UMA INTRODUÇÃO AO ESTUDO DA LÓGICA FUZZY AN INTRODUCTION TO FUZZY LOGIC
|
|
- Diego Chagas Neto
- 7 Há anos
- Visualizações:
Transcrição
1 Hórus Revista de Humanidades e Ciências Sociais Aplicadas, Ourinhos/SP, Nº 02, 2004 UMA INTRODUÇÃO AO ESTUDO DA LÓGICA FUZZY Prof. Ms. Dario de Almeida Jané [1] Resumo. Este trabalho apresenta uma introdução ao estudo da lógica fuzzy, seus conceitos fundamentais e principais aplicações. A lógica fuzzy, também chamada de lógica nebulosa ou difusa, foi introduzida oficialmente no cenário acadêmico pelo professor Lotfi Zadeh em 1965, proporcionando novos parâmetros conceituais relacionados à teoria dos conjuntos matemáticos. Como resultado imediato desta nova forma de interpretar dados surge o conceito de grau de participação em um conjunto, inexistente na lógica convencional boolena. Neste trabalho, pretende-se demonstrar sua utilização através do uso das chamadas variáveis lingüísticas durante a transformação da informação contida no intelecto humano em conceitos matemáticos lógicos e manipuláveis. Dessa maneira busca-se obter variáveis para os mais diversos modelos matemáticos, que permitam cálculos mais precisos, pois estas são resultados da interpretação lógica humana no processo de atribuição de valores. Palavras-chave: Lógica fuzzy, Lógica nebulosa, Variáveis lingüísticas, Risco, Incerteza. AN INTRODUCTION TO FUZZY LOGIC Abstract. This work presents an introduction to fuzzy logic, its basic concepts and principal applications. It was inserted in academic field by the university professor Lotfi Zadet in It provides new parameters for concepts concerned to the theory mathematic sets. Thus this new way of understanding data, we get in the concept of degree of a participation in a set, inexistent into the formal boolean logic. So, we intend to demonstrate its usefulness through the called linguistic variables during human information within the intellect transferring in logical and mathematical concepts. This way, we hope to obtain variables for a lot of mathematical models, which permit more precise calculation, because its results of human logical interpretation are in attribution value process. Key words: Fuzzy logic, Linguistic variable, Risk, Uncertainty. [1] Professor de Administração de Recursos Materiais e Patrimoniais da Faculdade Estácio de Sá de Ourinhos e Mestre pelo Programa de Pós-Graduação em Engenharia de Produção da Universidade Federal de Itajubá. E- mail: dariojane@faeso.edu.br
2 Uma introdução ao estudo da Lógica Fuzzy INTRODUÇÃO Grande é a diversidade de fatores que levam ao risco ou à incerteza durante a análise de um problema real em uma empresa. Independentemente de o problema analisado estar relacionado ao gerenciamento de pessoas, planejamento e controle da produção, variação do fluxo de caixa em determinado período ou mesmo análise de alternativas de investimento, existirão momentos decisórios baseados em suposições ou aproximações/simplificações. Pode-se dentre vários outros, citar com fontes de incerteza ou risco, os fatores políticos, os problemas intrínsecos das organizações com relação à administração dos seus projetos, os chamados fatores técnicos ou relativos à função produção da organização, os fatores financeiros e finalmente os fatores econômicos (PAMPLONA; MONTEVECHI, 2001). As variações que tais fatores introduzem provocam dúvidas quanto à validade dos resultados obtidos. Assim sendo, faz-se necessária a quantificação e o correto entendimento da origem destas dúvidas. Segundo Pamplona e Montevechi (2001), durante a determinação do fluxo de caixa para uma alternativa de investimento, a condição de incerteza é caracterizada quando as variações relacionadas aos componentes do mesmo não podem ser previstas com exatidão, ou seja, não é possível descrever uma distribuição de probabilidades para tais variáveis. O método determinístico mais usual para avaliar alternativas distintas de investimentos em tais circunstâncias é a chamada análise de sensibilidade. Quando é possível descrever a distribuição de probabilidades destas variáveis, considera-se então a situação de risco, sendo utilizados os chamados modelos de simulação para cálculo deste risco. Os algoritmos baseados na lógica fuzzy apresentam um conceito distinto dos métodos determinísticos e probabilísticos, considerando na verdade a natureza possibilística das variáveis envolvidas. 2. A LÓGICA FUZZY A lógica fuzzy foi introduzida no contexto científico em 1965 pelo professor Lotfi Zadeh, através da publicação do artigo Fuzzy Sets no journal Information and Control.
3 Uma introdução ao estudo da Lógica Fuzzy - 3 Segundo Cox (1995), os conceitos básicos que justamente diferenciam a lógica fuzzy da lógica booleana, já existiam anteriormente a Aristóteles. Também no século XIV, William Ockham indagava sobre tais conceitos. Já no século XX, Max Black e posteriormente Jan Lukasiewicz aprofundaram-se ainda mais no estudo da assim chamada lógica nebulosa. Assim, com o passar dos anos, a lógica fuzzy encontrou aplicação em uma infinidade de áreas, através das quais tem mostrado sua capacidade de adaptação e facilidade de interface com o ser humano. Conforme Von Altrock (1996), pode-se encontrar aplicação para a mesma em diversas áreas como: avaliação de crédito, controle de fluxo de caixa, análise de risco, controle de estoques, avaliação de marketing, avaliação de fornecedores, controle de qualidade, otimização de inventários, etc. Porém diversas outras aplicações recentemente foram alcançadas segundo Yen, Langari e Zadeh (1994). São elas: controle automático de máquinas e equipamentos (controle de elevadores, tráfego automotivo, controle automático de foco em câmeras fotográficas, sistemas de acionamento robotizado, etc.), otimização de processos produtivos, dentre outros. Citada por Pinho (1999) como um novo ramo da matemática, a lógica fuzzy tem como ponto fundamental a representação da lógica e da racionalidade humana na resolução de problemas complexos (VON ALTROCK, 1996). Chiu e Park (1994), afirmam que conforme o grau de incerteza de um problema aumenta, a capacidade de descrição de um modelo para resolução do mesmo decresce. Assim sendo, fez-se necessário o surgimento de uma teoria que fornecesse subsídios para a resolução de problemas com alto grau de incerteza, sem que informações importantes se perdessem durante a manipulação dos dados por incapacidade do modelo matemático em lidar com a incerteza inerente ao mesmo. Neste contexto, a lógica fuzzy é definida por Cox (1995), como sendo capaz de combinar a imprecisão associada aos eventos naturais e o poder computacional das máquinas para produzir sistemas de resposta inteligentes, robustos e flexíveis. Kaufmann e Gupta (1988), afirmam que a lógica fuzzy é composta por conceitos e técnicas que dão a forma matemática ao processo intuitivo humano que na sua grande maioria é caracterizado pela imprecisão e ambigüidade. Von Altrock (1996), enfatiza que lógica fuzzy permite o desenvolvimento de sistemas que representam decisões humanas, onde a lógica e a matemática convencional (booleana) se mostram insuficientes ou ineficientes. Portanto nota-se a preocupação ao definir o conceito de lógica fuzzy, em demonstrar seu objetivo principal que é aproximar a maneira tal qual o ser humano relaciona dados, para gerar uma resposta aproximada ao problema
4 Uma introdução ao estudo da Lógica Fuzzy - 4 relacionado. Assim, espera-se através de um modelamento matemático baseado no conhecimento intuitivo humano, resolver problemas complexos e compostos por variáveis cuja informação contida é incerta, de uma maneira organizada e com a máxima confiabilidade possível. As figuras 2.1, 2.2 e 2.3 extraídas e adaptadas de Pinho (1999), demonstram de uma maneira simples, as idéias acima descritas e posteriormente serão utilizadas na definição de alguns conceitos fundamentais fuzzy. A questão relacionada à figura 2.1 é a seguinte: Qual a cor das bolinhas contidas no cesto? Obviamente a resposta seria imediata - verde. Figura 2.1: Cesto com bolinhas verdes. Fonte: Pinho (1999). Da mesma maneira, se for observada a figura 2.2 ante a mesma indagação, a resposta seria também imediata - vermelha. Figura 2.2: Cesto com bolinhas vermelhas. Fonte: Pinho (1999). Até este momento, não há nada que conteste a veracidade das respostas dadas à respectiva pergunta. Porém analisando agora as figuras 2.3a, 2.3b, 2.3c e 2.3d, nota-se uma dificuldade antes inexistente na tentativa de se classificar a cor do conteúdo do cesto!
5 Uma introdução ao estudo da Lógica Fuzzy - 5 Figura 2.3a: Cesto com bolinhas variadas Figura 2.3b: Cesto com bolinhas variadas Fonte: Pinho (1999) Fonte: Pinho (1999). Figura 2.3c: Cesto com bolinhas variadas Figura 2.3d: Cesto com bolinhas variadas Fonte: Pinho (1999) Fonte: Pinho (1999). Provavelmente a resposta mais adequada à pergunta ao se analisar as figuras 2.3a, 2.3b, 2.3c e 2.3d, seja: quase totalmente verde; grande parte verde; grande parte vermelha; quase totalmente vermelha. Este é o ponto em questão. Nota-se a criação imediata de uma escala de valores, responsável por quantificar o conteúdo dos cestos desde o extremo da figura 2.1 (totalmente verde), até o outro extremo da figura 2.2 (totalmente vermelho), passando pelos vários estágios das figuras 2.3a, 2.3b, 2.3c e 2.3d. Sob a ótica da matemática convencional, seria impossível descrever a cor do conteúdo do cesto da figura 2.3c, como sendo: grande parte verde. Porém a lógica fuzzy através do uso justamente de variáveis denominadas lingüísticas (grande, pequeno, entre, ao redor de, etc) consegue captar a incerteza associada a estas variáveis e traduzi-la para o modelamento matemático. Isto é possível, porque diferentemente da lógica booleana, a lógica fuzzy está baseada no conceito denominado grau de participação, ou função de pertinência (membership). O exemplo a seguir (figuras 2.4 e 2.5), retirado e adaptado de Von Altrock (1996) será utilizado para demonstrar tal conceito. Neste exemplo, nota-se um conjunto denominado de pessoas com febre, que através da matemática booleana será definido como sendo o conjunto de elementos (pessoas), cuja temperatura esteja acima de 38º C. 40 º C 38 º C 36,5 º C 39 º C 37,9 º C
6 Uma introdução ao estudo da Lógica Fuzzy - 6 Percebe-se, entretanto que determinados elementos cuja temperatura estava próxima Figura da 2.4: temperatura Conjunto de pessoas estipulada com febre como - lógica limite booleana. entre Fonte: pertencer Von Altrock ou não (1996). ao conjunto, invariavelmente foram classificados como não pertencentes ao mesmo. Fica claro a existência de uma ruptura abrupta durante a classificação dos elementos que pertencem e dos que não pertencem ao conjunto. Tal situação não ocorre no conjunto fuzzy da figura 2.5, pois neste, temperaturas próximas são avaliadas de maneiras diferentes, porém sutilmente. Neste caso, as temperaturas serão classificadas de acordo com o respectivo grau de participação no conjunto de pessoas com febre, ou seja, pode-se dizer que se determinada pessoa estiver com uma temperatura de 37,5º C, possui um grau de pertinência (participação) no conjunto de pessoas com febre igual a 0,6. 40 º C 38 º C 39 º C 37,5 º C 37 º C 37,9 º C 36,5 º C 36 º C Figura 2.5: Conjunto de pessoas com febre - lógica fuzzy. Fonte: Von Altrock (1996). Da mesma forma, outro indivíduo que apresenta uma temperatura de 39º C, possui um grau de pertinência de 0,9 em relação a este conjunto. Assim, pode-se classificar todos os elementos observados, não mais como pertencentes ou não ao conjunto, mas sim de acordo com seu respectivo grau de pertinência ao conjunto estudado.
7 Uma introdução ao estudo da Lógica Fuzzy A Lógica Fuzzy Como Base Para o Raciocínio Aproximado - As Variáveis Lingüísticas Kaufmann e Gupta (1988), afirmam que o conhecimento ou o significado de certos fatos empíricos nem sempre se comportam de maneira probabilística ou mesmo determinística, envolvendo muitas vezes alguma forma de aproximação ou raciocínio aproximado. A frase a seguir ilustra esta idéia: O investimento inicial para possibilitar a implementação completa do empreendimento é extremamente elevado. Os conceitos envolvidos no significado das palavras completa e elevado, vão muito além do que os aspectos determinísticos ou probabilísticos podem analisar. Assim fica clara a necessidade de elaboração de um sistema que permita analisar tais dados de maneira a permitir que estas informações sejam levadas em consideração durante a avaliação do problema. Segundo Von Altrock (1996), as chamadas variáveis lingüísticas constituem o vocabulário da lógica fuzzy, trazendo toda a incerteza presente no pensamento e na expressão oral do ser humano, para sistemas de decisão que priorizam o padrão e respeitam determinada metodologia durante o cálculo computacional envolvido. Esta característica excepcional encontrada na lógica fuzzy, só é possível, porque considera a parcela de informação relativa não à incerteza estocástica, mas sim a chamada incerteza léxica presente em qualquer problema real analisado em que estejam envolvidas variáveis lingüísticas. A idéia relacionada à incerteza estocástica contida em uma determinada variável corresponde exatamente ao grau de probabilidade de que a informação nela contida seja realmente verdadeira ou não. Esta é a maneira como os modelos probabilísticos relacionam suas variáveis para determinar resultados como viabilidade ou não do investimento. A frase seguinte permite que a idéia acima discutida seja exemplificada: A probabilidade de o investimento inicial perfazer um total de R$ ,00 é de 90% Assim, pode-se notar que tanto o evento, bem como sua ocorrência, estão muito bem definidos. Além do mais, a incerteza neste caso, refere-se ao fato da variável investimento inicial, ser ou não igual ao valor de R$ ,00, ou seja, a cada 100 chances diferentes, em noventa, o valor do investimento inicial seria de R$ ,00.
8 Uma introdução ao estudo da Lógica Fuzzy - 8 Já no caso da incerteza léxica, contida na linguagem e no modo de pensar do ser humano, busca-se através de abstrações e analogias, sentenças que consigam descrever contextos muito difíceis de serem modelados através da matemática booleana, como na afirmação abaixo: Existe uma possibilidade muito grande de que o investimento inicial seja alto Neste exemplo, que a princípio pode parecer similar ao anterior, mostra-se essencialmente diferente ao ser analisado minuciosamente. Nota-se que na verdade o evento em si não está claramente definido. O que pode ser considerado investimento alto para determinado investidor, não será assim entendido por outro, pois estes possuem diferentes interpretações para esta variável. Além disso, o termo probabilidade não se adequaria neste caso, e sim o termo possibilidade, visto que a incerteza não está relacionada em ser o investimento inicial exatamente alto ou baixo, mas sim que o valor admitido por esta variável tem, dentro da sua possível distribuição de possibilidades, grande chance de ser alto. Não é de se estranhar então, que tais variáveis sejam extremamente importantes na aplicação de soluções baseadas na lógica fuzzy em problemas reais. Porém, se de um lado tem-se a incerteza associada ao pensamento humano, deve ser levado em consideração, que somente existirá benefício através da adição de informações ao problema real analisado, caso esta possa ser expressa de maneira tal, que possibilite ao sistema efetuar cálculos e/ou aproximações com estes valores. Desta forma, percebe-se a importância de um componente do sistema baseado na lógica fuzzy responsável pela interface entre as variáveis lingüísticas, e sua interpretação matemática. Aliás, a função de pertinência, é na verdade um mapeamento de cada possível valor numérico da correspondente variável lingüística.a figura 2.6 demonstra a interpretação da variável lingüística investimento inicial alto através de um conjunto de funções de pertinência representadas em um mesmo gráfico, indicando as possíveis interpretações para a variável em questão. A figura 2.6 representa a variável investimento inicial, mapeada através de três diferentes funções de pertinência. µ 1 Investimento baixo Investimento médio Investimento alto 0
9 Uma introdução ao estudo da Lógica Fuzzy - 9 Figura 2.6 Variável lingüística investimento inicial e suas funções de pertinência. Fonte: Autor. 2.2 Estrutura do Sistema Lógico Fuzzy A estrutura de todo o sistema lógico fuzzy está baseada em três operações que estão explicitadas na figura 2.7, adaptada de Cox (1995). Variáveis Lingüísticas Inferência Fuzzy Resultados Lingüísticos Fuzificação Defuzificação Dados Iniciais Dados Finais Figura 2.7 Sistema lógico fuzzy. Fonte: Cox (1995) Fuzificação Este primeiro passo do sistema lógico fuzzy, chamado de fuzificação, corresponde à transformação dos dados de entrada iniciais em suas respectivas variáveis lingüísticas. Nesta etapa, todas as informações relativas à imprecisão ou incerteza associada a estas variáveis devem ser consideradas. Pinho (1999) cita a necessidade de que especialistas da área estudada sejam consultados durante a atribuição de valores relacionados aos graus de pertinência para cada uma das variáveis em estudo, contribuindo assim para maior precisão nos resultados. A figura 2.8 exemplifica o processo de fuzificação das informações relativas à idade de um indivíduo, através de três funções de pertinência: Variável Idade Funções de pertinência: criança, adulto e idoso; µ 1 criança adulto idoso
10 Uma introdução ao estudo da Lógica Fuzzy - 10 Figura 2.8 Variável lingüística idade e suas funções de pertinência. Fonte: Autor. Nota-se, portanto, que as informações iniciais referentes ao valor numérico da idade de um indivíduo, através do processo de fuzificação são transformadas em variáveis lingüísticas, podendo a partir deste momento ser utilizadas no processo seguinte de inferência. A tabela 2.1 demonstra como podem ser expressas estas variáveis lingüísticas, em função dos respectivos vetores de graus de pertinência. Nelas observa-se os valores assumidos pelas variáveis durante o processo de fuzificação. Tabela 2.1: Atribuição de valores à variável lingüística idade Valor atribuído para a variável Idade (anos) lingüística (grau de pertinência) Vetor Grau de pertinência (Criança ; Adulto ; Idoso) 10 Criança = 1,0 Adulto = 0,0 Idoso = 0,0 {1,0 ; 0,0 ; 0,0} 17 Criança = 0,5 Adulto = 0,5 Idoso = 0,0 {0,5 ; 0,5 ; 0,0} 23 Criança = 0,0 Adulto = 1,0 Idoso = 0,0 {0,0 ; 1,0 ; 0,0} 41 Criança = 0,0 Adulto = 0,5 Idoso = 0,5 {0,0 ; 0,5 ; 0,5} 60 Criança = 0,0 Adulto = 0,0 Idoso = 1,0 {0,0 ; 0,0 ; 1,0} Outra maneira de se representar o valor de uma variável lingüística seria através de palavras, ao invés dos vetores de graus de pertinência, conforme a tabela 2.2: Tabela 2.2: Representação lingüística para os vetores grau de pertinência
11 Uma introdução ao estudo da Lógica Fuzzy - 11 Vetor Graus de Pertinência Valor Lingüístico {1,0 ; 0,0 ; 0,0} Muito criança {0,5 ; 0,5 ; 0,0} Pouco criança, quase adulto {0,0 ; 1,0 ; 0,0} Muito adulto {0,0 ; 0,5 ; 0,5} Pouco adulto, quase idoso {0,0 ; 0,0 ; 1,0} Muito idoso Inferência Fuzzy Uma vez feita a adequação dos valores iniciais em variáveis lingüísticas, segue-se com a fase denominada inferência fuzzy, cuja finalidade é relacionar as possíveis variáveis entre si, através de regras pré-estabelecidas, cumprindo assim com os objetivos do algoritmo. Segundo Von Altrock (1996), pode-se separar esta fase em dois componentes visualizados na figura 2.9 e denominados Agregação e Composição. O primeiro diz respeito à chamada parcela Se das regras que irão reger o processo de inferência, e o segundo, refere-se à parcela Então do conjunto de regras assim chamadas, Se-Então. Tais componentes compõem o chamado processo de inferência lógica fuzzy, controlando as relações entre variáveis lingüísticas através de seus respectivos operadores lógicos. Inferência Fuzzy Agregação - Parcela Se; - Define a validade de uma regra para o caso estudado. Composição - Parcela Então; - Define o resultado obtido depois de feita a inferência. Figura 2.9: Inferência Fuzzy. Fonte: Autor.
12 Uma introdução ao estudo da Lógica Fuzzy DESFUZIFICAÇÃO A terceira e última etapa do sistema lógico fuzzy é chamada desfuzificação, e compreende segundo Von Altrock (1996), a tradução do resultado lingüístico do processo de inferência fuzzy, em um valor numérico. Porém, Cox (1995), fornece uma outra interpretação para o termo desfuzificação, compreendendo o processo de conversão de um número fuzzy em um número real. Dentre os vários processos de desfuzificação encontrados na literatura, podese citar o método baseado em variáveis lingüísticas e chamado de Centro-de-Máximo. Apresentado por Von Altrock (1996), este método é caracterizado pela relação entre o valor lingüístico e seu correspondente valor real. A figura 2.10 demonstra o processo de desfuzificação de uma variável fuzzy qualquer. Assim, dado um certo valor lingüístico, resultado do processo de inferência fuzzy, através do método do Centro-de-Máximo, deve-se selecionar os valores máximos assumidos pela variável, nos pontos onde a(s) função(ões) de pertinência relacionadas tem o seu maior valor ( µ =1). µ 1 lento normal acelerado 1 lento normal acelerado Crescimento Figura 2.10: Seleção dos valores com grau de pertinência = 1 - variável crescimento. Fonte: Autor. 0 0 O próximo 2 passo consiste 5 em atribuir pesos 8 proporcionais 10 Crescimento aos graus de pertinência da variável resultante ao processo de inferência fuzzy. Supondo um vetor resultante para a variável crescimento igual a: (0,8; 0,2; 0), obtém-se o seguinte resultado: crescimento normal: 0,8 2 = 1, 6 adulto: 0,2 5 = 1, 0
13 Uma introdução ao estudo da Lógica Fuzzy - 13 idoso: 0,0 8 = 0, 0 O resultado é composto pela soma das parcelas acima descritas, e perfaz um total de 2,6. Este é então o valor real correspondente a variável lingüística analisada, e no exemplo, indica um determinado ponto de uma escala de crescimento, com faixa de operação entre zero (0), e dez (10). Tal escala é responsável por demonstrar o ritmo de crescimento do indivíduo analisado. Outros métodos são também apresentados, como o método representativo ordinário proposto por Kaufmann e Gupta (1998), e considerado neste trabalho através de uma aplicação específica para o processo de desfuzificação de um número fuzzy triangular (TFN). Partindo-se então de sua forma vetorial A = (a 1, a 2, a 3 ), obtém-se seu representativo ordinário  pela equação 2.1 e demonstrado na figura 2.11: a1 + 2 a2 + a3  = (2.1) 4 µ Crescimento Figura 2.11: Exemplo de desfuzificação através do método representativo ordinário. Fonte: Autor. equação 2.2. Através da equação 2.1, aplicada ao TFN (2, 3, 8) da figura 2.11, obtém-se a
14 Uma introdução ao estudo da Lógica Fuzzy - 14 a1 + 2 a2 + a  = = = 4 (2.2) 4 4 Segundo Pinho (1999), este método apresenta uma maior sensibilidade às possíveis assimetrias dos TFN s estudados, além de demonstrar maior simplicidade nos cálculos que o chamado método do Centro-de-Área, Centróide ou Centro de Gravidade. Este terceiro método aqui apresentado é descrito por Von Altrock (1996) como sendo o resultado do balanço das áreas sob as curvas, das funções de pertinência envolvidas. Assim sendo, uma clara desvantagem deste método pode ser indicada, referindo-se à necessidade de se calcular constantemente através da integração numérica as áreas analisadas. µ ,1 6 Crescimento Figura 2.12: Exemplo de desfuzificação através do método centróide. Fonte: Autor. Isso faz com que o esforço computacional necessário para o cálculo se eleve demasiadamente. A figura 2.12 explicita este método, através da análise do TFN (1,2,6) conforme Pinho (1999). 3. CONCLUSÕES
15 Uma introdução ao estudo da Lógica Fuzzy - 15 Neste trabalho foi introduzido o estudo da lógica fuzzy, seus conceitos fundamentais, e sua possível aplicação na solução de problemas sob situações de risco e incerteza. Através da análise da tabela 2.1, nota-se que os valores atribuídos às variáveis lingüísticas, contém um tipo de informação que as variáveis determinísticas ou probabilísticas desconhecem. Informações do tipo muito adulto, pouco criança, quase idoso, comuns no diaa-dia, perdem parte do seu significado, ao serem transcritas para a matemática convencional. Este fato se verifica devido à própria natureza das variáveis em uso, que esta alicerçada na teoria dos conjuntos booleanos, onde um dado ou um conjunto de dados pertence ou não ao conjunto analisado, inexistindo valores intermediários relacionados à sua participação no conjunto analisado. Neste contexto, pode-se enxergar os benefícios que a modelagem matemática baseada na lógica fuzzy pode proporcionar, ao oferecer possibilidades infinitas de classificação de um determinado valor, dentro do domínio de sua função de pertinência. Assim, torna-se mais precisa a avaliação e transcrição de uma informação relevante ao modelo, da sua forma inicial, e muitas vezes informal, para padrões que permitirão seu manuseio e conseqüentemente benefício para os resultados finais gerados. A informação contida nestas variáveis permite que os valores fuzzy quando utilizados em modelos matemáticos reais, possibilitem cálculos mais apurados e precisos, além de favorecer o uso das chamadas variáveis lingüísticas, conforme demonstrado (Jané, 2003). Nota-se, entretanto, a necessidade da figura do especialista, quando tais valores forem atribuídos, e também do desenvolvimento de uma teoria específica para manuseio destes dados. Conclui-se então da importância assumida nos últimos anos pela teoria dos conjuntos fuzzy, aplicada principalmente ao modelamento de sistemas reais, buscando aproximar a maneira racional e lógica utilizada pelo ser humano em relacionar dados com os algoritmos computacionais para tomada de decisão.
16 Uma introdução ao estudo da Lógica Fuzzy - 16 REFERENCIAS VON ALTROCK, Constantin. Fuzzy logic and neurofuzzy applications in busines and finance. New Jersey: Prentice Hall PTR, CHIU, Chui-Yu; PARK, Chan S. Fuzzy cash flow analysis using present worth criterion. The Engineering Economist, vol 39, , COX, Earl. Fuzzy logic for business and industry. Massachusetts: Charles River Media Inc, JANÉ, Dario de Almeida. A simulação de monte carlo e a lógica fuzzy na análise econômico/financeira de investimentos sob condições de risco. 2003, 157f. Dissertação (Mestrado em Engenharia) Universidade Federal de Itajubá, Itajubá, KAUFMANN, Arnold; GUPTA, Madan M. Fuzzy mathematical models in engineering and management science. Amsterdam: Elsevier Science Publishers B, PAMPLONA, Edson de O.; MONTEVECHI, José A. B. Apostila do Curso de Engenharia Econômica I. Universidade Federal de Itajubá, Itajubá, PINHO, Alexandre F. Uma contribuição para a resolução de problemas de programação de operações em sistemas de produção intermitentes flow-shop: A consideração de incertezas Dissertação (Mestrado em Engenharia) Universidade Federal de Itajubá, Itajubá, YEN, John; LANGARI, Reza; ZADETH, Lotfi A. Industrial applications of fuzzy logic and intelligent systems. New York: IEEE Press, 1994.
Lógica Fuzzy. Alexandre Garcia Aguado, Marco André Cantanhede
Lógica Fuzzy Alexandre Garcia Aguado, Marco André Cantanhede Faculdade de Tecnologia Univerdade Estadual de Campinas (UNICAMP) Rua Paschoal Marmo, 1888 13484-332 Limeira SP Brazil ale.garcia.aguado@gmail.com,
Leia maisAPLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisCONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisLÓGICA NEBULOSA CONTEÚDO
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisIntrodução. A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado.
Introdução A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado. Iniciou-se já na época da Grécia antiga, onde foi desenvolvido o Distribuidor de Água em Delfos, o qual fornecia
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisImplementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC
Implementação de controlador PID fuzzy para otimização do controle de posição de um servomotor DC Ederson Costa dos Santos 1, Leandro Barjonas da Cruz Rodrigues 1, André Maurício Damasceno Ferreira 2 1
Leia maisLógicas Difusas e Sistemas Difusos
Lógicas Difusas e Sistemas Difusos 1 Semestre de 2015 Cleber Zanchettin UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Introdução (1/2) O conhecimento humano é muitas vezes incompleto,
Leia maisLógica Fuzzy. Angelo Batista Neves Júnior Bruno Luan de Sousa Kelly de Paiva Soares
Lógica Fuzzy Angelo Batista Neves Júnior Bruno Luan de Sousa Kelly de Paiva Soares INTRODUÇÃO Introduzida em 1965 por Lofti Zadeh. Surgimento em 1930. Influência o Jan Lukasiewicz; o Max Black; o Lofti
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE CIÊNCIA DA COMPUTAÇÃO CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE CIÊNCIA DA COMPUTAÇÃO CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO LIN YU HAN RENAN RISSÁ FRANCO LÓGICA FUZZY RELATÓRIO PONTA GROSSA
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 07 Inferência Difusa Sistemas de Controle Difuso Max Pereira Regras difusas SE ENTÃO Antecedente:
Leia maisLÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto
LÓGICA FUZZY (difusa ou nebulosa) Adão de Melo Neto SUMÁRIO INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisLogica Difusa (Fuzzy( Fuzzy)
Logica Difusa (Fuzzy( Fuzzy) Patricia Tedesco e Germano Vasconcelos {pcart, gcv}@cin.ufpe.br Horários: 2 as e 4 as 14 às 16 Sala: D001 e D226 Página da Disciplina: www.cin.ufpe.br/~îf684/ec/2010-1/ 1 Introdução
Leia maislnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy)
lnteligência Artificial Introdução a Lógica Nebulosa (Fuzzy) Sumário Introdução Fundamentos Operações básicas Representação do Conhecimento Modelo de Inferência Passos de Projeto de um Sistema Nebuloso
Leia maisCLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY RESUMO INTRODUÇÃO
CLASSIFICAÇÃO DE OVINOS PARA O ABATE COM A UTILIZAÇÃO DE LÓGICA FUZZY Wesley Osvaldo Pradella Rodrigues 1, Danilo Augusto Heredia Vieira 1, Rhaysa Wolf 1 (Alunos do Curso de Administração da Universidade
Leia maisSistemas difusos (Fuzzy Systems)
Sistemas difusos (Fuzzy Systems) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideia geral Conjunto das pessoas altas h Lógica clássica Sim ou Não: ou é, ou não é Probabilidades Sim, com uma
Leia maisLÓGICA FUZZY. Adão de Melo Neto
LÓGICA FUZZY Adão de Melo Neto INTRODUÇÃO CONCEITO OBJETIVO PRINCÍPIO LÓGICAS: CLÁSSICA x DIFUSA CONJUNTO FUZZY GRAU DE PERTINÊNCIA FUNÇÃO DE PERTINÊNCIA MODIFICADORES TERMINOLOGIA OPERAÇÕES SOBRE CONJUNTOS
Leia maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia maisUtilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde
Utilização da Lógica Fuzzy: Uma Aplicação na Área da Saúde Cristiane Koehler Universidade de Caxias do Sul (UCS) Centro de Informática Médica (CIM) ckoehler@ucs.br Lucimar Fossatti de Carvalho Universidade
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 09 Lógica Fuzzy Edirlei Soares de Lima Introdução A Lógica Fuzzy é baseada na teoria dos conjuntos fuzzy. Tradicionalmente, uma proposição lógica
Leia mais19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS Autor(es) ANDRE DE ANDRADE BINDILATTI Orientador(es) ANDERSON BERGAMO, ANA ESTELA
Leia maisTeoria dos conjuntos difusos
Teoria dos conjuntos difusos Documento complementar à dissertação José Iria ee06210@fe.up.pt - 10-03-2011. A teoria dos conjuntos difusos foi proposta por Lotfi Zadeh num artigo publicado em 1965 na revista
Leia maisEm 1970, Bellman e Zadeh (Bellman, 1970) apresentaram a otimização IX]]\, que é um conjunto de técnicas utilizadas em problemas de otimização com
4 ±0('/$ 5'd Muito já foi feito no desenvolvimento de metodologias para a resolução de problemas de programação linear IX]]\. Entretanto a grande parte dos trabalhos apresentados procurou obter uma solução
Leia mais5 Agregação das Reservas das Entidades
5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,
Leia maisConteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier
Conteúdo: Sistemas Fuzzy Fuzzifier Inferência Regras Máquina de Inferência Defuzzifier Sistemas fuzzy A inferência fuzzy é um paradigma computacional baseado na Teoria de conjuntos fuzzy, regras de inferência
Leia maisCLASSIFICAÇÃO DE PROBLEMAS SEQÜENCIAIS DE MÚLTIPLOS ESTÁGIOS
Encontro Internacional de Produção Científica Cesumar 23 a 26 de outubro de 2007 CLASSIFICAÇÃO DE PROBLEMAS SEQÜENCIAIS DE MÚLTIPLOS ESTÁGIOS João Candido Bracarense 1, Juliano Rodrigo Lamb 2 RESUMO: A
Leia maisI - Introdução à Simulação
1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise
Leia maisLOGICA FUZZY. Adão de Melo Neto
LOGICA FUZZY Adão de Melo Neto SUMÁRIO INTRODUÇÃO PRINCÍPIOS CLÁSSICA x DIFUSA CONJUNTOS FUZZY OPERAÇÕES EM CONJUNTO FUZZY MODIFICADORES Introdução "A logica difusa (fuzzy) tem por objetivo modelar modos
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 07 Lógica Fuzzy Introdução A lógica FUZZY uma extensão da lógica booleana. Ela permite que estados imprecisos
Leia maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Princípio da Extensão) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Gráficos difusos Um gráfico difuso descreve um mapeamento funcional
Leia maisMINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS - INEP DIRETORIA DE AVALIAÇÃO PARA CERTIFICAÇÃO DE COMPETÊNCIAS
MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS - INEP DIRETORIA DE AVALIAÇÃO PARA CERTIFICAÇÃO DE COMPETÊNCIAS Exame Nacional de Certificação de Competências de Jovens e
Leia maisIntrodução. Sistemas Nebulosos (Fuzzy) Benefícios da Lógica Nebulosa. Introdução. Probabilidade e Possibilidade. Complexidade e Compreensão
(Fuzzy) Introdução Benefícios da Lógica Nebulosa Conjuntos Nebulosos Variáveis Lingüísticas Operadores (Fuzzy) Raciocínio Etapas Conclusão Introdução Surgiu com Lofti Zadeh em 965. O boom foi nos anos
Leia mais27/8/2011. Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011
Tomada de Decisão e Regras Nebulosas Princípios, Conceitos e Metodologia de Gestão 2o semestre de 2011 Professores: Alexandre Mota / Lia Mota Agosto/2011 Representação Matemática de Incertezas Padrões
Leia maisConjuntos Difusos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7)
Conjuntos Difusos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Conjuntos Difusos 2 Conjuntos Difusos Quais das seguintes pessoas são altas? Paulo:
Leia maisPrograma. 3. Características da lógica Fuzzy. 3.a Características gerais. 3.a Características gerais. 3.a Características gerais
Computação Fuzzy - PCS 5711 (capítulo 3 - Parte a) Pós-Graduação: área de Sistemas Digitais (341) Professor Marco Túlio Carvalho de Andrade PCS - Depto. de Enga. de Computação e Sistemas Digitais - EPUSP
Leia maisAPLICAÇÃO DE ANALISE DE RISCO DE CLIENTE PARA TOMADA DE CRÉDITO UTILIZANDO LÓGICA FUZZY TOOLBOX DO MATLAB. Diogo Mendes.
APLICAÇÃO DE ANALISE DE RISCO DE CLIENTE PARA TOMADA DE CRÉDITO UTILIZANDO LÓGICA FUZZY TOOLBOX DO MATLAB Diogo Mendes. Luciana Wanderley Especialização em Engenharia de Sistemas Universidade Estadual
Leia mais7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Leia maisInteligência Artificial
DSC/CCT/UFC Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Representação do Conhecimento (Lógica Fuzzy) Prof.
Leia maisReconhecimento das cores do MSX por Lógica Fuzzy
Reconhecimento das cores do MSX por Lógica Fuzzy Resumo O objetivo deste artigo é demonstrar como é possível reconhecer as cores nativas do MSX 1 a partir de imagens de 24 bits do PC. 1- Introdução A redução
Leia maisFuzzy Logic. (Lógica Difusa) Adriano Zanette Eduardo Aquiles Radanovitsck William Wolmann Gonçalves
Fuzzy Logic (Lógica Difusa) Adriano Zanette Eduardo Aquiles Radanovitsck William Wolmann Gonçalves Apresentação realizada para a disciplina de Lógica para Computação 2006/2 Prof. Marcus Ritt Breve história
Leia maisLógica Nebulosa (Fuzzy)
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Lógica Nebulosa (Fuzzy) Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisTeoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisLógica dos Conjuntos Difusos (Fuzzy Sets)
Lógica dos Conjuntos Difusos (Fuzzy Sets) Uma aula dada por: Francisco Andrade (ei05013@fe.up.pt) José Santos (ei05038@fe.up.pt) Luís Carneiro (ei05045@fe.up.pt) Ricardo Paulo (ei05067@fe.up.pt) Conteúdos
Leia maisCLASSIFICAÇÃO DE FORNECEDORES POR FUZZY LOGIC
CLASSIFICAÇÃO DE FORNECEDORES POR FUZZY LOGIC Rogério Atem de Carvalho, M.Sc. Professor do CEFET/Campos - Rua Dr. Siqueira 273, Pq. Dom Bosco, CEP 28030-130, Campos/RJ Aluno de Pós-Graduação em Engenharia
Leia maisAPLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC
APLICAÇÃO DE LÓGICA FUZZY PARA AVALIAÇÃO DE CURSOS SUPERIORES COM BASE NOS CONCEITOS CPC E IGC Henrique Silva Costa henriquesilva_052@hotmail.com Rafael Furtado Seeberger rafaelseeberger@gmail.com Thiago
Leia maisLógica Nebulosa. Lógica Fuzzy
Lógica Nebulosa Ou Lógica Fuzzy Lógicas Bivalente e Polivalente Na logica clássica ou aristotélica: Dois valores verdade possíveis: Proposições verdadeiras;ou Proposições falsas. São sistemas chamados
Leia maisConteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos
Conteúdo: Conjuntos crisp x Conjuntos fuzzy Representação Propriedades Formatos Conjuntos Crisp x Fuzzy Conjuntos crisp ou Conjuntos clássicos: cada entidade ou objeto de um dado universo pode pertencer
Leia maisInteligência Computacional
Inteligência Computacional CP78D Lógica Fuzzy Aula 4 Prof. Daniel Cavalcanti Jeronymo Universidade Tecnológica Federal do Paraná (UTFPR) Engenharia Eletrônica 9º Período 1/37 Lógica Clássica Plano de Aula
Leia maisIF-705 Automação Inteligente Sistemas de Controle - Fundamentos
IF-705 Automação Inteligente Sistemas de Controle - Fundamentos Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
Leia maisIntrodução aos Conjuntos
Introdução aos Conjuntos Nebuloso (Fuzzy) Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B niversidade Estadual de Feira de Santana Informações imprecisas Termos imprecisos
Leia maisFuzzy Logic - Lógica Difusa - Introdução Muito Rápida
Fuzzy Logic - Lógica Difusa - Introdução Muito Rápida por Armando Jorge Sousa - 11 Março de 2005 A Fuzzy Logic, Lógica Difusa também chamada de Lógica Imprecisa confere graus intermédios de verdade para
Leia maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP034-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Variáveis Linguísticas) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Introdução Técnicas convencionais de análise de sistemas são inadequadas
Leia maisHistórico da Lógica Fuzzy
Histórico da Lógica Fuzzy Lógica Fuzzy Huei Diana Lee e Newton Spolaôr Artigo de Lofti A. Zadeh Universidade da Califórnia em Berkley, EUA, 1965 Ruptura com a Lógica Aristotélica Universidade Estadual
Leia mais3 Trabalhos Relacionados
3 Trabalhos Relacionados Este capítulo apresenta, em linhas gerais, dois trabalhos relacionados que contribuíram de alguma forma para a concepção e desenvolvimento do método de verificação de sistemas
Leia maisElementos de Estatística. Michel H. Montoril Departamento de Estatística - UFJF
Elementos de Estatística Michel H. Montoril Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os estatísticos são
Leia maisSISTEMA ESPECIALISTA NEBULOSO (MINICURSO) Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C.
Luiz Biondi Neto Pedro Henrique Gouvêa Coelho Jorge Luís Machado do Amaral Maria Helena C. Soares de Mello Inteligência Computacional A Inteligência Computacional (IC) é uma área de pesquisa que visa investigar
Leia mais6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução
6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução Este capítulo apresenta o segundo estudo de casos, no qual também são empregados números
Leia maisPesquisa Operacional. Ementa. Prof. Edézio
Ementa Pesquisa Operacional A apresentação da PO Modelos e forma-padrão de PPL Solução gráfica de um PPL O algoritmo Simplex Teoria dos Jogos Livro texto Silva, Ermes Medeiros..et al.l., Pesquisa Operacional,
Leia maisImplementação de um Controlador Fuzzy para um Sistema de Controle de Nível
Implementação de um Controlador Fuzzy para um Sistema de Controle de Nível 1 IFPB. e-mail: josue.souza@cear.ufpb.br 2 IFRN. e-mail: jlopes0@gmail.com Josué da Silva Souza 1, José Soares Batista Lopes 2
Leia mais2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos
2 O Processo de Avaliação de Recursos de Petróleo Não Descobertos Antes do processo de exploração de recursos não descobertos, são as atividades de prospecção de petróleo que identificam regiões que pela
Leia maisConjuntos Fuzzy e Lógica Fuzzy
1 Introdução Conjuntos Fuzzy e Lógica Fuzzy users.femanet.com.br/~fabri/fuzzy.htm Os Conjuntos Fuzzy e a Lógica Fuzzy provêm a base para geração de técnicas poderosas para a solução de problemas, com uma
Leia maisPESQUISA OPERACIONAL. UNIDADE 1 Introdução à Pesquisa Operacional. Prof. Me. Carlos Guimarães
PESQUISA OPERACIONAL UNIDADE 1 Introdução à Pesquisa Operacional Prof. Me. Carlos Guimarães Objetivo Introduzir o tema Pesquisa Operacional por meio da apresentação: Da sua origem; Das sociedades profissionais
Leia maisCONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA. Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás
CONTROLADOR FUZZY PARA MOTOR A RELUTÂNCIA Dr. Tauler Teixeira Borges Departamento de Engenharia Universidade Católica de Goiás Dr. Haroldo Rodrigues de Azevedo Faculdade de Engenharia Elétrica Universidade
Leia maisLógica Fuzzy. Lógica Fuzzy: Noções Gerais e Aplicações. apresentação. Prof a. Responsável: Graçaliz Pereira Dimuro. Disciplina: Computação Flexível
apresentação Lógica Fuzzy Conrado Ruch. Diego Pereira. Rogério Vargas Prof a. Responsável: Graçaliz Pereira Dimuro Disciplina: Computação Flexível Programa Conrado Ruch. Diego de Pereira Pós-Graduação.
Leia maisSobre o Artigo. Searle, John, R. (1980). Minds, brains and programs. Behavioral and Brain Sciences 3(3):
Sobre o Artigo Searle, John, R. (1980). Minds, brains and programs. Behavioral and Brain Sciences 3(3): 417-457 Searle John Rogers Searle (Denven, 31 de julho de 1932) é um filósofo e escritor estadunidense,
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 05 Teoria dos Conjuntos Difusos Max Pereira CONJUNTOS CLÁSSICOS Teoria dos Conjuntos é o estudo da associação entre objetos
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL LÓGICA FUZZY (ou NEBULOSA) Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com O que é? Técnica inteligente que tem como objetivo modelar o modo aproimado de raciocínio, imitando
Leia maisO Uso do Método Científico para a Avaliação de Evidências
V Seminário - A Filosofia das Origens Rio de Janeiro, Agosto de 2008 O Uso do Método Científico para a Avaliação de Evidências Prof. Eduardo F. Lütz O Uso do Método Científico para a Avaliação de Evidências
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia maisRepresentação de Conhecimento Usando Teoria de Conjuntos Aproximados
Representação de Conhecimento Usando Teoria de Conjuntos Aproximados MARCOS AURÉLIO DOMINGUES JOAQUIM QUINTERO UCHÔA UFLA - Universidade Federal de Lavras DCC - Departamento de Ciência da Computação Cx
Leia maisUTILIZAÇÃO DOS CONJUNTOS APROXIMATIVOS E DA LÓGICA FUZZY COMO INSTRUMENTOS DE APOIO NA DE MENSURAÇÃO DO GRAU DOS RISCOS
UTILIZAÇÃO DOS CONJUNTOS APROXIMATIVOS E DA LÓGICA FUZZY COMO INSTRUMENTOS DE APOIO NA DE MENSURAÇÃO DO GRAU DOS RISCOS Helvio Pessanha Guimarães Santafé Júnior MSc. Universidade Estadual do Norte Fluminense
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisSistemas Especialistas. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6)
Sistemas Especialistas Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Sistemas Baseados em Conhecimento Os Sistemas Especialistas (SE) e os Sistemas
Leia maisMR Simulação. Simulação de Processos em Engenharia dos Materiais
MR 0720 - Simulação Simulação de Processos em Engenharia dos Materiais MR0720 Simulação CRITÉRIO DE APROVEITAMENTO M = Prova única no final do semestre. Prova prática com consulta, realizada com o auxílio
Leia maisLAB3 Controle nebuloso (VERSÃO PROVISÓRIA)
LAB3 Controle nebuloso (VERSÃO PROVISÓRIA) 3.1 Objetivo Esta experiência tem por objetivo a familiarição com a técnica de Controle Nebuloso (Fuzzy Control, em inglês). Para isso será contruído um controlador
Leia maisRogério Vargas. Pelotas, 29 de Fevereiro de Rogério Vargas PPGInf / Universidade Católica de Pelotas slide 1
Técnicas Matemático-Computacionais para o Tratamento de Incertezas Aplicadas ao Problema do Fluxo de Potência em Sistemas de Transmissão de Energia Elétrica Rogério Vargas orientador: Luciano Barboza co-orientadora:
Leia maisTeoria dos Conjuntos. Matemática Discreta. Teoria dos Conjuntos - Parte I. Profa. Sheila Morais de Almeida DAINF-UTFPR-PG.
Matemática Discreta Teoria dos Conjuntos - Parte I Profa. Sheila Morais de Almeida DAINF-UTFPR-PG abril - 2017 Letras maiúsculas: conjuntos. Letras minúsculas: elementos do conjunto. Pertinência: o símbolo
Leia maisModelo difuso para avaliação de funcionários
1 Modelo difuso para avaliação de funcionários Francisco Spaeth (UFSC) francisco.spaeth@gmail.com João Cândido Lima Dovicchi (UFSC) dovicchi@inf.ufsc.br Resumo: A aplicação de lógica fuzzy tem se tornado
Leia maisA Lógica e Álgebra de George Boole. Alexssandra Dayanne Soares de Campos 1 Natalie Geny Silva Braz 2 Nicole Motta Ferreira 3
A Lógica e Álgebra de George Boole Alexssandra Dayanne Soares de Campos 1 Natalie Geny Silva Braz 2 Nicole Motta Ferreira 3 Resumo: O presente trabalho apresenta a vida e obra de George Boole, denominado
Leia maisLaboratório 4 - Controle nebuloso
Laboratório 4 - Controle nebuloso PTC 2619 / PTC 3418 Laboratório de Automação 1º semestre de 2017 Bruno A. Angélico Laboratório de Automação e Controle Departamento de Engenharia de Telecomunicações e
Leia maisétodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno
étodos uméricos INTERPOLAÇÃO, EXTRAPOLAÇÃO, APROXIMAÇÃO E AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA
Leia maisPC Polícia Civil do Estado de São Paulo PAPILOSCOPISTA
PC Polícia Civil do Estado de São Paulo PAPILOSCOPISTA Concurso Público 2016 Conteúdo Teoria dos conjuntos. Razão e proporção. Grandezas proporcionais. Porcentagem. Regras de três simples. Conjuntos numéricos
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisModelo de Análise de Investimentos baseado em Sistema Especialista e Lógica Fuzzy
Modelo de Análise de Investimentos baseado em Sistema Especialista e Lógica Fuzzy Luiz Carlos Martinez Junior Reinaldo Pacheco Costa USP E-mail: rpcosta@usp.br Abstract A main problem in investments alternatives
Leia maisCurso de Educação e Formação Empregado de Restaurante/Bar 1º Ano. Planificação Anual de Matemática
Curso de Educação e Formação Empregado de Restaurante/Bar 1º Ano Planificação Anual de Matemática Tema Conteúdos Competências Específicas Nº aulas de 45 Adição, subtração, multiplicação e divisão de números
Leia maisUtilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente
Utilização da Inferência Bayesiana e Lógica Fuzzy na Modelagem de um Sistema Inteligente Rosangela Westphal da Silva 1,2, Priscyla Waleska Targino de Azevedo Simões 1,2,3, Merisandra Côrtes de Mattos 1,2,
Leia maisInfluência da AIDS na Expectativa de Vida
BIOMATEMÁTICA XIII (2003) 75 84 Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Influência da AIDS na Expectativa de Vida de uma População R. S. M. Jafelice, Faculdade de Matemática, UFU, 38.408-00
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia maisMétodos Numéricos - Notas de Aula
Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 1. Representação de números reais 1.1. Introdução Cálculo Numérico X Método Numérico CI202 - Métodos Numéricos 1 1. Representação
Leia maisCurso: Análise e Desenvolvimento de Sistemas. (Conceitos Práticos de Lógica de Programação)
Curso: Análise e Desenvolvimento de Sistemas Disciplina Algoritmos e Programação (Conceitos Práticos de Lógica de Programação) Prof. Wagner Santos C. de Jesus wsantoscj@gmail.com Conceito de Algoritmo
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisLógica Fuzzy. Plano de aula. Motivação Fundamentação Teórica Sistemas Difusos (aplicações) Estudo de Caso Considerações Finais
LÓGICA FUZZY 1 Plano de aula Motivação Fundamentação Teórica Sistemas Difusos (aplicações) Estudo de Caso Considerações Finais 2 Motivação: Grau de Crença vs. Grau de Verdade Grau de crença: População
Leia mais