BDQ - TC - MODELAGEM E SIMULAÇÃO DE SISTEMAS

Prévia do material em texto

1 
 Questão 
 
 
Mesmo que a Inteligência Artificial produza notáveis benefícios para sociedade, o seu 
desenvolvimento apresenta objetivos definidos, bem como difucldades em seu apromoramento. 
Assinale a alternativa que apresenta um objetivo na implementação de Inteligência Artificial na 
indústria. 
 
 
Ser obsoleta em comparação à ação humana. 
 
Garantir a continuidade do trabalho humano. 
 
Ser totalmente dependente da ação humana. 
 Suplementar das capacidades humanas, superando seus limites. 
 
Nunca ser possível substituir a ação humana em nenhuma área. 
Respondido em 23/09/2020 10:15:28 
 
 
Explicação: 
A suplementação das capacidades humanas, tornado o Ser Humano obsoleto, tanto para produção 
industrial, ou até mesmo na existência. Não se sabe qual o futuro do trabalho da humanidade, em 
relação ao trabalho realizado por inteligência artificial, o que leva a crises nesse tema. A 
Inteligência Artificial se mostra promissora nessa substituição, mesmo que ainda seja, em seu 
desenvolvimento, dependente da ação humana. 
 
 
 
2 
 Questão 
 
 
Os sistemas inteligentes se fundamentam na observação de comportamentos na natureza capazes 
de apresentar ordenamentos complexos. Os seres vivos possuem o seu ordenamento para 
expressar inteligencia através de um sistema biológico extremamente complexo que os compõe. O 
sistema bioinspirado resultante dos sistemas inteligentes presentes nos organismos vivos é referido 
como: 
 
 
Representação simbólica 
 
Algoritmos evolucionários 
 Técnicas conexionistas 
 
Princípios lógicos 
 
Sistemas autônomos 
Respondido em 23/09/2020 10:15:36 
 
 
Explicação: 
As redes neurais são o sistema que atribuem inteligencia aos seres vivos e são definidos como 
sistemas conexionistas na perspectiva computacional. 
 
 
 
3 
 Questão 
 
 
Allan Turing é reconhecido como o maior precursor da Inteligência Artificial. Turing desenvolveu um 
teste para determinar se uma máquina é inteligente ou não. Assinale a alternativa que apresenta 
uma característica do chamado "Teste de Turing". 
 
 
Nunca há dúvida sobre quem é o interrogado. 
 
O interrogador precisa saber quem é o interrogado. 
 Se for possível concluir se o interrogado é uma pessoa ou uma máquina, a máquina 
possui inteligência. 
 
Nunca é possível distinguir se o interrogado é uma máquina ou pessoa. 
 
Uma pessoa pode fazer várias perguntas a outra pessoa. 
Respondido em 23/09/2020 10:15:47 
 
 
Explicação: 
Uma pessoa em um terminal pode fazer várias perguntas, sem saber quem é o interrogado. Se 
houver confusão sobre o interrogado ser outra pessoa ou uma máquina compreende-se que a 
máquina possui inteligência, pois consegue imitar tal característica humana eficientemente, caso 
seja possível distinguir entre máquina e a pessoa, não há inteligência. 
 
1 
 Questão 
 
 
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. 
 
 
Raciocínio, Discreto ou Lógica. 
 
Difuso, Discreto e Nebuloso. 
 
Raciocínio, Discreto e Confuso. 
 
Raciocínio, Confuso e Lógica. 
 Difuso, Confuso e Nebuloso. 
Respondido em 23/09/2020 10:19:30 
 
 
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 
 Questão 
 
 
Assinale a opção que corresponde o conceito que é atribuído ao conceito fuzzy. 
 
 Gradação 
 
Conformação 
 
Discriminação 
 
Especialização 
 
Complementação 
Respondido em 23/09/2020 10:16:51 
 
 
Explicação: 
O conceito fuzzy apresenta a ideia de gradação relacionado a pertinência dos conjuntos. 
 
 
 
3 
 Questão 
 
 
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 exclusivamente teóricos. 
 
Problemas discritivos. 
 
Problemas de controle multiobjetivo. 
 
Problemas de regressão linear de funções. 
 Problemas de múltiplicade de valores de possibilidades simultâneas. 
Respondido em 23/09/2020 10:19:40 
 
 
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. 
 
1 
 Questão 
 
 
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≠UA∪A¯≠U 
 
A∩¯¯̄̄A=¯¯̄̄AA∩A¯=A¯ 
 
A∩¯¯̄̄A=AA∩A¯=A 
 
A∪A=AA∪A=A 
 
A∩A=AA∩A=A 
Respondido em 23/09/2020 10:20:31 
 
 
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. 
 
 
 
2 
 Questão 
 
 
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. 
 
Exponenciação. 
 
Interpretação. 
 Interseção. 
 
Multiplicação. 
Respondido em 23/09/2020 10:18:20 
 
 
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. 
 
 
 
3 
 Questão 
 
 
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=[0,750,0,781,0,52,0,13]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=[0,250,0,781,0,52,0,13]A¯=[0,250,0,781,0,52,0,13] 
 
¯¯̄̄A=[0,750,0,681,0,02,0,83]A¯=[0,750,0,681,0,02,0,83] 
Respondido em 23/09/2020 10:21:23 
 
 
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] 
 
1 
 Questão 
 
 
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=[0.250.950.240.640.410.630.470.580.14] 
 
 ¯¯̄̄R=⎡⎢⎣0.750.050.760.360.590.370.530.420.86⎤⎥⎦R¯=[0.750.050.760.360.590.370.530.420.86] 
 
¯¯̄̄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=⎡⎢⎣0.760.760.760.590.590.590.860.860.86⎤⎥⎦R¯=[0.760.760.760.590.590.590.860.860.86] 
 
¯¯̄̄R=⎡⎢⎣0.950.950.950.640.640.640.580.580.58⎤⎥⎦R¯=[0.950.950.950.640.640.640.580.580.58] 
Respondido em 23/09/2020 10:20:24 
 
 
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=0.59μ¯¯̄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 
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 
 Questão 
 
 
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,x);(y,y);(w,w);(z,z)}IA={(x,x);(y,y);(w,w);(z,z)} 
 
IA={(x2);(y2);(w2);(z2)}IA={(x2);(y2);(w2);(z2)} 
 
IA={(x,x);(x,y);(x,w);(x,z)}IA={(x,x);(x,y);(x,w);(x,z)} 
 
IA={(x,y);(y,x);(w,z);(z,w)}IA={(x,y);(y,x);(w,z);(z,w)} 
Respondido em 23/09/2020 10:21:01 
 
 
Explicação: 
Um das relações possíveis é um caso especial que pode ser considerado, quando os pares ordenados são os 
mesmos, chamado relação identidade IAIA. 
No caso aplicado 
IA={(x,x);(y,y);(w,w);(z,z)}IA={(x,x);(y,y);(w,w);(z,z)} 
 
 
 
3 
 Questão 
 
 
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=⎡⎢⎣0.30.40.50.30.40.3⎤⎥⎦R=[0.30.40.50.30.40.3] 
 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] 
 
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] 
Respondido em 23/09/2020 10:24:18 
 
 
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] 
 
 
 
1 
 Questão 
 
 
A equivalência conectiva, ou a operação bicondicional é definida em que termos das operações 
apresentadas nas opções seguintes? 
 
 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∈Bp→q:x∉A ou x∈B 
 
¬p↔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∈Bp↔q:x∉A se e somente se x∈B 
 
¬p→q:x∉A ou x∈B¬p→q:x∉A ou x∈B 
Respondido em 23/09/2020 10:23:36 
 
 
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 
 Questão 
 
 
Assinale a opção que apresenta os três princípios lógicos tradicionais. 
 
 
Compartilhamento, Não Contradição e Terceiro Excluído. 
 Identidade, Não Contradição e Terceiro Excluído. 
 
Compartilhamento, Não Contradição e Falsidade 
 
Identidade, Complementação e Terceiro Excluído. 
 
Identidade, Complementação e Falsidade. 
Respondido em 23/09/2020 10:23:56 
 
 
Explicação: 
São três os proncípios da lógica clássica proposta por Aristóteles: Identida, Não Contradição e 
Terceiro Excluído. 
 
 
 
3 
 Questão 
 
 
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. 
 
 Disjunção é dada pela união entre as proposições, logo é o máximo das pertinências ao 
conjunto verdade de duas proposições. 
 
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. 
 
Equivalência é a interseção das duas proposições, por isso, o mínimo das pertinências das 
proposições ao conjunto verdade. 
 
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. 
Respondido em 23/09/2020 10:25:03 
 
 
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. 
 
1 
 Questão 
 
 
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: 
 
 
Baixo, médio e alto. 
 
Interpretação, definição e composição. 
 Triangular, Trapezoidal, Gaussiana e Sino Generalizada. 
 
Entrada, inferência e saída. 
 
Grande, médio e pequeno. 
Respondido em 23/09/2020 10:49:05 
 
 
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. 
 
 
 
2 
 Questão 
 
 
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. 
 
 
Decisão. 
 
Nulificação. 
 
Experimentação. 
 Fuzzificação. 
 
Abstração. 
Respondido em 23/09/2020 10:46:47 
 
 
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. 
 
 
 
3 
 Questão 
 
 
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 não permite admitir uma variáveis discretas. 
 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 é a etapa em que variáveis numéricas são definidas de forma objetiva. 
Respondido em 23/09/202010:46:58 
 
 
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. 
 
1 
 Questão 
 
 
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. 
 
Os conjuntos de pertinência nunca estarão suficientemente separados. 
 
Nunca haverá interseção entre conjuntos de pertinência. 
 Pode haver sobreposição de superfícies quando regras de inferência apresentarem a 
mesma saída de variável linguística. 
 
Os conjuntos de pertinência são sempre contínuos, o que demanda a utilzação de 
métodos numéricos robustos. 
Respondido em 23/09/2020 10:47:39 
 
 
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. 
 
 
 
2 
 Questão 
 
 
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. 
 
 
Centro do máximo. 
 
Centro de área. 
 Média mínima. 
 
Média do máximo. 
 
Centro de gravidade. 
Respondido em 23/09/2020 10:50:14 
 
 
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. 
 
 
 
3 
 Questão 
 
 
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. 
 
É o processo de conversão de funções de associação fuzzy para formatos discretos (ou 
nítidos). 
 
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. 
Respondido em 23/09/2020 10:47:56 
 
 
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. 
 
 
1 
 Questão 
 
 
Em linguística, os termos atômicos fundamentais são frequentemente modificados por partículas 
conhecidas como modificadores linguísticos. 
Assinale a alternativa que NÃO contém um modificador linguístico. 
 
 
"Coloquei bem mais abaixo" 
 
"Preciso subir muito ainda" 
 "Dê um passo para a esquerda" 
 
"Isso está muito longe" 
 
"Vire um pouco à direita" 
Respondido em 23/09/2020 10:48:57 
 
 
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. 
 
 
 
2 
 Questão 
 
 
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. 
 
 Sugeno tem um tempo de processamento melhor para uma defuzzificação. 
 
Sugeno é mais utilizado em suporte a decisões devido à natureza intuitiva a partir da 
base de regras. 
 
Tsukamoto usa a técnica do Centróide de defuzzificação. 
 
Tsukamoto, é muito útil quanto uma abordagem geral e para ser empregado em 
situações específicas. 
 
Mamdani usa Média Ponderada na defuzzificação. 
Respondido em 23/09/2020 10:49:07 
 
 
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. 
 
 
 
3 
 Questão 
 
 
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. 
 
 
Básico. 
 
Preciso. 
 
Igual. 
 Pouquíssimo. 
 
Equivocado. 
Respondido em 23/09/2020 10:51:51 
 
 
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. 
 
1 
 Questão 
 
 
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 ou inibição de sinais 
 
Complemento do sinal 
 
Inibição do sinal 
 
Excitação do sinal 
Respondido em 23/09/2020 10:55:05 
 
 
Explicação: 
Os neurônios excitam ou inibem os sinais. 
 
 
 
2 
 Questão 
 
 
Assinale a principal característica que é possível se alcançar pela utilização das Redes Neurais 
Artificiais. 
 
 Paralelismo Computacional 
 
Retroalimentação 
 
Simbolização Linguísticas 
 
Representação Lógica 
 
Evolucionismo do algoritmo 
Respondido em 23/09/2020 10:54:30 
 
 
Explicação: 
Os neurônios de uma Rede Neural Artificial são distribuídos paralelamente para realização do 
processamento computacional de dados. 
 
 
 
3 
 Questão 
 
 
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 
 
Somas consecutivas 
 Função de ativação 
 
Bias (Tendência) 
 
Paralelismo de neurônios 
Respondido em 23/09/2020 10:55:33 
 
 
Explicação: 
As funções de ativação são o conceito nos neurônios que permitem a não-linearidade aos mesmos. 
 
 
1 
 Questão 
 
 
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. 
 
 Sistemas com funções de pertinência. 
 
Processos booleanos definidos.Seleção binária de possibilidades. 
 
Algoritmos com respostas 0 e 1. 
 
Identificação de afirmativas falsas. 
Respondido em 23/09/2020 10:59:28 
 
 
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. 
 
 
 
2 
 Questão 
 
 
As decisões podem ser de natureza binária, mas certamente não deve haver restrições à utilidade 
da informação difusa no processo de tomada de decisão. 
Assinale a alternativa que apresenta etapas envolvidas na utilização da lógica fuzzy no processo de 
tomada de decisões. 
 
 
Interpretação do valor discreto fuzzificado. 
 
Adição da influência nula de funções de pertiência. 
 Aplicação de pesos às variáveis pelas funções de pertinência. 
 
Valores discretos como resultado fuzzificado. 
 
Remoção dos graus de pertinência na fuzzificação. 
Respondido em 23/09/2020 10:59:39 
 
 
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. 
 
 
 
3 
 Questão 
 
 
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. 
 
Notas de uma prova de redação analisando criatividade e gramática. 
 Qualidade do sono analisando quantas vezes se acorda por noite. 
Respondido em 23/09/2020 10:57:20 
 
 
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.