Como foi mencionado na introdu¸c˜ao, nosso principal objetivo ´e estabelecer uma conex˜ao entre os conceitos cl´assicos de conjuntos de confian¸ca com a teoria dos conjuntos fuzzy. Come¸camos esta sec¸c˜ao apresentando a defini¸c˜ao de um conjunto de confian¸ca geral.
De acordo com um modelo estat´ıstico param´etrico (X , F, P) com P = {P θ, θ ∈ Θ}, onde Θ ⊂ Rk e k < ∞, um conjunto de confian¸ca (1 − α) ´e uma fun¸c˜ao C
α : X → 2Θ,
onde 2Θ ´e a familia de todos os subconjuntos de Θ (conjunto potencia) satisfazendo
P θ(Cα(X) = ∅) = 0, P θ(Cα(X) ∋ θ) ≥ 1 − α e inf
θ∈Θ
P θ(Cα(X) ∋ θ) = 1 − α,
(2.1) para cada θ ∈ Θ, onde X ´e um vetor aleat´orio, (ver Schervish, 1997, p´agina 315). Quando P θ(Cα(X) ∋ θ) = 1 − α para todo θ ∈ Θ, ent˜ao o conjunto de confian¸ca
Cα ´e exato. Procedimentos para a constru¸c˜ao de conjuntos de confian¸ca podem ser
encontrados emBoes et al. (1974);Lehmann and Romano (2006);Beran (1988);Casella and Berger (1990);Cepeda-Cuervo et al. (2008) entre outros. Esses procedimentos s˜ao, em geral, baseados nas quantidades pivotais e estat´ısticas de raz˜ao de verossimilhan¸ca. Aqui, 1 − α ´e chamado n´ıvel de confian¸ca e α ´e chamado n´ıvel de significˆancia (Fisher, 1955). Intuitivamente, a amplitude do intervalo depende do n´ıvel de confian¸ca, isto ´e, quanto maior o n´ıvel de confian¸ca, maior ´e a amplitude do intervalo (ver Henderson and Meyer, 2001).
Nota-se que, depois de observar a amostra, o conjunto de confian¸ca Cα(x) ´e um
conjunto fixo e P θ(Cα(x) ∋ θ) ´e zero ou um, onde x ´e a amostra observada, assim as
declara¸c˜oes de probabilidade em (2.1) s˜ao usadas apenas para atingir um conjunto de confian¸ca adequado. Uma vez que a amostra ´e observada este conjunto de confian¸ca ´e fixo.
Portanto, uma interpreta¸c˜ao p´os-experimento de conjuntos de confian¸ca n˜ao pode ser efetuada em termos de probabilidades sem repeti¸c˜oes experimentais (verHoff, 2009, Se¸c˜ao 3.1.2, p´agina 41, para mais detalhes). Nesta se¸c˜ao, veremos que, embora n˜ao seja poss´ıvel fazer afirma¸c˜oes probabil´ısticas sobre conjuntos de confian¸ca observados, podemos interpretar os conjuntos de confian¸ca observados em termos de conjuntos fuzzy. Mostramos a existˆencia de uma fun¸c˜ao geral de membership que fornece todas as informa¸c˜oes contidas num conjunto de confian¸ca observado Cα(x), para todo n´ıvel
α ∈ [0, 1]. O seguinte resultado estabelece que a fun¸c˜ao de membership pode ser expressa em termos de um conjunto de confian¸ca observados.
Lema 1 Seja Cα um conjunto de confian¸ca de n´ıvel α ∈ [0, 1] para algum subconjunto
de Θ, onde x ∈ X . Seja C = {Cα(x)}α∈I a fam´ılia que cont´em o respectivo conjunto de
confian¸ca para I ⊂ [0, 1] n˜ao vazio. Definir, para cada θ ∈ Θ,
µΘ,Ce (θ) = max{0, sup{α ∈ I : Cα(x) ∩ {θ} 6= ∅}}, (2.2)
onde sup{∅} = −∞. Usamos a nota¸c˜ao curta µΘe quando a fam´ılia C n˜ao ´e o foco.
Ent˜ao, µΘe ´e uma fun¸c˜ao de membership, isto ´e, µΘe : Θ → [0, 1].
Prova Seja θ ∈ Θ, ent˜ao temos duas situa¸c˜oes: (1) θ ∈ Cα(x) para algums valores de α ∈ I e (2) θ 6∈ Cα(x) para todo α ∈ I. Para a primeira situa¸c˜ao, a prova ´e
simples por constru¸c˜ao, isto ´e, µΘe(θ) ´e ´unica para cada θ ∈ Θ e 0 ≤ µΘe(θ) ≤ 1. Para
a segunda situa¸c˜ao, temos que µΘe(θ) = max{0, sup{α ∈ I : Cα(x) ∩ {θ} 6= ∅}} =
max{0, sup (∅)} = 0. Isto ´e, para cada θ ∈ Θ, temos µΘe(θ) ´e ´unica e 0 ≤ µΘe(θ) ≤ 1.
Nota-se que, um outro caso extremo tamb´em acontece quando θ ∈ Cα(x) para todo
α ∈ I, caso em que temos que µΘe(θ) = max{0, sup{α ∈ I : Cα(x) ∩ {θ} 6= ∅}} =
max{0, sup(I)} = sup(I) ≤ 1.
Para cada regi˜ao de confian¸ca proposta, podemos representar o espa¸co de parˆametros pelo conjunto fuzzy
e
Θ = {(θ, µΘe(θ)); θ ∈ Θ},
onde µΘe(θ) ´e dada na Equa¸c˜ao (2.2). Nota-se que para diferentes conjuntos de confian¸ca
C1,α e C2,α temos diferentes membership, ou seja, µΘ,Ce 1 ≡ µΘe1 e µΘ,Ce 2 ≡ µΘe2, respec- tivamente, onde C1 = {C1,α(x)}α∈I1 e C2 = {C2,α(x)}α∈I2 com I1 ∪ I2 ⊂ [0, 1]. Como consequˆencia disso, os conjuntos fuzzy resultantes ter˜ao diferentes representa¸c˜oes, ou seja,
e
Θ1 = {(θ, µΘe1(θ)); θ ∈ Θ} e eΘ2 = {(θ, µΘe2(θ)); θ ∈ Θ},
respectivamente. Informa¸c˜oes adicionais com rela¸c˜ao `a Equa¸c˜ao (2.2) pode ser encon- trada em Mauris et al. (2001) e mais recentemente, em Patriota (2013). O exemplo a seguir mostra uma aplica¸c˜ao do resultado indicado no Lema1.
Exemplo 1 Seja X = (X1, X2, . . . , Xn)⊤ uma amostra aleat´oria de uma popula¸c˜ao
normal com m´edia θ e variˆancia conhecida σ2 e seja x a amostra observada. Aqui,
Θ = R e um conjunto de confian¸ca de (1 − α) para θ, usando o m´etodo da quantidade pivotal, ´e dado pelo Cα(x) =
¯ x − zα/2σ/√n, ¯x + zα/2σ/√n , para α ∈ I = [0, 1], onde ¯
x ´e a m´edia amostral e zq ´e o qth-quantil de uma distribui¸c˜ao normal padr˜ao. Assim,
desde o Lema 1 temos que
µΘe(θ) = 2 Φ√n(θ−¯σ x), para θ ≤ ¯x, 2 Φ√n(¯σx−θ), para θ ≥ ¯x,
onde Φ denota a distribui¸c˜ao acumulativa da distribui¸c˜ao normal padr˜ao.
Nota-se que eΘ ´e um n´umero fuzzy LR-type onde L(θ) = 2Φ(√n(θ − ¯x)/σ) para θ ≤ ¯x e R(θ) = 2Φ(√n(¯x − θ)/σ) para θ ≥ ¯x. Figura2.1 mostra a representa¸c˜ao gr´afica da fun¸c˜ao de membership, considerando n = 5, ¯x = 5 e σ2 = 5. Esta figura cont´em
intervalos de confian¸ca para todos os n´ıveis α, isto ´e, para cada α fixo, podemos obter um intervalo de confian¸ca para θ com n´ıvel de confian¸ca (1 − α)100%.
0 2 4 6 8 10 0.0 0.2 0.4 0.6 0.8 1.0 θ Função de Membership
Exemplo 2 Seja X = (X1, X2, . . . , Xn)⊤ uma amostra aleat´oria de uma popula¸c˜ao
Bernoulli com m´edia θ e seja x a amostra observada. Aqui, Θ = [0; 1] e seja Cα(x) =
h b
θ(1 − κα), bθ(1 + κα)
i
um conjunto de confian¸ca de (1 − α) para θ, onde α ∈ I, bθ ´e a propor¸c˜ao amostral e κq ´e definida como:
κq ∈ {0}, se q = 1, (0; 1) , se q = 5 8, [1; 2) , se q = 1 8, {2}, se q = 0, Assim, desde o Lema 1, temos que
µΘe(θ) = κ−11 − θ b θ , para θ ≤ bθ, κ−1θ b θ − 1 , para θ ≥ bθ,
onde κ−1 denota o inverso de κ q.
Nota-se que eΘ ´e um n´umero fuzzy LR-type onde L(θ) = κ−11 −θ b θ para θ ≤ bθ e R(θ) = κ−1θ b θ − 1
para θ ≥ bθ. Al´em disso, I = 0,1 8,
5 8, 1
. Figura 2.2 (a) mostra a representa¸c˜ao gr´afica da fun¸c˜ao de membership, considerando n = 3 e bθ = 1/3. Esta figura apresenta intervalos de confian¸ca para todos os n´ıveis α ∈ I, isto ´e, para cada α fixo, podemos obter um intervalo de confian¸ca de (1 − α) para θ. Figura2.2 (b) retrata a mesma fun¸c˜ao de membership, considerando n = 3 e bθ = 2/3.
Observa¸c˜ao 1 Se o conjunto de confian¸ca Cα(x) ´e centrado no estimador ML, bθ, ent˜ao
temos que µΘe(bθ) = 1. Isto significa que a estimativa ML ´e parte do core do conjunto
fuzzy eΘ. Podemos interpretar o Core( eΘ) como o conjunto de todos os valores dos parˆametros para os quais a distribui¸c˜ao de probabilidade relacionada explica os dados observados de acordo com C. Com efeito, quanto mais pr´oximo θ esta do Core(eΘ), mais acreditamos que o modelo P θ ´e o melhor modelo, conforme C e os dados observados.
O pr´oximo resultado caracteriza o core do eΘ.
0.0 0.4 0.8 0.0 0.2 0.4 0.6 0.8 1.0 θ Função de Membership (a) 0.0 0.4 0.8 0.0 0.2 0.4 0.6 0.8 1.0 θ Função de Membership (b)
Figura 2.2: (a) Fun¸c˜ao de membership para o parˆametro θ quando n = 3 e bθ = 1/3. (b) Fun¸c˜ao de membership para o parˆametro θ quando n = 3 e bθ = 2/3.
Teorema 1 Seja µΘe(θ) e I = [0, 1] as quantidades definidas em (2.2), ent˜ao core( eΘ) =
{θ ∈ Θ : θ ∈ Cα(x) ∀α ∈ I}.
Prova 1 Desde a Defini¸c˜ao 3, temos que core( eΘ) = {θ ∈ Θ : µΘe(θ) = 1}. Agora,
temos que µΘe(θ) = 1 se, e so se, sup{α ∈ I : Cα(x) ∩ {θ} 6= ∅} = 1. Este ´ultimo fato
ocorre quando θ ∈ Cα(x) para todo α ∈ I concluindo a prova.
O Teorema 1 caracteriza a forma funcional do core para a fun¸c˜ao de membership definida em (2.2), isto ´e, esses valores em Θ produzem plena pertinˆencia. Por exemplo, no caso do Exemplo 1, core( eΘ) = {¯x} porque µΘe(θ) = 1 so para θ = ¯x. Assim eΘ ´e
chamado conjunto fuzzy normal (ver Defini¸c˜ao 4). Assumindo que existe uma medida de probabilidade Pθ que gera os dados e com base na Defini¸c˜ao 3, Lema 1 e Teorema 1, a interpreta¸c˜ao de θ ∈ Core(eΘ) ´e o valor do parˆametro com o qual a distribui¸c˜ao de probabilidade tem m´axima credibilidade de ter gerado os dados, em termos de C. Em seguida, definimos conjuntos de confian¸ca n˜ao-crescentes em termos do n´ıvel de significˆancia α.
Defini¸c˜ao 7 Seja C = {Cα(x)}α∈I uma fam´ılia de conjuntos de confian¸ca para um
vetor de parˆametros. Dizemos que C ´e uma fam´ılia de conjuntos de confian¸ca n˜ao- crescentes se Cα1(x) ⊆ Cα2(x) para todo 0 ≤ α2 < α1 ≤ 1.
O pr´oximo resultado refere-se `a propriedade de monoticidade de conjuntos de con- fian¸ca com as fun¸c˜oes de membership.
Teorema 2 Seja C = {Cα(x)}α∈I uma fam´ılia de conjuntos de confian¸ca n˜ao crescente. Se θǫ ⊆ θγ onde θν = {θ ∈ Θ; kθ − θ∗k ≤ ν} e core(eΘ) = {θ∗} com ǫ, γ ∈ R+ e ǫ ≤ γ.
Ent˜ao µΘe(θ) ≥ µΘe(θ +
), para todo θ ∈ θǫ e θ+ ∈ (θγ∩ θcǫ).
Prova 2 Se Cα(x) ´e n˜ao crescente, temos que
{α ∈ I : Cα(x) ∩ {θ+} 6= ∅} ⊆ {α ∈ I : Cα(x) ∩ {θ} 6= ∅}.
Usando o supremo desses conjuntos, temos que µΘe(θ) ≥ µΘe(θ
+), concluindo a prova.
Outro resultado importante para conjuntos de confian¸ca n˜ao crescente ´e a rela¸c˜ao entre o conceito de convexidade da Defini¸c˜ao 5, apresentada por Zadeh (1965), e a
propriedade de monotonicidade. Esta rela¸c˜ao ´e baseada no Teorema 2 concluindo que µΘe(λθ++ (1 − λ)θ) ≥ min{µΘe(θ+), µΘe(θ)}, para todo θ+, θ ∈ Θ e λ ∈ [0, 1] e portanto e
Θ ´e convexa no contexto fuzzy.
O Teorema 2 pode ser usado para comparar fun¸c˜oes de membership. Por exemplo, baseado na seguinte defini¸c˜ao.
Defini¸c˜ao 8 Seja µΘe1, µΘe2 : Θ → [0, 1] duas fun¸c˜oes de membership com o mesmo core. Dizemos que µΘe1 tem supremacia total sobre µΘe2 se µΘe1(θ) ≤ µΘe2(θ) para todo θ ∈ Θ. Eles s˜ao totalmente equivalentes se µΘe
1(θ) = µΘe2(θ) para todo θ ∈ Θ. N´os denotamos a supremacia total por µΘe1 ≪T µΘe2 e equivalencia total por µΘe1 ∼T µΘe2.
A Defini¸c˜ao 8 nos permite comparar dois conjuntos de confian¸ca diferentes, por exemplo, podemos determinar se um conjunto de confian¸ca ´e mais conservativo do que o outro para todos os n´ıveis de confian¸ca. ´E importante ressaltar que a Defini¸c˜ao 8
´e similar `a defini¸c˜ao de superioridade apresentada por Xie and Singh (2013). Note tamb´em que se U ´e uma familia de todas as fun¸c˜oes de membership ent˜ao ≪ estabelece uma rela¸c˜ao de ordem em U e esta rela¸c˜ao ´e uma rela¸c˜ao de ordem da inclus˜ao de conjuntos fuzzy, ver, por exemplo, Fra¨ıss´e (2000). Note-se que, a Defini¸c˜ao 8 ´e forte e n˜ao aplic´avel em muitas situa¸c˜oes, especialmente, se duas fun¸c˜oes de membership tˆem diferentes conjuntos core, em seguida, esta defini¸c˜ao n˜ao funciona. A fim de tornar menos restritivo o conceito supremacia, e portanto incluir mais situa¸c˜oes, definimos as seguintes integrais.
Defini¸c˜ao 9 Sejam µΘe : Θ → [0, 1] uma fun¸c˜ao de membership continua e
Er(µΘe) = Z Θr µΘe(θ) dθ e Θr= {θ ∈ Θ : µΘe(θ) ≥ r}, dizemos que:
1. µΘe1 tˆem r-up-supremacia sobre µΘe2 se E r(µ
e
Θ1) ≤ E r(µ
e
Θ2), que denotamos por µΘe1 ≪Er µΘe2. Elas s˜ao r-up-equivalentes quando E
r(µ e Θ1) = E r(µ e Θ2), que ´e denotado por µΘe1 ∼Er µΘe2 e r ∈ [0, 1] tal que a integral resultante est´a bem definida.
2. Se µΘe ´e integr´avel com respeito `a medida de Lebesgue em dimens˜ao k = dim(Θ),
µΘe1 temos r-down-supremacia sobre µΘe2 se Er(µΘe1) ≤ Er(µΘe2), que notamos por µΘe1 ≪Er µΘe2. Elas s˜ao r-down-equivalentes quando Er(µΘe1) = Er(µΘe2), que denotamos por µΘe1 ∼Er µΘe2, onde
Er(µΘe) =
Z
Θc r
µΘe(θ) dθ.
Chamamos Er o r-up operador integral e E
r o r-down operador integral.
Nota-se que, se µΘe ´e integr´avel, ent˜ao por Defini¸c˜ao 9, ´e simples que
E0(µΘe) = Er(µΘe) + E r(µ
e
Θ) = E1(µΘe), (2.3)
para todo r ∈ [0, 1]. Adicionalmente, se dim({θ ∈ Θ : µΘe(θ) = 1}) < k, tamb´em
temos que E1(µ e
Θ) = E0(µΘe) = 0. O Exemplo 3 descreve como calcular as quantida-
des analiticamente Er e E
r. No entanto, para os modelos mais complexos, solu¸c˜oes
anal´ıticas s˜ao praticamente imposs´ıveis de modo que essas integrais devem ser compu- tados numericamente usando qualquer software (por exemplo, MAPLE, MATLAB, Ox, R, SAS).
Exemplo 3 Considere o contexto do Exemplo 1 com variˆancia conhecida σ2. Aqui,
Θr = µ−1Θe ([r, 1]) = [c1r, c2r], onde µΘe(c1r) = µΘe(c2r) = r e c1r ≤ ¯x ≤ c2r. Ent˜ao, c1r = ¯x + σ √ nΦ −1 r 2 , c2r = ¯x − σ √ nΦ −1 r 2 e Er(µΘe) = Z Θc r µΘe(θ) dθ = 4 Z c1r −∞ Φ √ n(θ − ¯x) σ dθ,
onde Φ(·) a fun¸c˜ao de distribui¸c˜ao cumulativa de uma vari´avel normal padr˜ao. Fazendo uma mudan¸ca de vari´avel u =√n(θ − ¯x)/σ, temos a express˜ao.
Z c1r −∞ Φ √ n(θ − ¯x) σ dθ = √σ n Z √ n(c1r−¯x)/σ −∞ Φ(u) du.
Agora usando a identidadeR Φ(x) dx = xΦ(x)+φ(x), onde φ(·) ´e a fun¸c˜ao densidade de probabilidade de uma vari´avel normal padr˜ao (verJeffrey and Zwillinger, 2007, p. 629),
temos Er(µΘe) = 4σ √ n √ n(c1r− ¯x) σ Φ √ n(c1r− ¯x) σ + φ √ n(c1r− ¯x) σ .
Similarmente, temos que
Er(µΘe) = 4 Z x¯ −∞ Φ √ n(θ − ¯x) σ dθ − 4 Z c1r −∞ Φ √ n(θ − ¯x) σ dθ, ent˜ao Er(µΘe) = √4σ n φ(0) − √ n(c1r− ¯x) σ Φ √ n(c1r− ¯x) σ − φ √ n(c1r− ¯x) σ .
A Defini¸c˜ao9ser´a usada para identificar conjuntos de confian¸ca mais conservadores. ´
E poss´ıvel demonstrar que ≪Er, ≪Er e ≪T satisfaz o requisito de ser rela¸c˜ao de ordem (reflexividade, antisimetria e transitividade) e ∼Er, ∼Er e ∼T satisfaze o requisito de ser rela¸c˜ao de equivalˆencia (reflexividade, simetr´ıa e transitividade).
O Teorema 3 estabelece algumas rela¸c˜oes entre os trˆes tipos de supremacias.
Teorema 3 Seja µΘe1, µΘe2 : Θ → [0, 1] duas fun¸c˜oes de membership cont´ınuas e inte- graveis. Ent˜ao,
[∀r ∈ [0, 1], µΘe1 ≪Er µΘe2] ⇐⇒ [∀r ∈ [0, 1], µΘe1 ≪Er µΘe2]. (2.4)
Al´em disso, se core( eΘ1) = core( eΘ2),
[∀r ∈ [0, 1], µΘe1 ≪Er µΘe2] ⇐⇒ [µΘe1 ≪T µΘe2], (2.5)
onde eΘi = {(θ, µΘei) : θ ∈ Θ}.
Prova 3 Seja θ∗ ∈ Θ e k ∈ R e definir µ e
Θ1,k,∗(θ) = µΘe1(θ + kθ
∗). Nota-se que
Er(µ1) ≤ Er(µ2), para todo r ∈ [0, 1], se e s´o se existe θ∗ ∈ Θ e k ∈ R tal que
e
Θ1,k,∗ ⊆ eΘ2, onde isto ´e a inclus˜ao de conjuntos fuzzy e eΘ1,k,∗ depende de µΘe1,k,∗. Isto implica que Er(µ
1) ≤ Er(µ2) para todo r ∈ [0, 1]. A prova do inverso ´e semelhante. Se
k = 0, temos eΘ1 ⊆ eΘ2 se e s´o se µΘe1 ≪T µΘe2.
do intervalo ´e maior do que o outro para um n´ıvel de significˆancia espec´ıfico. Um procedimento para identificar um intervalo de confian¸ca mais conservativo do que outro ´e comparando as amplitudes dos intervalos para todos os n´ıveis de significˆancia. Abaixo, vamos definir o conceito conservativo para conjuntos de confian¸ca geral.
Defini¸c˜ao 10 Seja C1 = {C1,α(x)}α∈I1 e C2 = {C2,α(x)}α∈I2 duas fam´ılias de conjuntos de confian¸ca, dizemos que C2 ´e mais conservativo que C1 se as respectivas membership
µΘ,Ce 2 ≡ µΘe2 e µΘ,Ce 1 ≡ µΘe1 satisfazem µΘe1 ≪Er µΘe2 para todo r ∈ [0, 1]. Dizemos que a regi˜ao C2,α(x) ´e up-mais conservativa que C1,α(x) se µΘe1 ≪Eα µΘe2 e down-mais conservativa se µΘe1 ≪Eα µΘe2.
A pr´oxima proposi¸c˜ao estabelece algumas propriedades de eΘ. A prova ´e simples desde Lema 1, Defini¸c˜ao 3e Defini¸c˜ao 8 e por conseguinte, ´e omitida.
Proposi¸c˜ao 1 Seja eΘ = {(θ, µΘe(θ)); θ ∈ Θ} com µΘe(θ) como em (2.2). Ent˜ao, os
seguintes items s˜ao v´alidos.
1. Core( eΘ) = µ−1e
Θ ({1}), onde µ −1
e
Θ ({1}) = {θ ∈ Θ : µΘe(θ) = 1}. Tamb´em, se
core( eΘ) ´e a singleton ent˜ao eΘ ´e um n´umero fuzzy.
2. Se a cardinalidade µ−1Θe ({1}) ´e maior que 1, ent˜ao eΘ ´e um conjunto fuzzy normal.
3. Se µ−1 e
Θ ({1}) = Θ, ent˜ao eΘ = {(θ, 1); θ ∈ Θ}.
4. Seja eΘ1 e eΘ2 duas representa¸c˜oes fuzzy sobre o espa¸co paramˆetrico Θ associados
com C1,α(x) e C2,α(x) respectivamente. Se C1,α(x) ⊆ C2,α(x) para todo α ∈ [0, 1],
ent˜ao µΘe1 ≪ µΘe2 e C2,α(x) ´e mais conservativo que C1,α(x) para todo α ∈ [0, 1]. As Defini¸c˜oes8,9e10s˜ao ferramentas para comparar conjuntos de confian¸ca atrav´es de suas respectivas fun¸c˜oes de membership. As fun¸c˜oes de membership utilizadas s˜ao definidas no mesmo espa¸co param´etrico. No entanto, h´a situa¸c˜oes em que estamos interessados em comparar conjuntos de confian¸ca a partir de um vector de parˆametros parcial com conjuntos de confian¸ca a partir de um vector de parˆametros completo (ver Exemplo 4). Portanto, uma fun¸c˜ao de membership para o vetor de parˆametros parcial ´e definido a seguir.
Seja θ = (λ⊤, ψ⊤)⊤, onde λ e ψ s˜ao vetores com dimens˜ao k
1 e k2 com k = k1+ k2.
Sem perda de generalidade, seja C∗
α(x) un conjunto de confian¸ca para λ e seja Λ o 20
conjunto onde λ varia. Ent˜ao, a fun¸c˜ao de membership para λ pode ser definida simplesmente por µΛe : Λ → [0, 1] tal que
µeΛ(λ) = max{0, sup{α ∈ [0, 1] : Cα∗(x) ∩ {λ} 6= ∅}}. (2.6)
As mesmas propriedades da membership (2.2) e as defini¸c˜oes acima s˜ao v´alidos para esta fun¸c˜ao parcial de membership.