MODELAGEM E SIMULAÇÃO DE SISTEMAS

Prévia do material em texto

1.
		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 é possível distinguir se o interrogado é uma máquina ou pessoa.
	
	
	Nunca há dúvida sobre quem é o interrogado.
	
	
	Uma pessoa pode fazer várias perguntas a outra pessoa.
	
	
	Se for possível concluir se o interrogado é uma pessoa ou uma máquina, a máquina possui inteligência.
	
	
	O interrogador precisa saber quem é o interrogado.
	
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.
	
	
	
	 
		
	
		2.
		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.
	
	
	Nunca ser possível substituir a ação humana em nenhuma área.
	
	
	Suplementar das capacidades humanas, superando seus limites.
	
	
	Ser totalmente dependente da ação humana.
	
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.
	
	
	
	 
		
	
		3.
		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:
	
	
	
	Técnicas conexionistas
	
	
	Princípios lógicos
	
	
	Algoritmos evolucionários
	
	
	Sistemas autônomos
	
	
	Representação simbólica
	
Explicação:
As redes neurais são o sistema que atribuem inteligencia aos seres vivos e são definidos como sistemas conexionistas na perspectiva computacional.
	
	
	
		1.
		Assinale a opção que corresponde o conceito que é atribuído ao conceito fuzzy.
	
	
	
	Gradação
	
	
	Especialização
	
	
	Conformação
	
	
	Discriminação
	
	
	Complementação
	
Explicação:
O conceito fuzzy apresenta a ideia de gradação relacionado a pertinência dos conjuntos.
	
	
	
	 
		
	
		2.
		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 de controle multiobjetivo.
	
	
	Problemas de múltiplicade de valores de possibilidades simultâneas.
	
	
	Problemas discritivos.
	
	
	Problemas exclusivamente teóricos.
	
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.
	
	
	
	 
		
	
		3.
		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.
	
	
	Raciocínio, Discreto ou Lógica.
	
	
	Raciocínio, Confuso e Lógica.
	
	
	Difuso, Discreto e Nebuloso.
	
	
	Raciocínio, Discreto e Confuso.
	
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.
	
	
	
	
		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=[0,750,0,681,0,52,0,83]A¯=[0,750,0,681,0,52,0,83]
	
	
	¯¯¯¯A=[0,250,0,781,0,02,0,23]A¯=[0,250,0,781,0,02,0,23]
	
	
	¯¯¯¯A=[0,750,0,781,0,52,0,13]A¯=[0,750,0,781,0,52,0,13]
	
	
	¯¯¯¯A=[0,750,0,681,0,02,0,83]A¯=[0,750,0,681,0,02,0,83]
	
	
	¯¯¯¯A=[0,250,0,781,0,52,0,13]A¯=[0,250,0,781,0,52,0,13]
	
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]
	
	
	
	 
		
	
		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=AA∩A¯=A
	
	
	A∩¯¯¯¯A=¯¯¯¯AA∩A¯=A¯
	
	
	A∪¯¯¯¯A≠UA∪A¯≠U
	
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.
		1.
		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.
	
	
	Algoritmos com respostas 0 e 1.
	
	
	Identificação de afirmativas falsas.
	
	
	Seleção binária de possibilidades.
	
	
	Processos booleanos definidos.
	
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.
		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.
	
	
	
	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.
	
	
	Sair de casa com guarda-chuva analisando a umidade do ar e a temperatura ambiente.
	
	
	Qualidade do sono analisando quantas vezes se acorda por noite.
	
Explicação:
O processo de tomada de decisão é um empreendimento científico, social e econômico de extrema importância. A habilidade de fazer escolhas consistentese 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.
	
	
	
	 
		
	
		3.
		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.
	
	
	Remoção dos graus de pertinência na fuzzificação.
	
	
	Aplicação de pesos às variáveis pelas funções de pertinência.
	
	
	Valores discretos como resultado fuzzificado.
	
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.
		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=[0.250.950.240.640.410.630.470.580.14]
	
	
	
	¯¯¯¯R=⎡⎢⎣0.950.950.950.640.640.640.580.580.58⎤⎥⎦R¯=[0.950.950.950.640.640.640.580.580.58]
	
	
	¯¯¯¯R=⎡⎢⎣0.750.050.760.360.590.370.530.420.86⎤⎥⎦R¯=[0.750.050.760.360.590.370.530.420.86]
	
	
	¯¯¯¯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]
	
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
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);(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,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);(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)}
	
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.
		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=⎡⎢⎣0.040.020.040.100.150.100.200.300.120.040.080.30⎤⎥⎦R=[0.040.020.040.100.150.100.200.300.120.040.080.30]
	
	
	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]
	
	
	R=⎡⎢⎣0.30.40.50.40.30.4⎤⎥⎦R=[0.30.40.50.40.30.4]
	
	
	R=⎡⎢⎣0.30.40.50.30.40.3⎤⎥⎦R=[0.30.40.50.30.40.3]
	
	
	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]
	
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=[0.040.020.040.100.150.100.200.300.120.040.080.30]
	
	
	 
		
	
		1.
		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?
	
	
	
	Bias (Tendência)
	
	
	Soma de produtos
	
	
	Função de ativação
	
	
	Somas consecutivas
	
	
	Paralelismo de neurônios
	
Explicação:
As funções de ativação são o conceito nos neurônios que permitem a não-linearidade aos mesmos.
	
	
	
	 
		
	
		2.
		Os elementos básicos de processamento das Redes Neurais Artificiais são os neurônios. Como o processamento dos sinais ocorre nos neurônios?
	
	
	
	Excitação ou inibição de sinais
	
	
	Inibição do sinal
	
	
	Excitação do sinal
	
	
	Inversão lógica do sinal
	
	
	Complemento do sinal
	
Explicação:
Os neurônios excitam ou inibem os sinais.
	
	
	
	 
		
	
		3.
		Assinale a principal característica que é possível se alcançar pela utilização das Redes Neurais Artificiais.
	
	
	
	Simbolização Linguísticas
	
	
	Retroalimentação
	
	
	Evolucionismo do algoritmo
	
	
	Representação Lógica
	
	
	Paralelismo Computacional
	
Explicação:
Os neurônios de uma Rede Neural Artificial são distribuídos paralelamente para realização do processamento computacional de dados.
	
	 
		
	
		1.
		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.
	
	
	
	Equivocado.
	
	
	Pouquíssimo.
	
	
	Preciso.
	
	
	Básico.
	
	
	Igual.
	
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.
	
	
	
	 
		
	
		2.
		Em linguística, os termos atômicos fundamentais são frequentemente modificados por partículas conhecidas como modificadores linguísticos.
Assinale a alternativa que NÃO contém um modificador linguístico.
	
	
	
	"Vire um pouco à direita"
	
	
	"Preciso subir muito ainda"
	
	
	"Dê um passo para a esquerda"
	
	
	"Isso está muito longe"
	
	
	"Coloquei bem mais abaixo"
	
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.
	
	
	
	 
		
	
		3.
		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.
	
	
	Mamdani usaMédia Ponderada na defuzzificação.
	
	
	Tsukamoto usa a técnica do Centróide de defuzzificação.
	
	
	Sugeno é mais utilizado em suporte a decisões devido à natureza intuitiva a partir da base de regras.
	
	
	Tsukamoto, é muito útil quanto uma abordagem geral e para ser empregado em situações específicas.
	
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.
	
	
	
		1.
		Na análise nebulosa, a última etapa aplicada, ou seja, o processamento de saída é chamado de Defuzzificação. Sobre a defuzzificação, assinale a alternativa INCORRETA.
	
	
	
	Representa um processo análogo e contrário ao de fuzzificação.
	
	
	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).
	
	
	Consiste em tomar o valor da variável admitida, convertida e inferida pela análise fuzzy, e traduzi-lo novamente em um valor linguístico.
	
	
	É uma transformada inversa de uma grandeza para a qual foi atribuído um valor linguístico, para dá-lo novamente um valor pontual.
	
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.
	
	
	
	 
		
	
		2.
		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
	
	
	
	Os conjuntos de pertinência são sempre contínuos, o que demanda a utilzação de métodos numéricos robustos.
	
	
	Os conjuntos de pertinência nunca estarão suficientemente separados.
	
	
	As áreas de representação gráfica são sempre bem comportadas.
	
	
	Nunca haverá interseção entre conjuntos de pertinência.
	
	
	Pode haver sobreposição de superfícies quando regras de inferência apresentarem a mesma saída de variável linguística.
	
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.
	
	
	
	 
		
	
		3.
		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 mínima.
	
	
	Centro de área.
	
	
	Centro de gravidade.
	
	
	Média do máximo.
	
	
	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.
	
	
	
		1.
		Na análise nebulosa, a última etapa aplicada, ou seja, o processamento de saída é chamado de Defuzzificação. Sobre a defuzzificação, assinale a alternativa INCORRETA.
	
	
	
	Representa um processo análogo e contrário ao de fuzzificação.
	
	
	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).
	
	
	Consiste em tomar o valor da variável admitida, convertida e inferida pela análise fuzzy, e traduzi-lo novamente em um valor linguístico.
	
	
	É uma transformada inversa de uma grandeza para a qual foi atribuído um valor linguístico, para dá-lo novamente um valor pontual.
	
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.
	
	
	
	 
		
	
		2.
		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
	
	
	
	Os conjuntos de pertinência são sempre contínuos, o que demanda a utilzação de métodos numéricos robustos.
	
	
	Os conjuntos de pertinência nunca estarão suficientemente separados.
	
	
	As áreas de representação gráfica são sempre bem comportadas.
	
	
	Nunca haverá interseção entre conjuntos de pertinência.
	
	
	Pode haver sobreposição de superfícies quando regras de inferência apresentarem a mesma saída de variável linguística.
	
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.
	
	
	
	 
		
	
		3.
		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 mínima.
	
	
	Centro de área.
	
	
	Centro de gravidade.
	
	
	Média do máximo.
	
	
	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.
	
	
	
		1.
		Na análise nebulosa, a última etapa aplicada, ou seja, o processamento de saída é chamado de Defuzzificação. Sobre a defuzzificação, assinale a alternativa INCORRETA.
	
	
	
	Representa um processo análogo e contrário ao de fuzzificação.
	
	
	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).
	
	
	Consiste em tomar o valor da variável admitida, convertida e inferida pela análise fuzzy, e traduzi-lo novamente em um valor linguístico.
	
	
	É uma transformada inversa de uma grandeza para a qual foi atribuído um valor linguístico, para dá-lo novamente um valor pontual.
	
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.
	
	
	
	 
		
	
		2.
		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
	
	
	
	Os conjuntos de pertinência são sempre contínuos, o que demanda a utilzação de métodos numéricos robustos.
	
	
	Os conjuntos de pertinência nunca estarão suficientemente separados.
	
	
	As áreas de representação gráfica são sempre bem comportadas.
	
	
	Nunca haverá interseção entre conjuntos de pertinência.
	
	
	Pode haver sobreposição de superfícies quando regras deinferência apresentarem a mesma saída de variável linguística.
	
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.
	
	
	
	 
		
	
		3.
		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 mínima.
	
	
	Centro de área.
	
	
	Centro de gravidade.
	
	
	Média do máximo.
	
	
	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.
	
 
		
	
		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.
	
	
	Decisão.
	
	
	Fuzzificação.
	
	
	Abstração.
	
	
	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 o processo de admitir uma variável discreta e definida e convertê-la em uma variável nebulosa.
	
	
	Fuzzificação é independente das funções de pertinência.
	
	
	Fuzzificação é converter uma variável nebulosa em uma definida.
	
	
	Fuzzificação não permite admitir uma variáveis discretas.
	
	
	Fuzzificação é a etapa em que variáveis numéricas são definidas de forma objetiva.
	
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.
	
	
	Baixo, médio e alto.
	
	
	Interpretação, definição e composição.
	
	
	Grande, médio e pequeno.
	
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.
	
	 
		
	
		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∉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
	
	
	p↔q:x∉A se e somente se x∈Bp↔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, Não Contradição e Terceiro Excluído.
	
	
	Identidade, Complementação e Terceiro Excluído.
	
	
	Compartilhamento, Não Contradição e Falsidade
	
	
	Identidade, Complementação e Falsidade.
	
Explicação:
São três os proncípios da lógica clássica proposta por Aristóteles: Identida, Não Contradição e Terceiro Excluído.
	
	
	
	 
		
	
		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.
	
	
	
	Conjunção de uma proposição é o complemento a um da pertinência da proposição.
	
	
	Implicação é a determinação que a pertinência de uma proposição ao conjunto verdade é idêntica a pertinência de outra proposição ao conjunto verdade.
	
	
	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.
	
	
	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.