϕA ).
se X for discreta, e
Z Z
P (A) = E(ϕA ) = E(ϕA (X)) = ϕA (x)f (x)dx = ϕA (x)f (x)dx
R suppA
(7.18)
onde f é a função densidade de probabilidades de X.
A figura abaixo ilustra a probabilidade P (A), do evento A para os
dois casos: clássico e fuzzy.
No primeiro, P (A) pode ser interpretada como a “área” limitada pelo
226 Medidas, Integrais e Eventos Fuzzy
Não é difı́cil verificar que P (A), como definida em (7.18) acima, satifaz
os axiomas de probabilidade. Por exemplo,
Z
P (φ) = E(ϕφ ) = 0.f (x)dx = 0
R
e Z
P (Ω) = E(ϕR ) = 1.f (x)dx = 1.
R
de modo que, a princı́pio, poderı́amos adotar tanto “.” como “∧” para
representar a conjunção. Como o mais comum no caso clássico é “.”
e estamos interessados na sua extensão para o caso fuzzy, adotaremos
o produto para representar ocorrência simultânea. O mı́nimo está inti-
mamente ligado à pertinência enquanto o produto à ocorrência, o que
corrobora com nossa opção.
Para o caso clássico, sabemos que se A e B forem eventos de Ω com
P (B) > 0, então
E(χA .χB )
= E(χA ) ⇔ E(χA .χB ) = E(χA ).E(χB ) (7.20)
E(χB )
228 Medidas, Integrais e Eventos Fuzzy
ou
P (AB) = P (A)P (B).
ϕA .ϕB
= E(ϕA ) ⇔ E(ϕA .ϕB ) = E(ϕA ).E(ϕB ). (7.22)
ϕB
P (X ser A)
X : Ω → F(R).
P (A2 ) = E(ϕ2A ),
já que nesse caso o modificador é dado pela função côncava m(x) = xs .
Em particular,
a) P (X ≤ 1);
d) P (A ∪ B);
e) P (A/B);
f) A e B são independentes?
Soluções
a) Temos (
1 se 0 ≤ x ≤ 1
ϕA (x) =
0 caso contrário
! !
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
ϕB (x) =
0 caso contrário
234 Medidas, Integrais e Eventos Fuzzy
Portanto,
X
P (B) = ϕB (xi )P (X = xi ) = ϕB (0)P (X = 0) + ϕB (1)P (X = 1)
i
1
= 1.P (X = 0) + .P (X = 1) + 0.P (X = 2) = 0, 7563
2
= 0, 91
P (AB) E(ϕA ϕB )
e) P (B/A) = = =
P (A) E(ϕA )
1.P (X = 0) + 0, 5P (X = 1) 0, 7563
= = 6= 0, 7563 = P (B)
0, 91 0, 91
1
λ = (X ∼ exp(λ)),
5
Pede-se:
a) a esperança T ;
236 Medidas, Integrais e Eventos Fuzzy
d) M e B são independentes?
a) P (A) e P (B);
b) P (A ∩ B) e P (AB);
c) A e B são 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(ϕA ) e V ar(ϕA∗ ).
Pede-se:
u : [a, b] → F(R), a ≥ 0,
tais que os α-nı́veis de u(t) são [uα1 (t), uα2 (t)], ou seja,
para todo α ∈ [0, 1], é a derivada da função fuzzy u(t), conhecida como
derivada de Hukuhara. Claro que estamos supondo a existência das
derivadas clássicas (uα1 )′ (t) e (uα2 )′ (t).
Z b Z b
onde uα1 (t) dt e uα2 (t) dt são as integrais de Riemann das funções
a a
reais uα1 e uα2 .
Z b
A existência de u(t) dt implica necessariamente que os intervalos
a
Z b Z b
uα1 (t) dt, uα2 (t) dt
a a
t
aα1
aα2 a1 t
a
a2 t
Figura 8.1: Função u(t) e seus α-nı́veis.
Temos que [u(t)]α = [uα1 (t), uα2 (t)] = [aα1 t, aα2 t] e, portanto,
[u′ (t)]α = [(uα1 )′ (t), (uα2 )′ (t)] = [(aα1 t)′ , (aα2 t)′ ] = [aα1 aα2 ] = [A]α .
Logo,
u′ (t) = A.
Z b α Z b Z b Z b Z b
u(t) dt = uα1 (t)dt =
dt, dt, uα2 (t)
dt aα1 t aα2 t
a a a a a
2
α b a2 α b
2 a2 b2 a2
= a1 ( − ), a2 ( − ) = ( − ) [aα1 , aα2 ]
2 2 2 2 2 2
Z b
= t dt [A]α .
a
8.1 Sistemas Dinâmicos Fuzzy Contı́nuos 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 é a integral de Riemann que, multiplicada
a
pelo número fuzzy A, dá a integral de Aumann de u(t) = At.
Com essa métrica Ralescu [106] provou que o espaço métrico F(R) é
completo, garantindo que toda sequência convergente de números fuzzy
converge para um número fuzzy.
O teorema a seguir tem importância no estudo das equações diferen-
ciais fuzzy.
u : [a, b] −→ F(R)
8.1 Sistemas Dinâmicos Fuzzy Contı́nuos 247
Corolário 8.5. Se u(t) é solução do (8.8) então, para cada α ∈ [0, 1], a
função d(t) = diam[u(t)]α é não decrescente.
Portanto,
é não decrescente, uma vez que (F2α (s, u(s))−F1α (s, u(s))) ≥ 0 para todo
s ∈ [a, b].
Suponhamos que [u(t)]α = [uα1 (t), uα2 (t)] e que a condição inicial
seja fuzzy e dada pelos α-nı́veis [u0 ]α = [uα01 , uα02 ].
t
u01 (t) x(t) ∈ [u(t)]1
u02 (t)
[u(t)]α
1
α
[u0 ]α x
cuja solução é
α
t
u01
x(t) ∈ [u(t)]1
x u02
Observações
1. O diâmetro de [u(t)]α , dado por:
(
x′ (t) = −λx(t)
, (8.16)
x0 ∈ R
cuja solução é
x(t) = x0 e−λt .
Isto significa que x(t) ∈ [u(t)]1 para todo t, ou seja, a solução deter-
minı́stica x(t) tem pertinência 1 (um) na solução fuzzy. Portanto é
uma solução 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
variação contı́nua da função u, em algum sentido. Se é a derivada
dt
de Hukuhara da função incógnita u(t), o estudo do PVIFG se reduz ao
tratado na Seção 8.1.2.
Uma função u : [a, b] → F(R) é uma solução, nos diversos sentidos
que daremos, de (8.17) se, e somente se, satisfizer a Equação (8.17) e
u(a) = u0 . Para este problema generalizado definimos, para cada t ≥ 0,
8.1 Sistemas Dinâmicos Fuzzy Contı́nuos 253
ψt : F(R) → F(R)
u0 7→ ψt (u0 ) := u(t, u0 ),
α-nı́veis são
Observação
ψt (u0 ) = u(t, u0 ),
Portanto,
[ψt (u0 )]α = [uα01 eλt , uα02 eλt ] = [uα01 , uα02 ]eλt ,
de modo que
ψt (u0 ) = u0 eλt .
e neste caso, diam[ψt (u0 )]α cresce com t, já que λα2 > λα1 > 0.
Por outro lado, supondo que λα2 < 0 (retração forte),
α α
[ψt (u0 )]α = [uα01 e−λ2 t , uα02 e−λ1 t ],
e neste caso, diam[ψt (u0 )]α decresce com t, já que λα2 > λα1 .
256 Sistemas Dinâmicos Fuzzy
Os casos em que λα1 e λα2 têm sinais contrários, ficam como exercı́cio
para o leitor.
dx = f (t, x(t))
dt , (8.22)
x(a) = x
0
[ψt (u0 )]α = [φbt (u0 )]α = φt ([u0 ]α ) = φt ([uα01 , uα02 ]).
• Se λ ∈ R e u0 ∈ F(R), temos
dx = λx(t)
dt . (8.23)
x(a) = u
0
• Vamos supor agora que o PVIFG (8.17) seja fuzzy porque algum
parâmetro (Λ) e também a condição inicial são fuzzy.
[ψt (Λ, u0 )]α = [φbt (Λ, u0 )]α = φt ([λα1 , λα2 ], [uα01 , uα02 ]). (8.25)
α α
[ψt (Λ, u0 )]α = [uα01 eλ1 t , uα02 eλ2 t ],
e neste caso, diam[ψt (Λ, u0 )]α cresce com t, uma vez que λα2 > λα1 .
Por outro lado, supondo λα2 ≤ 0 (retração forte),
α α
[ψt (Λ, u0 )]α = [uα01 e−λ2 t , uα02 e−λ1 t ],
e neste caso, diam[ψt (Λ, u0 )]α decresce com t, já que λα2 > λα1 .
Os casos em que λα1 e λα2 têm sinais contrários ficam para o leitor
analisar.
(2) ψt+s (u0 ) = ψt (ψs (u0 )) = (ψt oψs ) (u0 ) para todo u0 ∈ F(R).
A propriedade (2) acima é a que de fato caracteriza um fluxo. Ela
significa que, partindo-se de um estado u0 , o estado atingido, ψt+s (u0 ),
após t + s instantes, é o mesmo que aquele atingido após t instantes,
ψt (ψs (u0 )), partindo-se de ψs (u0 ).
Exemplos desses fluxos são as soluções de problemas de valores ini-
ciais autônomos determinı́sticos e também aqueles fluxos gerados por
inclusões diferenciais (veja [64]).
Proposição 8.6. Dado o problema de valor inicial determinı́stico autônomo
dx = f (x(t))
dt , (8.27)
x(a) = x
0
Com esta noção de estabilidade é fácil ver que não é possı́vel ter
equilı́brio assintoticamente estável para sistemas fuzzy contı́nuos, para
os quais a derivada utilizada é a de Hukuhara. Lembremos que para tais
sistemas os diâmetros dos α-nı́veis das soluções são sempre crescentes.
O principal resultado que enunciaremos aqui sobre estabilidade é para
os sistemas fuzzy contı́nuos cujas soluções são obtidas por meio do
princı́pio de extensão de Zadeh.
Observamos que, com a Definição 8.5 de estabilidade é fácil verificar
que as populações em retração no modelo malthusiano, cujas soluções
são obtidas via inclusões diferenciais fuzzy ou extensão de Zadeh, são as-
sintoticamente estáveis. O resultado seguinte generaliza essa observação
feita para o modelo de Malthus.
(a) x é estável para o PVI (8.27) se, e somente se, χ{x} é estável para
o PVIFGA (8.28);
Para encerrar esta seção queremos observar que, embora o Teorema 8.7
seja bastante intuitivo, ele revela algo que consideramos forte: x ser
assintoticamente estável para (8.27), significa que x atrai pontos de R.
264 Sistemas Dinâmicos Fuzzy
Quadro 8.1: Base de regras para modelar a variação da população 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 p−fuzzy
Malthus deterministico
200
150
população
100
50
0
0 2 4 6 8 10
tempo (t)
ψ0 (u0 ) = F 0 (u0 ) = u0
ψ1 (u0 ) = F 1 (u0 ) = F (u0 )
ψ2 (u0 ) = F 2 (u0 ) = F (F (u0 ))
.. .. ..
. = . = .
ψt (u0 ) = F t (u0 ) = F (F t−1 (u0 )),
268 Sistemas Dinâmicos Fuzzy
para t ∈ N.
Deste modo, se u0 ∈ F(R), então as iteradas definidas acima, bem
como seu limite, quando existir (na métrica D), estão em F(R), já que
o espaço métrico (F(R), D) é completo (veja [106]).
Observamos que, em um sistema discreto, o tempo é determinado
proporcionalmente ao número de iterações executadas.
Com base na Definição 8.4 podemos também fazer a seguinte definição.
ut = λt u0 , (8.33)
Pontos de Equilı́brio
e assim,
0 se 0 < λ < 1
α
lim diam[ut ] = +∞ se λ > 1 .
t→+∞
diam[u0 ]α se λ = 1
e
D(χ{0} , ut ) = D(χ{0} , λt u0 ) = λt u002 .
(a) χ{x} é equilı́brio para o sistema fuzzy ut+1 = fb(ut ) se, e somente se,
x for equilı́brio para o sistema determinı́stico xt+1 = f (xt );
(b) χ{x} é estável para o sistema fuzzy ut+1 = fb(ut ) se, e somente se, x
é estável para o sistema determinı́stico xt+1 = f (xt );
(c) χ{x} é assintoticamente estável para o sistema ut+1 = fb(ut ) se, e so-
mente se, x é assintoticamente estável para o sistema determinı́stico
xt+1 = f (xt ).
Estes dois últimos resultados valem num contexto mais geral [12].
Voltando ao modelo de Malthus, como x = 0 é assintoticamente
estável para o caso determinı́stico, o Corolário 8.10 nos permite con-
cluir imediatamente que χ{0} é assintoticamente estável para o modelo
fuzzy de Malthus discreto, se 0 < λ < 1.
Para casos de sistemas não lineares, como o logı́stico, a dinâmica
muda radicalmente quando estudada através dos sistemas fuzzy discre-
tos. Como o espaço fuzzy F(R) contém R, é razoável que o número
272 Sistemas Dinâmicos Fuzzy
de pontos crı́ticos dos sistemas fuzzy seja maior que o do caso deter-
minı́stico. Além disso, surgem novas órbitas periódicas. Também, o
diagrama de bifurcação é diferente daquele que aparece no caso clássico.
Vamos verificar este fato no modelo logı́stico (ou de Verhulst).
ū
1
1 2 3 4 a
Figura 8.7: Diagrama de bifurcação determinı́stico.
Pontos de Equilı́brio
fb(u) = u
274 Sistemas Dinâmicos Fuzzy
u1 u2 u3
R R R
u4 u5 u6
R R R
A estabilidade dos equilı́brios 0̂, x̂a e dos ciclos de fˆ, que são funções
caracterı́sticas dos ciclos de f , são as mesmas quando se estuda f ou fˆ,
de acordo com o Teorema 8.9.
Os únicos pontos fixos novos (fuzzy) de fˆ que são assintoticamente
estáveis são u3 e u4 . Os demais são instáveis. Este estudo pode ser
encontrado com detalhe em [12, 79].
A Figura 8.9 representa as bifurcações dos pontos de equilı́brio e mos-
tra a mudança em sua magnitude quando variamos o parâmetro a. Para
o modelo fuzzy, a ramificação determinı́stica é igual ao diagrama de
bifurcação clássico (Figura 8.7) e a ramificação fuzzy ilustra os novos
pontos fixos de acordo com nossos resultados.
Como já salientamos, no caso determinı́stico, a = 3 é um valor de
bifurcação, isto é, se a é pouco superior a 3, o ponto fixo xa deixa de ser
estável e surge uma órbita de perı́odo 2. Para valores de a ligeiramente
276 Sistemas Dinâmicos Fuzzy
ū
1
Ramo determinı́stico
ū1
ū2 ū3 ū5
Ramo fuzzy
ū6
ū4
√
1 2 3 1+ 5 4 a
Figura 8.9: Diagrama de bifurcação para o caso fuzzy.
√
superiores a 1 + 6 aparece uma órbita de perı́odo 4. Para valores
próximos de 3.89, surge um comportamento caótico na dinâmica desta
equação (ver [43, 50]).
√
No caso da equação fuzzy, a = 1, a = 2, a = 3 e a = 1 + 5
são também valores de bifurcação. O diagrama de bifurcação abaixo
ilustra a dinâmica do modelo logı́stico acima supondo uma condição
inicial fuzzy.
Devemos salientar que o estudo feito acima trata apenas dos pontos
de equilı́brio fuzzy. As órbitas periódicas (ciclos) estudadas são as deter-
minı́sticas que, como pode ser mostrado (veja [12]), não muda o tipo de
estabilidade quando estas são consideradas no espaço euclidiano ou no
espaço fuzzy. Estudos de órbitas periódicas fuzzy foram desenvolvidos
recentemente e já sabemos que cada órbita periódica determinı́stica de
perı́odo 2p dá origem a uma órbita fuzzy de perı́odo 2p−1 , p ≥ 2 (veja
[79]). Exemplo disto é a órbita determinı́stica de perı́odo 2 que passou a
ser o ponto de equilı́brio fuzzy u3 , com α − nı́veis [u3 ]α = [x1 , x2 ] para
todo α ∈ [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 capı́tulo comentando que, como vimos acima,
8.2 Sistemas Dinâmicos Fuzzy Discretos 277
há diversas abordagens sobre sistemas dinâmicos fuzzy. Além das apre-
sentadas aqui o leitor pode encontrar outras, consultando por exem-
plo [80]. Os sistemas p-fuzzy, formalmente descritos com a metodologia
vista na Subseção 8.1.5, tanto para o caso discreto como contı́nuo, serão
destacados no Capı́tulo 9, devido a sua riqueza de detalhes.
Capı́tulo 9
Modelagem em Biomatemática:
Fuzziness Demográfica
“Conforme a complexidade de um
sistema aumenta, nossa habilidade de
fazer afirmações precisas e
significativas sobre seu comportamento
diminui, até um limiar em que a
precisão e relevância tornam-se
praticamente caracterı́sticas
mutuamente exclusivas.”
xk Controlador ∆ xk
Fuzzy
Modelo Matemático
xk+1 = xk + ∆ xk
250
200
150
População
100
50
0
0 2 4 6 8 10
Tempo
Quadro 9.1: Base de regras para modelar a variação da população com base
na sua densidade, com oposição semântica.
(a) Conjuntos fuzzy antecedentes para (b) Conjuntos fuzzy conseqüentes para
populações (X). variações (∆X).
200
180
160
140
120
População
100
80
60
40
20
0
0 2 4 6 8 10 12 14
Tempo
Figura 9.4: Solução do sistema p-fuzzy discreto para base de regras Qua-
dro 9.1 e x0 = 2.
(iv) No máximo duas regras devem ser ativadas de cada vez, isto é, cada
elemento do universo deve ter pertinência não nula a no máximo
dois antecedentes;
288 Modelagem em Biomatemática: Fuzziness Demográfica
Corolário 9.2. Suponha que a base de regras para (9.1) seja bem or-
denada e que seja formada por números fuzzy triangulares, trapezoi-
dais e/ou em forma de sino. Nestas condições, para todo x ∈ I ∗ =
T
supp {Ai } supp {Ai+1 } =
6 ∅, a saı́da ∆x é contı́nua e derivável.
F (x) = x ⇐⇒ x + ∆x = x ⇐⇒ ∆x = 0.
9.1 Fuzziness Demográfica: modelagem discreta 289
quando existir.
Além disso, também vale a seguinte fórmula, útil para estudo de esta-
bilidade
[ϕ−1 2 ′ ′
+ (ϕAi (x))] [ϕAi (x) − ϕAi+1 (x)]
d(∆x) Bi+1
|x=x = Z ϕA (x) . (9.2)
dx i
−1
4 ϕB + (s) ds
0 i+1
deste conjunto.
(b) x é instável se
d(∆x) d(∆x)
< −2 ou > 0.
dx dx
x=x x=x
d(∆x)
É 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 é assintoticamente estável com con-
vergência monótona;
d(∆x)
(ii) se −2 < dx |x=x < −1, x é assintoticamente estável com con-
vergência oscilatória;
292 Modelagem em Biomatemática: Fuzziness Demográfica
d(∆x)
(iii) a instabilidade é oscilatória se dx |x=x < −2.
210 − x x − 200
ϕA5 (x) = e ϕA6 (x) = ,
20 20
210 − x x − 200
ϕA5 (x) = ϕA6 (x) ⇐⇒ = ⇐⇒ x = 205.
20 20
1 1 1
ϕA5 (x) = , ϕ′A5 (x) = − , ϕ′A6 (x) =
4 20 20
e Z Z 1
ϕA5 (x) 4 7
ϕ−1
B6+
(s) ds = (1 − s) ds = .
0 0 32
Então,
d(∆x) ( 3 )2 [(− 201
)− 1
20 ] 9
|x=205 = 4 7 =− .
dx 4 · ( 32 ) 240
9.1 Fuzziness Demográfica: modelagem discreta 293
Assim,
d(∆x)
−1 < < 0.
dx
x=205
B M A B M A
1 1
ϕ∆x ϕ∆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 é B e Y é B então ∆X é M + e ∆Y é M −
2. Se X é B e Y é M então ∆X é B + e ∆Y é A−
3. Se X é B e Y é A então ∆X é M − e ∆Y é M −
4. Se X é M e Y é B então ∆X é A+ e ∆Y é B +
5. Se X é M e Y é A então ∆X é A− e ∆Y é B −
6. Se X é A e Y é B então ∆X é M + e ∆Y é M +
7. Se X é A e Y é M então ∆X é B − e ∆Y é A+
8. Se X é A e Y é A então ∆X é M − e ∆Y é M +
Quadro 9.2: Base de regras para um sistema p-fuzzy discreto do tipo presa-
predador
Observamos que existe uma região E que não está “coberta” por ne-
nhuma regra. No entanto, como há oposição semântica nos consequentes
das regras 4 e 5, que envolvem E, espera-se que aı́ estejam os equilı́brios
do sistema.
Se quiséssemos preencher a região E de forma “contı́nua”, a regra
deveria relacionar as populações médias.
Por exemplo,
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 método de ordem superior
em seu estudo.
Aplicação
A seguir vamos ilustrar a metodologia aqui proposta nos modelos de
crescimento populacional com inibição, como o de Verhulst.
O modelo tradicional de Verhulst para crescimento populacional é
regido pelo PVI
1 dx = a(K − x)
x dt , (9.5)
x(t0 ) = x0
onde a é a razão de crescimento intrı́nsica e K é a capacidade suporte.
9.2 Fuzziness Demográfica: modelagem contı́nua 301
K
x(t) = . (9.6)
( xK0 − 1)e−at + 1
Logo,
x é crescente se x0 < K
x é constante se x0 = K ,
x é decrescente se x0 > K
e tem a forma representada na Figura 9.11.
300
x0 = 270
x0 = K
População
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 é linear.
Note que a equação (9.8) está escrita em função da taxa de crescimento
especı́fico. Esta formulação facilita a elaboração das regras do sistema
p-fuzzy. A “construção” das regras a partir da variação percentual por
unidade de tempo pode, em alguns casos, parece ser mais intuitiva que
a formulação a partir das variações absolutas. Por esse motivo não
usaremos a base de regras do Quadro 9.1.
Apenas para efeito de notação, denotaremos X para a população (en-
1 dX
trada) e X dt (saı́da) para a taxa de crescimento relativa por unidade
de tempo (ou taxa de crecimento especı́fico).
Base de Regras
1 dX
R1 : Se (X) é “muito baixa” (A1 ) então a X dt
é “alta positiva” (B1 )
1 dX
R2 : Se (X) é “baixa” (A2 ) então a X dt
é “alta positiva” (B2 = B1 )
1 dX
R3 : Se (X) é “média” (A3 ) então a X dt
é “média positiva” (B3 )
1 dX
R4 : Se (X) é “média alta” (A4 ) então a X dt
é “média positiva” (B4 = B3 )
1 dX
R5 : Se (X) é “alta” (A5 ) então a X dt
é “baixa positiva” (B5 )
1 dX
R6 : Se (X) é “altı́ssima” (A6 ) então a X dt
é “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 é 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 especı́ficos (f ) com inibição.
∆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) é “muito baixa ” (A1 ) então a X dt
é “pouco alta positiva” (pB1 )
1 dX
R2 : Se (X) é “baixa” (A2 ) então a X dt
é “alta positiva” (pB2 = pB1 )
1 dX
R3 : Se (X) é “média” (A3 ) então a X dt
é “média positiva” (pB3 )
1 dX
R4 : Se (X) é “média alta” (A4 ) então a X dt
é “média positiva” (pB4 = pB3 )
1 dX
R5 : Se (X) é “alta” (A5 ) então a X dt
é “baixa positiva” (mB5 )
1 dX
R6 : Se (X) é “altı́ssima” (A6 ) então a X dt
é “baixa negativa” (mB6 )
(Bi )γ ⇐⇒ ϕpBi (x) = (ϕBi (x))γ , i = 1, 2.
pBi =
(B − )γ ⇐⇒ ϕ − (x) = (ϕ − (x))γ
i pBi Bi
pBi = 1 1 , i = 3, 4.
+ γ
(Bi ) ⇐⇒ ϕpB + (x) = (ϕB + (x)) γ
1
i i
1
mBi = (Bi ) γ ⇐⇒ ϕmBi (x) = (ϕBi (x)) γ , 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-
dificações por potência.
Com essa nova base de regras obtemos uma trajetória para o modelo
9.2 Fuzziness Demográfica: modelagem contı́nua 307
210
204
195 p−fuzzy contínuo
180 modificado por potência
165
150
135
População
120
105
90
75
60
45
30
15
0
0 2 4 6 8 10 12 14
Tempo
já que há oposição semântica nos consequentes mB5 e mB6 . Esse valor
será a capacidade suporte (K) do modelo teórico de Montroll em que o
x s
campo de direções é dado por f (x) = a(1−( K ) ). Como os antecedentes
A5 e A6 são os mesmos do Exemplo 9.1, o equilı́brio é a solução da
equação
ϕA5 (x) = ϕA6 (x) =⇒ x = 205.
Estas seis hipóteses (ver [24, 55]) são resumidas nas equações abaixo,
denominadas Modelo de Lotka-Volterra:
dx
= ax − αxy
dt . (9.9)
dy = −by + βxy
dt
α
• β : a eficiência de predação, isto é, a eficiência de conversão de
uma unidade de massa de presas em uma unidade de massa de
predadores, já que α representa a proporção de sucesso dos ataques
dos predadores e β a taxa de conversão de biomassa das presas em
predadores;
Os pontos crı́ticos
do sistema (9.9) são: (0, 0), um ponto de sela
b a
instável, e β , α que é um centro estável (ver [24]).
O caráter cı́clico das soluções explica as flutuações observadas experi-
mentalmente em população de presas e predadores.
a
α
b x
β
“3” não há auto-inibição nas presas, isto é, para um dado número de pre-
dadores, o crescimento especı́fico das presas é constante, podendo
ser positivo ou negativo;
“6” o crescimento especı́fico das presas diminui com o aumento dos pre-
dadores.
B4
B3
Predador
B2
B1
0
1
A1 A2 A3 A4
1 dX 1 dY
Se X é A1 e Y é B1 então X dt é P2 e Y dt é N2
1 dX 1 dY
Se X é A2 e Y é B1 então X dt é P2 e Y dt é N1
1 dX 1 dY
Se X é A3 e Y é B1 então X dt é P2 e Y dt é P1
1 dX 1 dY
Se X é A4 e Y é B1 então X dt é P2 e Y dt é P2
1 dX 1 dY
Se X é A1 e Y é B2 então X dt é P1 e Y dt é N2
1 dX 1 dY
Se X é A2 e Y é B2 então X dt é P1 e Y dt é N1
1 dX 1 dY
Se X é A3 e Y é B2 então X dt é P1 e Y dt é P1
1 dX 1 dY
Se X é A4 e Y é B2 então X dt é P1 e Y dt é P2
1 dX 1 dY
Se X é A1 e Y é B3 então X dt é N1 e Y dt é N2
1 dX 1 dY
Se X é A2 e Y é B3 então X dt é N1 e Y dt é N1
1 dX 1 dY
Se X é A3 e Y é B3 então X dt é N1 e Y dt é P1
1 dX 1 dY
Se X é A4 e Y é B3 então X dt é N1 e Y dt é P2
1 dX 1 dY
Se X é A1 e Y é B4 então X dt é N2 e Y dt é N2
1 dX 1 dY
Se X é A2 e Y é B4 então X dt é N2 e Y dt é N1
1 dX 1 dY
Se X é A3 e Y é B4 então X dt é N2 e Y dt é P1
1 dX 1 dY
Se X é A4 e Y é B4 então X dt é N2 e Y dt é P2
Predador
Presa
0.8 0.8
Graus de Pertinência
Graus de pertinência
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 pertinência
Grau de pertinência
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 número de presas e de predadores é dado pelas
fórmulas
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 saı́das são x dt e y dt , devemos multiplicá-las pelas entradas x
dx dy
e y, respectivamente, para obter dt e dt . Porém, as expressões analı́ticas
de cada uma dessas derivadas não são conhecidas.
Para estimar as trajetórias dadas por (9.10), aproximamos dx dt (s) por
ti
R
dx dx
dt (ti−1 ) em cada intervalo [ti−1 , ti ], de modo que a integral dt (s) ds
ti−1
é aproximada por (ti − ti−1 ) dx
dt (ti−1 ).
Assim, os valores de x(t) e y(t) são estimados pelas fórmulas
(
x(ti ) = x(ti−1 ) + hx′i−1
′
, (9.11)
y(ti ) = y(ti−1 ) + hyi−1
Resultados
As simulações das trajetórias produzidas pelo sistema p-fuzzy acima
seguem os passos:
Modelagem em Biomatemática:
Fuzziness ambiental
“Quando as leis da matemática se
referem à realidade, elas não são
certas. E se são certas, não são
referentes à realidade.”
(Albert Einstein)
10.1.1 O Modelo
onde
β(r) indica o grau com que um indivı́duo com renda r pertence ao con-
junto fuzzy dos pobres, ou seja, β é uma função de pertinência.
0 b r
Figura 10.1: Densidade de distribuição da renda.
Z ∞
−λ1 t a
E[n(t)] = n(0)e ab e−βk (r)λ2 t r −(a+1) dr
b
ou Z ∞
n(t) −λ1 t a
E =e ab e−βk (r)λ2 t r −(a+1) dr. (10.4)
n(0) b
n(t)
Isto significa que E[ n(0) ] = e−λ1 t , para todo a > 0, ou seja, neste
caso o valor de b é suficientemente grande para que não haja in-
terferência da pobreza na esperança de vida do grupo.
Z ∞
a
• Se r0 > b, temos que ab e−βk (r)λ2 t r −(a+1) dr < 1, de maneira
b
que E[n(t)] < n(0)e−λ1 t . Assim, podemos interpretar o número
Z ∞
a
ab e−βk (r)λ2 t r −(a+1) dr
b
h i
n(t)
10.1.3 Esperança Fuzzy: EF n(0)
n(t)
Consideramos Yt (r) = a função de pertinência de um conjunto fuzzy,
n0 h i
n(t) n(t)
já que n0 ∈ [0, 1]. Vamos obter EF n(0) usando o Teorema 7.1,
aplicado à função
n(t)
H(α) = P {r : Yt (r) = ≥ α} = P {r : e−(λ1 +λ2 βk (r))t ≥ α}
n(0)
= P {r : e−λ2 βk (r)t ≥ αeλ1 t }, (10.5)
H
1
bissetriz
EF
a
b
r0
Yt (r) EF e−λ1 t 1 α
Figura 10.2: H(α) e esperança 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 =⇒ λ1 +λ2 βk (1) = 45, 9
1
=⇒
Se S = 2 =⇒ λ1 +λ2 βk (2m ) = 50, 8
330 Modelagem em Biomatemática: Fuzziness ambiental
1 1
λ2 βk (1) = 45,9 − 54,4 = 3, 404 × 10−3
1 1
λ2 βk (2m ) = 50,8 − 54,4 = 1, 303 × 10−3 .
β 1,51
1.68 r
# {n |Y > α }
P {n |Y > α } = .
#A
Então,
n2 10
Se Y (2, 5) < α ≤ Y (3, 5) =⇒ #A = 150 = 0, 0667
n2 +n1 50
Se Y (2, 0) < α ≤ 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, 9998e−λ1 .
β
S I
I0 eβt
I= , (10.9)
S0 + I0 eβt
vmin vM v
Figura 10.5: Coeficiente fuzzy de transmissão β.
Solução Fuzzy
Com a incorporação da carga viral, o sistema 10.8 pode ser visto como
uma famı́lia de equações diferenciais ordinárias que têm como solução
as funções
I0 eβ(v)t
I(v, t) = (10.11)
So + I0 eβ(v)t
para cada v fixo.
Agora, para cada t > 0 fixo, I(v, t) é um conjunto de valores reais e
isto significa que, para cada instante t, a solução (10.11) do problema
fuzzy (10.8) é uma distribuição de possı́veis valores para o número de
infectados no intervalo [0, 1]. Assim, I(v, t) = It (v) ∈ [0, 1] pode ser
interpretada como a função de pertinência de um conjunto fuzzy. Se por
algum motivo for necessário adotar um único valor real para representar
10.2 O Modelo Epidemiológico SI 337
0 v̄ − δ v̄ v̄ + δ v
Figura 10.6: Distribuição de possibilidades da carga viral ρ.
αk 1
H(α) = 1 − µ{v : I(v, t) < α} = 1 − µ{v : β(v) < ln( )t } =
1−α
1
αk t
1 se ln( 1−α ) ≤0
1
= αk t
µ{v ∈ [0, B)} se 0 < ln( 1−α ) <1 =
1
αk t
0 se ln( 1−α ) ≥1
10.2 O Modelo Epidemiológico SI 339
1 se 0 ≤ α ≤ I0
= I 0 et ,
µ{v ∈ [0, B)} se I0 < α < S0 +I0 et
I 0 et
0 se S0 +I0 et ≤α≤1
1
αk t
onde B = vmin + (vM − vmin ) ln( 1−α ) . Note que vmin < B ≤ vM .
Para calcular a esperança fuzzy pode-se usar qualquer medida fuzzy
(não necessariamente σ-aditiva). No nosso caso, vamos adotar a medida
fuzzy Z Z
1 ρ(v)
µ(A) = ρ(v)dv = dv,
δ A A δ
que também é uma medida de probabilidade cuja função densidade de
R ρ(v)
distribuição é ρ(v)
δ . Note que A δ dv = 1.
A fim de exemplificar os casos onde a carga viral é fraca, média ou
forte, vamos calcular a esperança fuzzy EF [I(V, t)] para os três casos
distintos, conforme Figura 10.7.
1 β
Portanto,
EF [I(V, t)] = I0 .
e, portanto
I0 et
EF [I(V, t)] = .
S0 + I0 et
Novamente neste caso, obtemos a solução clássica quando β = 1.
• Carga viral média (V−+ ): Tomamos vmin < v̄ − δ < v̄ + δ < vM .
Um cálculo direto, porém trabalhoso, nos leva a
1 se 0 ≤ α ≤ I(v̄ − δ, t)
2
B − v̄
1
1− 2 +1 se I(v̄ − δ, t) < α ≤ I(v̄, t)
δ 2
H(α) = .
1 v̄ − B
2
+1 se I(v̄, t) < α ≤ I(v̄ + δ, t)
δ
0 se I(v̄ + δ, t) < α ≤ 1
H
1
I(v̄−δ,t) I(v̄+δ,t) 1 α
Figura 10.8: Gráfico da função nı́vel H(α) para carga viral média.
dI
= β(1 − I)I.
dt
+∞
Z v̄+δ
Z
ρ(v) 1
E[I(V, t)] = I(v, t) dv = I(v, t)ρ(v) dv, (10.13)
δ δ
−∞ v̄−δ
v̄+δ
Z
1
E[I(V, t)] = I(v, t)ρ(v) dv = I0 .
δ
v̄−δ
v̄+δ
Z
1 I0 et
E[I(V, t)] = I(v, t)ρ(v) dv = .
δ S0 + I0 et
v̄−δ
e
lim E[I(V, t)] ≤ lim I(v̄ + δ, t) = I0 .
t→∞ t→∞
A nosso ver, esta é uma medida bem razoável para ser adotada no
nosso exemplo uma vez que apresenta um caráter conservador no se-
guinte sentido: um grupo A de indivı́duos infectados é avaliado por
aquele indivı́duo deste grupo com maior carga viral. O número médio
de indivı́duos infectados, isto é, EF [I(V, t)] poderia ser avaliado com
essa medida conservadora para, a partir daı́, se tomar alguma medida
de controle da doença. Queremos ressaltar que, especificamente para
esta medida de possibilidade, chegamos a conclusões bem semelhantes
às dos tres casos analisados anteriormente, nos quais a função H passa
a ser
1 se 0 ≤ α ≤ I0
I 0 et
H(α) = sup ρ(v) se I0 < α ≤ S0 +I0 et
v∈[a,vmax ]
I 0 et
0 se S0 +I0 et <α≤1
1
EF [I(V, t)] > I(v̄, t) se I(v̄, t) < 2
1
.
EF [I(V, t)] < I(v̄, t) se I(v̄, t) > 2
Desta forma, a trajetória devido à carga média I(v̄, t), não produz o
número médio de indivı́duos infectados ( dado por EF [I(V, t)] ) em cada
instante. Portanto, a nosso ver, não é correto adotar a carga média ou
modal (v̄) para estudar a evolução da doença na população como um
todo, já que EF [I(V, t)] = I(v̄, t) apenas no instante t̄ = vv̄−v
M −vmin
min
ln( SI00 ),
S0 ≥ I0 . Observemos que t̄ é o ponto de inflexão de I(v̄, t) e que I(v̄, t̄) =
1
2, isto é, no instante t̄ o incremento da taxa de crescimento de I(v̄, t) é
1
maior que I(v̄, t̄) = 2 (veja Figura 10.9).
I
1
I(v̄, t)
EF [I(V, t)]
0,5
I0
t t
Figura 10.9: EF [I(V, t)]: média fuzzy e I(v̄, t): determinı́stico.
vM −vmin
• se S0 > I0 , e enquanto t < t̄ = v̄−vmin ln( SI00 ), então EF [I(V, t)] >
I(v̄, t). A partir de t = t̄ temos que EF [I(V, t)] < I(v̄, t). Assim
podemos dizer que o modelo determinı́stico subestima o número
de indivı́duos infectados no inı́cio da doença e superestima a partir
de t̄ (veja Figura 10.9).
vM −vmin
Portanto, no inı́cio da doença quando t < t̄ = v̄−vmin ln( SI00 ) e S0 >>
I0 , temos
I(v̄, t) ≤ EF [I(V, t)] ≤ I(v̄ + δ, t)
dI
> 0 ⇐⇒ βSI = β(1 − I)I > 0
dt
v̄ + δ
R0fuzzy = . (10.14)
vmin
348 Modelagem em Biomatemática: Fuzziness ambiental
at2 at2
x(t) = e− 2 e y(t) = 1 − e− 2 .
λ = λ(υ, c).
dy
= λ(υ, c)x = kλ(υ, c)(1 − y) com y(0) = 0.
dt
c̄ − δ c̄ c̄ + δ CD4+
Figura 10.11: Distribuição ρ de CD4+ .
Neste caso, tomamos cmin > c̄ + δ. Como B > cmin temos que
µ [cM , cmax ] = 0 e µ [B, cmax ] = 0. Logo,
(
1 se α ≤ e−t
H(α) =
0 se et < α ≤ 1
354 Modelagem em Biomatemática: Fuzziness ambiental
β
1
Logo, (
1 se α = 0
H(α) = .
0 se α > 0
+
Caso 3: Nı́vel de CD4+ médio (C− ).
H
1
bissetriz
EF [x]
Assim,
e−λ(c̄)t < EF [x] < e− λ(c̄+δ)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 dinâmica de uma população de moscas com
o processo de migração entre duas colônias. As variáveis de estado são:
N1,t : população de moscas da colônia i no instante t.
Os parâmetros são:
Fi : fecundidade máxima das moscas quando estas se encontram na
colônia i;
Si : sobrevivência máxima das moscas em i;
mij : taxa de migração da colônia i para j;
f e s estimam a variação da fecundidade e da sobrevivência, respectiva-
mente.
Sabemos que os parâmetros mij , Fi e Si são dependentes de uma
série de fatores que muitas vezes são impossı́veis de serem avaliados
quantitativamente. Neste caso, um estudo do fenômeno através de um
sistema fuzzy parece mais adequado.
10.4 Dinâmica populacional e migração 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 População. 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 - sobrevivência.
360 Modelagem em Biomatemática: Fuzziness ambiental
i) Entrada
ii) Controlador
Os parâmetros fuzzy são obtidos através das bases de regras via processo
de Mamdani:
Na colônia 1, temos:
ϕPM (300) = 0, 5 (grau de pertinência ao conjunto fuzzy população média/ou
grande);
ϕAH (0, 01) = 0, 995 (grau de pertinência ao conjunto fuzzy ambiente
hostil).
Então,
0, 5 ∧ 0, 995 = 0, 5
ϕ∆x ϕ∆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) Defuzzificação
O processo que transforma este conjunto de saı́da fuzzy em um valor
exato é conhecido como defuzzificação.
Como vimos no Capı́tulo 5, são vários os métodos de defuzzificação.
362 Modelagem em Biomatemática: Fuzziness ambiental
v) Solução do sistema
Aplicando todos os valores obtidos ao sistema recursivo (10.20) obtemos
os valores numéricos de N1,1 e N2,1 , que serão as novas condições iniciais
das respectivas colônias. Com o mesmo procedimento anterior, obtemos
novamente os parâmetros e aplicamos ao sistema determinı́stico recur-
sivo (10.20) para obter os valores de N1,2 e N2,2 . Assim, sucessivamente,
teremos os valores das populações das duas colônias em cada instante
discreto. Neste caso, vimos que as populações se estabilizam.
Podemos observar que as condições ambientais são mais decisivas do
que o valor numérico das populações para o processo de migração destas
moscas. Por exemplo, se mantivermos as mesmas populações iniciais
(N1,0 = 300 e N2,0 = 400) e considerarmos condições ambientais fa-
voráveis nas duas colônias (A1,0 = 1 e A2,0 = 0, 9), obtemos populações
10.4 Dinâmica populacional e migração de moscas varejeiras 363
600
350
500
300
400
População
População
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, 1–6, 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, 319–330.