Академический Документы
Профессиональный Документы
Культура Документы
I LHUS -BA
2016
V INICIUS N ASCIMENTO R UFINO
I LHUS -BA
2016
R926 Rufino, Vinicius Nascimento.
Anlise de influncia de uma varivel fuzzy no
problema dos mnimos quadrados / Vincius Nas-
cimento Rufino. Ilhus, BA: UESC, 2016.
51f. : il.
CDD 511.42
Para meus pais,
Sonia e Jackson.
Inicialmente agradeo ao meu orientador, o Prof. Dr. Eduardo Silva Palmeira, que
me presenteou com a oportunidade de construir esse trabalho de tamanha relevncia
e me guiou durante toda essa jornada de dois anos de pesquisa. Pela sua dispo-
nibilidade ininterrupta e conselhos preciosos que vou levar durante toda a minha
trajetria acadmica. Da mesma forma, tambm agradeo ao meu coorientador, o Prof.
Dr. Gildson Queiroz de Jesus, pelas suas imprescindveis contribuies e tambm
constante participao em todo o processo de construo desse trabalho.
Agradeo toda equipe do Programa de Ps-Graduao em Modelagem Computacio-
nal em Cincia e Tecnologia da Universidade Estadual de Santa Cruz - PPGMC/UESC:
coordenao, colegiado, professores, colegas estudantes e tcnicos administrativos;
pelas contribuies e disponibilidade para o desenvolvimento dessa importante etapa
de minha formao acadmica que culminou no desenvolvimento dessa dissertao.
Agradeo tambm Fundao de Amparo Pesquisa do Estado da Bahia (FAPESB)
pelo apoio financeiro fundamental para o desenvolvimento dessa pesquisa.
Agradeo aos meus familiares e amigos que me acompanharam nessa jornada e
mesmo que de forma indireta tiveram uma contribuio no desenvolvimento desse
trabalho. minha amada, Paola, pelo apoio e motivao incondicionais.
Por fim, um agradecimento especial queles que so minhas maiores inspiraes e
incentivadores, meus pais Sonia Maria Ferreira Nascimento e Jackson Maciel Rufino,
pois minha maior motivao no desenvolvimento desse trabalho e em tudo que j
realizei e realizarei em minha vida faz-los orgulhosos e honr-los por tudo que
fizeram e ainda fazem por mim.
A verdade pode ser intrigante. Pode dar al-
gum trabalho lidar com ela. Pode ser contra-
intuitiva. Ela pode contradizer preconceitos pro-
fundamente enraizados. Pode no se coadunar
com o que queremos desesperadamente que seja
verdade. Mas nossas preferncias no determi-
nam o que verdade.
Carl Sagan
Anlise da Influncia de uma Varivel Fuzzy no Problema dos Mnimos Quadrados
PPGMC UESC
Resumo
Abstract
The Least-Squares Problem (LSP) consists in a method for optimal estimation of va-
riables that satisfy some equations. The LSP have been extensively studied by many
authors in the literature, which raised different approaches to the subject. Among these
approaches can be highlighted the deterministic LSP, whose variable to be estimated
is the result of an inconsistency of a given equation; and the stochastic LSP, in which
the variable to be estimated has random nature. In this work it is intended, using the
fuzzy theory and relating it to the interval analysis, formulate and solve an LSP whose
variable to be estimated is a fuzzy variable, in order to add to the system both the
inconsistency as the randomness. Thus, we aimed to find a more general formulation
than in the literature for the LSP, as well as demonstrate an analytical and numerical
validity.
Keywords: least-squares problem. optimization fuzzy. interval analysis.
Lista de figuras
= Inconsistncia
|| || Norma Euclidiana
x
b Soluo tima
. Transposio
.1 Inverso
f
Derivada parcial de f em relao a varivel x
x
In Matriz identidade de ordem n
uv u ortogonal a v
:= Definio
xA x pertence ao conjunto A
x
/A x no pertence ao conjunto A
x Para todo x
Sumrio
1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Reviso de Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3 Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1 O Problema dos Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . 7
3.1.1 PMQ Determinstico . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1.2 PMQ Estocstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Teoria dos Conjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Matemtica Intervalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 PMQ Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5 Implementao e Testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.1 Testes Numricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2 Estimao da frequncia de sinais sinusoidais . . . . . . . . . . . . . . . . 46
6 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Referncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1
1 Introduo
2 Reviso de Literatura
mais abrangentes tanto do ponto de vista analtico quanto numrico para este problema.
Uma alternativa para adicionar incertezas em ambas variveis de entrada do problema
com uma formulao determinstica com o uso da Teoria dos Conjuntos Fuzzy.
A teoria dos conjuntos fuzzy proposta por Zadeh (1965), relaciona determina-
dos conceitos da teoria usual de conjuntos, considerando infinitos nveis ou graus de
pertinncia de um elemento, para assim incluir na teoria de conjuntos as incertezas e
vaguezas que surgem ao se definir certos conjuntos. Essa teoria tem-se mostrado uma
ferramenta muito til que, pela sua prpria natureza, adequada para desenvolver
modelos matemticos que lidam com imprecises, ignorncias e vaguezas presentes
em problemas do mundo real. Assim, ao mudarmos do paradigma Aristotlico para o
difuso (fuzzy), natural que se tenha a necessidade de desenvolver uma teoria lgico-
matemtica que possa servir como pilar concreto das aplicaes baseadas em modelos
matemticos dentro do escopo proporcionado por essa teoria (DUBOIS; PRADE, 1997;
DUBOIS; PRADE, 2000; LEE, 2005; WANG, 1997).
De fato, o sucesso de aplicaes consideradas dentro do ambiente proporcionado
pela matemtica difusa, tem despertado o interesse de pesquisadores, nas mais diversas
reas do conhecimento (economia, medicina, agricultura, engenharia, robtica, etc.), a
desenvolverem modelos dentro desse escopo. Problemas que envolvem tomadas de
deciso por exemplo, que so comuns na robtica, onde movimentos devem ser feitos a
partir de dados coletados do ambiente tm se desenvolvido utilizando os fundamentos
dessa teoria (FATEH; FATEH, 2013). A continuidade necessria aos movimentos exige
uma modelagem que contemple esse aspecto e a teoria fuzzy tem em sua natureza
caractersticas prprias para isso.
Como contrapartida, surge a necessidade da construo de uma forte fundamen-
tao terica visando dar um suporte matemtico para o desenvolvimento de novas
tcnicas e de formas de us-las, impulsionando um aprofundamento de pesquisas no
campo terico que visam generalizar construes matemticas usuais tais como inte-
grais, derivadas, topologias, lgebras, sistemas de equaes diferenciais, otimizao,
etc. (BARROS; BASSANEZI, 2006; DIAMOND, 1990; KOSKO, 1992). Porm, o nvel de
maturidade matemtica ainda est muito longe de atingir o nvel que existe hoje na
matemtica convencional.
Nesse framework gerado pela matemtica fuzzy, a otimizao fuzzy, assim como
no caso clssico, busca encontrar uma soluo tima para uma determinada funo
custo, considerando provveis incertezas, flexibilidades e aproximaes inerentes aos
modelos considerados. Alm disso, a otimizao fuzzy permite tratar problemas com
mltiplos objetivos. Por exemplo, no caso das incertezas, a teoria dos conjuntos fuzzy
propicia uma formulao generalizada de certos intervalos manipulados atravs de
um conjunto de regras denominado -cortes. J a flexibilizao, pode ser modelada
Captulo 2. Reviso de Literatura 5
do desenvolvimento de toda uma estrutura algbrica tal como um espao vetorial com
operaes bem definidas e relaes de ordem (COSTA et al., 2015). O problema objeto
de estudo dessa dissertao recai sobre esse tipo de otimizao, o que reafirma a relao
entre a matemtica fuzzy e a intervalar.
7
3 Preliminares
Como teoria base desse trabalho temos as formulaes clssicas do PMQ, de-
terminsticas e estocstica, fundamentadas nos conceitos bsicos de lgebra linear,
otimizao e probabilidade; e tambm a teoria dos conjuntos fuzzy, relacionada excepci-
onalmente com a anlise intervalar.
Hx
= y, (1)
y = Hx + v (2)
para algum vetor vm1 , que chamado de resduo. Uma soluo mnimos quadrados x
b,
uma soluo que minimiza o comprimento do vetor resduo, ou seja, que satisfaz a
seguinte propriedade:
2
2
y H x
b
y Hx
, (3)
2
para todo x, onde
o quadrado da norma Euclideana. A soluo do PMQ determi-
nstico consiste na soluo do seguinte problema
Lema 3.1 (As Equaes Normais). (KAILATH et al., 2000) Um vetor x b o minimi-
zador da funo custo J(x) se, e somente se, satisfaz as equaes normais (sempre
consistentes):
H H x
b = H y. (7)
O valor mnimo resultante da funo custo J(x) pode ser reescrito como
2
2
2
2
b
=
y
y H x
x) =
y H x
J(b b =
y
H xb
. (8)
H H x
b = H y. (10)
O fato de x
b minimizar a funo custo J(x) pode ser visto notando que a matriz Hermiti-
ana semidefinida positiva,
2
y Hx
2 = H H 0.
0= (11)
x x
O valor de J no mnimo pode ser expresso com
2
x) =
y H x
J(b b
= y Hx b y Hx b
= y y H x
b
2
=
y
y H xb
2
=
y
H y x b
2
= y H Hx
b x
2
2
=
y
H x b
.
Lema 3.2 (Solues nicas). (KAILATH et al., 2000) Quando H tem posto coluna
completo n, existe um nico x
b satisfazendo
2
2
y H xb
y Hx
, (12)
Alm do mais, o valor mnimo resultante do custo pode ser reescrito como
2 1
b
= y I H H H H y.
x) =
y H x
J(b (14)
Logo,
Hc = 0. (16)
Isto significa que os vetores colunas de H so linearmente dependentes. Portanto, H
no posto completo.
Lema 3.3 (Existncia e Unicidade da Projeo). (KAILATH et al., 2000) Seja L um subes-
pao linear de um espao vetorial V com produto interno e seja y qualquer elemento de
V. A projeo de y em L, denotado por ybL , ou apenas yb, existe e o nico elemento de
L, tal que
y yb, a = 0, (18)
para qualquer a L.
Demonstrao. Sejam {vi }N i=1 os vetores da base ortonormal de V sendo que os primeiros
M vetores base (M N ), {vi }M i=1 , formam uma base ortonormal para o subespao
L. Podemos ento escrever y como uma combinao linear dos vetores base {vi }N i=1 ,
PN PM
digamos y = i=1 i vi . Fazemos tambm yb = i=1 i vi e assim imediato que yb L.
Podemos observar tambm que , para qualquer a L, y yb, a = 0, pois a uma
combinao linear dos primeiros M vetores base, enquanto (y yb) uma combinao
linear dos vetores base restantes e por definio os vetores base so ortogonais entre sim.
Captulo 3. Preliminares 10
Para estabelecer a unicidade, assumimos que existem dois elementos deL, digamos yb1
e yb2 , tais que
y yb1 , a = 0 e y yb2 , a = 0, para todo a L. (19)
y ybL
2
y a
2 ,
(20)
para qualquer a L.
Demonstrao. Seja
y a
2 =
y ybL + ybL a
2 ,
(21)
o que implica em
ou,
e
y ybL
2 =
y a
2
ybL a
2
y a
2 .
(25)
onde W qualquer matriz definida positiva Hermitiana. O lema seguinte traz a soluo
para este caso.
Lema 3.5 (Soluo do Problema dos Mnimos Quadrados Ponderados). (KAILATH et al.,
2000) A soluo dos mnimos quadrados ponderados xbW , das equaes inconsistentes
Hx = y satisfazem a propriedade
2
2
y H x
b
W
y Hx
W , (27)
para todo x Cn . Elas so dadas por qualquer soluo do sistemas consistente (normal)
de equaes
H W H x
b = H W y (28)
2
O correspondente valor mnimo de
y H x b
W
2
b
W = y W y yW H x
y H x b, (29)
Uma razo para usar a ltima J(x) que com esta funo custo vamos sempre
adquirir uma nica soluo x b, mesmo quando a matriz H no posto completo. E
quando H posto completo, este termo extra pode melhorar o condicionamento dos
nmeros da matriz que aparece nas equaes normais, e assim resultando num melhor
comportamento numrico. Um outro ponto a disponibilidade de parmetros extras
0 , x0 permiti-nos incorporar conhecimento a priori na declarao do problema,
diferentes escolhas para indicar quo confiante estamos a respeito da proximidade
da soluo tima x b para um dado vetor x0 . Ou seja, se ns escolhermos 0 pequeno
reflete uma alta confiana que x0 uma boa escolha para a soluo tima , enquanto em
0 grande indica um alto grau de incerteza na condio inicial x0 .
O problema de mnimos quadrados regularizados pode ser escrito como
h 1
2 i
min x x0 0 x x0 + y Hx0 H x x0
W ,
(32)
(xx0 )
Captulo 3. Preliminares 12
" #
I 0
I W := . (33)
0 W
Fazendo x0 = x x0 e y 0 = y Hx0 , temos
" # " 1/2 #
2
0 0 0
min
x . (34)
x0
y 0 H
IW
Observe que o ltimo funcional tem a mesma forma do problema dos mnimos quadra-
dos sem o termo de regularizao, logo a soluo x
b dada por
" 1/2 # " # " # " 1/2 #
0 I 0 0 0
0
b0 = 0,
x (35)
H 0 W y H
A escolha da funo h() que satisfaz a estimativa xb, deve satisfazer a um critrio de
otimalidade desejado. O critrio usado aqui o mnimo mdio quadrtico (equivalente
ao mnimo quadrado determinstico para o caso estocstico). O estimador timo dado
por
x
b = E x|y , (40)
ou seja, o valor condicional de x dado y. Para calcular esta esperana necessrio ter
conhecimento completo da funo densidade de probabilidade conjunta de x, y que
difcil de ser obtida. Condicionando ento a funo h() para ser uma funo linear das
observaes y, verifica-se que necessrio o conhecimento das esperanas de primeira e
segunda ordem E x , E y , E xx , E yy . Se considerarmos x, y conjuntamente
Gaussianas, que uma condio razovel, ento o estimador mnimo mdio quadrtico
linear. Ser ento tratado aqui o problema de estimao mnimo mdio quadrtico
linear que a contra partida estocstica do problema dos mnimos quadrticos.
Considere uma varivel aleatria x Cn de dimenso n com mdia zero e um
conjunto de variveis aleatrias y = col y0 , y1 , ..., yn Cn,1 de mdia zero, onde cada
yi tem dimenso p. O objetivo estimar x dados as variveis yi . Assume-se que x b
construdo como uma combinao linear da forma
x
b = K0 y, (41)
onde K0 uma matriz de coeficientes que deseja-se determinar, assim como minimizar
a matriz de covarincia do erro
P (K0 ) := E x x
b xxb = mnimo. (42)
para todo k e para todo o vetor linha a. A soluo do problema acima dado pelo
seguinte Teorema.
x
b = K0 y
P (K0 ) := E x x
b xxb = mnimo (45)
Captulo 3. Preliminares 14
K0 Ry = Rxy , (46)
x
b = K0 y
P (K0 ) := E x x
b xxb = mnimo (48)
se, e somente se, para todos os vetores de a, aK0 o mnimo de aP (K)a , onde
aP (K)a = aE x Ky x Ky a =
Note que aP (K)a uma funo do vetor aK. Ento, diferenciando aP (K)a com
respeito a aK e igualando a derivada zero, temos
aRxy aRyx + 2aKRy = 0
Rxy + KRy = 0
K0 Ry = Rxy .
= E x K 0 y x E x K 0 y x
b
= E x K0 y x E x K0 y y K0
= Rx K0 Ryx Rxy K0 Ry K0
= Rx K0 Ryx .
Captulo 3. Preliminares 15
Teorema 3.2 (Soluo nica). (KAILATH et al., 2000) Assuma que Ry > 0. Ento a
escolha tima K0 que minimiza P (K) = E x Ky x Ky dado por
= Rx Rxy K KRyx + K0 Ry K0
" #" #
h i R R I
x xy
= I K .
Ryx Ry K
Dado que Ry > 0, podemos usar uma fatorao triangular inferior
" # " #" #" #
Rx Rxy I Rxy Ry1 Rx 0 I 0
= (51)
Ryx Ry 0 I 0 Ry Ry1 Ryx I
x
b = K0 y, (54)
sendo,
1
K0 = Rx H HRx H + Rv (55)
e
1
Px := Rx = Rx Rx H HRx H + Rv HRx . (56)
Captulo 3. Preliminares 16
dessa forma temos que F (6, 9) = 0, 9 e F (10) = 0. O que significa que a partir dessa
definio 6,9 muito prximo de 7 com grau 0,9 e 10 no muito prximo de 7. Outras
diversas funes de pertinncia poderiam ser criadas para representar esse conjunto de
acordo com o que se pensa do conceito de muito prximo. Essa uma das maiores
vantagens da teoria de conjuntos fuzzy: a sua mobilidade para atender a cada situao
de forma diferente.
Captulo 3. Preliminares 17
Figura 1 Conjuntos fuzzy representando jovem (young) e muito jovem (very young).
Fonte: Lee (2005)
Assim, uma pessoa jovem com grau 1 de pertinncia at por volta dos 10 anos
e a partir dos 60 anos j possui grau 0 de pertinncia. J para o conjunto muito jovem
pessoas com mais de 40 anos possuem grau 0. Dessa forma, uma pessoa de 27 anos
jovem com grau 0.9 de pertinncia e muito jovem com grau 0.5. Podemos observar
ento a impreciso contida nesses conceitos obtidos de variveis lingusticas e como
eles podem ser modelados por conjuntos fuzzy.
Um conjunto fuzzy pode ser dividido em conjuntos clssicos usando como crit-
rio de separao o grau de pertinncia dos elementos dentro desse conjunto. Elementos
com um mesmo grau de pertinncia (0, 1] fazem parte de uma mesma coleo e
a esse conjunto clssico dado o nome de -corte do conjunto fuzzy. Esse conceito
definido a seguir.
Definio 3.2. Seja A um conjunto fuzzy com funo de pertinncia A : U [0, 1]. O
conjunto suporte de A definido como
x1 U, x2 U, [0, 1],
Diamond (1988), ao trabalhar com uma verso fuzzy da regresso por mnimos
quadrados, traz um tipo de nmero fuzzy com propriedades muito teis em aplicaes.
Sendo L, R funes reais pares, no-crescentes em [0, ), satisfazendo L(0) = R(0) = 1.
Nmeros fuzzy da forma
m u
L para u m, a > 0,
X(u) = a (63)
um
R para u m, b > 0
b
Captulo 3. Preliminares 20
ento X = (m, a, b)T dito ser triangular. Pode-se observar facilmente atravs da Figura
4 que o fecho do conjunto suporte de um nmero triangular (m, a, b)T o intervalo real
[m a, m + b].
A necessidade de definio de um nmero fuzzy pode vir de diversas origens.
Um caso tpico o de medidas instrumentais no precisas. Por exemplo, se pensarmos
na medida do comprimento de um terreno feito com uma trena, o valor encontrado
possivelmente carrega imprecises. Pode-se pensar nesse valor, dito c metros, como
o valor principal de um nmero fuzzy e definir que o valor real da medida algo
em torno de c, por isso outros valores podem ser admitidos como possveis para o
comprimento do terreno. Esse erro pode ser definido como de 1 metro para mais e
para menos. Chegamos ento na representao do comprimento do terreno dada pelo
nmero triangular fuzzy (c, 1, 1)T onde sua representao grfica dada na Figura 5.
Denominando C esse nmero fuzzy, sua funo de pertinncia dada da seguinte
forma:
0 se x c 1
x (c 1) se c 1 < x c
C (x) = . (65)
x + (c + 1) se c < x c + 1
0 se x c + 1
forma, a incerteza contida na medida obtida pela trena para o comprimento do terreno
pode ser interpretada atravs dessa modelagem por nmero triangular fuzzy. Esse
exemplo apenas ilustra o que acontece em diversas pesquisas e experimentos dentro
da cincia onde instrumentos so utilizados, acabam ocasionando possveis erros de
medio e a utilizao de nmeros fuzzy se mostra uma alternativa para interpret-los.
Todo conjunto fuzzy, e por consequncia todo nmero fuzzy, pode ser definido a
partir de seus -cortes, ou seja, assim como os -cortes so obtidos a partir do conjunto
fuzzy, o processo contrrio tambm pode ser feito. Assim, os -cortes so a ligao de
um conjunto fuzzy com a teoria de conjuntos clssica (crisp). O Teorema e o Corolrio a
seguir tratam desses conceitos.
Corolrio 3.1. (BARROS; BASSANEZI, 2006) Dado um conjunto fuzzy A, sua funo de
pertinncia A pode ser expressa em termos das funes caractersticas de seus -cortes,
Captulo 3. Preliminares 22
ou seja,
(
1 se x [A]
A (x) = sup min[, [A] (x)], onde [A] (x) = . (66)
[0,1] / [A]
0 se x
Logo, todo conjunto fuzzy pode ser totalmente caracterizado atravs de seus
-cortes e por consequncia o mesmo acontece com nmeros fuzzy.
e
([a1 , a2 ], ..., [a2n1 , a2n ]) = 1 ( ([a1 , a2 ], ..., [a2n1 , a2n ])). (68)
A3 ) Seja o vetor nulo n, tal que (n) = (0, 0, ..., 0). Temos que:
a + n = 1 ((a) + (n)) = 1 ((a) + (0, 0, ..., 0)) = 1 ((a)) = a;
([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) = ( ... )([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) =
Captulo 3. Preliminares 24
= (([a1 , a2 ]), ([a3 , a4 ]), ..., ([a2n1 , a2n ]) = (a1 , a2 , ..., a2n1 , a2n ), (69)
para todo ([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) M n . Tomando A = ([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ])
e B = ([b1 , b2 ], [b3 , b4 ], ..., [b2n1 , b2n ]) dois elementos de M n e R, obtemos
e
A = ([a1 , a2 ], ..., [a2n1 , a2n ]) = ([a1 , a2 ], ..., [a2n1 , a2n ]). (71)
Logo, para essa operao e por consequncia para a definida a partir dela temos que
(I(R))n no um cone convexo.
Dado R com 0 e ([a1 , a2 ], ..., [a2n1 , a2n ]) (I(R))n , suponha que ((I(R))n )
um cone convexo em R2n . Temos ento que
Consequentemente,
1 ( ([a1 , a2 ], ..., [a2n1 , a2n ])) = ([a1 , a2 ], ..., [a2n1 , a2n ]) (I(R))n .
Ento,
1 (((b1 , b2 ), ..., (b2n1 , b2n ))) = 1 (([a1 , a2 ], ..., [a2n1 , a2n ])) =
Vale ressaltar que essa estrutura de espao vetorial intervalar induzida a partir
2n
do R faz dele um espao vetorial sobre o corpo dos reais, onde a multiplicao
definida a partir de um escalar real. A estrutura necessria para desenvolvimento
desse trabalho necessita de um espao vetorial intervalar sobre o prprio M com
uma multiplicao entre intervalos definida. Mais resultados a respeito disso sero
apresentados no captulo seguinte.
Seguindo esse mesmo raciocnio ao qual empregaram para induziram uma
estrutura de espao vetorial em M n , Costa et al. (2015) tambm induziram uma forma
de obter relaes de ordem em M n a partir da estrutura de R2n . Para isso, vamos denotar
por 5R2n uma relao de ordem parcial ou total em R2n . Com isso, dada uma relao
de ordem parcial (total) 5R2n em R2n e uma bijeo : M n R2n , denotamos por 5 a
relao binria definida em M n que dada por
para todos A, B M n .
Teorema 3.6. Seja : M n R2n uma bijeo. Dada uma relao de ordem parcial (total)
5R2n em R2n , a relao 5 dada por (75) uma relao de ordem parcial (total) em M n .
Captulo 3. Preliminares 26
Demonstrao. Do fato de 5R2n ser uma relao de ordem parcial (total) de R2n , obtemos:
e
b 5 a (b) 5R2n (a). (78)
De (77) e (78), obtemos
(a) = (b) a = b;
e
b 5 c (b) 5R2n (c). (80)
De (79) e (80), obtemos
iv) (Dicotomia) Dados a, b M n e sendo 5R2n uma relao de ordem total em R2n ,
temos que
4 PMQ Fuzzy
e
[a1 , a2 ] M [b1 , b2 ] = [a1 b1 , a2 b2 ] (84)
A1 ) a + b = b + a, a, b M ;
= [b1 , b2 ] + [a1 , a2 ] = b + a.
A2 ) a + (b + c) = (a + b) + c, a, b, c M ;
= [a1 +(b1 +c1 ), a2 +(b2 +c2 )] = [(a1 +b1 )+c1 , (a2 +b2 )+c2 ] = [(a1 +b1 ), (a2 +b2 )]+[c1 , c2 ] =
M1 ) a b = b a, a, b M ;
= [b1 , b2 ] [a1 , a2 ] = b a.
M2 ) a (b c) = (a b) c, a, b, c M ;
= [a1 (b1 c1 ), a2 (b2 c2 )] = [(a1 b1 )c1 , (a2 b2 )c2 ] = [(a1 b1 ), (a2 b2 )] [c1 , c2 ] =
M4 ) Seja a1 = [a1 1
1 , a2 ] o inverso multiplicativo de a = [a1 , a2 ] que satisfaz
a a1 = [a1 , a2 ] [a1 1 1 1
1 , a2 ] = [a1 a1 , a2 a2 ] = [1, 1].
D) (a + b)c = ac + bc, a, b, c M ;
e
[1 , 2 ] M ([b1 , b2 ], ..., [b2n1 , b2n ]) = ([1 b1 , 2 b2 ], ..., [1 b2n1 , 2 b2n ]) (86)
A1 ) a + b = b + a, a, b M n ;
a + b = ([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) + ([b1 , b2 ], [b3 , b4 ], ..., [b2n1 , b2n ]) =
= ([b1 , b2 ], [b3 , b4 ], ..., [b2n1 , b2n ]) + ([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) = b + a.
A2 ) (a + b) + c = a + (b + c), a, b, c M n ;
(a+b)+c = [([a1 , a2 ], ..., [a2n1 , a2n ])+([b1 , b2 ], ..., [b2n1 , b2n ])]+([c1 , c2 ], ..., [c2n1 , c2n ]) =
= ([(a1 + b1 ), (a2 + b2 )], ..., [(a2n1 + b2n1 ), (a2n + b2n )]) + ([c1 , c2 ], ..., [c2n1 , c2n ]) =
= ([a1 + (b1 + c1 ), a2 + (b2 + c2 )], ..., [a2n1 + (b2n1 + c2n1 ), a2n + (b2n + c2n )]) =
= ([a1 , a2 ], ..., [a2n1 , a2n ]) + ([(b1 + c1 ), (b2 + c2 )], ..., [(b2n1 + c2n1 ), (b2n + c2n )]) =
= ([a1 , a2 ], ..., [a2n1 , a2n ])+[([b1 , b2 ], ..., [b2n1 , b2n ])+([c1 , c2 ], ..., [c2n1 , c2n ])] = a+(b+c).
A3 ) Seja o vetor nulo dado por 0 = ([0, 0], ..., [0, 0]) tal que
= ([a1 + 0, a2 + 0], ..., [a2n1 + 0, a2n + 0]) = ([a1 , a2 ], ..., [a2n1 , a2n ]) = a.
A4 ) Para cada vetor a M n existe um vetor em M n dado por a = ([a1 , a2 ], ..., [a2n1 , a2n ])
tal que
= ([a1 a1 , a2 a2 ], ..., [a2n1 a2n1 , a2n a2n ]) = ([0, 0], ..., [0, 0]).
M1 ) ()a = (a), , M e a M n ;
= ([1, 1] [a1 , a2 ], ..., [1, 1] [a2n1 , a2n ]) = ([a1 , a2 ], ..., [a2n1 , a2n ]) = a.
D1 ) (a + b) = a + b, M e a, b M n ;
= ([1 (a1 + b1 ), 2 (a2 + b2 )], ..., [1 (a2n1 + b2n1 ), 2 (a2n + b2n )]) =
D2 ) ( + )a = a + a, , M e a M n ;
Definio 4.2 (Soma de Matrizes). Dadas duas matrizes Amn , Bmn com entradas em
M , definimos um elemento (A + B)ij (0 < i m e 0 < j n) da soma de A com B
como
(A + B)ij = aij + bij = [aij , aij ] + [bij , bij ] = [aij + bij , aij + bij ]. (90)
Definio 4.3 (Produto de Matrizes). Dadas duas matrizes Amn , Bnp com entradas
em M , a matriz produto A B existe e seus elementos (A B)ij (0 < i m e 0 < j p)
so dados por
n
X
(A B)ij = air brj = ai1 b1j + ai2 b2j + ... + ain bnj =
r=1
= [ai1 , ai1 ] [b1j , b1j ] + [ai2 , ai2 ] [b2j , b2j ] + ... + [ain , ain ] [bnj , bnj ] =
= [ai1 b1j , ai1 b1j ] + [ai2 b2j , ai2 b2j ] + ... + [ain bnj , ain bnj ] =
= [ai1 b1j + ai2 b2j + ... + ain bnj , ai1 b1j + ai2 b2j + ... + ain bnj ] =
" n n
#
X X
= air brj , air brj . (91)
r=1 r=1
Definio 4.4 (Matriz Identidade Intervalar). Seja A uma matriz quadrada de ordem
n com entradas em M . Procurando definir a matriz identidade intervalar de ordem n,
temos que ela deve satisfazer A I = A. Assim, para qualquer aij (0 < i n e 0 < j n)
devemos ter " n #
X n
X
(A I)ij = aij air I rj , air I rj = [aij , aij ]
r=1 r=1
[ai1 I 1j + ... + aij I jj + ... + ain I nj , ai1 I 1j + ... + aij I jj + ... + ain I nj ] = [aij , aij ].
Captulo 4. PMQ Fuzzy 35
Logo, I rj = I rj = 0 para r 6= j, I jj = I jj = 1 e
[1, 1] [0, 0] ... [0, 0]
[0, 0] [1, 1] ... [0, 0]
I= .. .. .. .. . (92)
. . . .
[0, 0] [0, 0] ... [1, 1]
Pn Pn
r=1 air brj = r=1 air brj = 1, para i = j,
. (93)
Pn
Pn
r=1 air brj = r=1 air brj = 0, para i 6= j
A partir de A e B, definem-se as matrizes A, A, B, e B tambm de ordem n, porm com
entradas reais, dadas por
a11 a12 ... a1n a11 a12 ... a1n
a21 a22 ... a2n a21 a22 ... a2n
A= .. .. . . . , A = .. .. . . .
. . . ..
. . . ..
an1 an2 ... ann an1 an2 ... ann
e
b11 b12 ... b1n b11 b12 ... b1n
b21 b22 ... b2n b21 b22 ... b2n
B= .. .. . . .. , B = ..
.. . . .
..
. . . . . . . .
bn1 bn2 ... bnn bn1 bn2 ... bnn
1
De (93), temos que A B = I e A B = I. Logo, se B = A1 ento B = A1 e B = A .
h11 , h11 h12 , h12 ... h1n , h1n
h21 , h21 h22 , h22 ... h2n , h2n
HI = .. .. .. .. ,
. . . .
hm1 , hm1 hm2 , hm2 ... hmn , hmn
Captulo 4. PMQ Fuzzy 36
h i
y ,y
[x1 , x1 ] h 1 1i
[x2 , x2 ] y2, y2
xI = .. e yI =
..
. (94)
.
. i
h
[xn , xn ] ym, ym
A funo custo J agora dada por
2
J(x) =
yI HI xI
I , (95)
sendo
I a norma intervalar.
Essa verso do PMQ tambm pode ter uma formulao geomtrica, representada
na Figura 6, dado que o espao vetorial M n foi construdo com propriedades muito
prximas a de R2n . Sendo o sistema inconsistente, temos que yI no um elemento
de C(HI ), o espao coluna de HI , ou seja, C(HI ) = {b; b = HI a para algum a M n }.
Devemos ento encontrar um vetor xI que torne HI xI o mais prximo possvel de yI ,
2
ou seja, minimizar
HI xI yI
I . O Lema 3.3 nos garante que existe e nico o xI M n ,
tal que yI HI xI C(HI ) . Assim,
HI xI = projC(HI ) yI . (96)
Temos tambm que C(HI ) = N (HI ) (COELHO, 2005), sendo N (HI ) o espao
nulo da transposta de HI . De (96), obtemos
Captulo 4. PMQ Fuzzy 37
HI xI = projC(HI ) y
HI xI yI C(HI )
HI xI yI N (HI )
HI (HI xI yI ) = 0.
Logo, o vetor timo xI procurado o vetor que satisfaz
HI HI xI = HI yI . (98)
Temos ento que a soluo para o PMQ intervalar segue o mesmo formato da soluo
determinstica, fato j esperado devido a forma como foi construdo o espao vetorial
intervalar, porm trazendo as vantagens desse tipo de varivel. O xI timo ento que
minimiza o quadrado da norma do vetor resduo yI HI xI , sendo HI matriz intervalar
e xI , yI vetores intervalares, dado por:
xI = (HI HI )1 HI yI , (99)
Tomando os fechos dos conjuntos suportes dos nmeros fuzzy e transformando a matriz
H e os vetores x, y em intervalares, obtemos:
[1, 3] [6, 7] [5, 3]
[x1 , x1 ]
HI = [2, 4] [6, 5] , xI = e y = [8, 9] . (101)
I
[x2 , x2 ]
[5, 6] [1, 2] [2, 4]
A partir de (99), temos ento que o vetor xI timo procurado dado por
xI = (HI HI )1 HI yI .
[1.0320, 0.9154]
E para esta soluo, o funcional J(x), dado por
2
J(x) =
yI HI xI
I
igual a J(x) = [0.3146, 0.5920]. Retornando a soluo para a verso fuzzy do problema,
tomamos os intervalos que compem o vetor intervalar xI encontrado como os fechos
dos conjuntos suportes da soluo fuzzy, com o ponto mdio dos intervalos como
valor principal dos nmeros triangulares fuzzy, pois a partir dos testes numricos
apresentados no prximo captulo chega-se ao fato de que a soluo clssica se aproxima
muito dos pontos mdios da soluo intervalar, assim:
(0.8484, 0.6656, 1.0312)T
x = . (103)
Temos ento uma soluo tima para o PMQ onde em cada componente do
vetor soluo um valor principal pode ser apontado, os pontos mdios dos intervalos,
porm cada um deles possui uma margem de incerteza para outros possveis valores.
Dentro dessa margem, cada valor possui um grau de pertinncia diferente e a forma
como esses dados so interpretados dependem da natureza da origem do problema.
A vantagem encontrada aqui adequar essa resultado a valores esperados obtidos de
conhecimentos a priore do problema.
Essa verso do PMQ desenvolvida se destaca ento por alm de carregar essas
possveis incertezas contidas no problema, apresenta uma interpretao para elas em
sua soluo. Dessa forma, as informaes que se possui no incio da formulao do
problema no so perdidas durante o seu desenvolvimento, obtendo-se assim uma
soluo mais completa para o problema.
39
5 Implementao e Testes
5.389696
Para a verso intervalar, como j definido, tomamos os conjuntos suportes dos nmeros
fuzzy triangulares para compor H, x e y. Encontrando a soluo intervalar dada por 99,
obtemos:
[0.231083, 0.246429]
[0.142279, 0.155167]
xI = (108)
[0.716945, 0.742745]
[0.332553, 0.291306]
e o funcional intervalar minimizado tem valor J(x) = [3.710295, 3.885572]. Usando o
resultado do PMQ clssico como forma de validao, temos a seguinte comparao na
tabela abaixo:
x xclassico x
x1 0.231083 0.240290 0.246429
x2 0.142279 0.150707 0.155167
x3 0.716945 0.733158 0.742745
x4 0.332553 0.307831 0.291306
Podemos observar que todos os valores do x clssico esto nos intervalos suporte do x
fuzzy, o que mostra um comportamento adequado para o soluo dessa nova verso do
PMQ nesse caso analisado. Comparando os funcionais J(x) minimizados, obtemos o
seguinte:
ainda so os valores principais dos nmeros fuzzy. Porm, os erros adicionados para
formar os intervalos suportes no so necessariamente iguais, respeitando somente a
regra de que o erro para a esquerda igual ao erro para a direita. O sistema passa ento
a ter a seguinte formao:
(2, 1, 3)T (7, 5, 9)T (6, 5, 7)T (1, 0.5, 1.5)T (6, 5, 7)T
(3, 2.5, 3.5)T (9, 8, 10)T (2, 1, 3)T (5, 4.5, 5.5)T (3, 1, 5)T
H= , e y = (9, 8, 10)T .
(7, 5, 9)T (2, 1, 3)T (9, 8.5, 9.5)T (1, 0, 2)T
(1, 0, 2)T (4, 3, 5)T (8, 7.5, 8.5)T (4, 3, 5)T (5, 4.5, 5.5)T
(6, 5.5, 6.5)T (8, 7, 9)T (5, 3, 7)T (3, 2, 4)T (4, 3.5, 4.5)T
(109)
A soluo intervalar encontrada para esse caso dada por:
[0.209221, 0.339760]
[0.146210, 0.223059]
xI = (110)
[0.603771, 0.761166]
[0.537293, 0.168605]
x xclassico x
x1 0.209221 0.240290 0.339760
x2 0.146210 0.150707 0.223059
x3 0.603771 0.733158 0.761166
x4 0.537293 0.307831 0.1686056
E mais uma vez um comportamento adequado para a soluo observado onde todos
os intervalos suporte da soluo fuzzy contm os valores da soluo clssica. De forma
anloga, com os funcionais J(x) temos o mesmo comportamento:
O valor mnimo desse novo funcional mostra mais uma vez como ajustes nos valores
de entrada do problema podem oferecer melhores solues e como isso est embutido
nessa nova formulao proposta nesse trabalho.
Captulo 5. Implementao e Testes 43
A partir desses dois casos podemos sugerir que quando os incrementos adicio-
nados para formao dos nmeros fuzzy triangulares so iguais tanto para esquerda
quanto para a direta, a soluo do PMQ apresenta um comportamento dentro do espe-
rado e vlido. Comparando a soluo dos dois casos analisados, obtemos o seguinte:
x1 x1 x2 x2 x3 x3 x4 x4
Caso 1 0.2311 0.2464 0.1423 0.1552 0.7169 0.7427 -0.3326 -0.2913
Caso 2 0.2092 0.3397 0.1462 0.2231 0.6038 0.7612 -0.5373 -0.1686
Como j citado, nos dois casos os intervalos suportes das solues contm os valores
da soluo clssica. A diferena se d no dimetro dos intervalos, ou seja, no valor da
diferena xi xi . Os intervalos do segundo caso possuem dimetro maior que os do
primeiro e a diferena da formao dos dois casos se d justamente nisso, nos dimetros
dos valores de entrada do problema.
Analisando o comportamento da soluo de mais um caso, tomemos agora
uma nova formulao para o PMQ fuzzy partindo do mesmo problema clssico j
apresentado. Nesse caso, os incrementos usados para definio dos intervalos suportes
do nmeros triangulares fuzzy so totalmente aleatrios possuindo nenhuma regra ou
restrio. Os valores de entrada so ento os seguintes:
(2, 1, 4)T (7, 5.5, 9)T (6, 5.5, 7)T (1, 0.5, 1.5)T (6, 5.5, 7)T
(3, 2, 3.5)T (9, 8, 11)T (2, 1.5, 4)T (5, 4.5, 6)T (3, 0.5, 4)T
= (7, 6, 9)T
H (2, 1, 3)T (9, 8.5, 9.5)T (1, 0.5, 2)T e y = (9, 7, 10)T .
(1, 1, 2.5)T (4, 2, 5)T (8, 7.5, 9.5)T (4, 3, 5.5)T (5, 4, 5.5)T
(6, 5, 6.5)T (8, 7.5, 9)T (5, 4, 7)T (3, 2.5, 4)T (4, 2.5, 4.5)T
(111)
Captulo 5. Implementao e Testes 44
e o funcional minimizado por J(x) = [0.053784, 6.208047]. Analisando como essa solu-
o se comporta em relao a soluo clssica, obtemos o seguinte:
x xclassico x
x1 0.025430 0.240290 0.361302
x2 0.112136 0.150707 0.149821
x3 0.663898 0.733158 0.775302
x4 0.677763 0.307831 0.377118
Nesse caso, podemos observar que dois do quatro valores que compem a
soluo clssica no esto contidos nos intervalos suporte da soluo fuzzy. Ressaltando
a diferena da formao das entradas nesse caso em relao aos dois anteriores, os
intervalos suporte possuem incrementos adicionados ao valor principal aleatrios.
Para procurar uma possvel causa para esse comportamento, vamos analisar
o desenvolvimento da soluo a partir de cada operao efetuada. A obteno do
vetor soluo intervalar x passa inicialmente pela formao da transposta de HI e
multiplicao da mesma pelo vetor yI e pela matriz HI . Em seguida temos a obteno
da inversa desse produto de HI por sua transposta e o ltimo produto entre essa inversa
e HI yI . O vetor HI yI obtido para esse caso o seguinte:
[53.5, 175]
[43.75, 205]
HI yI = (113)
[127.8, 243.75]
[9, 102.75]
Sendo o resultado do produto de vetores com a maioria dos valores positivos, esse
Captulo 5. Implementao e Testes 45
resultado est dentro do esperado para esse vetor. A matriz HI HI obtida a seguinte:
[67, 157.75] [51, 172.5] [72, 196.75] [15, 84.75]
[51, 172.5] [155.5, 317] [78.75, 246] [58.5, 149]
HI HI = (114)
[72, 196.75] [78.75, 246] [177, 294.5] [32.25, 133.75]
[15, 84.75] [58.5, 149] [32.25, 133.75] [36, 88.5]
Seguindo o mesmo raciocnio anterior, temos mais uma vez um resultado para essa
operao dentro do esperado.
A operao mais complexa dentre essas necessrias para obteno de x a
inverso da matriz HI HI , pois sabido que o clculo da inversa de uma matriz feito a
partir de vrias etapas e a ordem da quantidade de operaes necessrias aumenta de
acordo com a ordem da matriz. Para este caso, a inversa obtida foi:
[0.030, 0.045] [0.008, 0.010] [0.010, 0.031] [0.011, 0.022]
[0.008, 0.011] [0.021, 0.019] [0.001, 0.003] [0.029, 0.027]
1
(HI HI ) = .
[0.011, 0.031] [0.001, 0.004] [0.011, 0.033] [0.005, 0.026]
[0.011, 0.022] [0.029, 0.027] [0.005, 0.026] [0.076, 0.076]
ou seja, um intervalo imprprio. Vale ressaltar que esse tipo de resultado no con-
siderado invlido nesse trabalho devido a forma como foi definido o espao vetorial
intervalar M n . Essa definio de produto intervalar se mostrou conveniente para este
Captulo 5. Implementao e Testes 46
trabalho devido a estrutura de espao vetorial normado que devia ser construdo, o
que poderia no ser possvel ou grandemente dificultado se outras definies fossem
tomadas. Porm, implicaes como a deste caso analisado acontecem devido ao fato
desse produto no representar em alguns casos o mesmo significado do produto entre
nmeros reais.
Podemos concluir ento a partir desses casos analisados que a forma como o
problema montado inicialmente com a definio dos nmeros triangulares fuzzy e
seus conjuntos suporte influenciam diretamente no comportamento da soluo obtida.
Com isso, esse modelo se mostra adequado para casos onde os erros acrescentados aos
valores de entrada no so totalmente aleatrios, exigindo assim um controle inicial dos
mesmos.
Erros adicionados de maneira uniforme oferecem um controle adequado da
soluo. Isso pode ser explicado pelo maneira como se definiu a soluo do PMQ fuzzy,
ou seja, a partir de -cortes. Pois, um mesmo -corte aplicado a todo o sistema implica
numa igualdade nos erros dos intervalos em relao ao valor do problema original
determinstico. Logo, essa ideia de uniformidade deve estar presente desde a formao
inicial do problema com a transformao das variveis reais em fuzzy.
A partir da predio linear, podemos afirmar que existe e nico o vetor de dimenso
2M
aT = [a1 a2 ... a2M ] (117)
tal que para qualquer n
2M
X M
X 2M
X
S(n) = al Ai sin[i (n l) + i ] = al S(n l). (118)
l=1 i=1 l=1
Captulo 5. Implementao e Testes 47
Como (116) e (119) so iguais para todos Ai , i e i , segue ento que para i = 1, ..., M
2M
X
al cos i l = 1 (120)
l=1
e
2M
X
al sin i l = 0 (121)
l=1
que podem ser colocados na forma complexa como
2M
X
al eji l 1 = 0 (122)
l=1
e
2M
X
al eji l 1 = 0. (123)
l=1
A estimao das frequncias se d ento estimando os valores de al inicialmente, para
ento encontrar as razes (eji ) do polinmio
2M
X
al l = 1, (124)
l=1
com = eji .
Com a adio de rudos em (116), a representao do sinal passa a ser
xn = S(n) + n , (125)
6 Concluso
Muito do que desenvolvido dentro da teoria dos conjuntos fuzzy parte de uma
reformulao de problemas j resolvidos com a matemtica dita clssica. E isso acaba
por ser a criao de toda uma nova matemtica onde a mudana de princpios bsicos,
tal como a definio de um conjunto, implica numa mudana total de campos e teorias.
Esse trabalho possui esse carter de ineditismo e inovao, pois dentro da literatura
especfica no se encontra uma formulao desse tipo para o problema tratado aqui.
Devido a isso, muito da base terica teve que ser desenvolvida para fundamentar a
construo dessa verso do PMQ. E a partir disso, h toda uma cadeia de teorias e
problemas que podem ser desenvolvidos partindo do que foi feito nesse trabalho. Pois
mesmo o PMQ sendo um problema j estudado a muitos anos, acaba por se mostrar
como uma rea quase que inesgotvel de pequisa.
A verso do PMQ desenvolvida nesse trabalho se mostra muito til para casos
onde incertezas esto contidas nos valores de entrada do problema. Devido a maneabi-
lidade do nmero fuzzy, o pesquisador que necessitar estimar variveis em problemas
desse tipo ter em suas mos um controle maior sobre a formulao do problema assim
como da soluo encontrada. A utilizao de variveis fuzzy permite que as informa-
es referentes a possveis incertezas contidas no problema sejam carregadas durante o
desenvolvimento do problema e possam ser interpretadas a partir da soluo. Essa
uma das principais vantagens de se trabalhar com esse tipo de varivel, a formulao e
soluo do problema se adaptam as suas caractersticas de acordo com as necessidades
e vontade do pesquisador.
Os prximos passos a serem tomados sero o desenvolvimento de um modelo
mais robusto, partindo da definio de uma outra multiplicao intervalar. Desse forma,
o modelo desenvolvido poder ser aplicado a uma variedade maior de casos, com um
controle menos restrito dos valores de entrada do problema. Tambm a formulao
e soluo de novas verses dos outros casos de PMQ determinstico, o problema dos
mnimos quadrados ponderados e o problema dos mnimos quadrados regularizados,
que tiveram suas verses clssicas trazidas nas preliminares do trabalho. Para o desen-
volvimento dessas verses surge a necessidade de definio de uma derivada intervalar,
onde a partir dela esses problemas podero ser tratados de forma semelhante a verso
clssica, porm mais uma vez com a adio dos ganhos relacionados a utilizao de
variveis fuzzy.
50
Referncias
CHAN, F. K. W.; SO, H. C.; LAU, W. H.; CHAN, C. F. Structured total least squares
approach for efficient frequency estimation. Signal Processing, v. 91, n. 4, p. 10431047,
2011. ISSN 01651684.
COSTA, T.; CHALCO-CANO, Y.; LODWICK, W.; SILVA, G. Generalized interval vector
spaces and interval optimization. Information Sciences, Elsevier Inc., v. 311, p. 7485,
2015.
DIAMOND, P. Higher Level Fuzzy Numbers Arising From Fuzzy Regression Models.
Fuzzy Sets and Systems, v. 36, p. 265275, 1990.
DUBOIS, D.; PRADE, H. Fuzzy Sets and Systems: Theory and Applications. Orlando:
Academic Press, 1997.
DUBOIS, D.; PRADE, H. (Ed.). Fundamentals of Fuzzy Sets. New York: Springer Sci-
ence+Business Media, LLC, 2000.
FATEH, M. M.; FATEH, S. Fine-tuning fuzzy control of robots. Journal of Intelligent &
Fuzzy Systems, v. 25, p. 977987, 2013.
HUANG, S. R.; LIN, C. Y.; WU, C. Y.; WU, C. C.; CHU, C. Y.; CHEN, H. T.; WANG,
S. H. Fuzzy control of a bio-hydrogen internal combustion engine generating system.
International Journal of Hydrogen Energy, Elsevier Ltd, v. 36, n. 14, p. 87748778,
2011.
JIANG, T.; CHENG, X.; LING, S. An algebraic technique for total least squares problem
in quaternionic quantum theory. Applied Mathematics Letters, Elsevier Ltd, v. 52,
n. 2015, p. 5863, 2016.
KAILATH, T.; SAYED, A.; HASSIBI, B. Linear Estimation. New Jersey: Prentice Hall,
2000. 854 p.
LEE, K. H. First Course on Fuzzy Theory and Applications. Berlin: Springer, 2005.
LODWICK, W. a.; DUBOIS, D. Interval linear systems as a necessary step in fuzzy linear
systems. Fuzzy Sets and Systems, Elsevier B.V., v. 281, p. 227251, 2015.
MAKO, Z. Real vector space of LR-fuzzy intervals with respect to the shape-preserving
t-norm-based addition. Fuzzy Sets and Systems, Elsevier, v. 200, p. 136149, 2012.
MING, M.; FRIEDMAN, M.; KANDEL, A. General fuzzy least squares. Fuzzy Sets and
Systems, v. 88, n. 1, p. 107118, 1997.
MOORE, R. Interval analysis and fuzzy set theory. Fuzzy Sets and Systems, v. 135, n. 1,
p. 5-9, 2003.
PINAR, M. C.; ARIKAN, O. On robust solutions to linear least squares problems affected
by data uncertainty and implementation errors with application to stochastic signal
modeling. Linear Algebra and Its Applications, v. 391, n. 1-3 SPEC. ISS., p. 223243,
2004.
SO, H. C.; CHAN, K. W.; CHAN, Y. T.; HO, K. C. Linear prediction approach for
efficient frequency estimation of multiple real sinusoids: Algorithms and analyses. IEEE
Transactions on Signal Processing, v. 53, n. 7, p. 22902305, 2005. ISSN 1053587X.
WANG, L.-X. A Course in Fuzzy Systems and Control. New Jersey: Prentice Hall, 1997.
424 p.