INCERTEZAS
JUAN LAZO LAZO
Incertezas
: Definições e Tipos
• Na literatura a
imperfeição
da
informação
é geralmente conhecida como
incerteza.
• Este termo é muito restritivo; o que se
convenciona chamar
tratamento de
incerteza
pode, na verdade, estar
endereçando outras imperfeições da
informação, como
imprecisão
,
conflito
,
Um exemplo:a que horas começa um determinado filme?.
Algumas das respostas que podemos obter são:
• Informação perfeita: O filme começa às 8h 15min. • Inf. imprecisa: O filme começa entre 8h e 9h.
• Inf. incerta: Eu acho que o filme começa às 8h (mas não tenho certeza).
• Inf. vaga: O filme começa lá pelas 8h.
• Inf. probabilista: É provável que o filme comece às 8h. • Inf. possibilista: É possível que o filme comece às 8h.
• Inf. inconsistente: Maria disse que o filme começa às 8h, mas João disse que ele começa às 10h.
• Inf. incompleta: Eu não sei a que horas começa o filme, mas usualmente os filmes neste cinema começam às 8h.
• Ignorância total: Eu não faço a menor idéia do horário do filme.
Incertezas
: Definições e Tipos
• Em geral, não se possui certeza sobre todas as informações.
• As informações podem variar de perfeitas, parciais, dinâmicas, a completamente imperfeitas, seja pela total ausência de
informações ou por informações completamente conflitantes.
• Metrologia: Incerteza é um parâmetro associado a uma medição, caracteriza a dispersão dos valores que podem ser atribuídos ao
• Do ponto de vista econômico, os projetos são afetados por incertezas econômicas e
incertezas técnicas.
• Incerteza econômica deve-se a fatores externos ao projeto, sendo geralmente representada pelas oscilações estocásticas do preço do produto e pelos custos.
• Incerteza técnica deve-se a fatores internos, como a incerteza sobre o tamanho da produção e o desempenho dos projetos em função do emprego de tecnologia.
Incertezas
: Definições e Tipos
• Comportamento racional:
tomar decisões
razoáveis mesmo diante informações
imperfeitas.
• Metodologia:
encontrar um modelo
adequado para
representar
a
informação
imperfeita
de acordo com seu tipo de
imperfeição.
• Informação probabilistica: teoria de probabilidades ou teoria da evidencia.
• Informação imprecisa ou vaga: teoria de conjuntos Fuzzy ou teoria de conjuntos de aproximação (Rough Set)
• Informação possibilista: teoria de possibilidades. • Informação incerta: teoria de probabilidades, teoria
de possibilidades ou teoria da evidencia.
Representação de Incertezas
• Técnicas usadas para representar
Incertezas:
– Cenários (com ou sem probabilidades) – Distribuições de probabilidades
– Distribuições possibilísticas – Conjuntos Fuzzy (fuzzy sets) – Teoria Intervalar
– Números Fuzzy
Representação da Incerteza com
Cenários
:
• Assume um conjunto pequeno de cenários
para a incerteza:
– Cenário para o pior caso – Cenário para o melhor caso
– Cenário para o mais provável dos caso
Caso Pessimista= 10 MM m3 Caso Médio = 20 MM m3 Caso Otimista= 30 MM m3 Definição dos Cenários
Representação de Incertezas
8 poços exploratórios para obter informaçãoRepresentação da Incerteza com Distribuições de Probabilidades :
• Construi uma distribuição de probabilidade para a variável com incerteza
• Esta distribuição pode ser construída a partir dos valores da variável que temos.
Construi a Distrib. de Probabildade
Representação de Incertezas
8 poços exploratórios para obter informação
Quanto petróleo?
Representação da Incerteza com Distribuições de Probabilidades :
• Distribuição obtida a traves da informação do exemplo anterior 14 16 18 20 22 24 26 0 0.5 1 1.5 2 2.5 3 3.5 4 1 14.2482 2 21.047 3 23.108 4 18.5923 5 19.6703 6 25.4414 7 14.0505 8 18.4963
Representação de Incertezas
Representação da Incerteza com Distribuições
de Probabilidades : caso se tenha mais informação
10 12 14 16 18 20 22 24 26 28 30 0 5 10 15 20 25 30 1 18.3256 2 24.318 3 16.5625 4 22.5143 5 19.7758 6 27.0785 7 13.2022 8 20.7413 9 17.9217 10 23.8176 11 16.0418 12 22.1277 13 19.4342 14 26.1957 15 14.8352 16 21.4065 17 18.7108 18 24.867 19 17.0448 20 22.922 21 20.1059 22 28.3883 23 11.4321 24 20.3465 25 17.3859 26 23.2439 27 15.3198 28 21.6697 29 18.9889 30 25.3208 31 13.8956 32 20.985 33 18.2265
Representação da Incerteza com Distribuições Possibilísticas :
• Construi uma distribuição de possibilidade para a variável com incerteza
• Esta distribuição pode ser vista como a função de pertinência de um conjunto fuzzy dos
possíveis valores para a variável.
Representação de Incertezas
Representação da Incerteza com Distribuições
Possibilísticas :
A verosimilhança é descrita pela: • Medida de possibilidade e • Medida de necessidade.
( )
A
=
x∈Aπ
( )
x
Π
sup
( )
A
( )
x
N
=
inf
x∈A1
−
π
: Conj. Fuzzy A : Variável: Dist. Possibilidade (função Pertinência de A) π
: quantifica quanto a evidencia disponível suporta a hipóteses de que A contem o
verdadeiro valor de x.
: quantifica quanto a evidencia não contradiz esta hipóteses. Assim
( )
A Π( )
A N( )
A
( )
A
N
= 1
−
Π
A
A
é
complement
o
de
Representação de Incertezas
Representação da Incerteza com Conjuntos
Fuzzy :
• Usa conjuntos fuzzy para representar
informações imprecisa ou vaga e emprega a lógica fuzzy para a tomada de decisões.
Inf. Poço1 Inf. Poço2 Inf. Poço N
Representação da Incerteza com a
Teoria
Intervalar
:
• Representa a incerteza a traves de
intervalos (intervalos de confiança).
• Utiliza a aritmética intervalar para realizar
operações para a tomada de decisões
AMin AMax BMin BMax
Representação de Incertezas
Aritmética Intervalar :
[
a1,a3]
( )
[
b1,b3] [
a1 b1, a3 b3]
B A+ = + = + +[
a1,a3]
( )
[
b1,b3] [
a1 b3, a3 b1]
B A− = − = − − { } { }[
min a1 b1,a1 b3,a3 b1,a3 b3,, max a1 b1,a1 b3,a3 b1,a3 b3]
B A• = • • • • • • • •{
}
{
}
[
min 1/ 1, 1/ 3, 3/ 1, 2/ 3,, max 1/ 1, 1/ 3, 3/ 1, 2/ 3]
/B a b a b a b a b a b a b a b a b A =Aritmética Intervalar :
– Inversa de um intervalo
– Multiplicação de um intervalo por um escalar
{ } { }
[
1 3 1 3]
1 / 1 , / 1 max , / 1 , / 1 min a a a a A− = [ 1, 3] [ 1, 3] 0 a a a a A se λ λ λ λ λ = = > [ 1, 3] [ 3, 1] 0 a a a a A se λ λ λ λ λ = = <Representação de Incertezas
Representação da Incerteza com Números
Fuzzy:
• Usa números fuzzy com a mesma forma que a distribuição de probabilidadepara a variável com incerteza
• Faz uso da aritmética fuzzypara realizar as
operações com Números fuzzy para a tomada de decisões.
• Permite trabalhar com várias incertezas, realizando cálculos com toda a incerteza num operação.
3 5 3+5 8 R 3F 5F R 8F 3F + 5F Números Fuzzy Números Reais
Representação de Incertezas
Representação da Incerteza com Números
Fuzzy:
• Números fuzzy mais comuns: Triangular, trapezoidal e gaussiano. Ex.
10 MM 20 MM 30 MM Distribuição de Probabilidade
10 MM 20 MM 30 MM Número Fuzzy Triangular
Revisão de Números Fuzzy:
Número fuzzy é um conjunto fuzzy que deve cumprir as seguintes condições:
• Estar definido nos números reais; • A função de pertinência deve ser contínua;
• O conj. fuzzy deve ser normalizado; • O conj. fuzzy deve ser convexo
Cada α-cut define intervalos, logo é possível utilizar a aritmética de intervalos
[
a1,a2,a3]
A= 1 uA(x) x a1(0) a3 (0) a2 α α’ a1(α’) a1(α) a3(α) a3(α’) ( ) ( ) [ α α] α a1 , a3 A = ( ) ( ) [ '] 3 ' 1 ' , α α α a a A = 0 1 uA(x) x a1(0) a3 (0) a2 α α’ a1(α’) a1(α) a3(α) a3(α’) ( ) ( ) [ α α] α a1 , a3 A = ( ) ( ) [ '] 3 ' 1 ' , α α α a a A = 0Representação de Incertezas
Revisão de Números Fuzzy:
Formas de representação dos Números fuzzy
[
m1,m2,m3]
M = m1 m3 m1 m2 m3 m2 a b[
m a b]
M = 2, , b m m a m m + = − = 2 3 2 1m1 m3
Revisão de Números Fuzzy:
Formas de representação dos Números fuzzy
[
m1,m2,m4,m3]
M = m2 m4 a b[
m m a b]
M = 2, 4, , b m m a m m + = − = 4 3 2 1 m1 m2 m4 m3Operações com Números Fuzzy
• São definidas baseadas na Teoria de
intervalos.
+
=
Número Fuzzy A Número Fuzzy B Número Fuzzy Resultante
Operações com Números Fuzzy
• São definidas baseadas na Teoria de
intervalos.
+
=
Número Fuzzy A Número Fuzzy B Número Fuzzy Resultante
Representação de Incertezas
Operações com Números Fuzzy:
( ) ( )
[
]
[ ]
( ) ( ) R a a a a a a Aα = 1α , 3α , ∀α∈ 0,1, 1, 3, 1α , 3α ∈ ( ) ( )[
]
[ ]
( ) ( ) R b b b b Bα = 1α , 3α , ∀α∈ 0,1, 1α , 3α ∈ ( ) ( )[
α α]
( )
[
( )α ( )α]
[
( )α ( )α ( )α ( )α]
α α B a1 ,a3 b1 ,b3 a1 b1 , a3 b3 A + = + = + + ( ) ( )[
α α]
( )
[
( )α ( )α]
[
( )α ( )α ( )α ( )α]
α α B a1 ,a3 b1 ,b3 a1 b3 , a3 b1 A − = − = − −Assim todas as operações definidas pela aritmetica intervalar são validas para os Números Fuzzy
• A vantagem desta representação é que se conseguem boas aproximações do valor da variável
• Com uma redução significativa do tempo computacional.
Representação de Incertezas
Representação da Incerteza com
Processos estocásticos
:
• São usados casos que a variável com
incerteza apresenta um comportamento
dinâmico
ou tem
dependência
com outras
variáveis (tempo).
Representação da Incerteza com Processos estocásticos:
• Um processo estocástico é uma função que contém variáveis aleatórias.
• Muitos dos processo estocásticos usados para representação de incertezas são processos
markovianos (Tempo discreto).
• Processo markoviano é aquele no qual o último
estado contem toda a informação relevantepara o estado seguinte.
Representação de Incertezas
Representação da Incerteza com Processos
estocásticos: Exemplos:
• Random Walk
• Movimento Geométrico Browniano
( )
0
,
1
~
,
2
1
exp
2 1t
t
N
x
x
t tα
σ
σε
⎥
ε
⎦
⎤
⎢
⎣
⎡
∆
+
∆
⎟
⎠
⎞
⎜
⎝
⎛ −
=
−( )
0
,
1
~
,
1N
x
x
t=
t−+
ε
ε
• Moore, Ramon E., Interval Analysis, Prentice-Hall Series in Automatic Computation. Prentice-Hall, Englewood Cliffs, New Jersey, 1966.
• Moore, Ramon E., Methods and Applications of Interval Analysis, SIAM Studies in Applied Mathematics. SIAM, Philadelphia, 1979. • D. Dubois and H. Prade. Possibility Theory - An Approach to the
Computerized Processing of Uncertainty. Academic Press, 1988. • D. Dubois, H. Prade, and S. Sandri. On possibility/probability
transformations. In Fuzzy Logic. Kluwer, 1993.
• D. Dubois, H. Prade, and S. Sandri. Possibilistic logic augmented with fuzzy unification. In Proceedings of the International
Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems (IPMU'96), Granada, Spain, 1996.
Referencias Bibliográficas
• Dubois, D. and Prade, H., On Several Representations of Uncertain Body of evidence, in M.M. Gupta and E. Sanchez Eds., Fuzzy Information and Decision Process, North-Holland, Amsterdam, pp. 167-182, 1982.
• L.A. Zadeh. Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1:3-28, 1978.
• Lazo, Juan G. Lazo, Determinação do Valor de Opções Reais por Simulação Monte Carlo com Aproximação por Números Fuzzy e Algoritmos Genéticos, PhD. Thesis Doutoral Department of Electrical Engineering of Pontifical Catholic University of Rio de Janeiro - PUC-Rio, 2004.
• Fang, J. H. and Chen, H.C., Uncertainties are Better Handled by Fuzzy Arithmetic, The American Association of Petroleum Geologists Bulletin, VI. 74 N. 8, pp. 1228-1233, 1990.
• Hans Schjaer-Jacobsen, Representation and Calculation of Economic Uncertainties: Intervals, Fuzzy Numbers, and Probabilities, International Journal of Production Economics, Volume 78, Issue 1, 1 July 2002, pp. 91-98.
• Hanss, Michael; Willner, Kai, On Using Fuzzy Arithmetic to Solve Problems with Uncertain Model Parameter. Proceedings of the International Colloquium on Numerical Modelling of Uncertainties, Valenciennes, France, 1999, pp 85-92.
• Gao, Lun S., The Fuzzy Arithmetic Mean, Fuzzy Sets and Systems Vol. 107, 1999, pp. 335-348.
• Carlsson, Christer, Fullér, Robert, On Possibilistic Mean Value and Variance of Fuzzy Numbers, Fuzzy Sets and Systems Vol. 122, 2001, pp. 315-326.