MODELAGEM E SIMULAÇÃO DE SISTEMAS -2 -10

Prévia do material em texto

MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A2_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
O termo inglês Fuzzy pode ser traduzido para o português 
expremindo o significado proposto para a lógica que utiliza essa 
palavra. Assinale a opção em que os termos apresentados são 
traduções válidas para o português, assim contribuindo para 
compreensão do assunto. 
 
 
Difuso, Confuso e Nebuloso. 
 
 
Difuso, Discreto e Nebuloso. 
 
Raciocínio, Discreto ou Lógica. 
 
 
Raciocínio, Discreto e Confuso. 
 
 
Raciocínio, Confuso e Lógica. 
 
 
 
Explicação: 
O termo nebuloso é o mais adequado para tradução, pois ao mesmo tempo que os conceitos fuzzy são 
separados (difusos) entre si, eles são combinados (confusos). Por isso tanto nebuloso, quanto difuso e 
assim como confuso são traduções válidas para o termo ingês fuzzy. 
 
 
 
 
 
 
 
 
 
2. 
 
 
Assinale a opção que corresponde o conceito que é atribuído ao 
conceito fuzzy. 
 
 
 
Conformação 
 
Gradação 
 
 
Discriminação 
 
Especialização 
 
 
Complementação 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
Explicação: 
O conceito fuzzy apresenta a ideia de gradação relacionado a pertinência dos conjuntos. 
 
 
 
 
 
 
 
 
 
3. 
 
 
A Teoria Fuzzy foi inicialmente sugerida em 1930 por Jan 
Lukasiewicz para análise de problemas específicos. Que tipo de 
problema a Teoria Fuzzy busca solucionar? 
 
 
 
Problemas de regressão linear de funções. 
 
Problemas exclusivamente teóricos. 
 
 
Problemas discritivos. 
 
Problemas de múltiplicade de valores de possibilidades simultâneas. 
 
 
Problemas de controle multiobjetivo. 
 
 
 
Explicação: 
A análise que era feita antes da Teoria Fuzzy era capaz de expressar resultados simples, como 
¿verdadeiro¿ e ¿falso¿, não sendo capaz de propor valores de intensidade, como ¿maior¿, 
¿menor¿, ¿melhor¿ ou ¿pior¿. Para esse tipo de problemas foi proposta a Teoria Fuzzy. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206622287','4127124234');
ODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A3_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
Determine a pertinência 
resultante do conjunto ¯¯̄̄AA¯ (complemento). 
A=[0,250,0,321,0,52,0,23]A=[0,250,0,321,0,52,0,23] 
 
μ¯¯̄A(x)=1−μA(x)μA¯(x)=1−μA(x) 
 
 
 
¯¯̄̄A=[0,250,0,781,0,52,0,13]A¯=[0,250,0,781,0,52,0,13] 
 
¯¯̄̄A=[0,750,0,781,0,52,0,13]A¯=[0,750,0,781,0,52,0,13] 
 
 
¯¯̄̄A=[0,250,0,781,0,02,0,23]A¯=[0,250,0,781,0,02,0,23] 
 
¯¯̄̄A=[0,750,0,681,0,52,0,83]A¯=[0,750,0,681,0,52,0,83] 
 
 
¯¯̄̄A=[0,750,0,681,0,02,0,83]A¯=[0,750,0,681,0,02,0,83] 
 
 
 
Explicação: 
Deve-se realizar a operação de complemento elementos a elemento, se o elemento não é listado em um 
conjunto, o complemento da pertinência é um. 
μ¯¯̄A(0)=1−μA(0)=1−0,25=0,75μA¯(0)=1−μA(0)=1−0,25=0,75 
μ¯¯̄A(1)=1−μA(1)=1−0,32=0,68μA¯(1)=1−μA(1)=1−0,32=0,68 
μ¯¯̄A(2)=1−μA(2)=1−0,5=0,5μA¯(2)=1−μA(2)=1−0,5=0,5 
μ¯¯̄A(3)=1−μA(3)=1−0,2=0,8μA¯(3)=1−μA(3)=1−0,2=0,8 
Logo 
¯¯̄̄A=[0,750,0,681,0,52,0,83]A¯=[0,750,0,681,0,52,0,83] 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
 
 
 
2. 
 
 
Os conjuntos fuzzy são uma generalização dos conjuntos clássicos, 
ao superar os princípios do meio excluído e da não-contradição, 
fazendo-se valer do conceito da Dualidade. Logo, a propriedades 
do conjunto fuzzy, que os diferenciam dos conjuntos tradicionais 
é: 
 
 
 
A∪A=AA∪A=A 
 
A∩A=AA∩A=A 
 
A∪¯¯̄̄A≠UA∪A¯≠U 
 
 
A∩¯¯̄̄A=¯¯̄̄AA∩A¯=A¯ 
 
 
A∩¯¯̄̄A=AA∩A¯=A 
 
 
 
Explicação: 
Na lógica clássica, uma proposição é verdadeira ou sua negação é verdadeira. Em termos da linguagem 
de conjuntos, tem-se que: 
A∪¯¯̄̄A=UA∪A¯=U 
Presmissa vencida pela lógica aplicada aos conjuntos Fuzzy. 
 
 
 
 
 
 
 
 
 
3. 
 
 
Os elementos de conjuntos diferentes podem interagir entre si 
pelas operações de conjuntos. Dentre todas as operações dos 
conjuntos que levam às definições de conjuntos fuzzy, identifique 
a alternativa que apresenta uma dessas operações. 
 
 
 
Tradução. 
 
Multiplicação. 
 
 
Interpretação. 
 
 
Exponenciação. 
 
Interseção. 
 
 
 
Explicação: 
Interseção ¿ Elementos comuns a diferentes conjuntos são os elementos de interseção, definida pelo 
conectivo lógico ¿e¿, pois os elementos devem pertencer a um conjunto e outro conjunto. 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
 
 
MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A4_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
Seja a relação fuzzy RR apresentada na matriz relacional 
determine o complemento da relação ¯¯̄̄RR¯. Sabendo que 
¯¯̄̄R→μ¯¯̄R(x,y)=1−μR(x,y)R¯→μR¯(x,y)=1−μR(x,y) 
R=⎡⎢⎣0.250.950.240.640.410.630.470.580.14⎤⎥⎦R=[0.250.950.24
0.640.410.630.470.580.14] 
 
 
 
¯¯̄̄R=⎡⎢⎣0.760.760.760.590.590.590.860.860.86⎤⎥⎦R¯=[0.760.760.760.590.590.590.860.860.86] 
 
¯¯̄̄R=⎡⎢⎣0.250.950.240.640.410.630.470.580.14⎤⎥⎦R¯=[0.250.950.240.640.410.630.470.580.14] 
 
 
¯¯̄̄R=⎡⎢⎣0.850.500.860.460.690.470.630.520.96⎤⎥⎦R¯=[0.850.500.860.460.690.470.630.520.96] 
 
¯¯̄̄R=⎡⎢⎣0.750.050.760.360.590.370.530.420.86⎤⎥⎦R¯=[0.750.050.760.360.590.370.530.420.86] 
 
 
¯¯̄̄R=⎡⎢⎣0.950.950.950.640.640.640.580.580.58⎤⎥⎦R¯=[0.950.950.950.640.640.640.580.580.58] 
 
 
 
Explicação: 
μ¯¯̄R(1,1)=1−0.25=0.75μR¯(1,1)=1−0.25=0.75 
μ¯¯̄R(1,2)=1−0.95=0.05μR¯(1,2)=1−0.95=0.05 
μ¯¯̄R(1,3)=1−0.24=0.76μR¯(1,3)=1−0.24=0.76 
μ¯¯̄R(2,1)=1−0.64=0.36μR¯(2,1)=1−0.64=0.36 
μ¯¯̄R(2,2)=1−0.41=0.59μR¯(2,2)=1−0.41=0.59 
μ¯¯̄R(2,3)=1−0.63=0.37μR¯(2,3)=1−0.63=0.37 
μ¯¯̄R(3,1)=1−0.47=0.53μR¯(3,1)=1−0.47=0.53 
μ¯¯̄R(3,2)=1−0.58=0.42μR¯(3,2)=1−0.58=0.42 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
μ¯¯̄R(3,3)=1−0.14=0.86μR¯(3,3)=1−0.14=0.86 
Logo 
¯¯̄̄R=⎡⎢⎣0.750.050.760.360.590.370.530.420.86⎤⎥⎦R¯=[0.750.050.760.360.590.370.530.420.86] 
 
 
 
 
 
 
 
 
 
2. 
 
 
Determine a relação identidade obtida de A×A=A2A×A=A2, 
onde 
A={x,y,w,z}A={x,y,w,z} 
 
 
 
IA={(x,y);(x,w);(x,z);(y,x);(y,w);(y,z);(w,x);(w,y);(w,z);(z,x);(z,y);(z,w)}IA={(x,y);(x,w);(x,z);(y,x);(y,w);(y,z);(w,x);(w,y);(w,z);(z,x);(z,y);(z,w)} 
 
 
IA={(x,y);(y,x);(w,z);(z,w)}IA={(x,y);(y,x);(w,z);(z,w)} 
 
 
IA={(x,x);(y,y);(w,w);(z,z)}IA={(x,x);(y,y);(w,w);(z,z)} 
 
 
IA={(x,x);(x,y);(x,w);(x,z)}IA={(x,x);(x,y);(x,w);(x,z)} 
 
 
IA={(x2);(y2);(w2);(z2)}IA={(x2);(y2);(w2);(z2)} 
 
 
 
 
 
 
 
 
3. 
 
 
Determinar a relação composta fuzzy R, 
das relações fuzzy A e B, utilizando o 
método max-produto. 
A=⎡⎢⎣0.10.10.50.30.20.3⎤⎥⎦A=[0.10.10
.50.30.20.3] 
B=[0.30.20.40.10.40.10.21.0]B=[0.30.20.40.10.40.10.21.0] 
Sendo 
μR(x,y)=max[μA(x,y)⋅μB(x,y)]μR(x,y)=max[μA(x,y)⋅μB(x,y)] 
 
 
 
R=⎡⎢⎣0.30.20.40.10.50.50.50.50.40.30.30.3⎤⎥⎦R=[0.30.20.40.10.50.50.50.50.40.30.30.3] 
 
 
R=⎡⎢⎣0.040.020.040.100.150.100.200.300.120.040.080.30⎤⎥⎦R=[0.040.020.040.100.150.100.200.3
00.120.040.080.30] 
 
 
R=⎡⎢⎣0.30.40.50.40.30.4⎤⎥⎦R=[0.30.40.50.40.30.4] 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
 
R=⎡⎢⎣0.30.40.50.30.40.3⎤⎥⎦R=[0.30.40.50.30.40.3] 
 
 
R=⎡⎢⎣0.40.20.41,00.50.30.51.01.01.01.01.0⎤⎥⎦R=[0.40.20.41,00.50.30.51.01.01.01.01.0] 
 
 
 
Explicação: 
μR(x,y)=max[0.1×0.3;0.1×0.4]=0.04μR(x,y)=max[0.1×0.3;0.1×0.4]=0.04 
μR(x,y)=max[0.1×0.2;0.1×0.1]=0.02μR(x,y)=max[0.1×0.2;0.1×0.1]=0.02 
μR(x,y)=max[0.1×0.4;0.1×0.2]=0.04μR(x,y)=max[0.1×0.4;0.1×0.2]=0.04 
μR(x,y)=max[0.1×0.1;0.1×1.0]=0.10μR(x,y)=max[0.1×0.1;0.1×1.0]=0.10 
 
μR(x,y)=max[0.5×0.3;0.3×0.4]=0.15μR(x,y)=max[0.5×0.3;0.3×0.4]=0.15 
μR(x,y)=max[0.5×0.2;0.3×0.1]=0.10μR(x,y)=max[0.5×0.2;0.3×0.1]=0.10 
μR(x,y)=max[0.5×0.4;0.3×0.2]=0.20μR(x,y)=max[0.5×0.4;0.3×0.2]=0.20 
μR(x,y)=max[0.5×0.1;0.3×1.0]=0.30μR(x,y)=max[0.5×0.1;0.3×1.0]=0.30 
 
μR(x,y)=max[0.2×0.3;0.3×0.4]=0.12μR(x,y)=max[0.2×0.3;0.3×0.4]=0.12 
μR(x,y)=max[0.2×0.2;0.3×0.1]=0.04μR(x,y)=max[0.2×0.2;0.3×0.1]=0.04 
μR(x,y)=max[0.2×0.4;0.3×0.2]=0.08μR(x,y)=max[0.2×0.4;0.3×0.2]=0.08 
μR(x,y)=max[0.2×0.1;0.3×1.0]=0.30μR(x,y)=max[0.2×0.1;0.3×1.0]=0.30 
 
R=⎡⎢⎣0.040.020.040.100.150.100.200.300.120.040.080.30⎤⎥⎦R=[0.040.020.040.100.150.100.200.300.12
0.040.080.30] 
 
 
 
 
 
 
 
 
 
 
 
 
javascript:abre_colabore('38624','206622638','4127134055');
 
MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A5_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
A equivalência conectiva, ou a operação bicondicional é definida 
em que termos das operações apresentadas nas opções 
seguintes? 
 
 
 
p→q:x∉A ou x∈Bp→q:x∉A ou x∈B 
 
p↔q:x∈A se e somente se x∈Bp↔q:x∈A se e somente se x∈B 
 
¬p→q:x∉A ou x∈B¬p→q:x∉A ou x∈B 
 
 
p↔q:x∉A se e somente se x∈Bp↔q:x∉A se e somente se x∈B 
 
 
¬p↔q:x∉A se e somente se x∉B¬p↔q:x∉A se e somente se x∉B 
 
 
 
Explicação: 
A equivalência conectiva é dada por Se p→q e p→q, então p↔qSe p→q e p→q, então p↔q 
 
 
 
 
 
 
 
 
 
2. 
 
 
Assinale a opção que apresenta os três princípios lógicos 
tradicionais. 
 
 
Compartilhamento, Não Contradição e Terceiro Excluído. 
 
 
Identidade, Complementação e Terceiro Excluído. 
 
 
Identidade, Complementação e Falsidade. 
 
Identidade, Não Contradição e Terceiro Excluído. 
 
 
Compartilhamento, Não Contradição e Falsidade 
 
 
 
Explicação: 
São três os proncípios da lógica clássica proposta por Aristóteles: Identida, Não Contradição e Terceiro 
Excluído. 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
 
 
 
 
 
3. 
 
 
Pelo princípio da não contradição da lógica tradicional a surge a 
noção de exclusividade mútua. Os conectivos lógicos utilizados 
para a determinação dos valores lógicos das funções compostas 
são definidos em disjunção, conjunção, negação, implicação e 
equivalência. 
Assinale a alternativa que apresenta o conceito com sua definição 
correta. 
 
 
 
Equivalência é a interseção das duas proposições, por isso, o mínimo das pertinências das 
proposições ao conjunto verdade. 
 
Negação é dada pela união entre a negação de uma proposição e a outra proposição, logo o 
máximo das pertinências da negação da primeira proposição com a segunda. 
 
 
Implicação é a determinação que a pertinência de uma proposição ao conjunto verdade é 
idêntica a pertinência de outra proposição ao conjunto verdade. 
 
 
Conjunção de uma proposição é o complemento a um da pertinência da proposição. 
 
Disjunção é dada pela união entre as proposições, logo é o máximo das pertinências ao 
conjunto verdade de duas proposições. 
 
 
 
Explicação: 
Implicação é dada pela união entre a negação de uma proposição e a outra proposição, logo o máximo 
das pertinências da negação da primeira proposição com a segunda. 
Conjunção é a interseção das duas proposições, por isso, o mínimo das pertinências das proposições ao 
conjunto verdade. 
Negação de uma proposição é o complemento a um da pertinência da proposição. 
Equivalência é a determinação que a pertinência de uma proposição ao conjunto verdade é idêntica a 
pertinência de outra proposição ao conjunto verdade. 
Disjunção é dada pela união entre as proposições, logo é o máximo das pertinências ao conjunto 
verdade de duas proposições. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
Exercício inciado em 28/09/2020 10:37:03. 
 
 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206622743','4127137482');
 
ODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A6_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
No raciocínio nebuloso, tem-se que a interpretação de dados 
quantitativos pode ser reescrita na forma de uma análise 
qualitativa. Assinale a alternativa que apresenta o nome do 
processo de conversão entre as análises. 
 
 
 
Abstração. 
 
Experimentação. 
 
 
Decisão. 
 
Fuzzificação. 
 
 
Nulificação. 
 
 
 
Explicação: 
A fuzzificação é a etapa na qual as variáveis linguísticas são definidas de forma subjetiva, bem como as 
funções de pertinência, que compreende a Interpretação do Problema; Definição das variáveis; 
Definição das funções de pertinência; e Composição das regiões de pertinência. 
 
 
 
 
 
 
 
 
 
2. 
 
 
O processo de fuzzificação de uma variável pode ser 
extremamente útil, tanto no ponto de vista da engenharia de 
tomada de decisões, como no cotidiano, colaborando com 
definições de conceitos do mundo físico. 
Através dos conceitos aprendidos sobre fuzzificação, assinale a 
alterantiva que correta. 
 
 
 
Fuzzificação é a etapa em que variáveis numéricas são definidas de forma objetiva. 
 
Fuzzificação é o processo de admitir uma variável discreta e definida e convertê-la em uma 
variável nebulosa. 
 
 
Fuzzificação é converter uma variável nebulosa em uma definida. 
 
Fuzzificação não permite admitir uma variáveis discretas. 
 
 
Fuzzificação é independente das funções de pertinência. 
https://simulado.estacio.br/bdq_simulados_exercicio.asphttps://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
 
Explicação: 
A fuzzificação é o processo de admitir uma variável discreta e definida e convertê-la em uma variável 
nebulosa, sendo a etapa na qual as variáveis linguísticas são definidas de forma subjetiva, bem como as 
funções de pertinência. 
Exemplo: Um motorista dirigindo o seu carro numa rodovia com limite de velocidade de 110 km/h e se 
encontra numa velocidade constante de 110 km/h. Um dos passageiros do carro diz que ele está "muito 
rápido" e o motorista compreende a informação fuzzificada e admite que valores entre 80 km/h e 90 
km/h são mais razoáveis. Mesmo estando dentro do limite de velocidade, compreende-se que ir "menos 
rápido" pode gerar uma segurança maior. 
 
 
 
 
 
 
 
 
 
3. 
 
 
As funções de pertinência permitem que se limite valores que 
representem o quanto cada expressão fuzzy possível pode ser 
aplicada a um determinado valor discreto. Para essa 
caracterização, utilizam-se gráficos que representam as funções 
de pertinência. As funções de pertinência mais utilizadas na lógica 
nebulosa são: 
 
 
Entrada, inferência e saída. 
 
Triangular, Trapezoidal, Gaussiana e Sino Generalizada. 
 
 
Interpretação, definição e composição. 
 
 
Grande, médio e pequeno. 
 
 
Baixo, médio e alto. 
 
 
 
Explicação: 
As funções de pertinência podem ser definidas geometricamente de diversas formas, as quais são 
determinadas pela suavidade das bordas, que representa a possibilidade de uma variável pertencer a 
mais de uma função de pertinência. Tais funções assumem as formas Triangular, Trapezoidal, 
Gaussiana e Sino Generalizada. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
Exercício inciado em 28/09/2020 10:37:39. 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206622832','4127139101');
MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A6_201501076922_V2 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
No raciocínio nebuloso, tem-se que a interpretação de dados 
quantitativos pode ser reescrita na forma de uma análise 
qualitativa. Assinale a alternativa que apresenta o nome do 
processo de conversão entre as análises. 
 
 
 
Experimentação. 
 
Nulificação. 
 
 
Decisão. 
 
 
Abstração. 
 
Fuzzificação. 
 
 
 
Explicação: 
A fuzzificação é a etapa na qual as variáveis linguísticas são definidas de forma subjetiva, bem como as 
funções de pertinência, que compreende a Interpretação do Problema; Definição das variáveis; Definição 
das funções de pertinência; e Composição das regiões de pertinência. 
 
 
 
 
 
 
 
 
 
2. 
 
 
O processo de fuzzificação de uma variável pode ser 
extremamente útil, tanto no ponto de vista da engenharia de 
tomada de decisões, como no cotidiano, colaborando com 
definições de conceitos do mundo físico. 
Através dos conceitos aprendidos sobre fuzzificação, assinale a 
alterantiva que correta. 
 
 
Fuzzificação é a etapa em que variáveis numéricas são definidas de forma objetiva. 
 
Fuzzificação é o processo de admitir uma variável discreta e definida e convertê-la em uma 
variável nebulosa. 
 
 
Fuzzificação é converter uma variável nebulosa em uma definida. 
 
 
Fuzzificação é independente das funções de pertinência. 
 
 
Fuzzificação não permite admitir uma variáveis discretas. 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
Explicação: 
A fuzzificação é o processo de admitir uma variável discreta e definida e convertê-la em uma variável 
nebulosa, sendo a etapa na qual as variáveis linguísticas são definidas de forma subjetiva, bem como as 
funções de pertinência. 
Exemplo: Um motorista dirigindo o seu carro numa rodovia com limite de velocidade de 110 km/h e se 
encontra numa velocidade constante de 110 km/h. Um dos passageiros do carro diz que ele está "muito 
rápido" e o motorista compreende a informação fuzzificada e admite que valores entre 80 km/h e 90 
km/h são mais razoáveis. Mesmo estando dentro do limite de velocidade, compreende-se que ir "menos 
rápido" pode gerar uma segurança maior. 
 
 
 
 
 
 
 
 
 
3. 
 
 
As funções de pertinência permitem que se limite valores que 
representem o quanto cada expressão fuzzy possível pode ser 
aplicada a um determinado valor discreto. Para essa 
caracterização, utilizam-se gráficos que representam as funções 
de pertinência. As funções de pertinência mais utilizadas na lógica 
nebulosa são: 
 
 
Entrada, inferência e saída. 
 
 
Interpretação, definição e composição. 
 
 
Baixo, médio e alto. 
 
 
Grande, médio e pequeno. 
 
Triangular, Trapezoidal, Gaussiana e Sino Generalizada. 
 
 
 
Explicação: 
As funções de pertinência podem ser definidas geometricamente de diversas formas, as quais são 
determinadas pela suavidade das bordas, que representa a possibilidade de uma variável pertencer a 
mais de uma função de pertinência. Tais funções assumem as formas Triangular, Trapezoidal, Gaussiana 
e Sino Generalizada. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206623220','4127150872');
 
ODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A7_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
Na análise nebulosa existem diversas formas de aplicar as 
etapas. Existem diversos métodos e técnicas que podem ser 
empregadas no processo de defuzzificação. Assinale a alternativa 
que NÃO contém nenhum de tais métodos. 
 
 
 
Média do máximo. 
 
Centro de área. 
 
 
Centro de gravidade. 
 
Média mínima. 
 
 
Centro do máximo. 
 
 
 
Explicação: 
Existem alguns métodos que são tipicamente utilizados como ferramenta para a defuzzificação, onde 
geralmente observa-se o centroide ou os valores limítrofes associados às funções de pertinência, que 
podem, inclusive, ser representados graficamente. 
A média mínima é a única alternativa que não tem significado de defuzzificação. 
 
 
 
 
 
 
 
 
 
2. 
 
 
Na análise nebulosa, a última etapa aplicada, ou seja, o 
processamento de saída é chamado de Defuzzificação. Sobre a 
defuzzificação, assinale a alternativa INCORRETA. 
 
 
 
É uma transformada inversa de uma grandeza para a qual foi atribuído um valor linguístico, 
para dá-lo novamente um valor pontual. 
 
 
Representa um processo análogo e contrário ao de fuzzificação. 
 
Consiste em tomar o valor da variável admitida, convertida e inferida pela análise fuzzy, e 
traduzi-lo novamente em um valor linguístico. 
 
 
Possui técnicas contínuas quando uma perturbação infinitesimal aplicada no valor de entrada 
for incapaz de gerar alterações consideráveis nos valores de saída.É o processo de conversão de funções de associação fuzzy para formatos discretos (ou nítidos). 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
 
Explicação: 
Essa etapa representa num processo análogo e contrário ao de fuzzificação, que consiste basicamente 
em tomar o valor da variável admitida, convertida e inferida pela análise fuzzy, e traduzi-lo novamente 
em um valor discreto. 
 
 
 
 
 
 
 
 
 
3. 
 
 
Muito embora a técnica de defuzzificação Centro de Área seja 
extremamente útil em diversas aplicações de lógica fuzzy, deve-
se observar, porém, que há algumas desvantagens em sua 
aplicação. A alterantiva que apresenta limitação ao emprego 
desse método é 
 
 
 
As áreas de representação gráfica são sempre bem comportadas. 
 
Pode haver sobreposição de superfícies quando regras de inferência apresentarem a mesma 
saída de variável linguística. 
 
 
Nunca haverá interseção entre conjuntos de pertinência. 
 
 
Os conjuntos de pertinência nunca estarão suficientemente separados. 
 
Os conjuntos de pertinência são sempre contínuos, o que demanda a utilzação de métodos 
numéricos robustos. 
 
 
 
Explicação: 
Se mais de uma regra de inferência aplicadas ao problema apresentarem a mesma saída de variável 
linguística, pode-se perceber que haveria uma sobreposição de superfícies que leva a um 
processamento equivocado de defuzzificação. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
Exercício inciado em 28/09/2020 10:38:46. 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206623403','4127156150');
 
ODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A8_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
Métodos gráficos que simulam o processo de inferência e que 
simplificam computações manuais envolvendo algumas regras 
simples. Sobre os principais métodos de inferência gráfica, 
assinale a alternativa que contém a correta descrição. 
 
 
Mamdani usa Média Ponderada na defuzzificação. 
 
Sugeno tem um tempo de processamento melhor para uma defuzzificação. 
 
 
Tsukamoto usa a técnica do Centróide de defuzzificação. 
 
 
Tsukamoto, é muito útil quanto uma abordagem geral e para ser empregado em situações 
específicas. 
 
 
Sugeno é mais utilizado em suporte a decisões devido à natureza intuitiva a partir da base de 
regras. 
 
 
 
Explicação: 
A diferença mais fundamental entre Mamdani, Tsukamoto e Sugeno está defuzzificação. Mamdani usa a 
técnica do Centróide; enquanto Sugeno e Tsukamoto usam Média Ponderada para calcular a saída 
discreta. Sugeno tem um tempo de processamento melhor para uma defuzzificação. 
Devido à natureza interpretada e intuitiva a partir da base de regras, o Mamdani é amplamente 
utilizado, especialmente para aplicativos de suporte a decisões. 
 
 
 
 
 
 
 
 
 
2. 
 
 
Há termos que modificam a variável linguística, que modificam o 
significado singular de um termo, a partir de sua interpretação 
original os modificadores linguísticos. Assinale a alternativa que 
apresenta um modificador linguístico. 
 
 
Pouquíssimo. 
 
 
Preciso. 
 
 
Equivocado. 
 
 
Igual. 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
Básico. 
 
 
 
Explicação: 
Os termos atômicos fundamentais são frequentemente modificados com adjetivos (substantivos) ou 
advérbios (verbos) como muito, baixo, leve, mais ou menos, razoavelmente, ligeiramente, quase, 
aproximadamente, e diversos outros. 
 
 
 
 
 
 
 
 
 
3. 
 
 
Em linguística, os termos atômicos fundamentais são 
frequentemente modificados por partículas conhecidas como 
modificadores linguísticos. 
Assinale a alternativa que NÃO contém um modificador 
linguístico. 
 
 
 
"Preciso subir muito ainda" 
 
"Dê um passo para a esquerda" 
 
 
"Isso está muito longe" 
 
 
"Coloquei bem mais abaixo" 
 
"Vire um pouco à direita" 
 
 
 
Explicação: 
Em linguística, os termos atômicos fundamentais são frequentemente modificados com adjetivos 
(substantivos) ou advérbios (verbos) como muito, baixo, leve, mais ou menos, razoavelmente, 
ligeiramente, quase, aproximadamente, e diversos outros. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
Exercício inciado em 28/09/2020 10:41:50. 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206623503','4127159282');
MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A9_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma. 
Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
Os elementos básicos de processamento das Redes Neurais 
Artificiais são os neurônios. Como o processamento dos sinais 
ocorre nos neurônios? 
 
 
Inversão lógica do sinal 
 
 
Excitação do sinal 
 
 
Inibição do sinal 
 
 
Complemento do sinal 
 
Excitação ou inibição de sinais 
 
 
 
Explicação: 
Os neurônios excitam ou inibem os sinais. 
 
 
 
 
 
 
 
 
 
2. 
 
 
Assinale a principal característica que é possível se alcançar pela 
utilização das Redes Neurais Artificiais. 
 
 
 
Representação Lógica 
 
Retroalimentação 
 
 
Simbolização Linguísticas 
 
 
Evolucionismo do algoritmo 
 
Paralelismo Computacional 
 
 
 
Explicação: 
Os neurônios de uma Rede Neural Artificial são distribuídos paralelamente para realização do 
processamento computacional de dados. 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
 
 
 
 
 
3. 
 
 
As Redes Neurais Artificiais são qualificadas para resolverem a 
aproximação universal de funções, pois podem tratar até 
problemas não-lineares. Qual o componente no modelo 
matemático de uma RNA que atribui não-linearidade a estrutura 
da RNA? 
 
 
Soma de produtos 
 
 
Paralelismo de neurônios 
 
 
Bias (Tendência) 
 
Função de ativação 
 
 
Somas consecutivas 
 
 
 
Explicação: 
As funções de ativação são o conceito nos neurônios que permitem a não-linearidade aos mesmos. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
Exercício inciado em 28/09/2020 10:42:31. 
MODELAGEM E SIMULAÇÃO DE SISTEMAS 
 
Lupa Calc. 
 
 
 
 
 CCE1326_A10_201501076922_V1 
 
 
Aluno: EDNEY RAMOS DE ARAUJO Matr.: 201501076922 
Disc.: MOD.E SIM. SISTEMAS 2020.2 - F (GT) / EX 
 
 
Prezado (a) Aluno(a), 
 
Você fará agora seu TESTE DE CONHECIMENTO! Lembre-se que este exercício é opcional, mas não 
valerá ponto para sua avaliação. O mesmo será composto de questões de múltipla escolha. 
Após responde cada questão, você terá acesso ao gabarito comentado e/ou à explicação da mesma.Aproveite para se familiarizar com este modelo de questões que será usado na sua AV e AVS. 
 
 
 
 
 
 
1. 
 
 
As decisões podem ser de natureza binária, mas certamente não 
deve haver restrições à utilidade da informação difusa no processo 
de tomada de decisão. 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206623598','4127163105');
javascript:diminui();
javascript:aumenta();
javascript:calculadora_on();
Assinale a alternativa que apresenta etapas envolvidas na 
utilização da lógica fuzzy no processo de tomada de decisões. 
 
 
Adição da influência nula de funções de pertiência. 
 
Aplicação de pesos às variáveis pelas funções de pertinência. 
 
 
Valores discretos como resultado fuzzificado. 
 
 
Interpretação do valor discreto fuzzificado. 
 
 
Remoção dos graus de pertinência na fuzzificação. 
 
 
 
Explicação: 
Os valores numéricos (discretos) são obtidos na fonte, os quais serão processados e analisados de acordo 
com funções de pertinência adequados. 
A fuzzificação desses valores dará a cada um deles pesos em cada uma das funções de pertinência, que 
são os graus de pertinência. 
Em seguida a influência de cada um desses graus é reconvertida em valores numéricos para serem lidos 
e analisados para que se tenham dados robustos o suficiente para uma boa tomada de decisões. 
 
 
 
 
 
 
 
 
 
2. 
 
 
O processo de tomada de decisão demanda cuidados específicos, 
por ser de extrema importância. Fazer escolhas acertadas é a 
essência de qualquer processo de decisão que possuem 
naturalmente algum nível de incerteza. 
Baseando-se na afirmação acima, analise as alternativas abaixo e 
assinale qual delas apresenta uma situação em que o processo 
decisório foi auxiliado pela lógica fuzzy. 
 
 
 
Seleção binária de possibilidades. 
 
 
Identificação de afirmativas falsas. 
 
Processos booleanos definidos. 
 
 
Algoritmos com respostas 0 e 1. 
 
Sistemas com funções de pertinência. 
 
 
 
Explicação: 
A lógica fuzzy usa conjuntos com intervalos 0 (Falso) e 1 (Verdadeiro) para descrever certas interações 
de diversas variáveis de processos que seriam difíceis de elaborar em lógica tradicional para algoritmos. 
Funções chamadas de pertinência são ajustadas com regras de decisões elaboradas por especialistas. A 
lógica fuzzy é aplicada sobre regras baseadas em tomadas de decisão automáticas. 
 
 
 
 
 
 
 
 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
3. 
 
 
As informações que devem ser analisadas ao tomar essa decisão 
podem ser pouco ou muito sofisticadas. Qualquer que seja a fonte 
de informação, ela estará associada a algum grau de incerteza. 
Assinale a alternativa qeu NÃO apresenta um exemplo de emprego 
de lógica fuzzy para o auxílio da tomada de decisões. 
 
 
Sair de casa com guarda-chuva analisando a umidade do ar e a temperatura ambiente. 
 
 
Investir na bolsa analisando inflação e dólar. 
 
 
Saúde do trabalhador analisando a temperatura do ambiente e o nível de ruído. 
 
Qualidade do sono analisando quantas vezes se acorda por noite. 
 
 
Notas de uma prova de redação analisando criatividade e gramática. 
 
 
 
Explicação: 
O processo de tomada de decisão é um empreendimento científico, social e econômico de extrema 
importância. A habilidade de fazer escolhas consistentes e acertadas é a essência de qualquer processo 
de decisão que possuem naturalmente algum nível de incerteza. 
Ao analisar apenas uma variável discreta, a fuzzificação não é aplicada, pois na alternativa "Qualidade so 
sono", não há tomada de decisão, apenas uma informação numérica. 
 
 
 
 
 
 
 
 Não Respondida Não Gravada Gravada 
 
 
 
 
Exercício inciado em 28/09/2020 10:43:05. 
 
https://simulado.estacio.br/bdq_simulados_exercicio.asp
javascript:abre_colabore('38624','206623693','4127165227');