You are on page 1of 15

Universidade Estadual de Londrina

Centro de Cincias Exatas


Departamento de Matemtica
Relatrio Final de Iniciao Cientca
Introduo Teoria dos Conjuntos Fuzzy
Orientando: Osmar do Nascimento Souza
Orientador: Prof. Dr. Marcos Eduardo R. Valle Mesquita
TRABALHO VINCULADO AO PROJETO DE PESQUISA:
Teoria e Aplicaes de Memrias Associativas Morfolgicas Nebulosas
Cadastro n
o
05422 PROPG/UEL
Londrina, 8 de maro de 2010.
1 Introduo
A teoria dos conjuntos fuzzy vem se desenvolvendo, ganhando espao e est sendo usada como
ferramenta para a formulao de modelos nos vrios campos das cincias. Esta teoria foi introdu-
zida em 1965 pelo matemtico Lot Asker Zadeh, com a inteno de dar um tratamento matemtico
a certos termos lingusticos subjetivos como: aproximadamente, em torno de, dentre outros.
Pode-se dizer que a Teoria dos Conjuntos Fuzzy representa um primeiro passo no sentido de se pro-
gramar e armazenar conceitos vagos em computadores, tornando possvel a produo de clculos com
informaes imprecisas, a exemplo do que faz o ser humano.
2 Conjuntos Fuzzy como Modeladores de Incerteza
Para descrever certos fenmenos (relacionados ao mundo sensvel), utilizamos graus que representam
qualidades ou verdades parciais, ou ainda, padres do melhor. Esse o caso, por exemplo, dos
conceitos de alto, fumante, infeccioso, presa, etc.
Como exemplo, xaremos o conjunto das pessoas altas. Uma proposta para formalizar matema-
ticamente tal conjunto poderia ter pelo menos duas abordagens. A primeira (clssica), distinguindo
a partir de que valor da altura um indivduo considerado alto. Nesse caso, o conjunto est bem
denido. A segunda, menos convencional, dada de maneira que os indivduos sejam considerados
altos com mais ou menos intensidade, ou seja, existem elementos que pertenceriam mais classe dos
altos que outros. Isso signica que quanto menor for a medida da altura do indivduo, menor ser seu
grau de pertinncia a esta classe. Desse modo, podemos dizer que os indivduos pertencem classe
das pessoas altas, com mais ou menos intensidade. Pois bem, essa segunda abordagem que ser
estudada nesse relatrio
Foi a partir de desaos como esse, no qual a propriedade que dene o conjunto incerta, que
surgiu a teoria dos conjuntos fuzzy, que tem crescido consideravelmente em nossos dias, tanto do
ponto de vista terico como nas aplicaes em diversas reas de estudo.
A palavra fuzzy, de origem inglesa, signica incerto, vago, impreciso, subjetivo, nebuloso,
difuso, etc.
Observao. Embora a teoria dos conjuntos fuzzy estude casos de incertezas, vale lembrar que tal
teoria muito bem denida. O que incerto a propriedade que dene o conjunto em questo.
Para obter a formalizao matemtica de um conjunto fuzzy, Zadeh baseou-se no fato de que
qualquer conjunto clssico pode ser caracterizado por uma funo caracterstica, cuja denio
dada a seguir.
Denio 1. Seja U um universo de discurso e A um subconjunto de U. A funo caracterstica de
A dada por

A
(x) =

1, se x A
0, se x A
(1)
Assim,
A
uma funo cujo domnio U e a imagem est contida no conjunto {0, 1}. Aqui,

A
(x) = 1 indica que o elemento x est em A, enquanto
A
(x) = 0 indica que x no elemento de
A.
Dessa forma, a funo caracterstica descreve completamente o conjunto A, j que tal funo
indica quais elementos do conjunto universo U so tambm elementos de A. No entanto, existem
casos em que a pertinncia entre elementos e conjuntos no precisa, ou seja, no sabemos dizer se
um elemento pertence efetivamente a um conjunto ou no.
2
O que admissvel dizer qual elemento do conjunto universo se enquadra melhor ao termo que
caracteriza o subconjunto. Por exemplo, consideremos o subconjunto dos nmeros reais
prximo de 2.
A = {x R : x prximo de 2} (2)
Poderamos perguntar se o nmero 7 e o nmero 2,001 pertencem a A. A resposta incerta, pois
no sabemos at que ponto podemos dizer objetivamente quando um nmero est prximo de 2. O
que pode armar que 2,001 est mais prximo de 2 do que 7.
Iniciaremos, ento, as formalizaes dos conceitos da teoria dos conjuntos fuzzy com a noo de
subconjunto fuzzy.
Denio 2. Seja U um universo de discurso. Um subconjunto fuzzy F de U caracterizado por uma
funo

F
: U [0, 1], (3)
pr-xada, chamada funo de pertinncia do subconjunto fuzzy F.
A classe de todos os subconjuntos fuzzy de U denominado por F(U). O valor
F
(x) indica o
grau com que o elemento x de U est no conjunto fuzzy F. Em particular,
F
(x) = 0 e
F
(x) = 1
indicam, respectivamente, a no pertinncia e a pertinncia completa de x ao conjunto fuzzy F.
Do ponto de vista formal, a denio de subconjunto fuzzy foi obtida simplesmente ampliando-
se o contra-domnio da funo caracterstica, que o conjunto {0,1}, para o intervalo [0,1]. Nesse
sentido, podemos dizer que um conjunto clssico um caso particular de conjunto fuzzy, cuja funo
de pertinncia
F
sua funo caracterstica
F
. Na linguagem fuzzy um subconjunto clssico
costuma ser denominado subconjunto crisp.
Exemplo 1 (Nmeros prximos de dois). Considere o subconjunto F dos nmeros reais prximos de
2:
F = {x R : x prximo de 2} (4)
Se denirmos a funo
F
: R [0, 1] que associa cada x real ao valor de proximidade ao ponto 2
pela expresso

F
(x) =

(1 |x 2|), se x [1, 3]
0, se x [1, 3]
, (5)
ento o subconjunto fuzzy F dos pontos prximos de 2, caracterizado por
F
, tal que
F
(2, 001) =
0, 999 e
F
(7) = 0. Nesse caso, dizemos que x = 2, 001 um ponto prximo de 2 com grau de
proximidade 0,999 e x = 7 no prximo de 2.
Exemplo 2 (Conjunto fuzzy dos jovens). Um segundo exemplo seria o conjunto fuzzy das pessoas
jovens. Consideremos os habitantes de uma determinada cidade. A cada indivduo desta populao
podemos associar um nmero real correspondente sua idade. Considere o conjunto universo das
idades o intervalo U = [0,120], em que x U interpretado como a idade de um indivduo. Um
subconjunto fuzzy J de U, dos jovens desta cidade, poderia ser caracterizado pelas seguintes funes
de pertinncia:

J
(x) =

1, se x 10
80x
70
, se 10 < x 80
0, se x > 80
(6)
ou

J
(x) =

(
40x
40
)
2
, se 0 x 40
0, se 40 < x 120
(7)
A escolha de qual equao adotar para representar o conceito de jovem depende muito do mode-
lador e/ou do contexto analisado.
3
Paciente Febre:A Mialgia:B A B A B A

A A

A A

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


2 1,0 1,0 1,0 1,0 0,0 0,0 1,0
3 0,4 0,2 0,4 0,2 0,6 0,4 0,6
4 0,5 0,5 0,5 0,5 0,5 0,5 0,5
5 1,0 0,2 1,0 0,2 0,0 0,0 1,0
Tabela 1: Ilustrao das operaes entre subconjuntos fuzzy
2.1 Operaes com Conjuntos Fuzzy
Assim como na teoria clssica dos conjubtos, na teoria dos conjuntos fuzzy existem operaes tpicas
como unio, interseco e complemento. Daremos, a seguir, as denies dessas operaes.
Denio 3. (Unio, Interseco e Complemento) Dados conjuntos fuzzy Ae B de U, a unio AB,
a interseco AB e o complemento A

so conjuntos fuzzy com funes de pertinncia dadas pelas


seguintes equaes, respectivamente:

(AB)
(x) = max{
A
(x),
B
(x)}, x U (8)

(AB)
(x) = min{
A
(x),
B
(x)}, x U (9)

A
(x) = 1
A
(x), x U (10)
Exemplo 3 (Conjuntos fuzzy dos febris e/ou com mialgia). Suponha que o conjunto universo U
seja composto pelos pacientes de uma clnica, identicados pelos nmeros 1,2,3,4 e 5. Sejam A e
B os subconjuntos fuzzy que representam os pacientes com febre e mialgia, respectivamente, como
apresentado na tabela 2. Essa tabela tambm ilustra as operaes unio, interseco e complemento.
Precisamente, os valores das colunas, exceto os da primeira, indicam os graus com que cada paciente
pertence aos conjuntos fuzzy A, B, A B, A B, A

, A A

, A A

, respectivamente.
Na coluna A A

, o valor 0,3 indica que o paciente 1 est tanto no grupo dos febris como no dos
no febris. Notemos que este um fato inaceitvel na teoria clssica de conjuntos na qual tem-se a
lei do terceiro excludo, isto , A A

= .
Dados dois subconjuntos fuzzy A e B de U, temos que A e B sero iguais se suas funes de
pertinncia coincidem, ou seja, se
A
(x) =
B
(x), x U.
Temos, a seguir, as principais propriedades das operaes com subconjuntos fuzzy; lembrando
que o conjunto vazio () tem funo de pertinncia

(x) = 0, enquanto que o conjunto (U) tem


funo de pertinncia
U
(x) = 1, x U.
A B = B A e A B = B A (11)
A (B C) = (A B) C e A (B C) = (A B) C (12)
A A = A e A A = A (13)
A (B C) = (A B) (A C) e A (B C) = (A B) (A C) (14)
A = e A = A (15)
A U = A e A U = U (16)
(A B)

= A

e (A B)

= A

(17)
4
2.2 O Conceito de Suporte e -nvel
A seguinte denio tem papel importante na inter-relao entre as teorias de conjuntos clssica e
fuzzy, pois oferece uma forma de relacionar um conjunto fuzzy com conjuntos clssicos.
Denio 4. O subconjunto clssico de U denido por supp
F
= {x U :
F
(x) > 0} denominado
suporte de F.
Notemos que o suporte de um subconjunto crisp coincide com o prprio conjunto.
Denio 5. Seja A um subconjunto fuzzy de U e [0, 1]. O -nvel de A o subconjunto clssico
de U denido por [A]

= {x U :
A
(x) }, se 0 < 1. O nvel zero de um subconjunto
fuzzy de A denido como sendo o menor subconjunto(clssico) fechado de U que contm o conjunto
suporte de A.
3 Nmeros Fuzzy
Introduziremos o conceito de nmeros fuzzy, o qual faz-se necessrio para podermos quanticar
predicados qualitativos e fazer contas com os mesmos.
Denio 6. Um subconjunto fuzzy A chamado de nmero fuzzy quando o conjunto universo no
qual
A
est denida, o conjunto dos nmeros reais R e satisfazem s seguintes condies:
1. todos os -nveis de A so no-vazios, com 0 1;
2. todos os -nveis de A so intervalos fechados de R;
3. supp
A
= {x R :
A
(x) > 0} limitado.
Os nmeros fuzzy mais comuns so os triangulares, trapezoidais e em forma de sino.
Exemplo 4. (Triangular)
Um nmero fuzzy dito tringular se sua funo de pertinncia da forma

A
(x) =

0, se x a,
xa
ua
, se a < x u,
xb
ub
, se u x < b,
0, se x b.
(18)
A expresso em torno de pode ser modelada matematicamente pelo nmero fuzzy triangular
simtrico A.
Exemplo 5. (Trapezoidal)
Um nmero fuzzy A dito trapezoidal se sua funo de pertinncia tem a forma de um trapzio e
dada por

A
(x) =

xa
ba
, se a x < b,
1, se b x c,
dx
dc
, se c < x d,
0, caso contrrio.
(19)
5
Exemplo 6. (Forma de sino) Um nmero fuzzy tem a forma de sino se sua funo de pertinncia
for suave e simtrica em relao a um nmero real. A seguinte funo de pertinncia tem estas
propriedades para u,a e dados.

A
(x) =

exp

(xu)
2
a

, se u x u +,
0, caso contrrio.
(20)
Temos tambm as operaes aritmticas com nmeros fuzzy. Estas esto estreitamente ligadas s
operaes aritmticas intervalares.
4 Relaes Fuzzy
O conceito de relao em matemtica formalizado a partir de conjuntos. Intuitivamente, pode-se
dizer que a relao ser fuzzy quando optamos pela teoria fuzzy.
Uma relao clssica indica se h ou no alguma associao entre dois objetos, enquanto que uma
relao fuzzy, alm de indicar se h ou no tal associao, indica tambm o grau dessa relao.
Como uma relao (clssica) R um subconjunto do produto cartesiano, ento ela pode ser repre-
sentada por sua funo caracterstica

R
: U
1
U
2
. . . U
n
{0, 1},
com

R
(x
1
, x
2
, ..., x
n
) =

1, se (x
1
, x
2
, ..., x
n
) R
0, se (x
1
, x
2
, ..., x
n
) / R
(21)
O conceito matemtico de relao fuzzy formalizado a partir do produto cartesiano usual entre
conjuntos, estendendo a funo caracterstica de uma relao por uma funo de pertinncia.
Denio 7 (Relao Fuzzy). Uma relao fuzzy R sobre U
1
U
2
. . . U
n
qualquer subconjunto
fuzzy de U
1
U
2
, . . . , U
n
. Assim, uma relao fuzzy R denida por uma funo de pertinncia

R
: U
1
U
2
. . . U
n
[0, 1].
Se a funo de pertinncia da relao fuzzy Rfor indicada por
R
, ento o nmero
R
(x
1
, x
2
, ..., x
n
)
indica o grau com que os elementos x
i
, que compem a n-upla (x
1
, x
2
, ..., x
n
), esto relacionados se-
gundo a relao R.
Na teoria dos conjuntos fuzzy, o produto cartesiano similar operao de interseco, vista
anteriormente. A grande diferena est nos conjuntos universos envolvidos: enquanto na interseco
os subconjuntos fuzzy so de um mesmo universo, no produto cartesiano eles podem ser diferentes.
Deniremos, ento, o produto cartesiano fuzzy.
Denio 8. (Produto Cartesiano)
O produto cartesiano fuzzy dos subconjuntos A
1
, A
2
. . . A
n
de U
1
, U
2
, ..., U
n
, respectivamente,
a relao fuzzy A
1
A
2
, . . . , A
n
, cuja funo de pertinncia dada por

A
1
A
2
...A
n
(x
1
, x
2
, , x
n
) =
A
1
(x
1
)
A
2
(x
2
) . . .
A
n
(x
n
), (22)
em que representa o mnimo.
Observemos que se A
1
, A
2
, ..., A
n
forem conjuntos clssicos, ento o produto cartesiano clssico
A
1
A
2
, . . . , A
n
pode ser representado pela denio anterior, substituindo as funes de per-
tinncia pelas respectivas funes caractersticas dos conjuntos A
1
, A
2
, ..., A
n
. O exemplo a seguir
ilustra a importncia da aplicao do produto cartesiano.
6
Exemplo 7. Consideremos, novamente, os conjuntos fuzzy dos febris e/ou com mialgia apresentados
na tabela 2, o qual relaciona os diagnsticos de 5 pacientes com dois sintomas: febre e mialgia.
Para diagnosticar um paciente, o mdico parte de certas avaliaes de sintomas (ou sinais) que
so caractersticas de cada doena. Vrias doenas podem apresentar sintomas de febre e mialgia
com intensidades e medies diversas. Para a gripe, por exemplo, o paciente apresenta sintomas de
febre e mialgia que, se representados por subconjuntos fuzzy, estes devem ter universos distintos.
O universo indicador de febre pode ser dado pelas temperatura possveis de um indivduo, enquanto
que a mialgia pode ser avaliada pelo nmero de regies doloridas.
Para indicar o quanto um indivduo tem gripe tomamos um grau de pertinncia ao conjunto do
sintoma febre ao conjunto mialgia. O paciente 1 da tabela acima, por exemplo, tem uma temperatura
x, cuja pertinncia ao conjunto febre A
A
(x) = 0, 7 e tem um valor y de mialgia que faz com que

B
(y) = 0, 6. O diagnstico do paciente 1 para a doena gripe dado ento por:
Paciente 1 :
gripe
(x, y) =
A
(x)
B
(y) = 0, 7 0, 6 = 0, 6
Isso signica que o paciente 1 est no subconjunto fuzzy dos febris com mialgia, tendo grau de
pertinncia 0,6; que coincide com o grau de seu diagnstico para gripe.
O produto cartesiano clssico tambm poderia ser usado nesse exemplo. Nesse caso, apenas seria
indicado gripe (grau um) ou no gripe (grau zero), e apenas o paciente 2 seria considerado gripado.
4.1 Composio entre Relaes Fuzzy Binrias
A composio entre relaes de grande importncia nas aplicaes. Apresentaremos apenas a com-
posio chamada de composio max-min.
Denio 9. Considere R e S duas ralaes fuzzy binrias em U V e V W, respectivamente. A
composio R S uma relao fuzzy binria em U W cuja funo de pertinncia dada por

RS
(x, z) = sup
yV

min

R
(x, y),
S
(y, z)

, (23)
x U e z W.
Quando os counjuntos U, V e W so nitos, ento a forma matricial da relao R S, dada pela
composio max-min obtida como uma multiplicao de matrizes, substituindo-se o produto pelo
mnimo e a soma pelo mximo.
O caso especial da composio max-min a regra de composio de inferncia. Essa regra
muito til, pois fornece a interpretao de R como um funcional de F(U) em F(V ).
Denio 10. (Regra de composio de inferncia)
Sejam U e V dois conjuntos; F(U) e F(V ) as classes dos subconjuntos fuzzy de U e V , respec-
tivamente, e R uma ralao binria sobre U V .
A relao R dene um funcional de F(U) em F(V ) que, a cada elemento A F(U), faz corres-
ponder o elemento B F(V ) cuja funo de pertinncia dada por

B
(y) =
RA
(y) = sup
xU

min(

R
(x, y),
A
(x)

. (24)
Notao: B = R A
7
5 Raciocnio Aproximado
O principal sucesso da teoria dos conjuntos fuzzy devido ao seu carter prtico, j que possibilita
concluses a partir de proposies incertas. A rea que lida com as formalizaes dessas proposies
conhecida como raciocnio aproximado.
Exemplo 8. Como exemplo ilustrativo, considere o seguinte raciocnio:
1. Gripe forte provoca febre alta;
2. Febre alta provoca dores de cabea frequentemente;
Concluso: Gripe forte provoca dores de cabea frequentemente.
A ltima sentena (concluso) uma deduo obtida a partir das premissas. Porm, alguns dos
predicados no so termos precisos, tais como: forte, alta e freqentemente, por esse mo-
tivo, a teoria clssica no trata dessas sentenas. Iniciaremos, ento, com alguns conceitos da lgica
tradicional que serviro de base para o desenvolvimento da teoria lgica fuzzy.
5.1 Conectivos Bsicos da Lgica Clssica
Na lgica clssica, sentenas verdadeiras tm valor lgico 1, enquanto sentenas falsas tm valor
lgico 0 (por isso a lgica clssica , s vezes, chamada de "lgica de dois valores"). Pensando na
extenso para o caso fuzzy, usaremos a notao (mnimo) para conjuno e; (mximo) para ou;
para a negao e para a implicao.
Tais conceitos so tipicamente usados na modelagem matemtica em sentenas do tipo:
Se a est em A e b est em B, ento c est em C ou d no est em D; (25)
que pode ser expressa por meio da seguinte proposio:
SE
P
. .. .
a A
. .. .
p
E b B
. .. .
q
, ENTO
Q
. .. .
c C
. .. .
r
OU d D
. .. .
s
. (26)
Os valores de cada uma das expresses p,q,r e s podem ser apenas 0 ou 1, dependendo se cada
elemento pertence ou no ao conjunto indicado. Por exemplo, p = 1 se a est em A e p = 0 se a / A.
Analogamente, temos os valores para q,r e s.
Avaliaremos a sentena (26) para cada situao: Se a A(p = 1); b / B(q = 0); c C(r = 1) e
d / D(s = 1). Assim, o valor lgico de (26) [(1 0) (1 1)] = (0 1) = 1.
Pensando no caso fuzzy, observamos que o valor lgico da sentena P("a est em A") coincide
com o valor obtido com a funo caracterstica do conjunto A avaliado em a, isto , o valor de P
dado por
A
(a). Da mesma forma
B
d o valor de q,
C
de r e o valor de s dado por 1
D
. No
caso fuzzy, simplesmente substitumos funo caracterstica por uma funo de pertinncia.
A seguir, faremos uma introduo ao Raciocnio Aproximado e Variveis Lingsticas.
5.2 Raciocnio Aproximado e Variveis Lingsticas
O raciocnio aproximado refere-se ao processo em que se pode obter concluses a partir de premissas
incertas. Quando esta incerteza considerada fuzzy, muito frequente o uso do termo raciocnio
fuzzy. bastante comum na vida diria o seguinte raciocnio:
8
Se a banana est amarela, ento ela est madura.
De uma forma mais geral:
Se x , ento y .

(27)
Esta uma generalizao do conhecido mtodo-dedutivo modus ponens. A diferena para o
modus ponens clssico est na subjetividade dos predicados envolvidos. As sentenas gerais (27) so
expressas em linguagem natural sem o formalismo da linguagem matemtica. Nosso interesse um
modelo matemtico para a mesma usando lgica fuzzy.
Voltemos sentena (26), essa tem uma diferena substancial da sentena (27), a saber, nesta
ltima no h qualquer conjunto (clssico ou fuzzy) envolvido, e sim, qualicaes a respeito das
variveis x e y.
Para expressar formalmente sentenas com variveis como em (27) que se unem as teorias dos
conjuntos fuzzy e a da lgica fuzzy. Para se obter uma avaliao lgica de (27) a idia reescrev-la
na forma da sentena (26) e, para isso, faz-se necessrio o conceito de varivel lingstica.
Denio 11. (Varivel Lingstica) Uma varivel lingstica X no universo U uma varivel cujos
valores assumidos por ela so subconjuntos fuzzy de U.
Intuitivametente, uma varivel lingstica um substantivo, enquanto seus valores so adjetivos,
representados por conjuntos fuzzy. Por exemplo, gripe uma varivel lingstica que pode assumir
os atributos forte ou fraca.
Dependendo das circunstncias devemos ler X A ou X est emA. Notemos tambm que X
A (ou est emA) signica X = x A (ou X = x est emA). Assim que a sentena (27) pode
ter seu valor lgico, a exemplo da sentena (26). O valor lgico de X = x A o nmero
A
(x)
que indica o quanto X = x est em concordncia com o termo lingstico modelado pelo conjunto
fuzzy A.
Faremos, a seguir, a noo de variveis lingsticas para formular os mtodos dedutivos modus
ponens para o caso fuzzy.
5.3 Modus Ponens e Modus Ponens Generalizado
Nosso interesse inicial modelar matematicamente o modus ponens fuzzy:
p q : Se x A ento y B

(28)
(Fato)p : x A

(29)
(Concluso)q : y B

(30)
Note que (p q) uma proposio fuzzy condicional que modelada por uma relao fuzzy R
de U V , cuja funo de pertinncia

R
(x, y) = [
A
(x)
B
(y)], (31)
em que x e y so valores de variveis lingsticas de U e V , respectivamente. Assim, o valor da
sentena Se x A ento y B depende da implicao a ser escolhida.
A implicao clssica, isto ,
A
(x) {0, 1} e
B
(x) {0, 1}, produz a relao fuzzy cuja
funo de pertinncia dada por

R
(x, y) =
R
(x, y) =

B
(x)
B
(x)

(32)
=

1, se (x / A e y qualquer ou (x A e y B)
0, se x A e y / B
(33)
9
De modo que

B
(y) = sup
xU
[min(
R
(x, y),
A
(x))] =

1, se y B
0, se y / B
(34)
Para o caso clssico, o modus ponens pode ser escrito matematicamente por meio da frmula:

B
(y) = sup
xU
[min(
R
(x, y),
A
(x))] (35)
Assim, o modus ponens clssico pode ser dado pela regra e composio de inferncia B = R A,
em que a relao R obtida por meio de uma implicao fuzzy que modela a sentena condicional:
Se x A ento y B.
Com o propsito de inferir conjuntos fuzzy, essa frmula ser estendida para situaes fuzzy mais
gerais tais como o modus ponens e o modus ponens fuzzy generalizado.
O modus ponens fuzzy modela o seguinte silogismo:
Regra: Se a banana est amarela, ento est madura.
Fato: A banana est amarela
Concluso: A banana est madura
A lgica fuzzy revela seu grande potencial na modelagem de cada uma das sentenas acima. Os
substantivos e seus atributos so modelados por conjuntos fuzzy(funes de pertinncia), enquanto
que os conectivos por operadores como mnimo e mximo, implicaes e/ou negaes. A concluso,
que deve ser um conjunto fuzzy, obtida pela extenso da regra de composio de inferncia

B
(y) = sup
xU
[min(
R
(x, y),
A
(x))], (36)
Substituindo as funes caracteticas por funes de pertinncia obtemos:

B
(y) = sup
xU
[min(
R
(x, y),
A
(x))], (37)
Em resumo, essa frmula a regra de inferncia que modela o modus ponens fuzzy
Regra: Se x A, ento y B.
Fato: x A.
Concluso: y B.
Finalmente, estenderemos essa equao (37) adimitindo uma entrada A

no lugar de Ae a exibili-
zaremos deixando de exigir que a sada B

seja B para a entrada A = A

. Nesse caso, denominaremos


o silogismo por modus ponens fuzzy generalizado, que tem a forma geral:
Regra: Se x A, ento y B. Fato: x A

. Concluso: y B

.
A sada do modus ponens fuzzy generalizado conjunto fuzzy B

, cuja funo de pertinncia

B
(y) = sup
xU
[min(
R
(x, y),
A
(x))], (38)
que, por analogia regra de composio de inferncia vista no captulo anterior, tem a forma R(A

) =
R A

= B

.
Notemos que, no caso clssico, sempre temos R(A) = B. Porm, no caso fuzzy, nem sempre
teremos R(A) = B. Esse fato no desabona o uso da frmula (37) e/ou (38) . bastante comum se
obter um funcional terico, sem que esse funcional reproduza os dados que o originaram.
10
6 Sistemas e Controladores Fuzzy
Os controladores fuzzy tm a caracterstica de que, para um sistema fuzzy qualquer, cada entrada
fuzzy faz-se corresponder uma sada fuzzy. Porm, h casos em que se a entrada for crisp, espera-se
que a sada tambm seja crisp construda de alguma maneira especca. A seguir indicaremos um
roteiro para construo dessa funo.
6.1 Mdulo de Fuzzicao
Mdulo de fuzziacao o estgio no qual as entradas do sistema so modeladas por conjuntos fuzzy
com seus respectivos domnios. nesse estgio que se justica a grande importncia de especialistas
do fenmeno a ser modelado. Assim, mesmo que a entrada seja crisp, essa ser fuzzicada por meio
de sua funo caracterstica.
6.2 Mdulo da Base de Regras
Mdulo de base de regras pode ser considerado como um mdulo que faz parte do ncleo do
controlador fuzzy. Ele composto pelas proposies fuzzy e cada uma destas proposies descrita
na forma lingustica:
Se x
1
A
1
e x
2
A
2
e . . . e x
n
A
n
ento u
1
B
1
e u
2
B
2
e . . . e u
m
B
m
,
de acordo comas informaes de umespecialistas. neste ponto que as variveis e suas classicaes
lingusticas so catalogadas e, em seguida, modeladas por conjuntos fuzzy, ou ainda, funes de
pertinncia.
Existem vrios mtodos para se obter essas funes de pertinncia, por exemplo: apelos intuitivos,
ajustes de curvas, interpolaes e at mesmo rede neurais.
6.3 Mdulo de Inferncia Fuzzy
Nesse mdulo cada proposio fuzzy traduzida matematicamente por meio das tcnicas da lgica
fuzzy. Esse mdulo fornecer a sada (controle) fuzzy a ser adotada pelo controlador, a partir de cada
entrada fuzzy. J o mdulo de defuzicao um processo que permite representar um conjunto
fuzzy por um valor crisp.
Assim, a base de regras modelada matematicamente por uma relao fuzzy R, a partir dos
conjuntos fuzzy que a compe e da lgica fuzzy adotada. A funo de pertinncia de R dada por

R
(x, y) = max
1ir
(
R
i
(x, u)), (39)
sendo R
i
a relao fuzzy obtida da regra i, cuja funo de pertinncia
R
i
obtida, por exemplo, por
meio de um modus ponens generelazido. Os valores x e u representam, respectivamente, o estado
e o controle. A inferncia, que representa o controle B para um estado A, dada por uma regra de
composio de inferncia B = R(A), cuja funo de pertinncia dada pela equao(37).
Atualmente, os controladores fuzzy so largamente utilizados em aparelhos eletrodomsticos. Na
prxima seo ser ilustrado o Mtodo de Inferncia de Mamdani
11
6.3.1 Mtodo de Inferncia de Mamdani
Resumidamente, Mamdani prope uma relao fuzzy binria M entre x e u para modelar matemati-
camente a base de regras. Esse mtodo tem como base a regra de composio de inferncia max-min.
Seu procedimento da seguinte forma:
1. Em cada regra R
j
a condicional Se x A
j
, Ento u B

j
modelada pela aplicao o mnimo,
2. Adota-se a aplicao (mnimo) para o conceito lgico e e o mximo para ou.
Assim, a relao fuzzy M o subconjunto fuzzy de X U cuja funo de pertinncia dada por

M
(x, u) = max
1ir
(
R
i
(x, u)) = max
1ir
[
A
j
(x)
B
j
(u)], (40)
Sendo r o nmero de regras que compem a base de regras e, A
j
e B
j
so os subconjuntos fuzzy
da regra j.
Observao. Os conjuntos fuzzy de regras que aparecem na frmula de
M
(x, u) acima podem
representar o produto cartesiano fuzzy de subconjuntos fuzzy, isto ,

A
j
(x) =
A
j
1
(x
1
)
A
j
2
(x
2
) e
B
j
(u) =
B
j
1
(u
1
)
B
j
2
(u
2
), (41)
O exemplo seguinte ilustra o mtodo de inferncia de Mamdani para o caso de um sistema fuzzy
com duas entradas e uma sada.
Exemplo 9. Considere o quadro a seguir:
R
1
: Se x
1
A
11
e x
2
A
22
ento u B
1
.
R
2
: Se x
1
A
21
e x
2
A
22
ento u B
2
.
Dessa forma, para cada terna (x
1
, x
2
, u), temos

M
(x
1
, x
2
, u) =
A
11
(x
1
)
A
22
(x
2
)
B
1
(u)
A
21
(x
1
)
A
22
(x
2
)
B
2
(u)
= max
A
11
(x
1
)
A
12
(x
2
)
B
1
(u),
A
21
(x
1
)
A
22
(x
2
)
B
2
(u) (42)
que representa a relao fuzzy obtida da fase de regras pelo mtodo de Mamdani.
Agora, para um dado conjunto fuzzy de entrada A = A
1
A
2
, com A
1
e A
2
dois nmeros fuzzy,
o conjunto fuzzy de sada, que representa o controle a ser adotado para A dado por B = M A,
cuja funo de pertinncia

B
(u) = (
MA
)(u) = sup
x

M
(x, u)
A
(x). (43)
Como A = A
1
A
2
, ento
A
(x
1
, x
2
) =
A
1
(x
1
)
A
2
(x
2
). Assim,

B
(u) = max
(x
1
,x
2
)

M
(x
1
, x
2
, u) [
A
1
(x
1
)
A
2
(x
2
)] (44)
= max
(x
1
,x
2
)
[(
A
11
(x
1
)
A
12
(x
2
)
B
1
(u)) (
A
21
(x
1
)
A
22
(x
2
)
B
2
(u))] (45)
[
A
1
(x
1
)
A
2
(x
2
)] (46)
= max
(x
1
,x
2
)
[
A
11
(x
1
)] [
A
12
(x
2
)
A
2
](x
2
)]
B
1
(u) (47)
= max [
21
(x
1
)
A
1
(x
1
)] [
A
2
(x
2
)
A
22
(x
2
)]
B
2
(u) (48)
=
B
R
1
(u)
B
R
2
(u), (49)
sendo B
R
1
e B
R
2
as sadas parciais devido s regras R
1
e R
2
, respectivamente.
No exemplo seguinte, temos um caso particular do anterior no sentido que a entrada A agora
crisp.
12
Exemplo 10. Considere no exemplo anterior o caso em que o conjunto fuzzy de entrada A crisp e
cuja funo de pertinncia est concentrada em um ponto (x
0
, y
0
) R R. Dessa forma,

A
(x, y) =

1, se (x, y) = (x
0
, y
0
)
0, se x, y) = (x
0
, y
0
),
(50)
ou seja, A = A
1
A
2
. No qual

A
1
(x) =

1, se x = x
0
0, se x = x
0
,
(51)
e

A
2
(x) =

1, se y = y
0
0, se y = y
0
,
(52)
Por meio do ltimo exemplo, pode ser visto que a sada do controlador fuzzy, dada pelo mtodo
de inferncia de Mamdani, um subconjunto fuzzy, mesmo para o caso de uma entrada crisp. Assim,
para se obter um resultado real devemos fazer uma defuzzicao do subconjunto fuzzy de sada para
se obter um valor crisp que o represente.
A seguir, falaremos sobre mtodos de defuzicao que podem ser adotados.
6.4 Mtodos de Defuzzicao
No controlador fuzzy, a cada entrada fuzzy, o mdulo de inferncia produz uma sada fuzzy que
indica o controle a ser adotado. Entretanto, se a entrada for um nmero real, espera-se que a sada
correspondente seja tambm um nmero real. Porm, isso, em geral, no ocorre em controladores
fuzzy, pois, mesmo para uma entrada crisp, a sada fuzzy. Dessa forma, deve-se indicar um mtodo
para defuzzicar a sada e obter um nmero real que indicar o controle a ser adotado.
Qualquer nmero real, a princpio, que de alguma maneira possa representar razoavelmente o
conjunto fuzzy B (citado anteriormente) pode ser chamado de um defuzzicador de B.
Umexemplo de defuzzicador o centro de gravidade. Ocentro de gravidade d a mdia das reas
de todas as guras que representam os graus de pertinncia de um subconjunto fuzzy. As equaes
abaixo referem-se ao domnio discreto e domnio contnuo, respectivamente.
G(B) =

i=0
n
u
i

B
(u
i
)

i=0
n

B
(u
i
)
(53)
G(B) =

R
u
B
(u)du

B
(u)du
(54)
Na seo seguinte apresentaremos uma aplicao dos controladores fuzzy em Biomatemtica.
Destacaremos, entretanto, que a ecincia das aplicaes depende fundamentalmente das informaes
fornecidas pelos especialistas para a construo da base de regras.
7 Previso de Salinidade no Esturio de Canania e Ilha Com-
prida
Esta aplicao foi desenvolvida por Ranulfo Paiva Sobrinho junto prefeitura de Ilha Comprida, uti-
lizando controladores fuzzy. Seu objetivo era prever a variao da salinidade supercial em um ponto
13
situado em frente Ilha de Canania, tendo como variveis de entrada a precipitao pluviomtrica
e a vazo do Rio Ribeira de Iguape. O modelo proposto estima a variao da salinidade supercial
at dois dias e abrange um raio de 80 Km , o que permite informar, com alguma antecedncia, aos
empreendedores da aquicultura de esturio para que tomem as devidas providncias.
7.1 Apresentao do Fenmeno
O ecossistema estuarino lagunar que abrange as cidades de Canania, Iguape e Ilha Comprida est
localizado no litoral sudeste do estado de So Paulo numa regio de relevante importncia ecolgica
devido ao seu bom estado de conservao. Esse esturio tem conexo com o Oceano Atlntico na
poro norte atravs da barra de Icapara e na parte sul pela barra de Canania. O aporte de gua
doce no esturio fornecido por vrios rios, sendo que o de maior volume o Rio Ribeira. Suas
guas entram no esturio pela parte norte, na cidade de Iguape, atravs de um canal denominado Valo
Grande. A contribuio das guas do Rio Ribeira na regio foi alterada em 1978 quando construiu-
se uma barragem a 2 Km da cidade de Iguape. Como consequncia, o padro de algumas variveis
ambientais, como a salinidade, foi alterado.
7.2 O Modelo
O modelo baseia-se no sistema de controle fuzzy com o mtodo de inferncia de Mamdani. As
variveis de entrada consideradas so: precipitao pluviomtrica, salinidade inicial e vazo do Rio
Ribeira. A varivel de sada a salinidade nal.
Para essas variveis, atribuiu-se termos lingusticos, e cada um deles com funes de pertinncia
dos tipos triangular e trapezoidal. Por meio da anlise do conjunto dos dados envolvendo as variveis
mencionadas, pode-se estabelecer uma base de conhecimento com regras lingusticas, relacionado-as
a m de se estimar o valor da salinidade nal, sendo esse estimado pelo processo de defuzzicao
do centro de gravidade.
Cada uma das regras tem a forma dos exemplos seguintes:
R
1
-Se chuva acumulada em Canania no intervalo de 1 a 3 dias for baixa E a salinidade inicial do
perodo for mdia baixa E a salinidade inicial do periodo for mdia baixa E e a vazo do Rio Ribeira
alta E a salinidade nal baixa.
R
11
-Se a chuva acululada em Canania no intervalo de 1 a 3 dias for mdia alta E a salinidade inicial
do perodo for mdia baixa E a vazo do Rio Ribeira for baixa Ento a salinidade nal mdia
baixa.
Assim, construdo um quadro que fornece todas as regras atingidas (base de regras com 3 entra-
das e uma sada).
7.3 Inferncia
O processo de inferncia propicia o clculo da varivel resposta (sada) a partir dos valores de entrada.
Isso ocorre porque os valores dos graus de pertinncia das variveis de entrada so utilizadas para
se obter o valor do grau de pertinncia da varivel resposta. O mtodo de inferncia de Mamdani
combina os graus de pertinncia referente a cada um dos valores de entrada por meio do mnimo.
Finalmente, o valor que representa a salinidade nal obtido usando o mtodo de defuzzicao
do centro de gravidade na sada fuzzy e o resultado encontrado por meio do mtodo de Mamdani foi
considerado satisfatrio na comparao com valores observados. Na tabela seguinte apresentaremos
14
Precipitao
acumulada (mm)
Salinidade
inicial ()
Vazo do
Rio (m
3
/s)
Salinidade
Observada ()
Salinidade
Modelada ()
13,6 14 2016 6 3,4
115 30 1163 18 17,7
148 24 763 18 17,6
31 18 1515 15 13,2
3 18 2273 8 7,6
320 26 687 5 3,4
110 20 938 13 14,4
180 18 800 16 15,8
102 25 584 25 23,5
123 30 469 26 24,5
23 23 1454 17 15,2
Tabela 2: Relao entre valores de salinidade nal observados e os estimados pelo modelo fuzzy
alguns valores das variveis de entrada, das salinidades observadas e das salinidades resultantes do
modelo.
Londrina, ___________ de ______________________ de ___________.
____________________________________________________
Osmar Nascimento
____________________________________________________
Prof. Dr. Marcos Eduardo R. Valle Mesquita
15