Inferências Geográfica:
Inferência Bayesiana
Processo Analítico Hierárquico
Classificação contínua
Análise Multi-Critério
Classificação continua (Lógica Fuzzy)
Classificação contínua
Classificação contínua
nLógica convencional
Paradoxo insolúvel
1 1 9 9 0 0 1 1 7 7 0 0 1 1 5 5 0 0 1 1 4 4 0 0 2 2 1 1 0 0 Muito Muito baixa
baixa abaixo médiaabaixo média Acima Acima médiamédia Muito Muito altaalta Alto Alto média
média baixa
baixa AltaAlta
baixa baixa
Eu sempre minto.
n
Áreas com declividade de 9,9% serão classificadas
diferentemente de áreas com inclinação de 10,1%,
não importando as demais condições
Classificação contínua
n
A análise espacial em SIG será melhor realizada com uso da
técnicas de classificação contínua, transformando os dados para
o espaço de referência [0,1] e processando-os por combinação
numérica, através de média ponderada ou inferência “fuzzy”
n
Ao invés de um mapa temático com limites rígidos gerados pelas
operações booleanas, obtém-se uma superfície de decisão
contínua.
n
Isto permite construir cenários
(por exemplo, risco de 10%,
20% ou 40%), que indicam os diferentes compromissos de
tomada de decisão => maior flexibilidade e um entendimento
muito maior sobre os problemas espaciais.
Lógica Fuzzy
n
Lógica Fuzzy: Introduzida por Lofti Zadeh (1960s), como um
meio de modelar incertezas da linguagem natural
n
Fuzzy Logic” é uma extensão da lógica Booleana, que tem sido
estendida para manipular o conceito de “verdade parcial”, isto
é, valores compreendidos entre “completamente verdadeiro” e
“completamente falso”.
0 1 1 Falso VerdadeLógica Boleana
zF
F
V
V
F(z)Lógica Fuzzy
zzV
V
F
F
0 0 1 1 Falso Verdaden Um conjunto Fuzzy (S) é definido matematicamente como:
Z : S = (z, f(z)) onde:
ü Z é referido como o “universo de discurso” para o subconjunto Fuzzy S ü S é o conjunto Fuzzy em Z, expresso pelos pares ordenados [z, f(z)]. ü z ∈ Z, é um elemento do conjunto Z (primeiro elemento do par
ordenado).
ü f(z) é uma função que mapeia z em S, variando de 0 a 1 (segundo elemento do par ordenado). Estabelece o grau de verdade:
n O valor Zero (0) é usado para representar a condição de Falsidade, n O valor Um (1) é usado para representar a condição de Verdade, n Valores intermediários são utilizados para representar o grau de
verdade.
Conjuntos Fuzzy: exemplo
ü Exemplo: Altura de Pessoasü S um conjunto fuzzy ALTO, que responderá a pergunta: ü " a que grau uma pessoa “z” é alta?
ü Z : S = (z, f(z)) especialistas 0 0 1 1 BAIXO ALTO z f(z) 1.5 2.1 0.5 0.5 n
n Exemplo: ”João é ALTO" = 0.38
≥
<
<
−
≤
=
1
.
2
,
1
1
.
2
5
.
1
6
.
0
/
)
5
.
1
(
5
.
1
,
0
)
(
z
se
z
se
z
z
se
z
f
Conjuntos Fuzzy: exemplo
n
Outro exemplo - Declividade
f
(z) = 0 se z ≤ α f(z) = 1/[1+ α(z −β)2] se α < z < β f(z) = 1 se z ≥ β 0 0.2 0.4 0.6 0.8 1 0 .025 40 Declividade Mínimo (α) Máximo (β)f
f
(z)
(z)
= 0 se z
=
≤
0.025
f
f
(z)
(z)
= 1/[1+ 0.025(z
=
−
40)
2] se
α
< z < 40
f
f
(z)
(z)
= 1, se z
=
≥
40
n Na prática:
Realizar mapeamento para espaço [0,1]
¨ determinação de valores limites (mínimo e máximo)
¨ estabelecer função de mapeamento: linear, quadrática, sigmóide
Mapeamento para fuzzy
Campo de
Campo de
Amostras
Amostras Grade deGrade devaloresvalores [0,1][0,1]
f(z)
f(z)
Superfície Superfície contínua contínua AnáliseOperadores Fuzzy : E
Saída controlada pelo menor valor de pertinência fuzzy ocorrendo em cada localização.
Operador apropriado quando todas as evidências para uma devem estar presentes para a hipótese ser verdadeira.
µ
c= MIN (
µ
a,
µ
b,
µ
c, ...)
µ
A,µ
B,µ
C, ..são os valores de pertinência nos mapas
1,00 0,40 0,65 0,00 0,55 0,70 0,30 0,60 0,75 0,00 0,40 0,60 0,20 0,55 0,75 0,40 0,65 0,50 0,00 0,40 0,60 0,00 0,55 0,70 0,30 0,60 0,50
µ
Aµ
Bµ
c =µ
AE
µ
AOperadores Fuzzy : OU
Saída controlada pelo maior valor de pertinência fuzzy ocorrendo em cada localização.
µ
c= Max (
µ
a,
µ
b,
µ
c, ...)
µ
A,µ
B,µ
C, ..são os valores de pertinência nos mapas
1,00 0,40 0,65 0,00 0,55 0,70 0,30 0,60 0,75 0,00 0,40 0,60 0,20 0,55 0,75 0,40 0,65 0,50 1,00 0,40 0,65 0,20 0,55 0,75 0,40 0,65 0,75
µ
Aµ
Bµ
c =µ
AOU
µ
AOperadores Fuzzy: Produto algébrico
µ
c
=
µ
i
onde
µ
i é a função de pertinência para o i-ésimo mapaO valor dessa função combinada
µ
tende a ser muito pequeno, produto de valores entre 0 e 1. A saída é sempre menor que a menor contribuição.∏
= n i 1 1,00 0,40 0,65 0,00 0,55 0,70 0,30 0,60 0,75 0,00 0,40 0,60 0,20 0,55 0,75 0,40 0,65 0,50 0,00 0,16 0,39 0,00 0,30 0,52 0,12 0,39 0,37 µA µB µcOperadores Fuzzy: Soma algébrica
µ
c
= 1-
(1-
µ
i
)
Nessa operação o resultado é sempre maior, ou igual, a maior contribuição do valor de pertinência fuzzy. Duas evidências pesam mais do que cada uma individualmente. Por exemplo, a soma algébrica fuzzy de (0,75 e 0,50) é 1 – ( 1-0,75)*(1- 0,50), que é igual a 0,875 .
∏
=
n
i 1
0,00 0,60 0,35 1,00 0,45 0,30 0,70 0,40 0,25 1,00 0,60 0,40 0,80 0,45 0,25 0,60 0,35 0,50 0,00 0,36 0,14 0,80 0,20 0,07 0,42 0,14 0,12 1,00 0,84 0,86 0,80 0,79 0,92 0,58 0,86 0,87 1 -µA 1 - µB 1 - µA∏
(1 - µi) µc = 2 1 iExemplo: Transformação Fuzzy
{
//Declaração
Numerico cromo ("Amostras");
Numerico cromofuzzy ("Cromo_Fuzzy");
//Instanciação
cromo = Recupere ( Nome= "Teores_Cromo" );
cromofuzzy = Novo (Nome = "Cromo_Fuzzy", ResX=30, ResY=30, Escala=50000, Min=0, Max=1);
//Operação
cromofuzzy =
(cromo < 0.20)
?
0
:
(cromo > 1.855)
?
1
:
1/(1 + (0.424 * ((cromo - 1.855)^2)));
}
variável = expressao_booleana
?
expressao1
:
(bool ?
Exp1 :
exp2) ;
expressao2
expressao1
Técnica AHP (Processo Analítico Hierárquico)
Análise Multi-Critério
Suporte à Decisão - Conceitos Básicos
è
Decidir é escolher entre alternativas.
n
Podemos encarar o processo de manipulação de dados
num sistema de informação geográfica como uma forma
de produzir diferentes hipóteses sobre o tema de
estudo.
n
O conceito fundamental dos vários modelos de tomada
de decisão é o de
racionalidade
.
Onde è
indivíduos e organizações seguem um
comportamento de escolha entre alternativas, baseado
em critérios objetivos de julgamento, afim de
Suporte à Decisão - Conceitos Básicos
n
Um modelo racional
de tomada de decisão preconiza quatro
passos:
¨
Definição do problema:
formular o problema como uma
necessidade de chegar a um novo estado.
¨
Busca de alternativas:
estabelecer as diferentes
alternativas (aqui consideradas como as diferentes
possíveis soluções do problema) e deter minar um
critério de avaliação.
¨
Avaliação de alternativas:
cada alternativa de resposta
é avaliada.
¨
Seleção de alternativas:
as possíveis soluções são
ordenadas, selecionando-se a mais desejável ou
A Técnica AHP - Processo Analítico Hierárquico
n
Quando temos diferentes fatores que contribuem para a nossa
decisão, como fazer para determinar a contribuição relativa de
cada um ?
n
Thomas Saaty (1978) propôs, uma técnica de escolha baseada na
lógica da comparação pareada, denominada Técnica AHP.
n
Neste procedimento, os diferentes fatores que influenciam a
tomada de decisão são comparados dois-a-dois, e um critério de
importância relativa
é atribuído ao relacionamento entre estes
fatores, conforme uma escala pré-definida.
A Técnica AHP - Processo Analítico Hierárquico
Escala de Valores AHP para Comparação Pareada
Escala de Valores AHP para Comparação Pareada
2,4,6,8 Valores intermediários entre julgamentos - possibilidade de compromissos adicionais.
AHP- Exemplo:
Decidir sobre a compra de um SIG
Decidir sobre a compra de um SIG
Fatores importantes:
Fatores importantes:
hardware
Matriz de Comparação Par-a-Par -
Fator Hardware
1 1/6 1/8 Sistema 3 6 1 1/4 Sistema 2 8 4 1 Sistema 1 Sistema 3 Sistema 2 Sistema 1 HardwareA matriz apresentada reflete o fato que o Sistema 1 é
moderadamente / essencialmente preferido em relação ao
Sistema 2, e têm uma importância demonstrada / extrema
com relação ao Sistema 3.
Passo
1-Importância relativa dos fatores entre sistemas.
Critérios objetivos
Sistema 1 è Sistema 1 = 1 Sistema 2 è Sistema 3 = 6
Sistema 2 è Sistema 1 = 1/4 Sistema 3 è Sistema 2 = 1/6
Matriz de Comparação Par-a-Par -
Fator Hardware
1 1/6 1/8 Sistema 3 15 5,167 1,375 Total 6 1 1/4 Sistema 2 8 4 1 Sistema 1 Sistema 3 Sistema 2 Sistema 1 HardwarePasso
2-Normalizar colunas
0,067
0,032
0,091
Sistema 30,400
0,194
0,182
Sistema 20,533
0,774
0,727
Sistema 1 HardwareMatriz de Comparação Par-a-Par -
Fatores
0,063 (0,091+0,032+ 0,067)/3 =
Sistema 3 0,259 (0,182+0,194+0,400)/3 =
Sistema 2 0,678 (0,727+ 0,774+0,533)/3 =
Sistema 1 Vetor de Média Cálculo da média HardwarePasso 3-
Média de cada linha normalizada
Ø representa as prioridades para as três opções alternativas, em
relação ao fator Hardware (pesos do fator hardware de cada sistema
0,096 0,251 0,653 Serviço de ven. 0,737 0,186 0,077 Software 0,063 0,259 0,678 hardware Sistema 3 Sistema 2 Sistema 1 Fator
Matriz de Comparação de
Fatores
1 1/6 5 Serviço de ven. 7,20 1,292 14 Total 6 1 8 Software 1/5 1/8 1 hardware Serviço de ven. Software hardware FatorPasso
4-Importância relativa entre os fatores.
0,139
0,129
0,357
Serviço vendas.0,833
0,774
0,571
Software0,028
0,097
0,072
hardwareMatriz de Comparação de
Fatores
Passo
5-Pesos dos fatores.
Fator Matriz normalizada
0,208 (
0,357 + 0,129 + 0,139)/3 =
Serviço vendas. 0,726 (0,57 + 0,774 + 0,833)/3 =
Software 0,066 (0,072 + 0,097 + 0,028)/3 =
hardware Vetor de Média Cálculo da pesos Fator 0,559 (0,066*0,063 + 0,726*0,737 + 0,208*0,096)= Sistema 3 0,204 (0,066*0,259 + 0,726*0,186 + 0,208*0,251)= Sistema 2 0,236 (0,066*0,678 + 0,726*0,077 + 0,208*0,653)= Sistema 1O sistema de maior peso, considerando os fatores utilizados, é o sistema 3. Então o mais adequado para aquisição
Consistência da seleção realizada
Para aceitar o resultado deste processo, é necessário conhecer
se há consistência na comparação pareada realizada. Neste caso o
parâmetro para avaliar isto é denominado
Razão de consistência
Passo 1: Considere que os critérios atribuídos ao fator Hardware (tabela abaixo) foi justo
1 1/6 1/8 Sistema 3 6 1 1/4 Sistema 2 8 4 1 Sistema 1 Sistema 3 Sistema 2 Sistema 1 Hardware 0,259 Sistema 2 0,678 Sistema 1 Vetor de Média Hardware
Razão de consistência
Passo 2: Calcula-se o vetor soma ponderada
1,000 4,000 8,000 0,678 0,250 1,000 6,000 * 0,259 0,125 0,167 1,000 0,063 = 1,000*0,678 + 4,000*0,259 + 8,000*0,063 = 2,218 0,250*0,678 + 1,000*0,259 + 6,000*0,063 = 0,807 0,125*0,678 + 0,167*0,259 + 1,000*0,063 = 0,191 2,218/0,678 0,807/0,259 0,191/0,063 3,271 3,116 3,032 = Vetor de consistência =
Passo 3 : Calcula-se o vetor de consistência
Passo 4 : Calcula-se o valor médio do vetor de consistência
Razão de consistência
A razão de consistência (RC) que é a tolerância permitida, é estimada pela expressão: RC = IC/IR
Onde IC é o índice de consistência e IR é o índice aleatório conforme tabela abaixo.
RC = IC/IR = 0,070/0,58 = 0,12
Segundo o método desenvolvido por ss, o valor de RC deve ser menor que 0,10 para que a decisão
seja consistente
IC = (
µ
-n) / (n-1) onde n é o numero de fatores IC = (3,140 –3) / (3-1) = 0,070 1,32 7 1,12 5 0,90 4 1,24 6 0,58 3 0,00 2 IR nExemplo : potenciais à prospecção de Cromo.
Superfícies normalizadas
Exemplo : potenciais à prospecção de Cromo.
Superfícies normalizadas
Vetor de pesos
Calculando-se a Razão de consistência, conforme mostrado anteriormente chega-se : RC = IC/IR = 0,00695/0,58 = 0,012
Como o valor de RC < 0,10 conclui-se que a decisão foi consistente O mapa final de potencialidade de cromo é obtido
Mapa_pot_Cromo =
Passos do AHP
n Passo 1:
¨ Comparar os critérios dois-a-dois
n Passo 2:
¨ Determinar vetor de consistência dos criterios ¨ Estimar Razão de consistência.
n Consistente se a Razão de consistência tiver probabilidade menor do que 10%
n Passo 3:
¨ Produzir os pesos (soma = 1.0)
n
Interface
Abordagem Bayesiana
Principal conceito: Probabilidade a priori e a posterioriOcorrência de chuva no dia seguinte dado que a média 80 dias de chuva por ano no local.
¨ probabilidade a priori : P(chuva) = 80/365
Refinamento: dada uma certa época do ano
¨ a posteriori : Fator época do ano (Fépoca do ano)
n P(chuva | época do ano) = P(chuva) * (Fépoca do ano)
¨ Outras evidências: choveu ontem, choveu hoje
¨ P(chuva|evidência) = P(chuva) *
(
Fépoca do ano)
* Fdia anterior * Fdia hoje1
Abordagem Bayesiana - Exemplos
Ex. 1 – prospecção mineral
Anomalia geoquímica de zinco è > 250 ppm Prob. A priori > 250 ppm
Fatores (a posteriori)
Mapa geológico
rocha A e B è favorável rocha C e D è desfavorável
Intensidade de assinatura geofísica Tipo de vegetação
Baseado em conhecimento (Especialista pondera as evidências) Baseado em dados (dados históricos suficientes)
Ex. 2 – diagnostico médico
Combinação de sintomas clínicos
Ex. 2 – Distribuição espacial de epicentros sísmicos.
Técnica Bayesiana – Exemplo de aplicação
1- Considere o problema de se encontrar depósitos de um determinado mineral em uma região que possui uma área de 10.000 km2, e que já
tenham sido identificados 200 depósitos nesta região.
2- A area foi dividida em celulas de 1 km2 e ocorre somente 1 deposito
em cada celula.
Notação è N{} = contagem de unidades N{R} = 10.000 unidades de área N{D} = 200 depósitos conhecidos com área de 1 km2. Densidade de depositos N{D}/N{R} = 200/10000=0.02 probabilidade a priori P{D} = N{D}/N{R} = 0.02 R A
Técnica Bayesiana – Exemplo de aplicação
Nova evidencia:Observou-se em mapa de anomalia magnética da região, que 180 dos 200 depósitos conhecidos ocorreram dentro da área de anomalia. P{D / A} > 0.02 P{D / A} < 0.02
Dado esta evidência, a probabilidade pode ser expressa por:
R A R A D R ∩ A A ∩ D A ∩ D D ∩ A
Técnica Bayesiana
P{D / A}
é a probabilidade condicional de um deposito ‘D’ dado que a célula está dentro da área de anomalia ‘A’.
R A D R ∩ A A ∩ D A ∩ D D ∩ A P{D∩A} = N{D∩A} / N{R}
é a proporção da área total onde ocorre simultaneamente
deposito e anomalia.
Técnica Bayesiana
A R D R ∩ A A ∩ D A ∩ D D ∩ A P{D / A} = 180 / 3600 = 0,05 P{D} = 0.02P{D / A} = 2,5 vezes maior que P{D}
N{R} (10000) N{A} (6400) N{A} (3600) D (9800) N{D∩A} (1) N{D∩A} (3420) Não Depósito (D) D (200) N{D∩A} (20) N{D∩A} (180) Depósito (D)
Não Anomalia (A) Anomalia (A)
Usando-se esta evidência, a exploração de novos depósitos do mesmo tipo, será muito mais eficiente e com uma área de pesquisa reduzida de 10.000 km2 para 3.600 km2 .
Técnica Bayesiana
P (posteriori) = P(priori) * (Fevidência)
Pode-se expressar P{ D / A} em termos da P(priori) mais fator multiplicativo. Qual a probabilidade de uma célula estar na região de anomalia ‘A’,
dado que esta célula contém um deposito?
P{A / D} = 180/200=0.9
Dado que: P{A∩D} = P{D∩A}
Probabilidade a posteriori de um depósito, dado que a célula esta na área de anomalia
Técnica Bayesiana
P{A / D} = 180/200=0.9
P{D / A} = 0,02 * 2,5 = 0,05 0,9/0,36 = 2,5 è fator multiplicativo
P{A} = N{A} / N{R} = 3600 / 10000 = 0,36
A presença de anomalia magnética, faz com que a probabilidade de deposito seja 2.5 vezes maior do que a probabilidade a priori.
Técnica Bayesiana
Probabilidade a posteriori da ocorrência de um deposito, dada a ausência da anomalia. P{A} = (10000-3600)/10000=0.64 P{A / D} = 20/200=0.1 = 0,1/0,64 = 0,15625 è A probabilidade a posteriori da ocorrência de depósitos em posições onde não há anomalia magnética é 0.15625 vezes
menor do que a probabilidade a priori.
P{D / A} = 0.2*0.15625 = 0.003125
Baseado em uma única fonte de evidência, podemos reduzir a área de pesquisa de 10.000 km2 para 3600 km2, porque a chance de se
encontrar depósito onde não há anomalia é significativamente menor (50 vezes) do que onde há anomalia.
Inferências Geográfica:
Inferência Bayesiana
Processo Analítico Hierárquico
Classificação contínua
Análise Multi-Critério
Classificação continua (Lógica Fuzzy)
Classificação contínua
Classificação contínua
nLógica convencional
Paradoxo insolúvel
1 1 9 9 0 0 1 1 7 7 0 0 1 1 5 5 0 0 1 1 4 4 0 0 2 2 1 1 0 0 Muito Muito baixa
baixa abaixo médiaabaixo média Acima Acima médiamédia Muito Muito altaalta Alto Alto média
média baixa
baixa AltaAlta
baixa baixa
Eu sempre minto.
n
Áreas com declividade de 9,9% serão classificadas
diferentemente de áreas com inclinação de 10,1%,
não importando as demais condições
Classificação contínua
n
A análise espacial em SIG será melhor realizada com uso da
técnicas de classificação contínua, transformando os dados para
o espaço de referência [0,1] e processando-os por combinação
numérica, através de média ponderada ou inferência “fuzzy”
n
Ao invés de um mapa temático com limites rígidos gerados pelas
operações booleanas, obtém-se uma superfície de decisão
contínua.
n
Isto permite construir cenários
(por exemplo, risco de 10%,
20% ou 40%), que indicam os diferentes compromissos de
tomada de decisão => maior flexibilidade e um entendimento
muito maior sobre os problemas espaciais.
Lógica Fuzzy
n
Lógica Fuzzy: Introduzida por Lofti Zadeh (1960s), como um
meio de modelar incertezas da linguagem natural
n
Fuzzy Logic” é uma extensão da lógica Booleana, que tem sido
estendida para manipular o conceito de “verdade parcial”, isto
é, valores compreendidos entre “completamente verdadeiro” e
“completamente falso”.
0 1 1 Falso VerdadeLógica Boleana
zF
F
V
V
F(z)Lógica Fuzzy
zzV
V
F
F
0 0 1 1 Falso Verdaden Um conjunto Fuzzy (S) é definido matematicamente como:
Z : S = (z, f(z)) onde:
ü Z é referido como o “universo de discurso” para o subconjunto Fuzzy S ü S é o conjunto Fuzzy em Z, expresso pelos pares ordenados [z, f(z)]. ü z ∈ Z, é um elemento do conjunto Z (primeiro elemento do par
ordenado).
ü f(z) é uma função que mapeia z em S, variando de 0 a 1 (segundo elemento do par ordenado). Estabelece o grau de verdade:
n O valor Zero (0) é usado para representar a condição de Falsidade, n O valor Um (1) é usado para representar a condição de Verdade, n Valores intermediários são utilizados para representar o grau de
verdade.
Conjuntos Fuzzy: exemplo
ü Exemplo: Altura de Pessoasü S um conjunto fuzzy ALTO, que responderá a pergunta: ü " a que grau uma pessoa “z” é alta?
ü Z : S = (z, f(z)) especialistas 0 0 1 1 BAIXO ALTO z f(z) 1.5 2.1 0.5 0.5 n
n Exemplo: ”João é ALTO" = 0.38
≥
<
<
−
≤
=
1
.
2
,
1
1
.
2
5
.
1
6
.
0
/
)
5
.
1
(
5
.
1
,
0
)
(
z
se
z
se
z
z
se
z
f
Conjuntos Fuzzy: exemplo
n
Outro exemplo - Declividade
f
(z) = 0 se z ≤ α f(z) = 1/[1+ α(z −β)2] se α < z < β f(z) = 1 se z ≥ β 0 0.2 0.4 0.6 0.8 1 0 .025 40 Declividade Mínimo (α) Máximo (β)f
f
(z)
(z)
= 0 se z
=
≤
0.025
f
f
(z)
(z)
= 1/[1+ 0.025(z
=
−
40)
2] se
α
< z < 40
f
f
(z)
(z)
= 1, se z
=
≥
40
n Na prática:
Realizar mapeamento para espaço [0,1]
¨ determinação de valores limites (mínimo e máximo)
¨ estabelecer função de mapeamento: linear, quadrática, sigmóide
Mapeamento para fuzzy
Campo de
Campo de
Amostras
Amostras Grade deGrade devaloresvalores [0,1][0,1]
f(z)
f(z)
Superfície Superfície contínua contínua AnáliseOperadores Fuzzy : E
Saída controlada pelo menor valor de pertinência fuzzy ocorrendo em cada localização.
Operador apropriado quando todas as evidências para uma devem estar presentes para a hipótese ser verdadeira.
µ
c= MIN (
µ
a,
µ
b,
µ
c, ...)
µ
A,µ
B,µ
C, ..são os valores de pertinência nos mapas
1,00 0,40 0,65 0,00 0,55 0,70 0,30 0,60 0,75 0,00 0,40 0,60 0,20 0,55 0,75 0,40 0,65 0,50 0,00 0,40 0,60 0,00 0,55 0,70 0,30 0,60 0,50
µ
Aµ
Bµ
c =µ
AE
µ
AOperadores Fuzzy : OU
Saída controlada pelo maior valor de pertinência fuzzy ocorrendo em cada localização.
µ
c= Max (
µ
a,
µ
b,
µ
c, ...)
µ
A,µ
B,µ
C, ..são os valores de pertinência nos mapas
1,00 0,40 0,65 0,00 0,55 0,70 0,30 0,60 0,75 0,00 0,40 0,60 0,20 0,55 0,75 0,40 0,65 0,50 1,00 0,40 0,65 0,20 0,55 0,75 0,40 0,65 0,75
µ
Aµ
Bµ
c =µ
AOU
µ
AOperadores Fuzzy: Produto algébrico
µ
c
=
µ
i
onde
µ
i é a função de pertinência para o i-ésimo mapaO valor dessa função combinada
µ
tende a ser muito pequeno, produto de valores entre 0 e 1. A saída é sempre menor que a menor contribuição.∏
= n i 1 1,00 0,40 0,65 0,00 0,55 0,70 0,30 0,60 0,75 0,00 0,40 0,60 0,20 0,55 0,75 0,40 0,65 0,50 0,00 0,16 0,39 0,00 0,30 0,52 0,12 0,39 0,37 µA µB µcOperadores Fuzzy: Soma algébrica
µ
c
= 1-
(1-
µ
i
)
Nessa operação o resultado é sempre maior, ou igual, a maior contribuição do valor de pertinência fuzzy. Duas evidências pesam mais do que cada uma individualmente. Por exemplo, a soma algébrica fuzzy de (0,75 e 0,50) é 1 – ( 1-0,75)*(1- 0,50), que é igual a 0,875 .
∏
=
n
i 1
0,00 0,60 0,35 1,00 0,45 0,30 0,70 0,40 0,25 1,00 0,60 0,40 0,80 0,45 0,25 0,60 0,35 0,50 0,00 0,36 0,14 0,80 0,20 0,07 0,42 0,14 0,12 1,00 0,84 0,86 0,80 0,79 0,92 0,58 0,86 0,87 1 -µA 1 - µB 1 - µA∏
(1 - µi) µc = 2 1 iExemplo: Transformação Fuzzy
{
//Declaração
Numerico cromo ("Amostras");
Numerico cromofuzzy ("Cromo_Fuzzy");
//Instanciação
cromo = Recupere ( Nome= "Teores_Cromo" );
cromofuzzy = Novo (Nome = "Cromo_Fuzzy", ResX=30, ResY=30, Escala=50000, Min=0, Max=1);
//Operação
cromofuzzy =
(cromo < 0.20)
?
0
:
(cromo > 1.855)
?
1
:
1/(1 + (0.424 * ((cromo - 1.855)^2)));
}
variável = expressao_booleana
?
expressao1
:
(bool ?
Exp1 :
exp2) ;
expressao2
expressao1
Técnica AHP (Processo Analítico Hierárquico)
Análise Multi-Critério
Suporte à Decisão - Conceitos Básicos
è
Decidir é escolher entre alternativas.
n
Podemos encarar o processo de manipulação de dados
num sistema de informação geográfica como uma forma
de produzir diferentes hipóteses sobre o tema de
estudo.
n
O conceito fundamental dos vários modelos de tomada
de decisão é o de
racionalidade
.
Onde è
indivíduos e organizações seguem um
comportamento de escolha entre alternativas, baseado
em critérios objetivos de julgamento, afim de
Suporte à Decisão - Conceitos Básicos
n
Um modelo racional
de tomada de decisão preconiza quatro
passos:
¨
Definição do problema:
formular o problema como uma
necessidade de chegar a um novo estado.
¨
Busca de alternativas:
estabelecer as diferentes
alternativas (aqui consideradas como as diferentes
possíveis soluções do problema) e deter minar um
critério de avaliação.
¨
Avaliação de alternativas:
cada alternativa de resposta
é avaliada.
¨
Seleção de alternativas:
as possíveis soluções são
ordenadas, selecionando-se a mais desejável ou
A Técnica AHP - Processo Analítico Hierárquico
n
Quando temos diferentes fatores que contribuem para a nossa
decisão, como fazer para determinar a contribuição relativa de
cada um ?
n
Thomas Saaty (1978) propôs, uma técnica de escolha baseada na
lógica da comparação pareada, denominada Técnica AHP.
n
Neste procedimento, os diferentes fatores que influenciam a
tomada de decisão são comparados dois-a-dois, e um critério de
importância relativa
é atribuído ao relacionamento entre estes
fatores, conforme uma escala pré-definida.
A Técnica AHP - Processo Analítico Hierárquico
Escala de Valores AHP para Comparação Pareada
Escala de Valores AHP para Comparação Pareada
2,4,6,8 Valores intermediários entre julgamentos - possibilidade de compromissos adicionais.
AHP- Exemplo:
Decidir sobre a compra de um SIG
Decidir sobre a compra de um SIG
Fatores importantes:
Fatores importantes:
hardware
Matriz de Comparação Par-a-Par -
Fator Hardware
1 1/6 1/8 Sistema 3 6 1 1/4 Sistema 2 8 4 1 Sistema 1 Sistema 3 Sistema 2 Sistema 1 HardwareA matriz apresentada reflete o fato que o Sistema 1 é
moderadamente / essencialmente preferido em relação ao
Sistema 2, e têm uma importância demonstrada / extrema
com relação ao Sistema 3.
Passo
1-Importância relativa dos fatores entre sistemas.
Critérios objetivos
Sistema 1 è Sistema 1 = 1 Sistema 2 è Sistema 3 = 6
Sistema 2 è Sistema 1 = 1/4 Sistema 3 è Sistema 2 = 1/6
Matriz de Comparação Par-a-Par -
Fator Hardware
1 1/6 1/8 Sistema 3 15 5,167 1,375 Total 6 1 1/4 Sistema 2 8 4 1 Sistema 1 Sistema 3 Sistema 2 Sistema 1 HardwarePasso
2-Normalizar colunas
0,067
0,032
0,091
Sistema 30,400
0,194
0,182
Sistema 20,533
0,774
0,727
Sistema 1 HardwareMatriz de Comparação Par-a-Par -
Fatores
0,063 (0,091+0,032+ 0,067)/3 =
Sistema 3 0,259 (0,182+0,194+0,400)/3 =
Sistema 2 0,678 (0,727+ 0,774+0,533)/3 =
Sistema 1 Vetor de Média Cálculo da média HardwarePasso 3-
Média de cada linha normalizada
Ø representa as prioridades para as três opções alternativas, em
relação ao fator Hardware (pesos do fator hardware de cada sistema
0,096 0,251 0,653 Serviço de ven. 0,737 0,186 0,077 Software 0,063 0,259 0,678 hardware Sistema 3 Sistema 2 Sistema 1 Fator
Matriz de Comparação de
Fatores
1 1/6 5 Serviço de ven. 7,20 1,292 14 Total 6 1 8 Software 1/5 1/8 1 hardware Serviço de ven. Software hardware FatorPasso
4-Importância relativa entre os fatores.
0,139
0,129
0,357
Serviço vendas.0,833
0,774
0,571
Software0,028
0,097
0,072
hardwareMatriz de Comparação de
Fatores
Passo
5-Pesos dos fatores.
Fator Matriz normalizada
0,208 (
0,357 + 0,129 + 0,139)/3 =
Serviço vendas. 0,726 (0,57 + 0,774 + 0,833)/3 =
Software 0,066 (0,072 + 0,097 + 0,028)/3 =
hardware Vetor de Média Cálculo da pesos Fator 0,559 (0,066*0,063 + 0,726*0,737 + 0,208*0,096)= Sistema 3 0,204 (0,066*0,259 + 0,726*0,186 + 0,208*0,251)= Sistema 2 0,236 (0,066*0,678 + 0,726*0,077 + 0,208*0,653)= Sistema 1O sistema de maior peso, considerando os fatores utilizados, é o sistema 3. Então o mais adequado para aquisição
Consistência da seleção realizada
Para aceitar o resultado deste processo, é necessário conhecer
se há consistência na comparação pareada realizada. Neste caso o
parâmetro para avaliar isto é denominado
Razão de consistência
Passo 1: Considere que os critérios atribuídos ao fator Hardware (tabela abaixo) foi justo
1 1/6 1/8 Sistema 3 6 1 1/4 Sistema 2 8 4 1 Sistema 1 Sistema 3 Sistema 2 Sistema 1 Hardware 0,259 Sistema 2 0,678 Sistema 1 Vetor de Média Hardware
Razão de consistência
Passo 2: Calcula-se o vetor soma ponderada
1,000 4,000 8,000 0,678 0,250 1,000 6,000 * 0,259 0,125 0,167 1,000 0,063 = 1,000*0,678 + 4,000*0,259 + 8,000*0,063 = 2,218 0,250*0,678 + 1,000*0,259 + 6,000*0,063 = 0,807 0,125*0,678 + 0,167*0,259 + 1,000*0,063 = 0,191 2,218/0,678 0,807/0,259 0,191/0,063 3,271 3,116 3,032 = Vetor de consistência =
Passo 3 : Calcula-se o vetor de consistência
Passo 4 : Calcula-se o valor médio do vetor de consistência
Razão de consistência
A razão de consistência (RC) que é a tolerância permitida, é estimada pela expressão: RC = IC/IR
Onde IC é o índice de consistência e IR é o índice aleatório conforme tabela abaixo.
RC = IC/IR = 0,070/0,58 = 0,12
Segundo o método desenvolvido por ss, o valor de RC deve ser menor que 0,10 para que a decisão
seja consistente
IC = (
µ
-n) / (n-1) onde n é o numero de fatores IC = (3,140 –3) / (3-1) = 0,070 1,32 7 1,12 5 0,90 4 1,24 6 0,58 3 0,00 2 IR nExemplo : potenciais à prospecção de Cromo.
Superfícies normalizadas
Exemplo : potenciais à prospecção de Cromo.
Superfícies normalizadas
Vetor de pesos
Calculando-se a Razão de consistência, conforme mostrado anteriormente chega-se : RC = IC/IR = 0,00695/0,58 = 0,012
Como o valor de RC < 0,10 conclui-se que a decisão foi consistente O mapa final de potencialidade de cromo é obtido
Mapa_pot_Cromo =
Passos do AHP
n Passo 1:
¨ Comparar os critérios dois-a-dois
n Passo 2:
¨ Determinar vetor de consistência dos criterios ¨ Estimar Razão de consistência.
n Consistente se a Razão de consistência tiver probabilidade menor do que 10%
n Passo 3:
¨ Produzir os pesos (soma = 1.0)
n
Interface
Abordagem Bayesiana
Principal conceito: Probabilidade a priori e a posterioriOcorrência de chuva no dia seguinte dado que a média 80 dias de chuva por ano no local.
¨ probabilidade a priori : P(chuva) = 80/365
Refinamento: dada uma certa época do ano
¨ a posteriori : Fator época do ano (Fépoca do ano)
n P(chuva | época do ano) = P(chuva) * (Fépoca do ano)
¨ Outras evidências: choveu ontem, choveu hoje
¨ P(chuva|evidência) = P(chuva) *
(
Fépoca do ano)
* Fdia anterior * Fdia hoje1
Abordagem Bayesiana - Exemplos
Ex. 1 – prospecção mineral
Anomalia geoquímica de zinco è > 250 ppm Prob. A priori > 250 ppm
Fatores (a posteriori)
Mapa geológico
rocha A e B è favorável rocha C e D è desfavorável
Intensidade de assinatura geofísica Tipo de vegetação
Baseado em conhecimento (Especialista pondera as evidências) Baseado em dados (dados históricos suficientes)
Ex. 2 – diagnostico médico
Combinação de sintomas clínicos
Ex. 2 – Distribuição espacial de epicentros sísmicos.
Técnica Bayesiana – Exemplo de aplicação
1- Considere o problema de se encontrar depósitos de um determinado mineral em uma região que possui uma área de 10.000 km2, e que já
tenham sido identificados 200 depósitos nesta região.
2- A area foi dividida em celulas de 1 km2 e ocorre somente 1 deposito
em cada celula.
Notação è N{} = contagem de unidades N{R} = 10.000 unidades de área N{D} = 200 depósitos conhecidos com área de 1 km2. Densidade de depositos N{D}/N{R} = 200/10000=0.02 probabilidade a priori P{D} = N{D}/N{R} = 0.02 R A
Técnica Bayesiana – Exemplo de aplicação
Nova evidencia:Observou-se em mapa de anomalia magnética da região, que 180 dos 200 depósitos conhecidos ocorreram dentro da área de anomalia. P{D / A} > 0.02 P{D / A} < 0.02
Dado esta evidência, a probabilidade pode ser expressa por:
R A R A D R ∩ A A ∩ D A ∩ D D ∩ A
Técnica Bayesiana
P{D / A}
é a probabilidade condicional de um deposito ‘D’ dado que a célula está dentro da área de anomalia ‘A’.
R A D R ∩ A A ∩ D A ∩ D D ∩ A P{D∩A} = N{D∩A} / N{R}
é a proporção da área total onde ocorre simultaneamente
deposito e anomalia.
Técnica Bayesiana
A R D R ∩ A A ∩ D A ∩ D D ∩ A P{D / A} = 180 / 3600 = 0,05 P{D} = 0.02P{D / A} = 2,5 vezes maior que P{D}
N{R} (10000) N{A} (6400) N{A} (3600) D (9800) N{D∩A} (1) N{D∩A} (3420) Não Depósito (D) D (200) N{D∩A} (20) N{D∩A} (180) Depósito (D)
Não Anomalia (A) Anomalia (A)
Usando-se esta evidência, a exploração de novos depósitos do mesmo tipo, será muito mais eficiente e com uma área de pesquisa reduzida de 10.000 km2 para 3.600 km2 .
Técnica Bayesiana
P (posteriori) = P(priori) * (Fevidência)
Pode-se expressar P{ D / A} em termos da P(priori) mais fator multiplicativo. Qual a probabilidade de uma célula estar na região de anomalia ‘A’,
dado que esta célula contém um deposito?
P{A / D} = 180/200=0.9
Dado que: P{A∩D} = P{D∩A}
Probabilidade a posteriori de um depósito, dado que a célula esta na área de anomalia
Técnica Bayesiana
P{A / D} = 180/200=0.9
P{D / A} = 0,02 * 2,5 = 0,05 0,9/0,36 = 2,5 è fator multiplicativo
P{A} = N{A} / N{R} = 3600 / 10000 = 0,36
A presença de anomalia magnética, faz com que a probabilidade de deposito seja 2.5 vezes maior do que a probabilidade a priori.
Técnica Bayesiana
Probabilidade a posteriori da ocorrência de um deposito, dada a ausência da anomalia. P{A} = (10000-3600)/10000=0.64 P{A / D} = 20/200=0.1 = 0,1/0,64 = 0,15625 è A probabilidade a posteriori da ocorrência de depósitos em posições onde não há anomalia magnética é 0.15625 vezes
menor do que a probabilidade a priori.
P{D / A} = 0.2*0.15625 = 0.003125
Baseado em uma única fonte de evidência, podemos reduzir a área de pesquisa de 10.000 km2 para 3600 km2, porque a chance de se
encontrar depósito onde não há anomalia é significativamente menor (50 vezes) do que onde há anomalia.