Vous êtes sur la page 1sur 75

ENGK37 - INTELIGNCIA COMPUTACIONAL

Conjuntos Fuzzy

Prof. Bernardo Ordoez


Curso de Engenharia Eltrica
DEE Departamento de Engenharia Eltrica
Escola Politcnica - UFBA
1

Conjuntos Fuzzy

Conjuntos Fuzzy Representao da Incerteza

Por que essa necessidade de expressar


e lidar com informaes imprecisas?
Modelagem
Representao
Raciocnio
Processamento

Conjuntos Fuzzy Representao da Incerteza

Seres humanos processam informao


e raciocinam utilizando termos
lingusticos
Impreciso!
Se a velocidade alta e existe uma curva
acentuada, ento frear forte at que a velocidade
seja adequada para fazer a curva com segurana.

Como fazer que os computadores


processem esse tipo de informao?
4

Conjuntos Fuzzy Representao da Incerteza

Imperfeio da informao: incerteza, impreciso,


conflito, ignorncia parcial, etc.
A que horas comea a aula de I.C.?
Informao perfeita:
Informao imprecisa:
Informao incerta:
Informao vaga:
Informao probabilista:
Informao possibilista:
Informao inconsistente:
Informao incompleta:
Ignorncia total:

Conjuntos Fuzzy Representao da Incerteza

Imperfeio da informao: incerteza, impreciso,


conflito, ignorncia parcial, etc.
A que horas comea a aula de I.C.?

Informao perfeita: a aula comea s 8h 15min.


Informao imprecisa: a aula comea entre 8h e 9h.
Informao incerta: eu acho que a aula comea s 8h (mas
no tenho certeza).
Informao vaga: a aula comea l pelas 8h.
Informao probabilista: provvel que a aula comece s 8h.
Informao possibilista: possvel que a aula comece s 8h.
Informao inconsistente: Maria disse que a aula comea s
8h, mas Joo disse que ele comea s 10h.
Informao incompleta: eu no sei a que horas comea a
aula, mas usualmente as aulas nesta faculdade comeam s 8h.
Ignorncia total: eu no fao a menor idia do horrio da
aula.

Conjuntos Fuzzy Representao da Incerteza

No se imagina como tudo vago at que se tente


faz-lo de modo preciso.
Bertrand Russel
Mundo real: as informaes variam de perfeitas a
completamente imperfeitas.
Comportamento racional: tomar decises razoveis
mesmo diante de informaes imperfeitas.
Metodologia: encontrar um modelo adequado para
representar a informao imperfeita obtida
de
acordo com seu tipo de imperfeio.
7

Conjuntos Fuzzy Representao da Incerteza

Modelos formais para tratamento de imperfeies


na informao:
Informao imprecisa e/ou vaga: teoria dos conjuntos nebulosos e
teoria dos conjuntos de aproximao.
Informao probabilista: teoria de probabilidades ou teoria da
evidncia (ou de Dempster-Shafer).
Informao possibilista: teoria de possibilidades.
Informao incerta: teorias de probabilidades, possibilidades ou
evidncia.

Conjuntos Fuzzy

Princpio da Incompatibilidade

A medida que a complexidade de um sistema


aumenta, nossa habilidade para fazer afirmaes
precisas e que sejam significativas acerca deste
sistema diminui at que um limiar atingido alm do
qual preciso e significncia (ou relevncia) tornamse quase que caractersticas mutuamente exclusivas.
Lofti Zadeh

Fuzzy Sets, Information and Control, 1965

Conjuntos Fuzzy

Teorema da Aproximao

sempre possvel aproximar uma curva com um


nmero finito de remendos.
Bart Kosko
Remendos so pedaos de conhecimento sobre o
problema
Cada remendo corresponde a uma regra, ou proposio
da forma:

Se velocidade alta ento pise forte no freio.


Se a terra est muito seca e a temperatura muito alta ento regue
bastante.
10

Conjuntos Fuzzy

Teorema da Aproximao

sempre possvel aproximar uma curva com um


nmero finito de remendos.
Bart Kosko

11

Conjuntos Fuzzy

Vantagens

12

Conjuntos Fuzzy

Vantagens

Utilizam regras que expressam as imprecises e


aproximaes do mundo real.
Mais fceis de entender, manter e testar.
Podem ser prototipados em menos tempo.
Podem operar com falta de regras ou regras
defeituosas.
Necessitam menos regras.
Avaliam regras paralelamente.
Acumulam evidncias contra e a favor.
13

Conjuntos Fuzzy

Desvantagens

14

Conjuntos Fuzzy

Desvantagens

Validao e verificao: Embora sejam mais fceis de

construir e prototipar que sistemas convencionais, eles


necessitam que sejam executadas mais simulaes e
necessitam de mais sintonia antes de serem definitivamente
aprovados.

Formalismo: No tem uma definio matemtica precisa e

ntida como os sistemas tradicionais.

Capacidade de aprendizado: No aprendem com a

experincia. Sistemas hbridos so utilizados para diminurem


esta desvantagem.

Determinao das funes e regras: dficil o


estabelecimento de regras nebulosas corretas.

15

Conjuntos Fuzzy

Lgica Nebulosa errada. O que precisamo mais


pensamento lgico, no menos. O perigo da lgica
nebulosa que ela ir encorajar aquele tipo de
pensamento impreciso que nos trouxe tantas
dificuldades. Lgica nebulosa a cocana da cincia.

Prof. William Kahan, U. California - Berkeley

Nebulizao uma espcie de permissividade


cientfica. Ela tende a resultar em slogans
socialmente atrativos desamconhados da dura
disciplina do trabalho cientfico e da observao
paciente.
Prof. Rudof Kalman, U. Da Flrida - Gainesville

16

Conjuntos Fuzzy

Produtos comerciais

17

Conjuntos Fuzzy

Produtos comerciais

18

Conjuntos Fuzzy

Produtos comerciais

19

Conjuntos Fuzzy

Produtos comerciais

20

Conjuntos Fuzzy Conjuntos tradicionais

Classificam elementos em conceitos:

nmeros pares
cidades que so capitais na Amrica do Sul
carros esportes
nmeros impares
times de futebol

Na realidade existem situaes como estas:


grandes cidades da Amrica do Sul
baixa temperatura
alta taxa de inflao

Termos como os seguintes:

pequeno erro de aproximao


rpida resposta de um sistema dinmico
mal condicionamento de um sistema de equaes lineares
21

Conjuntos Fuzzy Conjuntos tradicionais

Um conjunto qualquer coleo de objetos que


podem ser tratados como um todo.
Cantor descreveu um conjunto por meio de seus
membros
um item de um certo universo
membro ou no do conjunto.
Os termos conjunto, coleo e classe so
usados como sinnimos, da mesma forma que
item, elemento e membro se referem mesma
entidade.

22

Conjuntos Fuzzy Conjuntos tradicionais

Um conjunto pode ser especificado por seus


elementos
caracterizao completa.
A lista de membros define um conjunto finito.
No possvel listar todos os elementos de um
conjunto infinito.
Deve-se encontrar uma propriedade que caracteriza
todos os elementos do conjunto, por exemplo, todos
os nmeros reais pares.
H duas maneiras de descrever um conjunto:

Explicitamente: por meio de uma lista.


Implicitamente: por meio de um predicado que deve ser
satisfeito pelos membros.
23

Conjuntos Fuzzy

Lofti Zadeh

Muitos conjuntos encontrados no mundo


no so definidos por uma fronteira clara.

Conjuntos podem ter mais de um critrio de


pertinncia alm de estar contido ou no.
24

Conjuntos Fuzzy

Embora conjuntos clssicos sejam a base de toda


teoria matemtica moderna, eles apresentam
problemas quando aplicados uma enorme classe de
problemas do mundo real. O problema da escolha do
limiar entre dois conjuntos (alto/no alto)
denominado de paradoxo Sorites, atribudo ao
dialtico, Eubulides de Mileto, adversrio de
Aristteles.
O paradoxo se enuncia com os seguintes termos:
Quando um monte de areia deixa de ser um monte
de areia, caso retiremos um gro de areia de cada
vez?
25

Conjuntos Fuzzy

Exemplos:
Tome como exemplo o conjunto das pessoas
jovens.

26

Conjuntos Fuzzy

Exemplos:
Tome como exemplo o conjunto das pessoas
jovens.
Um beb com um ano de idade certamente pertence a
este conjunto, e uma pessoa de 100 anos certamente no
est presente no conjunto, mas o que podemos dizer
sobre as pessoas de 20, 30 e 40 anos de idade?

27

Conjuntos Fuzzy

Proposta de Zadeh:
Zadeh props um grau de pertinncia, de forma
que a transio entre pertinncia e no-pertinncia
gradual e no abrupta.
Grau de pertinncia:
O grau de pertinncia para todos os seus membros descreve

um conjunto fuzzy.

O grau de pertinncia de um elemento um nmero entre 0


e 1, frequentemente denotado pela letra grega .
Quanto mais alto o nmero, maior o grau de pertinncia.

28

Conjuntos Fuzzy
Grfico de pertinncia com funo S

Zadeh no d uma base formal para determinar o grau de


pertinncia.

29

Conjuntos Fuzzy
Grfico de pertinncia com funo S

Zadeh no d uma base formal para determinar o grau de


pertinncia.
O grau de pertinncia de uma pessoa de 50 anos ao conjunto
de pessoas jovens depende da viso de cada um.
O grau de pertinncia uma noo precisa mas subjetiva que
depende do contexto.
30

Conjuntos Fuzzy Grau de pertinncia probabilidade

O grau de pertinncia fuzzy difere da noo estatstica


de distribuio de probabilidade.
Podemos ver a funo de pertinncia fuzzy como uma
distribuio pessoal, em contraste com a distribuio
estatstica que baseada em observaes.
Tecnicamente: fuzzy representa impreciso ou
incerteza baseada na intuio humana e no na
teoria de probabilidade.

No probabilidade!
Lgica nebulosa no probabilidade.

31

Conjuntos Fuzzy Grau de pertinncia probabilidade

O fato de pertencer ao conjunto das pessoas altas, com


um grau de incluso de 0,25, indica estar afastado do
ideal de altura por uma diferena de 0,75.
O grau 0,25 no significa que uma pessoa com a minha
altura possa ser encontrada com probabilidade 0,25 no
conjunto das pessoas altas.
Eu posso ser a nica pessoa com a minha altura no
conjunto das pessoas altas, ou todas podem ter a
minha altura e mesmo assim o grau se mantm.

32

Conjuntos Fuzzy Universo

Definio de Universo:
Elementos de um conjunto fuzzy so tomados a
partir de um universo.
O universo contm todos os elementos que podem
ser considerados.
Contexto:
At mesmo o universo depende do contexto.

33

Conjuntos Fuzzy Universo

O conjunto das pessoas jovens poderia ter todas as


pessoas do mundo como universo. Por outro lado, o
universo poderia ser a faixa de 0 a 100, que
representariam a idade.

Funo pertinncia para o conjunto fuzzy de pessoas jovens


34

Conjuntos Fuzzy Universo

O emprego do universo visa suprimir o uso de dados


incorretos, por exemplo medies negativas de um
nvel de tanque.
Quando lidamos com quantidades no numricas
como, por exemplo, sabor que no pode ser medido
em uma escala numrica, no podemos fazer uso de
um universo numrico.
Os elementos so tomados a partir de um conjunto de
noes psicolgicas: por exemplo, o universo poderia
ser {amargo, doce, azedo, salgado, quente,...}.
35

Inteligncia computacional Funes de pertinncia

Sobre pertinncia

Cada elemento do universo tem um grau de


pertinncia ao conjunto fuzzy, talvez nulo.
O conjunto de elementos que tm grau de pertinncia
no nulo dito conjunto suporte do conjunto fuzzy.
A funo que associa um nmero a cada elemento x do
universo dita funo de pertinncia, sendo denotada
por (x).

36

Inteligncia computacional Funes de pertinncia

Funes de pertinncia representadas em computador


podem ser:
Contnuas.
Discretas.

No caso contnuo, a funo de pertinncia uma funo matemtica,


possivelmente um programa.
Exemplos de funes de pertinncia so a curva s, a curva z, a
triangular e a trapezoidal.
No caso discreto, a funo de pertinncia e o universo so pontos de
uma lista (vetor), e algumas vezes pode ser conveniente represent-la
por meio de amostras.
Em geral, a forma contnua demanda mais CPU, mas requer
menos memria do que a forma discreta.
37

Inteligncia computacional Pares Fuzzy

Um conjunto fuzzy A uma coleo de pares:


A = {(x, (x))}
O item x pertence ao universo e (x) o grau de pertinncia a A.
Um par (x, (x)) dito par fuzzy, logo o conjunto pode ser
visto como a unio de pares fuzzy.

Pode ser conveniente pensar em A como um vetor:


a = ((x1), (x2), . . . , (xn))
em que se entende que cada posio i(1,2,..., n) corresponde a
um ponto do universo.
38

Inteligncia computacional Variveis lingusticas

Interpretao:
Da mesma forma que variveis algbricas assumem
valores numricos, uma varivel lingustica pode ter
palavras ou sentenas como valores.
Terminologia:
O conjunto de valores que ela pode assumir dito conjunto de
termos.
Cada valor no conjunto de termos uma varivel fuzzy
definida sobre a varivel base.
A varivel base define o universo do discurso para todos as
variveis fuzzy no conjunto de termos.
A hierarquia dada por: varivel lingustica
varivel fuzzy
varivel base.
39

Inteligncia computacional Variveis lingusticas

Exemplo:
Seja x uma varivel lingustica sobre idade.
Alguns termos desta varivel lingustica, que so conjuntos fuzzy,
podem ser: idoso, jovem e muito jovem.
O conjunto de termos pode ser colocado como:
T = {idoso, no to velho, meio jovem, jovem, muito jovem}
Cada termo do conjunto de termos T uma varivel fuzzy sobre a
varivel base, a qual pode ter como escala valores entre 0 e 100
anos.

40

Inteligncia computacional
Valores como palavras ou sentenas

A varivel base est definida no universo para


todas as variveis fuzzy no conjunto de termos

41

Inteligncia computacional

Exerccio em sala de aula:


1. Identificar um problema qualquer para abordar.
Controle de processo.
Valor da aplice de seguro de vida.

Usem a criatividade...
2. Definir o sistema com:

Varivel lingustica.
Varivel fuzzy.
Varivel base.
Universo.
Funo de pertinncia.
42

Inteligncia computacional

Exerccio em sala de aula:

Exemplo 1 - Tanque de Cimento em p


43

Inteligncia computacional

Exerccio em sala de aula:

Exemplo 2 - Estacionamento
44

Inteligncia computacional

Exerccio em sala de aula:


Uma universidade resolveu mudar o seu mtodo de avaliao,
principalmente influenciada pelo motivo de que um aluno com mdia 5
aprovado, e outro com mdia 4,9 reprovado. A universidade ento
resolveu, que, alm da mdia anual na disciplina, outros mritos devem
ser avaliados para a aprovao ou no de um aluno. Desta forma,
formule um sistema fuzzy que leve em considerao outros mritos, e d
como resposta se o aluno deve ser aprovado, reprovado ou fazer um
curso de frias para tentar melhorar o seu aproveitamento.
Determine a seguinte ao:
Os conjuntos fuzzy (no mnimo 3) e suas relaes de pertinncia para as
variveis de entrada que voc escolheu, alm da mdia anual.

45

Inteligncia computacional

Exerccio em sala de aula:


Utilizando apenas o senso comum, defina algumas
funes de pertinncia para os seguintes conjuntos
nebulosos. Pode ser grfico ou tabela, seja claro.
N pequeno.
x muito maior do que y.
O vento est forte.
x est entre -5 e 2.

46

Inteligncia computacional Operaes sobre conjuntos Fuzzy

A funo de pertinncia obviamente um componente


crucial de um conjunto fuzzy.
Naturalmente, espera-se definir algumas operaes
sobre conjuntos fuzzy atravs de suas funes de
pertinncia.

Estas operaes sobre os conjuntos fuzzy deveriam


criam um novo conjunto fuzzy, ou vrios conjuntos.

47

Inteligncia computacional Operaes sobre conjuntos Fuzzy

As operaes:
Estas operaes sobre os conjuntos fuzzy deveriam criam
um novo conjunto fuzzy, ou vrios conjuntos.
No exemplo a partir de A e B temos...

48

Inteligncia computacional Operaes sobre conjuntos Fuzzy

As operaes:
Estas operaes sobre os conjuntos fuzzy deveriam criam
um novo conjunto fuzzy, ou vrios conjuntos.
No exemplo a partir de A e B temos...

49

Inteligncia computacional Definio

Sejam A e B dois conjuntos fuzzy em um mesmo


universo. A interseo de A e B definida por:

A B a min b
ou seja o grau de pertinncia de um elemento x em
relao a A B dado por:

A B ( x) = min( A ( x), B ( x)).

50

Inteligncia computacional Definio

Sejam A e B dois conjuntos fuzzy em um mesmo


universo. A unio de A e B definida por:

A B a max b
ou seja o grau de pertinncia de um elemento x em
relao a A B dado por:

A B ( x) = max( A ( x), B ( x)).

51

Inteligncia computacional Definio

O conjunto completo de A( A ) definido por:

A = 1 a
ou seja o grau de pertinncia de um elemento x em
relao ao conjunto A dado por:

A ( x) = 1 A ( x).

52

Inteligncia computacional Definio

Um conjunto fuzzy X um subconjunto fuzzy de Y ,


escrito X Y, se sua funo de pertinncia for menor
ou igual funo de pertinncia de Y para todos os
elementos do universo em comum.

x ( x) y ( x)

( A B) ( A B)
53

Inteligncia computacional

Exemplo Comprando uma casa:


Uma famlia com quatro integrantes deseja comprar
uma casa.
Uma indicao de conforto se refere ao nmero de quartos de
dormir.
Eles tambm desejam comprar uma casa grande.

Seja u = (1, 2,..., 10) o conjunto de casas disponveis


descritas pelo nmero de quartos de dormir.
Que conjuntos fuzzy seriam apropriados utilizar?

54

Inteligncia computacional

Exemplo Comprando uma casa:


Podemos definir um conjunto fuzzy que caracteriza o
conforto descrito como:

c = [0,2 0,5 0,8 1 0,7 0,3 0 0 0 0]


E ainda deveramos definir um outro conjunto fuzzy
que caracteriza a noo de grandeza da casa, que pode
ser descrito como:

g = [0 0 0,2 0,4 0,6 0,8 1 1 1 1]

55

Inteligncia computacional

Exemplo Comprando uma casa:


A interseo entre confortvel e grande dado por:

c g = [0 0 0,2 0,4 0,6 0,3 0 0 0 0]


Interpretando o conjunto fuzzy c g , conclumos que:

56

Inteligncia computacional

Exemplo Comprando uma casa:


A interseo entre confortvel e grande dado por:

c g = [0 0 0,2 0,4 0,6 0,3 0 0 0 0]


Interpretando o conjunto fuzzy c g , conclumos que:
Uma casa com 5 quartos tima, mas satisfatria com grau 0,6.
A segunda melhor soluo a casa com 4 quartos.

57

Inteligncia computacional

Exemplo Comprando uma casa:


A unio entre confortvel e grande dado por:

c g = [0,2 0,5 0,8 1 0,7 0,8 1 1 1 1]


Interpretando o conjunto fuzzy c g , conclumos que:

58

Inteligncia computacional Operaes sobre conjuntos Fuzzy

Exemplo Comprando uma casa:


A unio entre confortvel e grande dado por:

c g = [0,2 0,5 0,8 1 0,7 0,8 1 1 1 1]


Interpretando o conjunto fuzzy c g , conclumos que:
Uma casa com 4 quartos totalmente satisfatria porque
confortvel.
As casas 7, 8, 9 e 10 tambm so totalmente satisfatrias
porque so grandes.

59

Inteligncia computacional

As operaes e so associativas e comutativas.

( A B) C = A ( B C )
( A B) C = A ( B C )
A B = B A
A B = B A
Estas propriedades so importantes, pois nos ajudam a
predizer o resultado de sentenas longas.

60

Inteligncia computacional

61

Inteligncia computacional Modificadores

Um modificador lingustico uma operao que


modifica o significado de um termo.
Por exemplo, na sentena muito prximo de 0, a
palavra muito modifica a sentena prximo de 0 que
um conjunto fuzzy.
Um modificador portanto uma operao sobre um
conjunto fuzzy.
Exemplos de outros modificadores so pouco, mais
ou menos, possivelmente e com certeza.
Que efeito produz o modificador?
62

Inteligncia computacional Modificadores

Embora seja difcil deixar preciso o significado do efeito


do modificador muito, com certeza ele produz um
efeito Intensificador.
O modificador mais ou menos tem o efeito oposto.
Os modificadores so muitas vezes aproximados pelas
operaes:
muito (a a 2 )
mais ou menos (a a )
extremamente (a a 3 )
ligeiramente (a a1/ 3 )
63

Inteligncia computacional Modificadores

Exemplo para um conjunto discreto de idades em um


universo tal:
U = [10 20 30 50 60 70 80 90]
Como seria um provvel conjunto jovem com a
respectiva funo de pertinncia?
E as derivaes das funes de pertinncia para os
conjuntos:
Muito_jovem;
Muitssimo_jovem;
Pouco_jovem.
64

Inteligncia computacional Relaes entre conjuntos

Em um controlador fuzzy, relaes entre objetos


desempenham um papel relevante.
Algumas relaes se referem a elementos de um mesmo
universo:
uma medida maior que outra.
um evento ocorreu antes de outro.
um elemento se assemelha a outro.

Outras relaes se referem a elementos de universos


disjuntos:
a medida grande e a taxa de variao positiva.
o valor de x grande enquanto o de y pequeno.

Estes so exemplos de relaes entre dois objetos, mas


em princpio podemos ter relaes entre um nmero
qualquer de objetos.
65

Inteligncia computacional Relaes entre conjuntos

Relao binria:
Formalmente, uma relao binria ou simplesmente
relao R de um conjunto A para um conjunto B
designa para cada par (a, b) A B precisamente
uma das sentenas:
i) a est relacionado a b.
ii) a no est relacionado a b.
O produto cartesiano A B o conjunto de todas as
possibilidades de combinarmos itens de A com os de B.

66

Inteligncia computacional Relaes entre conjuntos

Exemplo:
Suponha que Jos tem um sobrinho Joo que se
parece com o sobrinho Pedro com um grau de 0,8, mas
Joo tambm se assemelha ao sobrinho Marcos com
um grau de 0,9 (relao R1).
Jos

Joo

Pedro

Marcos
67

Inteligncia computacional Relaes entre conjuntos

Para ilustramos a composio de duas relaes,


considere a relao entre o tio Jos e os sobrinhos
Pedro e Marcos (relao R2):
Jos
R2 = Pedro
0,5
Marcos 0,6

Jos

???
Joo

Pedro

Marcos
68

Inteligncia computacional Relaes entre conjuntos

Podemos tentar descobrir o quanto Joo se parece


com o tio Jos combinando as informaes nas
relaes R1 e R2:
i) Joo se parece com Pedro com um grau de 0,8, enquanto Pedro
se parece com o tio Jos com um grau de 0,5.
ii) Joo se parece com Marcos com um grau de 0,9, enquanto
Marcos se parece com o tio Jos com um grau de 0,6.

Observaes:

A declarao (i) consiste de uma cadeia de relaes e parece


razovel encade-la atravs da operao de interseo.
Isto corresponde a escolher o valor de pertinncia menor para a
relao transitiva Joo
Jos, ou seja, 0,5.
Podemos proceder de maneira similar na situao (ii).

69

Inteligncia computacional Relaes entre conjuntos

Realizando a operao nas cadeias (i) e (ii) obtemos:


iii) Joo se parece com o tio Jos com um grau de 0,5.
iv) Joo se parece com o tio Jos com um grau de 0,6.

As declaraes (iii) e (iv) so igualmente vlidas, ento


razovel aplicarmos o operador de unio.

Isto corresponde a escolhermos a relao mais forte, ou


seja, o valor mximo das relaes.

O resultado final:

v) Joo se parece com o tio Jos com um grau de 0,6.


70

Inteligncia computacional Relaes entre conjuntos

Composies:
A regra geral para composio de relaes fuzzy
consiste em tomarmos o mnimo em uma srie de
conexes, e tomarmos o mximo em conexes
paralelas.
conveniente realizarmos isto por meio do produto
interno.
O produto interno similar ao produto interno de
matrizes, exceto que a multiplicao substituda pela
interseo () e a soma substituda pela unio () .
71

Inteligncia computacional Relaes entre conjuntos

Suponha que R uma matriz m p e S uma matriz


pn.
Ento o produto interno uma matriz

m n = T = [ti j ]
em que a entrada ij obtida combinando a i-sima
linha de R com a j-sima coluna de S, tal que:

ti j = (ri1 s1 j ) (ri 2 s2 j ) (rip s pj )


p

= (rik skj )
k =1

72

Inteligncia computacional Relaes entre conjuntos

De acordo com as definies adotadas para interseo


e unio (min e max), a composio de duas relaes se
reduz ao que conhecido na literatura por
composio max-min.
Se R uma relao de a para b e S uma relao de b
para c, ento a composio de R e S uma relao de a
para c (lei transitiva).

73

Inteligncia computacional Relaes entre conjuntos

Exemplo:
Seja o exemplo do tio Jos e seus sobrinhos e as
relaes R1 e R2.

0,5
R1 R 2 = [0,8 0,9]
0,6
= [0,5 0,6]
= 0,6

74

Inteligncia computacional

Fim de Aula.
75

Vous aimerez peut-être aussi