Dissertação Final Vinicius

UNIVERSIDADE ESTADUAL DE SANTA CRUZ
PRO-REITORIA DE PESQUISA E PS-GRADUAO
P ROGRAMA DE P S -G RADUAO EM M ODELAGEM C OMPUTACIONAL

EM C INCIA E T ECNOLOGIA
V INICIUS N ASCIMENTO R UFINO
A NLISE DA I NFLUNCIA DE UMA VARIVEL F UZZY NO P ROBLEMA DOS

M NIMOS Q UADRADOS
PPGMC UESC
I LHUS -BA
2016
V INICIUS N ASCIMENTO R UFINO
A NLISE DA I NFLUNCIA DE UMA VARIVEL F UZZY NO

P ROBLEMA DOS M NIMOS Q UADRADOS
PPGMC UESC
Dissertao apresentada ao Programa de Ps-Graduao

em Modelagem Computacional em Cincia e Tecnologia
da Universidade Estadual de Santa Cruz, como parte
das exigncias para obteno do ttulo de Mestre em
Modelagem Computacional em Cincia e Tecnologia.
Orientador: Prof. Dr. Eduardo Silva Palmeira
Coorientador: Prof. Dr. Gildson Queiroz de Jesus
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.
Orientador: Eduardo Silva Palmeira.

Dissertao (Mestrado) Universidade Esta-
dual de Santa Cruz. Programa de Ps-Graduao
em Modelagem Computacional em Cincia e Tec-
nologia.
Inclui referncias.
1. Mnimos quadrados. 2. Conjuntos difusos. 3.

Anlise de intervalos (Matemtica). I. Ttulo.
CDD 511.42
Para meus pais,
Sonia e Jackson.
Nenhuma palavra ou ato meu

jamais ser suficiente para expressar
o quanto sou grato simplesmente pela sua
existncia.
Agradecimentos
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
O problema dos mnimos quadrados (PMQ) consiste em um mtodo para estimao

tima de variveis que satisfazem certas equaes. O PMQ tem sido amplamente es-
tudado por diversos autores na literatura, os quais levantaram diferentes abordagens
sobre este assunto. Dentre estas abordagens podem-se destacar o PMQ determinstico,
cuja varivel a ser estimada resultante de uma inconsistncia de uma determinada
equao; e o PMQ estocstico no qual a varivel a ser estimada possui natureza aleatria.
Neste trabalho pretende-se, a luz da teoria fuzzy e relacionando-a com a anlise interva-
lar, formular e resolver um PMQ cuja varivel a ser estimada uma varivel fuzzy, com
o intuito de agregar no sistema, tanto a inconsistncia quanto a aleatoriedade. Assim,
objetivamos encontrar uma formulao mais geral do que as presentes na literatura
para o PMQ, alm de demonstrar uma validade analtica e numrica.
Palavras-chave: problema dos mnimos quadrados. otimizao fuzzy. anlise intervalar.
Influence Analysis of Fuzzy Variable in the Least Squares Problem
PPGMC - UESC
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
Figura 1 Conjuntos fuzzy representando jovem (young) e muito jovem (very

young). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Figura 2 Representao grfica do conjunto fuzzy F . . . . . . . . . . . . . . . . 18
Figura 3 Nmeros fuzzy: triangular, trapezoidal e gaussiano. . . . . . . . . . . 19
Figura 4 Nmero fuzzy triangular (m, a, b)T . . . . . . . . . . . . . . . . . . . . 20
Figura 5 Comprimento do terreno representado por nmero fuzzy. . . . . . . 21
Figura 6 Formulao geomtrica do PMQ. . . . . . . . . . . . . . . . . . . . . . 36
Lista de tabelas
Tabela 1 Comparao entre as verses do PMQ (Caso 1). . . . . . . . . . . . . 41

Tabela 2 Comparao entre os funcionais (Caso 1). . . . . . . . . . . . . . . . . 41
Tabela 4 Comparao entre os funcionais (Caso 2). . . . . . . . . . . . . . . . . 43
Tabela 5 Comparao entre os Casos 1 e 2. . . . . . . . . . . . . . . . . . . . . . 43
Lista de smbolos
R Conjunto dos nmeros reais
C Conjunto dos nmeros complexos
= Inconsistncia
C(A) Espao Coluna da matriz A
|| || Norma Euclidiana
vn1 Vetor coluna de tamanho n
x
b Soluo tima
minx f (x) Minimizar a funo f em relao varivel x
. 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
hu, vi Produto interno entre os vetores u e v
:= Definio
E {x} Esperana da varivel x
E {x|y} Esperana de x dado y
A Funo caracterstica do conjunto A
xA x pertence ao conjunto A
x
/A x no pertence ao conjunto A
A Funo de pertinncia do conjunto fuzzy A
supp A Conjunto suporte de A
supp A Fecho do conjunto suporte de 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
O Problema dos Mnimos Quadrados (PMQ) tem sido amplamente aplicado

em diversas reas do conhecimento com o objetivo de encontrar estimativas timas
de determinadas variveis (SAKSELA et al., 2015; JIANG et al., 2016). A depender da
natureza do problema, o PMQ pode ser formulado para dois casos distintos: o caso
determinstico e o caso estocstico. Para o caso determinstico a formulao do problema
consiste na estimativa tima da soluo de um sistema de equaes inconsistente e
sobredeterminado. J no caso estocstico a formulao do problema est baseada na
estimativa tima de uma varivel aleatria desconhecida, que est sendo monitorada
por outra varivel aleatria conhecida e relacionada ao problema. Apesar das inegveis
vantagens das abordagens aqui citadas, os estudos nesta rea ainda persistem na busca
de formulaes alternativas que sejam mais abrangentes tanto do ponto de vista analtico
quanto numrico para este problema.
Nesse contexto, a teoria dos conjuntos fuzzy tem se mostrado bastante til na
busca por soluo de problemas com caractersticas imprecisas, incompletas e incon-
sistentes (MAKO, 2012; HUANG et al., 2011). A teoria dos conjuntos fuzzy relaciona
determinados 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. Fica ento evidente
que a abordagem do ponto de vista fuzzy do PMQ se torna uma alternativa vivel para
resolv-lo considerando tanto sua natureza determinstica quanto aleatria (estocstica),
desde que essas so caractersticas intrnsecas do conceito de varivel fuzzy. O objetivo
principal desse trabalho ento investigar qual a implicao da utilizao de variveis
fuzzy no PMQ, ou seja, quais vantagens e possveis limitaes so obtidas a partir dessa
nova formulao do problema. Diante disso, buscamos desenvolver nesse trabalho uma
formulao do PMQ a luz dessa teoria, utilizando nmeros fuzzy, com o intuito de
representar na modelagem matemtica do problema suas caractersticas imprecisas.
Para isso, se faz necessrio compreender de maneira efetiva o problema com
o auxlio da teoria intervalar, dado que existe uma forte relao dessa teoria com os
nmeros fuzzy. Na anlise intervalar os nmeros so representados por intervalos
para tambm carregar possveis imprecises. O tipo de varivel fuzzy utilizada nesse
trabalho, composta por nmeros fuzzy triangulares, tem como caracterstica principal
o fato de que sua representao se d atravs de seu valor principal e de seu conjunto
suporte, que so dados por intervalos reais. Portanto, operar esses nmeros se resume a
operar intervalos reais com a adio da informao do valor principal do nmero fuzzy.
Fez-se ento necessria a construo de uma verso intervalar do PMQ para ento os
Captulo 1. Introduo 2
resultados encontrados serem estendidos verso fuzzy.

A partir dos nmeros fuzzy que compem as entradas e as variveis do problema
so obtidos os intervalos para formar a verso intervalar do PMQ. Nessa formulao,
uma estrutura de espao vetorial normado intervalar construdo para o desenvolvi-
mento e soluo do problema. Os resultados intervalares retornam ento para a teoria
fuzzy onde a anlise da soluo obtida pode ser feita. Com isso, as imprecises presentes
no problema e traduzidas na soluo podem ser interpretadas pelo pesquisador atravs
de seu conhecimento a priore do problema.
Este trabalho se estrutura da seguinte forma: o Captulo 2 traz uma reviso da
literatura sobre as principais teorias tratadas aqui. O Captulo 3 apresenta os conceitos
bsicos das teorias que fundamentam essa dissertao: as formulaes clssicas do
PMQ, determinstica e estocstica, com suas solues; uma introduo a Teoria dos
Conjuntos Fuzzy e a matemtica intervalar. O Captulo 4 dedicado a construo e
soluo do PMQ fuzzy passando pela necessria construo da verso intervalar do
problema. O Captulo 5 discute a respeito do algoritmo implementado com a soluo
do PMQ fuzzy desenvolvida e a anlise de testes numricos da soluo atravs dessa
implementao com uma aplicao a estimao de frequncias de sinais sinusoidais.
No Captulo 6 esto as concluses, destacando a teoria desenvolvida nesse trabalho, e
os prximos passo a serem tomados.
3
2 Reviso de Literatura
So vastas as aplicaes em diversas reas da cincia e engenharia que pos-

suem modelos matemticos como base. Estes modelos podem ser das mais variadas
formas e se utilizam de um amplo arsenal de conhecimentos matemticos j desenvolvi-
dos. Dentre essas aplicaes, muitas esto ligadas a necessidade de estimar valores de
processos aleatrios dada a observao de outros processos relacionados. Estes proble-
mas de estimao podem ser encontrados em reas tais como: a economia, estatstica,
processamento de sinais, geofsica, astronomia, entre outras (KAILATH et al., 2000).
Dentre estes problemas de estimao, uma das classes mais estudadas e interes-
santes a do Problema dos Mnimos Quadrados (PMQ). De forma geral, um mtodo de
estimao necessrio para qualquer problema com nmero suficiente de dados para
sobredeterminar a sua soluo e o PMQ o mtodo de aproximao mais escolhido
frequentemente (PINAR; ARIKAN, 2004; SAYED; CHANDRASEKARAN, 2000; ZAMIR;
SUKHORUKOVA, 2016). Um exemplo de aplicao que remete a origem desse tipo
de problema a estimao de tamanhos de astros e de sua trajetria. O PMQ tem sido
amplamente aplicado em diversas reas do conhecimento com o objetivo de encontrar
estimativas timas de determinadas variveis e possui diversas formulaes que se
adequam de acordo com a natureza do problema tratado.
Uma das mais antigas e elementares formulaes desse problema o PMQ
determinstico, que consiste na estimativa tima da soluo de um sistema de equaes
inconsistente e sobredeterminado Hx = y para estimar parmetros em problemas de
diversas naturezas. Nesse caso a soluo tima para o problema aquela que minimiza o
quadrado da norma do vetor resduo adicionado para retirar a inconsistncia do sistema.
Essa formulao parte do princpio de que uma estimao necessria devido a erros
contidos em y, assumindo assim que H est livre de erros. Porm, em muitos casos
essa uma abordagem irreal, pois erros de diversas naturezas como: de modelagem,
instrumentais e erros de amostragem podem implicar em erros tambm na matriz A
(HUFFEL; VANDEWALLE, 1991).
Uma abordagem do PMQ que leva em conta incertezas nas variveis o PMQ
estocstico. Nesse caso, a formulao do problema est baseada na estimativa tima
de uma varivel aleatria desconhecida, que est sendo monitorada por outra varivel
aleatria conhecida e relacionada ao problema. O que se tem ento so medidas ruidosas
de uma varivel obtidas a partir da outra. Com a formulao apropriada se obtm
informaes razoveis da varivel desconhecida a partir das medidas ruidosas da
varivel conhecida. Apesar das inegveis vantagens das abordagens aqui citadas, os
estudos nesta rea ainda persistem na busca de formulaes alternativas que sejam
Captulo 2. Reviso de Literatura 4
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
de maneira fuzzy, levando-se em considerao o grau de satisfao das restries, que

pode ser determinado de acordo com a necessidade do problema.
Fica ento evidente que a abordagem do ponto de vista fuzzy do Problema
dos Mnimos Quadrados se torna uma alternativa vivel para resolv-lo considerando
tanto sua natureza determinstica quanto aleatria (estocstica), desde que essas so
caractersticas intrnsecas do conceito de varivel fuzzy. Na literatura, podemos encon-
trar alguns trabalhos que lidam com Problema dos Mnimos Quadrados baseado na
teoria dos conjuntos fuzzy. Diamond (1988) traz uma verso fuzzy da regresso por
mnimos quadrados, onde a partir de uma estrutura de espao mtrico de nmeros
fuzzy triangulares so estimados dois parmetros a e b para satisfazer um conjunto
de n equaes. Ming et al. (1997) generalizou o trabalho anterior para nmeros fuzzy
representados por funes contnuas por partes com nico mximo e suporte compacto.
Entretanto, nenhum deles considera o problema do ponto de vista que desejamos tratar.
A aritmtica, as funes de extenso, a anlise fuzzy e diversos outras partes
da teoria dos conjuntos fuzzy desenvolvida sobre os j citados -cortes, que so
intervalos (CHALCO-CANO et al., 2013). Por isso, a anlise intervalar uma rea que
est totalmente relacionada teoria dos conjuntos fuzzy e fundamenta muito do que
desenvolvido nela. Grande parte das teorias e aplicaes que utilizam fuzzy partem da
extenso de sua verso intervalar, assim como os eventuais problemas que surgem na
definio de um conceito dentro do universo fuzzy podem estar ligados ao no (total)
desenvolvimento desse conceito na anlise intervalar (LODWICK; DUBOIS, 2015).
A anlise intervalar, assim como a teoria dos conjuntos fuzzy, surgiu como rea
de pesquisa ativa no final da dcada de 50, incio dos anos 60 e partiu da ideia de que se
voc toma um nmero qualquer a e um certo limite de erro b em a, como aproximao
para um nmero qualquer x, no importa como voc calcule a e b, ter sempre a certeza
de que x estar no intervalo [a b, a + b] (MOORE, 2003). A partir da ideia ento de que
um intervalo pode representar tanto um conjunto quanto um nmero desenvolveu-se
toda a matemtica intervalar, aritmtica e anlise, tendo como motivao principal o
tratamento, na maioria das vezes computacional, de variveis associadas a erros de
diversas origens, o que recai sobre sua ligao com a teoria dos conjuntos fuzzy.
Assim como na teoria dos conjuntos fuzzy, aplicaes de diversas reas foram
trazidas para o universo da matemtica intervalar, levando ao desenvolvimento de toda
a fundamentao terica necessria para resoluo desses problemas. Surgiram ento
diverso verses intervalares de conceitos matemticos j existentes para variveis
reais ou complexas, tais como: espaos vetoriais, equaes diferenciais, entre outros
(MOORE et al., 2009). Dentre as mais recentes aplicaes da anlise intervalar, est a
soluo de problemas de otimizao que contm incertezas em seus coeficientes devido
arredondamentos ou informaes incompletas, que tambm trazem a necessidade
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.
3.1 O Problema dos Mnimos Quadrados

O problema dos mnimos quadrados um dos mais antigos problemas de
estimao e j foi estudado por diversos autores. Muitas abordagens desse problema
so conhecidas e ainda exploradas. Kailath et al. (2000) fazem um apanhado desses
estudos destacando a riqueza desse problema com suas diversas verses e aplicaes. As
abordagens determinstica e estocstica so a base para a verso do PMQ desenvolvida
nesse trabalho, segue ento embaixo uma rpida explanao sobre essas abordagens
como tratadas na obra citada acima.
3.1.1 PMQ Determinstico

Considere um conjunto de equaes lineares sobredeterminado (tem mais equa-
es do que incgnitas) e inconsistente (no possui soluo):
Hx
= y, (1)
onde H uma matriz m n conhecida, m n (sobredeterminado), y um vetor m 1

dado e x um vetor n 1 desconhecido. Sendo o sistema inconsistente, ento y no
pertence a C(H) (espao coluna de H). Isto significa que
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
min J(x) (4)

x
onde a funo custo J(x) definida como

2
J(x) = y Hx . (5)
Captulo 3. Preliminares 8
Sendo H , x , y a matriz e os vetores transpostos de H, x, y, a partir de uma das propri-

edades da norma euclidiana chegamos a:
2
J(x) = y Hx = x H Hx x H y y Hx + y y.

(6)
A soluo mnimos quadrados descrita no lema a seguir:
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)
Demonstrao. Diferenciando a equao (6) em x e igualando a zero, obtemos

0= x H Hx x H y y Hx + y y b H H y H
=x (9)
x x=b
x
que mostra que toda soluo x

b deve satisfazer as equaes normais
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)
que pode ser expresso como

1
b = H H
x H y. (13)
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)
Demonstrao. (H tem posto completo H H no-singular) Suponha que H H sin-

gular ento existe um vetor c 6= 0 tal que
2
H Hc = 0 c H Hc = 0 = Hc . (15)
Logo,
Hc = 0. (16)
Isto significa que os vetores colunas de H so linearmente dependentes. Portanto, H
no posto completo.
Dado um espao vetorial V qualquer sobre um corpo K com produto interno

h, i e sendo u, v V , dizemos que u e v so ortogonais se hu, vi e denotamos por
u v. Temos ainda que dado S V um subconjunto de V , chamamos de ortogonal
a S ao conjunto S = {v V ; hu, vi = 0, u S}. facilmente verificado que S um
subespao vetorial de V . Agora, se tomarmos W V um subespao de V e dado v V ,
se existir w W tal que v w W , chamamos o vetor w de projeo ortogonal de v
sobre W e denotamos por w = projW v. Visto isso, o Lema 3.1 pode ser reformulado
geometricamente. Da soluo
H H xb = H y (17)
podemos dizer que y H x b ortogonal aos vetores definidos pelas colunas de H. Ou
seja, a soluo mnimos quadrados obtida quando y yb C(H), sendo C(H) o espao
coluna de H. Considere os seguintes resultados:
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.
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)
Mas sendo yb1 L e yb2 L, ento (b

y1 yb2 ) L e obtemos

yb1 yb2 , yb1 yb2 = yb1 yb2 , (b
y1 y) + (y yb2 ) ,

= yb1 yb2 , yb1 y + yb1 yb2 , y yb2 = 0 + 0 = 0.
y1 yb2 ||2 = 0 e conclumos que devemos ter yb1 = yb2 .

Portanto, ||b
Lema 3.4 (Ortogonalidade e Aproximao). (KAILATH et al., 2000) Seja L um subespao

linear de um espao vetorial V com produto interno e seja y qualquer elemento de V.
Ento a projeo ybL , tem a propriedade que
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
y a 2 = y ybL 2 + ybL a 2 + y ybL , ybL a + ybL a, y ybL

(22)
ou,
y a 2 ybL a 2 = y ybL 2 + y ybL , ybL a + ybL a, y ybL .

(23)

Mas, dado que ybL L e a L, ybL a L e, por definio, y ybL ortogonal

a ybL a . Consequentemente,

y ybL , ybL a + ybL a, y ybL = 0 (24)
e
y ybL 2 = y a 2 ybL a 2 y a 2 .

(25)
Os Lemas 3.3 e 3.4 justificam a formulao geomtrica para o problema dos

mnimos quadrados. Basta considerar o subespao linear L como sendo C(H) o espao
gerado pelas colunas de H. A soluo dos mnimos quadrados x b caracterizada pelo
fato do vetor residual y H x
b ser ortogonal a C(H), ou equivalentemente, yb = H xb a
nica projeo de y sobre C(H).
Em muitas aplicaes mais apropriado o uso do problema dos mnimos qua-

drados ponderados, que tem a seguinte formulao:
2
J(x) = y H x
b W := y H xb W y Hx b , (26)
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)
que em caso de um H com posto completo, pode ser escrito como

2 1
b W = y W W H H W H H W y.

y H x (30)
Demonstrao. A prova segue as mesmas diretrizes do Lema 3.1.
Uma funo custo mais geral comumente usada

2
J(x) = x x0 1

0 x x0 + y Hx W . (31)
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 )
que pode ser escrito como

" # " 1/2 #
2

0 0
min x x0
(xx0 ) y Hx H
0 IW
" #
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
que pode ser reduzido ao sistema de equaes lineares

h i
01 + H W H xb x0 = H W y Hx0 .

(36)
Como mencionado anteriormente ao invs

h de requerermos
i a invertibilidade de H W H,
ns requeremos a invertibilidade de 1
0 + H W H , que garantida pela declarao
que 0 > 0. O valor mnimo pode ser calculado por
h 1 i1

J(bx) = y Hx0 W + H0 H y Hx0 (37)
e tambm escrito como

h i1
b = x0 + 1
H W y Hx0 .

x 0 + H W H (38)
3.1.2 PMQ Estocstico

H tambm uma verso estocstica do problema dos mnimos quadrados. Con-
sidere as variveis aleatrias dependentes x e y, com funo densidade de probabi-
lidade conjunta fx,y (, ). Tal questo surge quando a quantidade de interesse no
diretamente observada ou diretamente medida mas possvel monitorar uma outra
quantidade relacionada. Por exemplo, pode-se ter disponvel somente medidas ruidosas
y de x, dizemos y = x + v, onde a varivel aleatria v representa um rudo aditivo. Ou
seja, informaes razoveis de x podem ser extradas da medida ruidosa y.
Uma estimativa para o valor assumido por x pode ser descrito como uma funo
do valor assumido por y,
x
b = h(y). (39)
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)
Isto , deve-se encontrar K0 tal que para todo k, obtm-se

P (K) = E x Ky x Ky P (K0 ). (43)
Isto equivalente a requerer que
aP (K)a aP (K0 )a (44)
para todo k e para todo o vetor linha a. A soluo do problema acima dado pelo
seguinte Teorema.
Teorema 3.1 (Estimador Linear Mnimo Mdio Quadrtico (ELMMQ)). (KAILATH et

al., 2000) Dado duas variveis aleatrias x e y, o ELMMQ de x dado y dado por
x
b = K0 y

P (K0 ) := E x x
b xxb = mnimo (45)
dado por qualquer soluo K0 das equaes normais
K0 Ry = Rxy , (46)
onde Ry = E yy e Rxy = E xy = Ryx

. A correspondente matriz do erro mnimo
mdio quadrtico (ou matriz de covarincia do erro)
P (K0 ) = Rx K0 Ryx = Rx Rxy K0 . (47)
Demonstrao. Seja K0 a soluo que minimiza o problema
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 =

= a Rx Rxy K KRyx + KRy K a = aRx a aRxy (aK) aKRyx a + aKRy (aK) .

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
aRxy aRxy + 2aKRy = 0
Rxy + KRy = 0
K0 Ry = Rxy .
A correspondente matriz do erro mnimo mdio quadrtico

b x E x x

P (K0 ) = E x x
b xxb =E xx b xb
= 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 .
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
K0 = Rxy Ry1 (49)
e o erro mnimo mdio quadrtico pode ser escrito como
P (K0 ) = Rx Rxy Ry1 Ryx = Rx . (50)
Demonstrao. Temos que

P (K) = E x Ky x Ky
= 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
onde definido que Rx = Rx Rxy Ry1 Ryx . Podemos escrever ento

P (K) = Rx Rxy Ry1 Ryx + Rxy Ry1 K Ry Rxy Ry1 K .

(52)
O termo quadrtico envolvendo K sempre no-negativo por causa de Ry > 0, assim

o menor valor que este termo pode ter zero, que alcanado quando fazemos K =
Rxy Ry1 = K0 . Portanto P (K0 ) = Rx , quando K0 = Rxy Ry1 .
Um caso especial que sempre surge quando as variveis x e y esto linearmente

relacionadas, ou seja
y = Hx + v, (53)
sendo H Cpn uma matriz conhecida e v um rudo aleatrio de mdia zero e no

correlacionado com a varivel x. Assumindo que Rx = E xx e Rv = E vv so

conhecidos e que Ry = HRx H + Rv > 0, ento o estimador linear mnimo mdio

quadrtico e o correspondente erro mnimo mdio quadrtico podem ser escritos como
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)
3.2 Teoria dos Conjuntos Fuzzy

A Teoria dos Conjuntos Fuzzy foi proposta por Zadeh (1965) em seu artigo
Fuzzy Sets e desde ento muito foi pesquisado e desenvolvido dentro dessa rea. Zadeh
partiu da ideia de que muitos conjuntos de elementos do mundo real no possui uma
fronteira totalmente definida, ou seja, nem sempre possvel se ter certeza de que um
dado elemento realmente est totalmente contido nesse conjunto. Esses conjuntos em
sua maioria possuem em sua definio conceitos que indicam uma certa vagueza. Por
exemplo: se tomarmos o conjunto de nmeros muito prximos de 7, podemos afirmar
que os nmeros 6,9 e 10 esto contidos nesse conjunto? No h uma resposta exata para
essa pergunta, pois no existe uma definio precisa do que um nmero ser muito
prximo a outro. A nica coisa que podemos afirmar que 6,9 est mais prximo de 7
do que 10.
Relacionando ento essa ideia de impreciso com a de funo caracterstica de
um conjunto, cuja definio :
(
1 se x A
A (x) = , (57)
0 se x
/A
Zadeh construiu a definio matemtica de um Conjunto Fuzzy. Pensando numa fun-

o caracterstica contnua onde cada elemento possui um grau de pertinncia que
varia entre 0 e 1, conceitos que indicam imprecises poderiam ento ser representados
matematicamente. A definio em que chegou foi ento a seguinte:
Seja U o conjunto universo de discurso, um conjunto fuzzy A em U caracteri-
zado por uma funo
A : U [0, 1], (58)
pr fixada, chamada funo de pertinncia do conjunto fuzzy A. O valor de A (x) [0, 1]
indica o grau com que o elemento x de U pertence ao conjunto fuzzy A. Dois conjuntos
fuzzy A e B so iguais, A = B, se A = B .
Voltando ao conjunto dos nmeros muito prximos de 7, este pode ser definido
como um conjunto fuzzy F com a seguinte funo de pertinncia:
(
(1 |x 7|) se x [6, 8]
F (x) = , (59)
0 se x
/ [6, 8]
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.
Muitos outros contextos onde conceitos que indicam imprecises e vaguezas

so utilizados tambm podem ser modelados por conjuntos fuzzy. Diversas variveis
lingusticas podem determinar conjuntos sem uma fronteira totalmente definida tais
como: alto, mdio, baixo, velho, bom, excelente, etc. Um exemplo a ser citado um
conjunto definido pela varivel lingustica jovem. A classificao de pessoas como jovens
a partir de sua idade no feita de forma totalmente definida devido a vagueza indicada
por essa varivel lingustica. Podemos dizer que uma pessoa de 27 anos jovem mas no
tanto quanto uma de 18. Pensando no conceito de muito jovem, podemos pensar tambm
outro conjunto fuzzy onde as idades de 18 e 27 anos j teriam graus de pertinncia
menores do que no conjunto jovem. As representaes desses dois conjuntos fuzzy
podem ser dadas de acordo como temos na Figura 1.
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 3.1. Seja A um conjunto fuzzy em U e (0, 1]. O -corte de A o subcon-

junto clssico de U definido por
[A] = {x U : A (x) } . (60)
Os -cortes fazem ento a ligao de um conjunto fuzzy com a teoria de conjuntos

clssica. Dentro da teoria de conjuntos fuzzy os conjuntos clssicos so comumente
denominados conjuntos crisp. Dado o conjunto fuzzy F de nmeros muito prximos
de 7 definido anteriormente, temos que [F ]0,5 = [6, 5 , 7, 5], como podemos observar na
Figura 2. Temos tambm que dados , (0, 1] e um conjunto fuzzy A, tais que
Figura 2 Representao grfica do conjunto fuzzy F .
ento [A] [A] .

Um outro conceito importante relativo a conjuntos fuzzy o de conjunto suporte.
Sua definio segue abaixo.
Definio 3.2. Seja A um conjunto fuzzy com funo de pertinncia A : U [0, 1]. O
conjunto suporte de A definido como
supp A = {x U : A (x) > 0} . (61)
Ainda citando o conjunto fuzzy F j definido, o seu conjunto suporte dado

por supp F =]6, 8[. Podemos definir tambm o nvel zero do de um conjunto fuzzy[A]0
dado como o fecho de seu suporte indicado por suppA. Temos ento para esse exemplo
que [F ]0 = suppF = [6, 8].
Muitas definies dentro do universo dos conjuntos fuzzy procuram seguir a
mesma ideia que representam na teria de conjuntos clssica. Os -cortes so o principal
meio de ligao entre esses dois universos e por isso muitas definies so feitas a partir
deles. Um exemplo desse tipo de definio trazido a seguir.
Definio 3.3. Um conjunto fuzzy A em U convexo se seus -cortes so convexos. Isso

equivalente a: A convexo se
x1 U, x2 U, [0, 1],
A (x1 + (1 )x2 ) min(A (x1 ), A (x2 )). (62)
Um conceito muito importante para o tema desse trabalho o de nmero fuzzy. A

base para construo da verso Fuzzy do PMQ a mudana das variveis e constantes
clssicas para fuzzy, fazendo assim com que as possveis imprecises contidas no
problema sejam tratadas desde o incio e sua presena possa ser ponderada na soluo,
pois a motivao para criao do conceito de nmero fuzzy est justamente nisso:
representaes numricas que carregam imprecises.
Definio 3.4. Se A um conjunto fuzzy convexo e normalizado, cuja funo de perti-

nncia A tenha como domnio R e contnua por partes, ento A dito ser um nmero
fuzzy.
Os nmeros reais podem ser considerados um caso particular de nmero fuzzy,

onde a sua funo de pertinncia tem como contra-domnio o conjunto {0, 1}. Os tipos
mais comuns de nmeros fuzzy so os triangulares, trapezoidais e gaussianos. Suas
representaes podem seguem os modelos apresentados na Figura 3.
Figura 3 Nmeros fuzzy: triangular, trapezoidal e gaussiano.
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
so chamados de nmeros-L, R e denotados por X = (m, a, b)LR . Se L, R so da forma

(
1 |x|, se 0 x 1,
T (x) = (64)
0 demais casos,
ento X = (m, a, b)T dito ser triangular. Pode-se observar facilmente atravs da Figura
Figura 4 Nmero fuzzy triangular (m, a, b)T .
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
A expresso em torno de indica a necessidade do nmero triangular fuzzy

ser simtrico, por isso os erros definidos de forma igual. Temos ento c como nico
valor atingindo o grau 1 de pertinncia e os valores em torno dele com graus cada vez
menores a medida que se distanciam tanto para a direita como para a esquerda. Dessa
Figura 5 Comprimento do terreno representado por nmero fuzzy.
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.
Teorema 3.3. (BARROS; BASSANEZI, 2006) Sejam A e B conjuntos fuzzy em U . Uma

condio necessria e suficiente para que A = B que [A] = [B] , para todo [0, 1].
Demonstrao. Pode-se observar facilmente que A = B [A] = [B] para todo

[0, 1]. Suponhamos ento que [A] = [B] para todo [0, 1]. Se A 6= B, ento existe
x U tal que A (x) 6= B (x). Logo, temos que A (x) > B (x) ou A (x) < B (x).
Supondo A (x) > B (x), podemos concluir que x [A]A (x) e x / [B]A (x) e, portanto,
[A]A (x) 6= [B]A (x) , o que uma contradio dada a hiptese adotada. De maneira
anloga, chegamos a uma contradio tomando A (x) < B (x).
Como consequncia desse Teorema temos o seguinte corolrio que trata da

relao existente entre a funo de pertinncia de um conjunto fuzzy e as funes
caractersticas de seus -cortes.
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,
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.
3.3 Matemtica Intervalar

Na utilizao de nmeros fuzzy, em muitos casos interessante olhar para o
conjunto suporte do nmero para compreender o que ele representa no problema.
No caso dos nmeros triangulares fuzzy X = (m, a, b)T , que tem o fecho do conjunto
suporte dado pelo intervalo [m a, m + b], o conjunto suporte carrega praticamente
toda informao relativa ao nmero fuzzy, pois seus-cortes so todos intervalos reais
contidos no fecho do conjunto suporte. Muito do que desenvolvido dentro da teoria
dos conjuntos fuzzy se baseia na ideia de transpor o problema para a teoria clssica
atravs dos -cortes, resolv-lo e em seguida retornar essa informao para o universo
fuzzy.
Optou-se ento nesse trabalho por resolver uma verso intervalar do PMQ com
os intervalos que so obtidos a partir dos fechos dos conjuntos suportes dos nmeros
triangulares fuzzy, sem perda de informao, para em seguida transpor os resultados
para o caso fuzzy. Devido a isso, faz-se necessrio o estudo da anlise intervalar e a
construo de uma estrutura de Espao Vetorial Normado com este tipo de varivel.
Assim como a teoria dos conjuntos fuzzy, a anlise intervalar surgiu para repre-
sentar matematicamente imprecises das mais diversas origens. Um intervalo passou
ento a possuir dois significados quanto a sua representao: um conjunto numrico ou
um nico nmero que carrega uma impreciso quanto ao seu valor real.
Em um trabalho recente Costa et al. (2015), tomaram o espao dos interva-
los reais dado por M = I(R) I(R), onde I(R) = {[a, a] : a a e a, a R} e I(R) =
{[a, a] : [a, a] I(R)}; e o induziram com uma estrutura de espao vetorial a partir da
estrutura do espao vetorial Euclideano (R2n , +, ), com suas operaes usuais e usando
uma bijeo entre esse espao e R2n da seguinte forma:
Dado o espao vetorial usual (R2n , +, ) e uma funo bijetora : M n R2n ,
denotado por (M n , + , ) o espao com as operaes + : M n M n M n e :
R M n M n , dadas por
([a1 , a2 ], ..., [a2n1 , a2n ]) + ([b1 , b2 ], ..., [b2n1 , b2n ]) =

= 1 (([a1 , a2 ], ..., [a2n1 , a2n ]) + ([b1 , b2 ], ..., [b2n1 , b2n ])) (67)
e
([a1 , a2 ], ..., [a2n1 , a2n ]) = 1 ( ([a1 , a2 ], ..., [a2n1 , a2n ])). (68)
Teorema 3.4. Seja : M n R2n uma bijeo. Ento o espao (M n , + , ) um espao

vetorial.
Demonstrao. Sejam a, b, c M n e , R. Da definio das operaes + e e do

fato de R2n ser um espao vetorial segue que:
A1 ) a + b = 1 ((a) + (b)) = 1 ((b) + (a)) = b + a;
A2 ) (a + b) + c = (1 ((a) + (b))) + c = 1 [(1 ((a) + (b))) + (c)] =

= 1 ([(a) + (b)] + (c)) = 1 ((a) + [(b) + (c)]) =
= 1 ((a) + (1 ((b) + (c))) = a + 1 ((b) + (c)) = a + (b + c);
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;
A4 ) Dado um vetor a M n , seu simtrico o vetor a M n tal que (a) = (a),

pois
a + (a) = 1 ((a) + (a)) = 1 ((a) + ((a))) = 1 ((0, 0, ..., 0)) = n;
M1 ) Sejam a M n e , R, temos que:

() a = 1 (() (a)) = 1 ( (a)) = (a);
M2 ) Temos que 1 o elemento identidade, pois

1 a = 1 (1 (a)) = 1 ((a)) = a;
D1 ) Sejam a, b M n e R,temos que:

(a + b) = 1 ( (a + b)) = 1 ( (1 ((a) + (b)))) =
= 1 ( ((a) + (b)) = 1 ((a)) + 1 ((b)) = a + b;
D2 ) Sejam a M n e , R, temos que

( + ) a = 1 (( + ) (a)) = 1 ((a) + (a)) =
= 1 ( (a)) + 1 ( (a)) = a + a.
Logo, M n um R-espao vetorial.
Atravs da definio acima, pode-se observar que as operaes + e variam

de acordo com a bijeo escolhida. O exemplo mais prtico de bijeo entre M n e
R2n dada por ( ... ), onde uma funo de M em R2 dada por
([a1 , a2 ]) = (a1 , a2 ), que leva a
([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) = ( ... )([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) =
= (([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
A + B = ([a1 , a2 ], ..., [a2n1 , a2n ]) + ([b1 , b2 ], ..., [b2n1 , b2n ]) =
= ([a1 + b1 , a2 + b2 ], ..., [a2n1 + b2n1 , an + bn ]), (70)
e
A = ([a1 , a2 ], ..., [a2n1 , a2n ]) = ([a1 , a2 ], ..., [a2n1 , a2n ]). (71)
Definindo dessa forma, operar intervalos e vetores de intervalos se resume ento

em operar o seus extremos. A partir dessas operaes definidas podemos concluir que
dado o espao vetorial (M n , + , ), ento (I(R))n um cone convexo em M n , ou seja,
para todos a, b M n e , > 0, temos que a + b M n . Dessa forma, mesmo com
a extenso feita em (I(R))n adicionando o seu complementar para formao de M n , as
operaes definidas continuam fechadas dentro desse espao.
Dependendo da escolha da bijeo entre M n e R2n , essa concluso pode no ser
garantida e (I(R))n no ser um cone convexo em M n . Por exemplo, considerando a
bijeo 1 : M R2 dada por
1 ([a1 , a2 ]) = (a1 , a32 ), (72)
temos ento que

1 [a1 , a2 ] = a1 , 3 a2 . (73)
Dado o intervalo [2, 3] I(R) e = 2, segue que

3
1 [2, 3] = [4, 3 2]
/ I(R). (74)
Logo, para essa operao e por consequncia para a definida a partir dela temos que
(I(R))n no um cone convexo.
Teorema 3.5. (COSTA et al., 2015) Seja : (M n , + , ) (R2n , +, ) um isomorfismo.

Ento (I(R))n um cone convexo em M n se, e somente se, ((I(R))n ) um cone convexo
em R2n .
Demonstrao. Sendo : (M n , + , ) (R2n , +, ) um isomorfismo, ento para cada

([a1 , a2 ], ..., [a2n1 , a2n ]) M n , existe ((b1 , b2 ), ..., (b2n1 , b2n )) R2n tais que
([a1 , a2 ], ..., [a2n1 , a2n ]) = ((b1 , b2 ), ..., (b2n1 , b2n )).

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
((b1 , b2 ), ..., (b2n1 , b2n )) = ([a1 , a2 ], ..., [a2n1 , a2n ]) ((I(R))n ).
Consequentemente,
1 ( ([a1 , a2 ], ..., [a2n1 , a2n ])) = ([a1 , a2 ], ..., [a2n1 , a2n ]) (I(R))n .
Logo, (I(R))n um cone convexo em M n .

De forma recproca, seja (I(R))n um cone convexo em M n , 0 e ((b1 , b2 ), ..., (b2n1 , b2n ))
((I(R))n ). Existe ([a1 , a2 ], ..., [a2n1 , a2n ]) (I(R))n tal que
((b1 , b2 ), ..., (b2n1 , b2n )) = ([a1 , a2 ], ..., [a2n1 , a2n ]).
Ento,
1 (((b1 , b2 ), ..., (b2n1 , b2n ))) = 1 (([a1 , a2 ], ..., [a2n1 , a2n ])) =
= ([a1 , a2 ], ..., [a2n1 , a2n ]) (I(R))n .
Consequentemente, ((b1 , b2 ), ..., (b2n1 , b2n )) ((I(R))n ) e portanto ((I(R))n ) um

cone convexo em R2n .
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
A 5 B (A) 5R2n (B), (75)
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 .
Demonstrao. Do fato de 5R2n ser uma relao de ordem parcial (total) de R2n , obtemos:
i) (Reflexividade) Dado a M n , temos que a 5 a, pois
(a) 5R2n (a) a 5 a; (76)
ii) (Antissimetria) Dados a, b M n , temos que
a 5 b (a) 5R2n (b) (77)
e
b 5 a (b) 5R2n (a). (78)
De (77) e (78), obtemos
(a) = (b) a = b;
iii) (Transitividade) Dados a, b, c M n , temos que:
a 5 b (a) 5R2n (b) (79)
e
b 5 c (b) 5R2n (c). (80)
De (79) e (80), obtemos
(a) 5R2n (c) a 5 c;
iv) (Dicotomia) Dados a, b M n e sendo 5R2n uma relao de ordem total em R2n ,
temos que
(a) 5R2n (b) ou (b) 5R2n (a) a 5 b ou b 5 a.
Logo, 5 uma relao de ordem parcial (total) em M n .
Se tomarmos a bijeo 1 : M R2 dada por 1 ([a1 , a2 ]) = (a1 , a2 ) e a relao de

ordem usual de R2 , obtemos a relao de ordem 51 definida por
[a1 , a2 ] 51 [b1 , b2 ] 1 ([a1 , a2 ]) 5 1 ([b1 , b2 ])
(a1 , a2 ) 5 (b1 , b2 )
a1 5 b1 e a2 5 b2 .
Esta relao, que a relao adotada para os resultados posteriores dessa dissertao,
uma relao quantitativa, onde so comparados apenas os extremos inferior e superior
do intervalos. Assim como nas operaes, outras relaes de ordem podem ser obtidas
em M n a partir de outras bijees. Um exemplo que possui propriedades quantitativas
e qualitativas dado atravs da bijeo 2 : M R2 definida por 2 ([a1 , a2 ]) =
(a1 , a2 a1 ). Tambm considerando a relao usual de R2 , a relao obtida dada por
[a1 , a2 ] 52 [b1 , b2 ] 2 ([a1 , a2 ]) 5 2 ([b1 , b2 ])

(a1 , a2 a1 ) 5 (b1 , b2 b1 )
a1 5 b1 e a2 a1 5 b2 b1 .
Essa relao quantitativa, pois compara os extremos inferiores dos intervalos, mas
tambm qualitativa por comparar a sua amplitude. Esses dois casos apenas exemplifi-
cam que vrias relaes de ordem podem ser obtidas a depender da bijeo definida,
estando de acordo com a inteno pretendida.
28
4 PMQ Fuzzy
Como j visto, o PMQ determinstico surge de um sistema de equaes lineares

sobredeterminado e inconsistente Hx = y, onde a matriz H de nmeros reais e os
vetores x Rn e y Rm tem a seguinte forma:

H11 H12 ... H1n x1 y1
H21 H22 ... H2n x2 y2

H= . .. ... .. , x = .. e y = ..

, (81)
. . . . . .
Hm1 Hm2 ... Hmn xn ym
sendo H, y conhecidos e x a varivel a ser estimada. O problema ento se resume em
encontrar x tal que o quadrado da norma do vetor resduo v = y Hx seja mnimo.
A verso fuzzy desse problema proposta nesse trabalho tem o intuito de adicionar
verso determinstica do PMQ a inconsistncia presente nas entradas H e y, com
possvel origem em diversos fatores (erros de modelagem, instrumentais, erros de
amostragem, etc.), relacionando-o assim com a verso estocstica. Essa inconsistncia
adicionada transformando os nmeros que compem H, x e y em nmeros fuzzy.
Assim como fez Diamond (1988), um tipo especfico de nmero fuzzy foi esco-
lhido para compor H, x e y: os nmeros fuzzy triangulares, dados em (63) e (64), que
so representados pelo trio (m, a, b)T , onde m o valor principal do nmero (aquele que
tem grau de pertinncia 1) e a, b so os incrementos que definem o seu intervalo suporte.
Para simplificar a notao, utilizaremos a partir daqui nesse trabalho a representao
X = (x, x, x)T para os nmeros triangulares fuzzy, sendo [x, x] o fecho do conjunto
suporte de X. Uma das principais vantagens desse tipo de nmero oper-lo utilizando
apenas esses trs valores principais sem nenhuma perda de representao e significado.
A partir disso, o PMQ passa a ter uma nova formulao onde H uma matriz e
x, y so vetores de nmeros fuzzy triangulares definidos a partir de reais,

(H11 , h 11 , h11 )T (H12 , h12 , h12 )T ... (H1n , h1n , h1n )T

H=
(H , h , h )
21 21 21 T (H 22 , h22 , h )
22 T ... (H 2n , h2n , h )
2n T ,

.. .. ... ..

. . .

(Hm1 , hm1 , hm1 )T (Hm2 , hm2 , hm2 )T ... (Hmn , hmn , hmn )T

(x1 , x1 , x1 )T (y1 , y 1 , y 1 )T

(x , x , x ) (y , y , y )
x = 2 2 2 T e y = 2 2 2 T . (82)
.. ..

.

.

(xn , xn , xn )T (ym , y m , y m )T
Captulo 4. PMQ Fuzzy 29
Em muitas aplicaes dos conceitos da teoria dos conjuntos fuzzy, um caminho

interessante a ser seguido olhar para os -cortes dos conjuntos fuzzy para utilizao
de conceitos j desenvolvidos com a teoria clssica ou da matemtica intervalar e em
seguida recuperar a informao fuzzy. Como visto atravs do Teorema 3.3 e do Corolrio
3.1, toda a informao de um nmero fuzzy pode ser obtida atravs de seus -cortes.
Com base nisso, definimos o seguinte:
Definio 4.1. Sejam H uma matriz e x, y vetores de nmeros fuzzy triangulares. A

soluo tima para o PMQ fuzzy dado por H x
= y o vetor x tal que para todo
x] soluo da verso intervalar do problema dada por [H]
(0, 1], [ x]
[ y ] .
= [
Como j visto atravs das definies dadas, o conjunto suporte de um nmero

fuzzy a unio de seus -cortes e para o caso dos nmeros triangulares fuzzy esses
conjuntos so dados por intervalos reais. Logo, uma maneira plausvel de encontrar
uma soluo para o PMQ fuzzy transform-lo em um problema intervalar e, em
seguida, recuperar a informao fuzzy a partir dos conjuntos suporte. Dada a natureza
desse problema, para a construo dessa verso necessria uma estrutura de espao
vetorial intervalar normado sobre M n , assim como temos em R2n no caso determinstico.
Munindo ento M das operaes +M e M dadas por
[a1 , a2 ] +M [b1 , b2 ] = [a1 + b1 , a2 + b2 ] (83)
e
[a1 , a2 ] M [b1 , b2 ] = [a1 b1 , a2 b2 ] (84)
facilmente verificado que (M, +M , M ) possui uma estrutura de corpo. Sendo a, b, c

M tais que a = [a1 , a2 ], b = [b1 , b2 ] e c = [c1 , c2 ], tem-se que
A1 ) a + b = b + a, a, b M ;
a + b = [a1 , a2 ] + [b1 , b2 ] = [a1 + b1 , a2 + b2 ] = [b1 + a1 , b2 + a2 ] =
= [b1 , b2 ] + [a1 , a2 ] = b + a.
A2 ) a + (b + c) = (a + b) + c, a, b, c M ;
a + (b + c) = [a1 , a2 ] + ([b1 , b2 ] + [c1 , c2 ]) = [a1 , a2 ] + [(b1 + c1 ), (b2 + c2 )] =
= [a1 +(b1 +c1 ), a2 +(b2 +c2 )] = [(a1 +b1 )+c1 , (a2 +b2 )+c2 ] = [(a1 +b1 ), (a2 +b2 )]+[c1 , c2 ] =
= ([a1 , a2 ] + [b1 , b2 ]) + [c1 , c2 ] = (a + b) + c.
A3 ) Seja 0 = [0, 0] o elemento neutro da adio que satisfaz
a + 0 = [a1 , a2 ] + [0, 0] = [a1 + 0, a2 + 0] = [a1 , a2 ] = a.

A4 ) Seja [a1 , a2 ] o inverso aditivo de [a1 , a2 ] que satisfaz
[a1 , a2 ] + [a1 , a2 ] = [a1 a1 , a2 a2 ] = [0, 0].
M1 ) a b = b a, a, b M ;
a b = [a1 , a2 ] [b1 , b2 ] = [a1 b1 , a2 b2 ] = [b1 a1 , b2 a2 ] =
= [b1 , b2 ] [a1 , a2 ] = b a.
M2 ) a (b c) = (a b) c, a, b, c M ;
a (b c) = [a1 , a2 ] ([b1 , b2 ] [c1 , c2 ]) = [a1 , a2 ] [(b1 c1 ), (b2 c2 )] =
= [a1 (b1 c1 ), a2 (b2 c2 )] = [(a1 b1 )c1 , (a2 b2 )c2 ] = [(a1 b1 ), (a2 b2 )] [c1 , c2 ] =
= ([a1 , a2 ] [b1 , b2 ]) [c1 , c2 ] = (a b) c.
M3 ) Seja 1 = [1, 1] o elemento neutro multiplicativo que satisfaz
a 1 = [a1 , a2 ] [1, 1] = [a1 1, a2 1] = [a1 , a2 ] = a.
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 ;
(a + b)c = ([a1 , a2 ] + [b1 , b2 ]) [c1 , c2 ] = [(a1 + b1 ), (a2 + b2 )] [c1 , c2 ] =
= [(a1 + b1 )c1 , (a2 + b2 )c2 ] = [a1 c1 + b1 c1 , a2 c2 + b2 c2 ] = [a1 c1 , a2 c2 ] + [b1 c1 , b2 , c2 ] =
= [a1 , a2 ] [c1 , c2 ] + [b1 , b2 ] [c1 , c2 ] = ac + bc.
Logo, M corpo. Generalizando essas operaes para M n , de forma que
([a1 , a2 ], ..., [a2n1 , a2n ]) +M ([b1 , b2 ], ..., [b2n1 , b2n ]) =

= ([a1 + b1 , a2 + b2 ], ..., [a2n1 + b2n1 , a2n + b2n ]) (85)
e
[1 , 2 ] M ([b1 , b2 ], ..., [b2n1 , b2n ]) = ([1 b1 , 2 b2 ], ..., [1 b2n1 , 2 b2n ]) (86)
chega-se ao fato de que (M n , +M , M ) um M -espao vetorial. Pois, sendo a, b, c M n

tais que a = ([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]), b = ([b1 , b2 ], [b3 , b4 ], ..., [b2n1 , b2n ]) e c =
([c1 , c2 ], [c3 , c4 ], ..., [c2n1 , c2n ]), tem-se que
A1 ) a + b = b + a, a, b M n ;
a + b = ([a1 , a2 ], [a3 , a4 ], ..., [a2n1 , a2n ]) + ([b1 , b2 ], [b3 , b4 ], ..., [b2n1 , b2n ]) =
= ([a1 + b1 , a2 + b2 ], [a3 + b3 , a4 + b4 ], ..., [a2n1 + b2n1 , a2n + b2n ]) =
= ([b1 + a1 , b2 + a2 ], [b3 + a3 , b4 + a4 ], ..., [b2n1 + a2n1 , b2n + a2n ]) =
= ([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 + (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
a + 0 = ([a1 , a2 ], ..., [a2n1 , a2n ]) + ([0, 0], ..., [0, 0]) =
= ([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
a + (a) = ([a1 , a2 ], ..., [a2n1 , a2n ]) + ([a1 , a2 ], ..., [a2n1 , a2n ]) =
= ([a1 a1 , a2 a2 ], ..., [a2n1 a2n1 , a2n a2n ]) = ([0, 0], ..., [0, 0]).
M1 ) ()a = (a), , M e a M n ;
()a = ([1 , 2 ] [1 , 2 ])([a1 , a2 ], ..., [a2n1 , a2n ]) =
= [(1 1 ), (2 2 )]([a1 , a2 ], ..., [a2n1 , a2n ]) =
= ([(1 1 )a1 , (2 2 )a2 ], ..., [(1 1 )a2n1 , (2 2 )a2n ]) =
= ([1 (1 a1 ), 2 (2 a2 )], ..., [1 (1 a2n1 ), 2 (2 a2n )]) =
= [1 , 2 ]([(1 a1 ), (2 a2 )], ..., [(1 a2n1 ), (2 a2n )]) =
= [1 , 2 ]([1 , 2 ]([a1 , a2 ], ..., [a2n1 , a2n ])) = (a).

M2 ) Seja 1 = [1, 1] o elemento identidade, tal que
1 a = [1, 1]([a1 , a2 ], ..., [a2n1 , a2n ]) =
= ([1, 1] [a1 , a2 ], ..., [1, 1] [a2n1 , a2n ]) = ([a1 , a2 ], ..., [a2n1 , a2n ]) = a.
D1 ) (a + b) = a + b, M e a, b M n ;
(a + b) = [1 , 2 ][([a1 , a2 ], ..., [a2n1 , a2n ]) + ([b1 , b2 ], ..., [b2n1 , b2n ])] =
= [1 , 2 ]([(a1 + b1 ), (a2 + b2 )], ..., [(a2n1 + b2n1 ), (a2n + b2n )]) =
= ([1 (a1 + b1 ), 2 (a2 + b2 )], ..., [1 (a2n1 + b2n1 ), 2 (a2n + b2n )]) =
= ([1 a1 + 1 b1 , 2 a2 + 2 b2 ], ..., [1 a2n1 + 1 b2n1 , 2 a2n + 2 b2n ]) =
= ([1 a1 , 2 a2 ], ..., [1 a2n1 , 2 a2n ]) + ([1 b1 , 2 b2 ], ..., [1 b2n1 , 2 b2n ]) =
[1 , 2 ]([a1 , a2 ], ..., [a2n1 , a2n ]) + [1 , 2 ]([b1 , b2 ], ..., [b2n1 , b2n ]) = a + b.
D2 ) ( + )a = a + a, , M e a M n ;
( + )a = ([1 , 2 ] + [1 , 2 ])([a1 , a2 ], ..., [a2n1 , a2n ]) =
= [(1 + 1 ), (2 + 2 )]([a1 , a2 ], ..., [a2n1 , a2n ]) =
= ([(1 + 1 )a1 , (2 + 2 )a2 ], ..., [(1 + 1 )a2n1 , (2 + 2 )a2n ]) =
= ([1 a1 + 1 a1 , 2 a2 + 2 a2 ], ..., [1 a2n1 + 1 a2n1 , 2 a2n + 2 a2n ]) =
= ([1 a1 , 2 a2 ], ..., [1 a2n1 , 2 a2n ]) + ([1 a1 , 2 a2 ], ..., [1 a2n1 , 2 a2n ]) =
= [1 , 2 ]([a1 , a2 ], ..., [a2n1 , a2n ]) + [1 , 2 ]([a1 , a2 ], ..., [a2n1 , a2n ]) = a + a.
Logo, M n um M -espao vetorial. Existem alguns outros exemplos de multiplicaes

intervalares que podem ser definidas em M . A mais usual dentro da literatura dada
da seguinte forma (MOORE et al., 2009):
[a1 , a2 ] [b1 , b2 ] = [min {a1 b1 , a1 b2 , a2 b1 , a2 b2 } , max {a1 b1 , a1 b2 , a2 b1 , a2 b2 }] . (87)
Essa multiplicao, apesar de caracterizar bem o produto entre intervalos no determina

uma estrutura de espao vetorial sobre M n . Se pensarmos nas propriedades distributi-
vas, um contra-exemplo de que esse produto no as cumpri facilmente encontrado.
Vejamos:
[1, 2] ([4, 6] + [3, 1]) = [1, 2] [1, 7] =
= [min {1 1, 1 7, 2 1, 2 7} , max {1 1, 1 7, 2 1, 2 7}] = [7, 14]
Por outro lado,

[1, 2] [4, 6] + [1, 2] [1, 2] [3, 1] =
= [min S1 , max S1 ] + [min S2 , max S2 ] = [6, 12] + [6, 3] = [12, 15] ,

sendo S1 = {1 4, 1 6, 2 4, 2 6} e S2 = {(1) (3), 1 1, 2 (3), 2 1}. Logo,
dada a diferena entre esses resultados, temos que essa multiplicao no define uma
estrutura de espao vetorial em M n . Por isso a convenincia da multiplicao definida
nesse trabalho.
Sejam A, B M n tais que A = ([a1 , a1 ], [a2 , a2 ], ..., [an , an ]) e B = ([b1 , b1 ], [b2 , b2 ], ..., [bn , bn ]).
Procurando munir M n de um produto interno, considere a seguinte operao:
" n n
#
X X
hA, BiI = ai b i , ai b i . (88)
i=1 i=1
Verificando se esta operao satisfaz as propriedades de produto interno, tem-se que:
P1 ) hA + B, CiI = hA, CiI + hB, CiI , A, B, C M n ;

" n n
#
X X
hA + B, CiI = (ai + bi )ci , (ai + bi )ci =
" n i=1 n
i=1
#
X X
= (ai ci + bi ci ), (ai ci + bi ci ) =
i=1 i=1
" n n n n
#
X X X X
= ai c i + bi c i , ai c i + bi c i =
" ni=1 n
i=1
# i=1
" n
i=1
n
#
X X X X
= ai c i , ai c i + bi c i , bi c i =
i=1 i=1 i=1 i=1
= hA, CiI + hB, CiI .
P2 ) hA, BiI = hA, BiI , A, B M n e M ;

" n n
#
X X
hA, BiI = (ai )bi , (ai )bi =
i=1 i=1
" n n
#
X X
= ai b i , ai b i =
i=1 i=1
" n n
#
X X
= , ai bi , ai b i =
i=1 i=1
= hA, BiI .
P3 ) hA, BiI = hB, AiI , A, B M n ;

" n n
#
X X
hA, BiI = ai b i , ai bi =
" i=1
n
i=1
n
#
X X
= b i ai , b i ai =
i=1 i=1
= hB, AiI .
P4 ) hA, AiI >1 [0, 0], se A 6= 0, A M n ;

" n n
# " n n
#
X X X X
hA, AiI = ai ai , ai ai = a2i , a2i .
i=1 i=1 i=1 i=1
Se A 6= 0, ento existe pelo menos um ai ou ai (i = 1, ..., n) diferente de zero e

consequentemente hA, AiI = [ ni=1 a2i , ni=1 a2i ] >1 [0, 0].
P P
Logo, h , iI um produto interno em M n . A partir do produto interno intervalar

define-se uma norma em M n da seguinte forma:
p
A = hA, AiI , (89)
I
p
onde [a1 , a2 ] = [ a1 , a2 ].
Faz-se necessrio tambm definir como so aplicadas as operaes bsicas s
matrizes intervalares:
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 ].
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]
Definio 4.5 (Matriz Inversa Intervalar). Sejam A e B matrizes quadradas de ordem

n com entradas em M . Sendo B = A1 a matriz inversa de A, deve ento satisfazer
A B = I. Assim,
Pn Pn
r=1 air brj , r=1 air brj = [1, 1], para i = j,
(
(A B)ij = [1, 1], para i = j,

(A B)ij = [0, 0], para i 6= j Pn
Pn
r=1 air brj , r=1 air brj = [0, 0], para i 6= j
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 .
Com o suporte dessa teoria desenvolvida, a soluo do PMQ fuzzy obtida

ento a partir da soluo de sua verso intervalar, dando origem assim a uma nova
formulao do problema onde

h11 , h11 h12 , h12 ... h1n , h1n

h21 , h21 h22 , h22 ... h2n , h2n

HI = .. .. .. .. ,
. . . .

hm1 , hm1 hm2 , hm2 ... hmn , hmn
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)
Atravs do Lema 3.4, podemos concluir que

HI xI yI < HI xI yI , x M n e xI 6= xI . (97)
I I
Figura 6 Formulao geomtrica do PMQ.
Temos tambm que C(HI ) = N (HI ) (COELHO, 2005), sendo N (HI ) o espao
nulo da transposta de HI . De (96), obtemos
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)
quando HI tem posto coluna completo n.

Sintetizando o mtodo desenvolvido para soluo do PMQ fuzzy, inicialmente
temos a formulao clssica do PMQ que fuzzyficada transformando os nmeros que
compem H, x e y em nmeros fuzzy triangulares. A partir disso obtida a verso
x e y em intervalos obtidos dos
intervalar do problema transformando as entradas de H,
conjuntos suportes dos nmeros fuzzy. Atravs de (99) encontrada a soluo para o
PMQ intervalar para ento retornar esse resultado para o universo fuzzy. O tratamento
final da soluo, transformando-o ou no em constantes do tipo clssicas (reais) j est
relacionado com a origem do problema, possvel aplicao e assim o tipo de soluo
que se procura.
Para exemplificar, tomemos a matriz H e os vetores x, y j compostos por nme-
ros fuzzy triangulares do tipo F = (f, x, y)T , onde f o valor principal do nmero e
[f , f ] o fecho de seu intervalo suporte:

(2, 1, 3)T (6.5, 6, 7)T

(x1 , x1 , x1 )T

= (3, 2, 4)T (5.5, 6, 5)T , x =

H e

(x2 , x2 , x2 )T

(5.5, 5, 6)T (1.5, 1, 2)T

(4, 5, 3)T

y = (8.5, 8, 9)T

(100)

(3, 2, 4)T
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 .
Utilizando as operaes com matrizes intervalares j definidas, chegamos a:

[0.6656, 1.0312]
xI = . (102)

[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)

(0.9737, 1.0320, 0.9154)T
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
5.1 Testes Numricos

Apesar da validao matemtica encontrada para a soluo do PMQ Fuzzy,
preciso tambm investigar como se comporta esse resultado para diferentes aplicaes
com valores numricos. Para testes numricos da soluo encontrada para est verso
do PMQ desenvolvida foi implementado um algoritmo na linguagem de programao
C, onde a partir das entradas do problema (a matriz H e o vetor y) a soluo obtida. O
algoritmo segue o modelo descrito abaixo:
Algoritmo 1: PMQ Fuzzy

Entrada: H, y
Sada: x
1 incio
2 Entrada dos valores que compem H, y
3 Transformao dos nmeros fuzzy para intervalos
4 Clculo da soluo do PMQ Intervalar: x = (H H)1 H y
5 Volta da soluo para nmeros fuzzy triangulares
6 fim
7 retorna x fuzzy
O cdigo do programa implementado foi escrito com o software Dev-C++ 5.6.1.

O programa foi executado num computador com processador Intel Core i3-3217-U CPU
1.8 GHz, 4 GB de memria RAM e HD de 500 GB com um SSD de 30 GB utilizando
a tecnologia Intelr Rapid. O sistema operacional utilizado foi o Windows 8.1 64 bits.
O tempo de execuo do programa foi em mdia menor do que 1 s para as ordens de
matrizes testadas e apresentadas nesse trabalho.
Uma forma padro de fuzzyficar os nmeros e transform-los em triangulares
fuzzy no foi definida dentro do algoritmo e tambm na proposta desse trabalho, pois
essa j uma questo singular de cada problema de acordo com sua origem. A seguir
temos exemplos de diferentes solues encontradas atravs do programa implementado
para verificao da funcionalidade dessa verso do PMQ desenvolvida.
Seja Hx
= y um sistema de equaes sobredeterminado e inconsistente, onde

2 7 6 1 6
x1
3 9 2 5 3

x2
H = 7 2 9 1 , x =
ey= .
9 (104)
x3

1 4 8 4 5

x4
6 8 5 3 4
Captulo 5. Implementao e Testes 40
A soluo do PMQ determinstico, que consiste em minimizar o quadrado da norma do

vetor resduo v = y Hx, aponta como vetor timo para este sistema o seguinte vetor:

0.240290

0.150707
x =
. (105)
0.733158

0.307831
O vetor H x obtido a partir dessa soluo dado por:

5.626648
2.004396

H x =
8.274039
(106)
5.477058

5.389696
e o quadrado da norma do vetor resduo minimizado tem valor J(x) = 3.816479.

Tomando uma verso fuzzy desse problema, os valores de entrada e as variveis
sero transformadas em nmeros fuzzy triangulares representados por (a, a, a)T , onde a
o valor principal (que tem grau de pertinncia 1) e [a, a] o fecho do conjunto suporte
do nmero. Para os valores de entrada o intervalo suporte ser formado com um erro
de 1 para esquerda e para a direta. O problema ento passa a ter a seguinte formulao:

(2, 1, 3)T (7, 6, 8)T (6, 5, 7)T (1, 0, 2)T

(x1 , x1 , x1 )T

(3, 2, 4)T (9, 8, 10)T (2, 1, 3)T (5, 4, 6)T

(x2 , x2 , x2 )T

H = (7, 6, 8)T (2, 1, 3)T (9, 8, 10)T (1, 0, 2)T , x = e

(x , x , x )

3 3 3 T
(1, 0, 2)T (4, 3, 5)T (8, 7, 9)T (4, 3, 5)T

(x4 , x4 , x4 )T

(6, 5, 7)T (8, 7, 9)T (5, 4, 6)T (3, 2, 4)T

(6, 5, 7)T

(3, 2, 4)T

y = (9, 8, 10)T

. (107)

(5, 4, 6)T

(4, 3, 5)T
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:
Tabela 1 Comparao entre as verses do PMQ (Caso 1).
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:
Tabela 2 Comparao entre os funcionais (Caso 1).
J(x) Clssico J(x)

3.710295 3.816479 3.885572
O que reafirma o comportamento adequado dessa soluo j verificado na comparao

anterior. Esse intervalo para o funcional J(x) tambm demonstra a ventagem dessa
soluo em relao ao caso clssico. O valor mnimo para o funcional agora est contido
num intervalo, sendo seu extremo direito menor que o valor do funcional minimizado
no caso determinstico. Isso demonstra ento que de acordo com os valores da formula-
o intervalar onde os possveis erros das variveis de entrada j esto embutidos, uma
formulao clssica com menor erro do que a definida pode ser extrada.
Partindo do mesmo sistema sobredeterminado e inconsistente, agora formamos
um sistema com os nmeros fuzzy triangulares onde as entradas da verso clssica
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]
e o funcional intervalar minimizado tem valor J(x) = [0.457153, 10.521491]. Compa-

rando a soluo dessa formulao com a verso clssica do PMQ, obtemos o seguinte:
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.
Tabela 4 Comparao entre os funcionais (Caso 2).
J(x) Clssico J(x)

0.457153 3.816479 10.521491
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:
Tabela 5 Comparao entre os Casos 1 e 2.
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)
Para este caso, a soluo intervalar obtida dada por:

[0.025430, 0.361302]

[0.112136, 0.149821]

xI = (112)

[0.663898, 0.775302]

[0.677763, 0.377118]
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
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]
Nessa etapa o resultado parcial obtido j foge do esperado em partes devido a

apario de intervalos imprprios, ou seja, aqueles onde o limite inferior maior que
o limite superior. Um comportamento esperado dentro do clculo da inversa de uma
matriz, mas que deve ser destacado a apario de diversos valores negativos nos
intervalos. A partir disso, o comportamento diferente da soluo desse caso pode ser
explicado pela multiplicao entre intervalos definida. Relembrando, temos que dados
dois intervalos a, b M tais que a = [a , a] e b = [b, b], o seu produto dado por:
a b = [a, a] [b, b] = [a b, b b].
Tomando como exemplo os intervalos a = [1, 1] e b = [6, 4], obtemos o seguinte:
a b = [1, 1] [6, 4] = [6, 4], (115)
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
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.
5.2 Estimao da frequncia de sinais sinusoidais

A estimao da frequncia de sinais sinusoidais com rudos um problema
muito frequente no processamento de sinais devido as diversas aplicaes que possui,
tais como: a anlise da fala, engenharia biomdica, comunicaes, entre outras (CHAN
et al., 2011). Existem na literatura diversos algoritmos desenvolvidos para a estimao
de frequncias, com diferentes abordagens. Entre eles, as abordagens baseadas na
propriedade da predio linear so as mais comuns (LAVOIE et al., 1981; SO et al.,
2005).
Dadas M sinusoidais de amplitudes Ai , fase i e frequncias i , i = 1, ..., M . A
soma dessas senoides, em um instante n, dada por
M
X
S(n) = Ai sin[i n + i ]. (116)
i=1
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
Expandindo a funo seno em (118) e reordenando os somatrios, obtemos

M
X 2M
X M
X 2M
X
S(n) = Ai sin(i n + i ) al cos i l Ai cos(i n + i ) al sin i l. (119)
i=1 l=1 i=1 l=1
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)
onde n um rudo branco gaussiano aditivo. Substituindo (118) em (125), obtemos

2M
X 2M
X
xn = al xn1 al n1 + n . (126)
l=1 l=1
Dadas N medidas de xn , com N > 2M , a equao matricial para estimao do parmetro

a, a partir de (126), dada por
y = Xa + E, (127)
onde
2M

X
x2M +1 x2M ... x1 al 2M +1l + 2M +1

l=1
x2M +2 x ... x2

..

, X = . 2M +1

y= ,E =
.. . .. .
. . .

2M
X
xN xN 1 ... xN 2M al N l + N

l=1
(128)
justificando ento uma soluo do PMQ para esse problema de estimao.

Simulando a estimao atravs da soluo do PMQ Fuzzy, tomamos o caso de
uma senoide (M=1), com amplitude A = 3, frequncia = 1 e fase phi = . A razo
entre o sinal e o rudo (SNR) foi de 5 dB. A construo da verso fuzzy do problema foi
formada tomando os valores da formao clssica do problema como os valores centrais
dos nmeros fuzzy em X e y. Os intervalos suporte foram formados com a soma e
subtrao de valores aleatrios para cada um dos valores centrais, porm seguindo uma
distribuio normal, assim como o rudo que foi adicionado ao sinal. Seguiu-se tambm
a condio de somar e subtrair o mesmo valor para cada nmero fuzzy formado, ou
seja, os extremos de cada nmero fuzzy triangular se mantinham equidistantes ao valor
principal.
Os testes se iniciaram com o valor de N = 5. A soluo clssica para cada valor
de N era obtida tomando-se o ponto mdio do intervalo suporte da soluo fuzzy. O
erro relativo de tolerncia definido foi de 0,01. Para essa simulao chegou-se ento a
estimao da frequncia com o valor de N = 88. Nesse ponto, a matriz X era de ordem
85 2 e o vetor y consequentemente de ordem 85 1. O vetor a intervalar estimado foi
o seguinte

[1.0370, 1.0922]
a= (129)

[0.8277, 0.7671] .
Com isso, o valor da frequncia estimada foi
= 1.009453.
Numa outra simulao, foi tomado mais uma vez um sinal com uma sinusoidal,
agora com amplitude A = 5, frequncia = /2 e fase = 3/2. O mesmo valor de SNR
= 5dB foi tomado. A formao da verso fuzzy do problema a partir da clssica seguiu
o mesmo formato da simulao anterior. Nessa simulao, o erro mnimo tolerado (0,01)
foi atingido para o valor de N = 16. A matriz X e o vetor y tinham ento ordens 13 2
e 13 1 respectivamente. O vetor a estimado foi

[0.0949, 0.1005]
a= (130)

[0.8473, 0.8379]
e a estimao da frequncia obtida foi

= 1.569391. Estes dois casos exemplificam
ento que boas estimaes para a frequncia de um sinal ruidoso podem ser obtidas a
partir do PMQ fuzzy aplicado a predio linear.
49
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
BARROS, L.; BASSANEZI, R. Tpicos de Lgica Fuzzy e Biomatemtica. Campinas:

UNICAMP/IMECC, 2006. 392 p.
CHALCO-CANO, Y.; RUFIN-LIZANA, a.; ROMN-FLORES, H.; JIMNEZ-GAMERO,

M. Calculus for interval-valued functions using generalized Hukuhara derivative and
applications. Fuzzy Sets and Systems, Elsevier, v. 219, p. 4967, 2013.
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.
COELHO, F. U. Um Curso de lgebra Linear. So Paulo: EDUSP, 2005.
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. Fuzzy Least Squares. Information Sciences, v. 46, p. 141157, 1988.
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.
HUFFEL, S. V.; VANDEWALLE, J. The Total Least Squares Problem: Computational

Aspects and Analysis. Philadelphia: SIAM, 1991. 300 p.
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.
KOSKO, B. Neural Networks and Fuzzy Systems: a dynamical systems approach to

machine intelligence. New Jersey: Prentice-Hall, 1992.
Referncias 51
LAVOIE, M.; LAVOIE, J. M. M.; LAVOIE, J. M. M. A Parameter Estimation Approach to

Estimation of Frequencies of Sinusoids. Ieee Transactions on Acoustics, Speech, and
Signal Processing, ASSP-28, n. 2, p. 214219, 1981.
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.
MOORE, R. E.; KEARFOTT, R. B.; CLOUD, M. J. Introduction to Interval Analysis. 1.

ed. Philadelphia: SIAM, 2009. 235 p.
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.
SAKSELA, K.; BOTTS, J.; SAVIOJA, L. Optimization of absorption placement using

geometrical acoustic models and least squares. The Journal of the Acoustical Society
of America, v. 137, n. 4, p. 274280, 2015.
SAYED, A. H.; CHANDRASEKARAN, S. Parameter estimation with multiple sources

and levels of uncertainties. IEEE Transactions On Signal Processing, v. 48, n. 3, p.
680692, 2000.
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.
ZADEH, L. A. Fuzzy Sets. Information and Control, Berkeley, v. 8, p. 338353, 1965.
ZAMIR, Z. R.; SUKHORUKOVA, N. Linear least squares problems involving fixed

knots polynomial splines and their singularity study. Applied Mathematics and Com-
putation, v. 282, n. Model 2, p. 204215, 2016.

Dissertação Final Vinicius

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Dissertação Final Vinicius

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDADE ESTADUAL DE SANTA CRUZ

PRO-REITORIA DE PESQUISA E PS-GRADUAO

P ROGRAMA DE P S -G RADUAO EM M ODELAGEM C OMPUTACIONAL

V INICIUS N ASCIMENTO R UFINO

A NLISE DA I NFLUNCIA DE UMA VARIVEL F UZZY NO P ROBLEMA DOS

A NLISE DA I NFLUNCIA DE UMA VARIVEL F UZZY NO

Dissertao apresentada ao Programa de Ps-Graduao

Orientador: Prof. Dr. Eduardo Silva Palmeira

Coorientador: Prof. Dr. Gildson Queiroz de Jesus

Orientador: Eduardo Silva Palmeira.

1. Mnimos quadrados. 2. Conjuntos difusos. 3.

Nenhuma palavra ou ato meu

O problema dos mnimos quadrados (PMQ) consiste em um mtodo para estimao

Figura 1 Conjuntos fuzzy representando jovem (young) e muito jovem (very

Tabela 1 Comparao entre as verses do PMQ (Caso 1). . . . . . . . . . . . . 41

R Conjunto dos nmeros reais

C Conjunto dos nmeros complexos

C(A) Espao Coluna da matriz A

vn1 Vetor coluna de tamanho n

minx f (x) Minimizar a funo f em relao varivel x

hu, vi Produto interno entre os vetores u e v

E {x} Esperana da varivel x

E {x|y} Esperana de x dado y

A Funo caracterstica do conjunto A

A Funo de pertinncia do conjunto fuzzy A

supp A Conjunto suporte de A

supp A Fecho do conjunto suporte de A

O Problema dos Mnimos Quadrados (PMQ) tem sido amplamente aplicado

resultados encontrados serem estendidos verso fuzzy.

So vastas as aplicaes em diversas reas da cincia e engenharia que pos-

de maneira fuzzy, levando-se em considerao o grau de satisfao das restries, que

3.1 O Problema dos Mnimos Quadrados

3.1.1 PMQ Determinstico

onde H uma matriz m n conhecida, m n (sobredeterminado), y um vetor m 1

min J(x) (4)

onde a funo custo J(x) definida como

Sendo H , x , y a matriz e os vetores transpostos de H, x, y, a partir de uma das propri-

A soluo mnimos quadrados descrita no lema a seguir:

Demonstrao. Diferenciando a equao (6) em x e igualando a zero, obtemos

que mostra que toda soluo x

que pode ser expresso como

Demonstrao. (H tem posto completo H H no-singular) Suponha que H H sin-

Dado um espao vetorial V qualquer sobre um corpo K com produto interno

Mas sendo yb1 L e yb2 L, ento (b

y1 yb2 ||2 = 0 e conclumos que devemos ter yb1 = yb2 .

Lema 3.4 (Ortogonalidade e Aproximao). (KAILATH et al., 2000) Seja L um subespao

y a 2 = y ybL 2 + ybL a 2 + y ybL , ybL a + ybL a, y ybL

y a 2 ybL a 2 = y ybL 2 + y ybL , ybL a + ybL a, y ybL .

Os Lemas 3.3 e 3.4 justificam a formulao geomtrica para o problema dos

Em muitas aplicaes mais apropriado o uso do problema dos mnimos qua-

que em caso de um H com posto completo, pode ser escrito como

Demonstrao. A prova segue as mesmas diretrizes do Lema 3.1.

Uma funo custo mais geral comumente usada

que pode ser escrito como

que pode ser reduzido ao sistema de equaes lineares

Como mencionado anteriormente ao invs

e tambm escrito como

3.1.2 PMQ Estocstico

Isto , deve-se encontrar K0 tal que para todo k, obtm-se

Isto equivalente a requerer que

aP (K)a aP (K0 )a (44)

Teorema 3.1 (Estimador Linear Mnimo Mdio Quadrtico (ELMMQ)). (KAILATH et

dado por qualquer soluo K0 das equaes normais

onde Ry = E yy e Rxy = E xy = Ryx