Entrevistas

Quem ouve o trovo

no morre pelo raio
Luiz Carlos Mendona de Barros
A hora de pedir conselhos
Daniel Kahneman

revista da espm ano 21 edio 97 n2 maro/abril 2015 R$ 28,00

na crise que testamos

nosso carter
Raj Sisodia
O consumo um gesto
de esperana
Washington Olivetto

tomada de deciso
em tempos de incerteza

Artigos
#RuimPraQuem?
A necessria reforma
tributria do Estado
Mastodntico
Saia da mesa, arregace
as mangas e mos obra!
Por que convivemos
com tantas incertezas?
A inteligncia emocional
pode dar a voc uma
viso alm do alcance!
O PES mostra o caminho!
O que e como funciona
a Lgica Fuzzy
Abordagem sistmica
no processo decisrio
da empresa

Artigos
A corrida da inovao:
uma prova que acontece
com ou sem crise!
Estratgias inovadoras
a partir de ambientes
disruptivos
Da iluminao
inovao: as organizaes
descobrem a mindfulness
As grandes pensam
grande!
Do Brasil para o
mundo: por que
investir no exterior?
Planejamento
metropolitano e
rede de cidades: o
futuro passa por aqui!

Metodologia

O que e como
funciona a Lgica Fuzzy
Conhea o modelo matemtico que transforma em sistemas lgicos a forma humana
de raciocinar. Com o desenvolvimento da tecnologia, a Lgica Fuzzy est sendo cada
vez mais utilizada pelo mercado para aprimorar todo tipo de processo decisrio, da
mquina de fazer arroz ao sistema de frenagem do metr japons
Por Antnio Carlos Morim

68

Revista da ESPM | maro/abril de 2015

shutterstock

maro/abril de 2015 | Revista da ESPM

69

shutterstock

Um exemplo de sistemas que

utilizam a Lgica Fuzzy o processo
de acelerao e frenagem dos trens
do metr em Sendai, no Japo

Metodologia

70

Revista da ESPM | maro/abril de 2015

shutterstock

iariamente tomamos decises pessoais e

profissionais. Mas essas decises nem sempre conseguem estar suportadas por dados
e fatos de forma plena. Muitas vezes tomamos decises hoje com dados de ontem que nos afetaro no futuro e, por vezes, sem condio de reviso ou
mudana dos rumos decididos. Em momentos de maior
incerteza, isso pode nos levar a um engessamento ou a
uma dificuldade em agir, dadas as condies de riscos
crescentes.
Criada por Lotfi Zadeh, na dcada de 1960, a Lgica
Fuzzy surgiu da percepo de que as ferramentas daquela
poca no eram plenamente capazes de tratar os problemas reais de forma adequada. A deficincia de nosso
processo decisrio em considerar a complexidade deve
ser suportada pela utilizao de ferramentas de modelagem que permitam simular nossos modelos mentais,
o mundo das possibilidades, e no apenas das probabilidades. O ser humano em sua essncia um ser possibilstico e, por isso, na viso de Zadeh, deveria ter ferramentas que suportassem tal realidade.
Dessa forma, a Lgica Fuzzy e a relacionada teoria de
conjuntos Fuzzy foram criadas com o intuito de adequar
o ferramental matemtico da lgica a tipos de incerteza
caractersticos da linguagem humana e seus modelos
mentais. Assim nasceu um instrumental matemtico
capaz de modelar em sistemas lgicos a forma humana
de raciocinar, visando aprimorar os processos decisrios.
A evoluo da cincia partiu de modelos determinsticos, como a fsica newtoniana, para uma abordagem
estatstica, baseada na teoria das probabilidades, capaz
de considerar incertezas, buscando solues mais robustas. Esse paradigma manteve-se pouco contestado at
1965, quando Zadeh props uma lgica com valores contnuos na tentativa de contornar os problemas da lgica
clssica aristotlica com diferentes tipos de incerteza.
Conforme Carlos Alberto Nunes Cosenza descreveu no
artigo An industrial location model, em 1981, a incerteza
pode se manifestar de vrias formas nos momentos de
deciso: dados nebulosos, obscuros, imprecisos ou aproximados; vagos, no especficos ou amorfos; ambguos,
com muitas alternativas ou contraditrios; ignorados,
divergentes ou desconhecidos; e naturalmente variveis, randmicos, caticos ou imprevisveis.
A teoria da probabilidade lida bem com incertezas
decorrentes de uma impreciso quantificvel (relativa

A partir da dcada de 1980, a Lgica Fuzzy passou a

ser aplicada em equipamentos como as mquinas
que cozinham arroz e tm comandos especficos
preparados para entender o gosto do consumidor

ocorrncia de determinado evento), porm no consegue tratar incertezas relacionadas a informaes lingusticas ou intuitivas (independentes da ocorrncia).
Como exemplo, Zadeh cita a preciso matemtica, que
est baseada no falso ou no verdadeiro. Isso ocorre em
parte por conta dos esforos de Aristteles e de outros
filsofos que o precederam. A linguagem natural possui
a noo do que vago e do que impreciso. Por exemplo:
Carlos alto, possui a altura de 1,79 metro, porm, se
algum mede 1,78 metro, ser considerado baixo? Dentro da cultura de Carlos, ele considerado alto. Mas ser
que em outra cultura ele tambm ser considerado alto?
A Lgica Fuzzy, de um ponto de vista simples, pode
ser considerada um sistema lgico com uma extenso
da lgica multivalor. Entretanto, de uma perspectiva
mais ampla e conceitual, ela reflete a teoria de conjuntos Fuzzy que trata de classificaes (em conjuntos), com
fronteiras suaves determinadas por graus de pertinncia
e, portanto, envolve reflexes tericas mais profundas.
A lgica uma das maneiras que o ser humano utiliza
para raciocinar. por meio dela que conseguimos organizar palavras para criar sentenas claras. O interesse

em lgica estudar a verdade em sentenas lgicas, que

no caso clssico binria/booleana (verdadeiro ou falso)
e no caso Fuzzy, parcial.
Conforme Timothy Ross descreve no livro Fuzzy
logic with engineering applications (Editora McGraw-Hill, 1995), a lgica (Fuzzy ou no) no capaz de
determinar quais sentenas usar em variados contextos, demandando uma racionalidade prvia para
a sua utilizao. Por esse motivo, geralmente utilizase lgica em raciocnios dedutivos (do todo, infere-se
algo sobre a parte), considerados superficiais quando
comparado ao raciocnio indutivo, que infere do particular conhecimento geral.
A linguagem natural uma das formas mais poderosas
de transmitir conhecimentos e informaes que humanos possuem em relao a problemas e situaes que
envolvem raciocnio e deciso. Apesar de sua vagueza
e ambiguidade, a linguagem faz com que indivduos
sejam capazes de se entender. Por isso, para modelar
o processo de raciocnio humano, necessrio emular
nossa linguagem natural (e suas variveis lingusticas).
A Lgica Fuzzy um mtodo para formalizar com ferramental matemtico especfico a capacidade humana
de raciocnio impreciso ou raciocnio aproximado. Esse
raciocnio representa a capacidade humana de julgar sob
incerteza. Na Lgica Fuzzy, as verdades so parciais ou
aproximadas, interpoladas entre os extremos de verdadeiro e falso e, portanto, capazes de considerar verdades
parciais (nveis de verdade). Cosenza aponta algumas das
vantagens de Lgica Fuzzy: conceitualmente fcil de
entender; pode ser facilmente modificada e adaptada;
tolerante a dados imprecisos: permite modelar funes no lineares de complexidade arbitrria; pode ser
construda aproveitando a experincia de especialistas;
pode ser mesclada a tcnicas de controle convencionais;
baseada na linguagem natural, a forma mais efetiva
de comunicar algo.
Para a lgica, uma proposio P uma afirmao
lingustica ou declarativa contida em um universo de

A Lgica Fuzzy surgiu da percepo de

que as ferramentas da dcada de 1960
no eram plenamente capazes de tratar
os problemas reais de forma adequada

elementos, digamos X, que podem ser identificados

como uma coleo de elementos em X que so verdadeiros ou falsos. Uma proposio Lgica Fuzzy envolve
um conceito com fronteiras no claramente definidas,
que tendem a expressar ideias subjetivas e geralmente
apresentam interpretaes ligeiramente diferentes
entre as pessoas.
O principal objetivo da Lgica Fuzzy criar uma fundamentao terica para abordar e utilizar proposies
imprecisas com verdades parciais.
O raciocnio baseado nesse tipo de proposio foi chamado, por Zadeh, de raciocnio aproximado, em dois artigos: The concept of a linguistic variable and its application
to approximate reasoning (1975) e A theory of approximate
reasoning (1979). E a sua maior aplicao para inferncias em sistemas baseados em regras.
A forma mais bsica de representar conhecimento
humano usando expresses lingusticas : SE premissas
(antecedentes); e ENTO concluses (consequncias).
Esse tipo de construo chamado de forma dedutiva,
pois parte-se de um fato (premissa, hiptese) para inferir uma concluso (consequncia). Normalmente, insere
conhecimentos empricos e heursticos, sendo incapaz
de capturar formas mais profundas de conhecimento
como a intuio, estrutura e comportamento.
Uma regra IF-THEN (A B) usada para determinar
se um dado antecedente (causa ou ao) implica uma
determinada consequncia (efeito ou reao).
Sistemas Fuzzy so, ento, conjuntos de regras IFTHEN relativas a variados antecedentes e versando
sobre mltiplas consequncias. Na maioria dos casos,
mais de uma regra se refere a uma mesma varivel consequncia, havendo necessidade de definir uma tcnica
de agregao dessas diversas regras.
Na matemtica clssica, um subconjunto U de um conjunto S pode ser definido como uma aplicao dos elementos de S aos elementos do conjunto [0,1]. U:S [0,1]
Essa aplicao pode ser representada como um conjunto de pares ordenados. O primeiro elemento do conjunto S e o segundo o elemento do conjunto [0,1]. Essa
funo denominada funo de pertinncia, que representa o fator caracterizador do conjunto nebuloso. Ela
associa a um elemento do universo um nmero real do
intervalo [0,1]. O grau de pertinncia 1 equivale ao clssico smbolo de pertinncia , e o grau de pertinncia 0
equivale ao clssico smbolo .

maro/abril de 2015 | Revista da ESPM

71

Metodologia

A teoria dos conjuntos nebulosos indica com que grau

cada elemento pertence ao conjunto. O valor 0, ou o valor
nulo, indica que no pertence; representa a total pertinncia. E o valor 1 indica total pertinncia. Outro tipo
de pertinncia dado pelos valores intermedirios entre
0 e 1. Esses valores representam os graus de pertinncia
(tambm pode ser interpretado como grau de veracidade)
da afirmativa. Essa teoria transforma o conceito de falso
ou verdadeiro em nmeros reais, no intervalo 0 a 1, em que
0 falso e 1 verdadeiro, como aponta Arnold Kaufmann,
em Fuzzy graphs and fuzzy relations, escrito em 1975.
Em 2009, Gin-Shuh Liang e Mao-Jiun Wang complementaram a tese com o artigo A fuzzy multi-criteria decision-making method for facility site selection. Juntos, eles
reforam a tese de que os conjuntos nebulosos so aplicados quando no possvel identificar todas as variveis
antecipadamente ou as variveis conhecidas no podem
ser medidas corretamente e/ou existem conceitos vagos.
Podemos identificar nesse princpio bsico as definies
de funes caractersticas e funes escolha, existentes na
teoria dos conjuntos. A funo caracterstica associa, por
exemplo, os elementos de um conjunto A aos elementos
de um conjunto B; este ltimo formado por apenas dois
nmeros, 0 ou 1. A funo associa, por escolha, os elementos de um conjunto A aos elementos de um conjunto B.
Considerando o conjunto B formado por nmeros que
sejam maiores que 0 e menores que 1, ou seja, B={x/x 0 <
x <1}, e posteriormente definindo uma funo, que pode
ser subjetiva ou no, de associao dos elementos do conjunto A com os elementos do conjunto B, e definindo o
conjunto A como sendo formado pelos nmeros reais,

temos uma funo de pertinncia para os elementos do

conjunto A.
Acrescentando a essa definio da funo de pertinncia o princpio da funo caracterstica, temos um
conjunto A que se associa a um conjunto B, em que os
elementos de B variam de 0 a 1, obtendo assim o princpio da matemtica nebulosa.
Os nmeros naturais e reais da matemtica clssica
podem ser expressos por meio de nmeros nebulosos,
cujo valor da funo de pertinncia um. Por exemplo:
um conjunto A definido pelos trs primeiros nmeros
naturais seria 1| 0, 1|1, 1|2; em que o primeiro algarismo,
no caso 1, representa a pertinncia do nmero 0, 1 e 2. A
maneira como o conjunto A foi definido denominada
caso discreto.
Um nmero nebuloso (tambm chamado difuso) um
nmero pertencente a um conjunto nebuloso com funo
de pertinncia normalizada. As funes pertinncia a(x)
de um nmero nebuloso podem assumir diferentes formas.
A disperso de a(x) pode ser interpretada como uma
medida de disperso do nmero nebuloso x qualquer,
onde: a(x) = 1 se x a e a(x) = 0 se x a.
A funo de pertinncia a(x) , onde 0 a(x) 1, est
associada aos eventos xi, em que i varia de 1 at n. Dessa
forma, o conjunto nebuloso representado, tambm, por
A= { a(xi) / xi}, i = 1,2, ..., n.
A varivel X pode ser discreta contnua; o caso discreto
est descrito no pargrafo anterior; para o caso contnuo,
um conjunto nebuloso B poderia ser:
B = { X/ A(x) = 1 se X b; A(x) = ( X-a) / (b-a )
Se a X < b e A(x) = 0 se X<a}

formas tpicas de conjuntos Fuzzy triangulares e trapezoidais

72

Revista da ESPM | maro/abril de 2015

shutterstock

O Projeto Biodiesel, que envolve 1.789 municpios do

semirido do Nordeste, outra demonstrao de aplicaes
baseadas em Lgica Fuzzy, que visa criar uma base terica
para abordar proposies imprecisas com verdades parciais

Nas figuras da pgina anterior, podemos ver formas

tpicas de representao de conjuntos Fuzzy triangulares e trapezoidais.
Vale ressaltar que existe uma modelagem especfica tanto para efetuar essa anlise aplicando a Lgica
Fuzzy, que chamamos de fuzzificao e, posteriormente, mtodos matemticos com, por exemplo, o
mtodo dos mximos e mnimos para voltar forma
convencional ou crispy, que intitulamos de defuzzificao de tal forma a poder estabelecer comparaes
e interpretaes adequadas ao ambiente profissional
e empresarial.
Dentre as diversas possibilidades computacionais da
Lgica Fuzzy, podemos destacar: sistemas de tomada

de deciso, hierarquizao, localizao, interpretao,

automao, controle e inteligncia artificial.
Essas possibilidades se revelaram ao longo da dcada
de 1980, com a formalizao do conhecimento em publicaes, artigos, patentes e, sobretudo, com o aparecimento de mquinas Fuzzy, com o uso de chips capazes
de armazenar regras nebulosas. Por exemplo: mquinas
que cozinham arroz tm comandos especficos preparados para entender o gosto adequado quando do preparo
do arroz pelo consumidor ou ainda as aplicaes especficas para acelerao e frenagem dos trens do metr em
Sendai, no Japo. Alm de estarem cada vez mais presentes em anlises de mercado, como os estudos de precificao de produtos e servios. Em 2012, realizei uma
srie de estudos sobre o assunto, descritos no material
Think Fuzzy: developing new pricing strategy for consumer goods using fuzzy logic, desenvolvido em conjunto
com Luiz Eduardo Safortes, Paulo Reis, Carlos Alberto
Nunes Cosenza, Francisco Doria e Armando Gonalves. No ano seguinte, estudos de adequao para decises de produo de confeces na indstria feitos por
Fabio Luiz Peres Krykhtine deram origem dissertao
Um algoritmo fuzzy para mensurar o desejo do consumidor: uma modelagem parametrizada para o segmento de
confeces na indstria txtil.
Na abordagem de tomada de deciso, pode-se destacar o uso de Lgica Fuzzy em muitos modelos de tomada
de deciso para cenrios de gesto financeira e avaliao econmica. No delineamento de zonas atravs de
seleo multicritrio, os sistemas nebulosos vm sendo
recorrente soluo, por sua capacidade de lidar com um
nmero grande de variveis incorporando grau de incerteza elevado e, a partir de seu processamento, extrair
resultados extremamente precisos.
O Modelo Locacional Coppe Cosenza que evolui de
Cosenza (1981) at os mais recentes trabalhos desenvolvidos para a hierarquizao e localizao exigidos e utilizados para o Projeto Biodiesel Brasileiro, envolvendo
1.789 municpios do semirido do Nordeste brasileiro
outra demonstrao da robustez e flexibilidade de
aplicaes baseadas em Lgica Fuzzy.

Antnio Carlos Morim

Coordenador e professor da ps-graduao da

ESPM-Rio, doutorado e mestre em engenharia de
produo pela Coppe-UFRJ, pesquisador do CNPq

maro/abril de 2015 | Revista da ESPM

73