Hrus Revista de Humanidades e Cincias Sociais Aplicadas, Ourinhos/SP, N 02, 2004

_____________________________________________________________
[1]
Professor de Administrao de Recursos Materiais e Patrimoniais da Faculdade Estcio de S de Ourinhos e
Mestre pelo Programa de Ps-Graduao em Engenharia de Produo da Universidade Federal de Itajub. E-
mail: dariojane@faeso.edu.br
UMA INTRODUO AO ESTUDO DA LGICA FUZZY
Prof. Ms. Dario de Almeida Jan
[1]

Resumo. Este trabalho apresenta uma introduo ao estudo da lgica fuzzy, seus conceitos fundamentais e
principais aplicaes. A lgica fuzzy, tambm chamada de lgica nebulosa ou difusa, foi introduzida
oficialmente no cenrio acadmico pelo professor Lotfi Zadeh em 1965, proporcionando novos parmetros
conceituais relacionados teoria dos conjuntos matemticos. Como resultado imediato desta nova forma de
interpretar dados surge o conceito de grau de participao em um conjunto, inexistente na lgica convencional
boolena. Neste trabalho, pretende-se demonstrar sua utilizao atravs do uso das chamadas variveis
lingsticas durante a transformao da informao contida no intelecto humano em conceitos matemticos
lgicos e manipulveis. Dessa maneira busca-se obter variveis para os mais diversos modelos matemticos, que
permitam clculos mais precisos, pois estas so resultados da interpretao lgica humana no processo de
atribuio de valores.
Palavras-chave: Lgica fuzzy, Lgica nebulosa, Variveis lingsticas, Risco, Incerteza.





AN INTRODUCTION TO FUZZY LOGIC

Abstract. This work presents an introduction to fuzzy logic, its basic concepts and principal applications. It was
inserted in academic field by the university professor Lotfi Zadet in 1965. It provides new parameters for
concepts concerned to the theory mathematic sets. Thus this new way of understanding data, we get in the
concept of degree of a participation in a set, inexistent into the formal boolean logic. So, we intend to
demonstrate its usefulness through the called linguistic variables during human information within the intellect
transferring in logical and mathematical concepts. This way, we hope to obtain variables for a lot of
mathematical models, which permit more precise calculation, because its results of human logical interpretation
are in attribution value process.

Key words: Fuzzy logic, Linguistic variable, Risk, Uncertainty.












Uma introduo ao estudo da Lgica Fuzzy - 2





1. INTRODUO

Grande a diversidade de fatores que levam ao risco ou incerteza durante a
anlise de um problema real em uma empresa. Independentemente de o problema analisado
estar relacionado ao gerenciamento de pessoas, planejamento e controle da produo, variao
do fluxo de caixa em determinado perodo ou mesmo anlise de alternativas de investimento,
existiro momentos decisrios baseados em suposies ou aproximaes/simplificaes.
Pode-se dentre vrios outros, citar com fontes de incerteza ou risco, os fatores polticos, os
problemas intrnsecos das organizaes com relao administrao dos seus projetos, os
chamados fatores tcnicos ou relativos funo produo da organizao, os fatores
financeiros e finalmente os fatores econmicos (PAMPLONA; MONTEVECHI, 2001). As
variaes que tais fatores introduzem provocam dvidas quanto validade dos resultados
obtidos. Assim sendo, faz-se necessria a quantificao e o correto entendimento da origem
destas dvidas. Segundo Pamplona e Montevechi (2001), durante a determinao do fluxo de
caixa para uma alternativa de investimento, a condio de incerteza caracterizada quando as
variaes relacionadas aos componentes do mesmo no podem ser previstas com exatido, ou
seja, no possvel descrever uma distribuio de probabilidades para tais variveis. O
mtodo determinstico mais usual para avaliar alternativas distintas de investimentos em tais
circunstncias a chamada anlise de sensibilidade. Quando possvel descrever a
distribuio de probabilidades destas variveis, considera-se ento a situao de risco, sendo
utilizados os chamados modelos de simulao para clculo deste risco.
Os algoritmos baseados na lgica fuzzy apresentam um conceito distinto dos
mtodos determinsticos e probabilsticos, considerando na verdade a natureza possibilstica
das variveis envolvidas.


2. A LGICA FUZZY

A lgica fuzzy foi introduzida no contexto cientfico em 1965 pelo professor
Lotfi Zadeh, atravs da publicao do artigo Fuzzy Sets no journal Information and Control.
Uma introduo ao estudo da Lgica Fuzzy - 3

Segundo Cox (1995), os conceitos bsicos que justamente diferenciam a lgica
fuzzy da lgica booleana, j existiam anteriormente a Aristteles. Tambm no sculo XIV,
William Ockham indagava sobre tais conceitos. J no sculo XX, Max Black e posteriormente
Jan Lukasiewicz aprofundaram-se ainda mais no estudo da assim chamada lgica nebulosa.
Assim, com o passar dos anos, a lgica fuzzy encontrou aplicao em uma
infinidade de reas, atravs das quais tem mostrado sua capacidade de adaptao e facilidade
de interface com o ser humano. Conforme Von Altrock (1996), pode-se encontrar aplicao
para a mesma em diversas reas como: avaliao de crdito, controle de fluxo de caixa,
anlise de risco, controle de estoques, avaliao de marketing, avaliao de fornecedores,
controle de qualidade, otimizao de inventrios, etc.
Porm diversas outras aplicaes recentemente foram alcanadas segundo Yen,
Langari e Zadeh (1994). So elas: controle automtico de mquinas e equipamentos (controle
de elevadores, trfego automotivo, controle automtico de foco em cmeras fotogrficas,
sistemas de acionamento robotizado, etc.), otimizao de processos produtivos, dentre outros.
Citada por Pinho (1999) como um novo ramo da matemtica, a lgica fuzzy
tem como ponto fundamental a representao da lgica e da racionalidade humana na
resoluo de problemas complexos (VON ALTROCK, 1996).
Chiu e Park (1994), afirmam que conforme o grau de incerteza de um problema
aumenta, a capacidade de descrio de um modelo para resoluo do mesmo decresce. Assim
sendo, fez-se necessrio o surgimento de uma teoria que fornecesse subsdios para a resoluo
de problemas com alto grau de incerteza, sem que informaes importantes se perdessem
durante a manipulao dos dados por incapacidade do modelo matemtico em lidar com a
incerteza inerente ao mesmo.
Neste contexto, a lgica fuzzy definida por Cox (1995), como sendo capaz de
combinar a impreciso associada aos eventos naturais e o poder computacional das mquinas
para produzir sistemas de resposta inteligentes, robustos e flexveis.
Kaufmann e Gupta (1988), afirmam que a lgica fuzzy composta por
conceitos e tcnicas que do a forma matemtica ao processo intuitivo humano que na sua
grande maioria caracterizado pela impreciso e ambigidade.
Von Altrock (1996), enfatiza que lgica fuzzy permite o desenvolvimento de
sistemas que representam decises humanas, onde a lgica e a matemtica convencional
(booleana) se mostram insuficientes ou ineficientes. Portanto nota-se a preocupao ao definir
o conceito de lgica fuzzy, em demonstrar seu objetivo principal que aproximar a maneira
tal qual o ser humano relaciona dados, para gerar uma resposta aproximada ao problema
Uma introduo ao estudo da Lgica Fuzzy - 4

relacionado. Assim, espera-se atravs de um modelamento matemtico baseado no
conhecimento intuitivo humano, resolver problemas complexos e compostos por variveis
cuja informao contida incerta, de uma maneira organizada e com a mxima confiabilidade
possvel.
As figuras 2.1, 2.2 e 2.3 extradas e adaptadas de Pinho (1999), demonstram de
uma maneira simples, as idias acima descritas e posteriormente sero utilizadas na definio
de alguns conceitos fundamentais fuzzy. A questo relacionada figura 2.1 a seguinte: Qual
a cor das bolinhas contidas no cesto? Obviamente a resposta seria imediata - verde.








Figura 2.1: Cesto com bolinhas verdes. Fonte: Pinho (1999).
Da mesma maneira, se for observada a figura 2.2 ante a mesma indagao, a
resposta seria tambm imediata - vermelha.








Figura 2.2: Cesto com bolinhas vermelhas. Fonte: Pinho (1999).

At este momento, no h nada que conteste a veracidade das respostas dadas
respectiva pergunta. Porm analisando agora as figuras 2.3a, 2.3b, 2.3c e 2.3d, nota-se uma
dificuldade antes inexistente na tentativa de se classificar a cor do contedo do cesto!



Uma introduo ao estudo da Lgica Fuzzy - 5




Figura 2.3a: Cesto com bolinhas variadas Figura 2.3b: Cesto com bolinhas variadas
Fonte: Pinho (1999) Fonte: Pinho (1999).






Figura 2.3c: Cesto com bolinhas variadas Figura 2.3d: Cesto com bolinhas variadas
Fonte: Pinho (1999) Fonte: Pinho (1999).

Provavelmente a resposta mais adequada pergunta ao se analisar as figuras
2.3a, 2.3b, 2.3c e 2.3d, seja: quase totalmente verde; grande parte verde; grande parte
vermelha; quase totalmente vermelha. Este o ponto em questo. Nota-se a criao imediata
de uma escala de valores, responsvel por quantificar o contedo dos cestos desde o extremo
da figura 2.1 (totalmente verde), at o outro extremo da figura 2.2 (totalmente vermelho),
passando pelos vrios estgios das figuras 2.3a, 2.3b, 2.3c e 2.3d. Sob a tica da matemtica
convencional, seria impossvel descrever a cor do contedo do cesto da figura 2.3c, como
sendo: grande parte verde. Porm a lgica fuzzy atravs do uso justamente de variveis
denominadas lingsticas (grande, pequeno, entre, ao redor de, etc) consegue captar a
incerteza associada a estas variveis e traduzi-la para o modelamento matemtico. Isto
possvel, porque diferentemente da lgica booleana, a lgica fuzzy est baseada no conceito
denominado grau de participao, ou funo de pertinncia (membership). O exemplo a seguir
(figuras 2.4 e 2.5), retirado e adaptado de Von Altrock (1996) ser utilizado para demonstrar
tal conceito.
Neste exemplo, nota-se um conjunto denominado de pessoas com febre, que
atravs da matemtica booleana ser definido como sendo o conjunto de elementos (pessoas),
cuja temperatura esteja acima de 38 C.





40 C
39 C
38 C
36 C 37 C
37,9 C
36,5 C
Uma introduo ao estudo da Lgica Fuzzy - 6






Percebe-se, entretanto que determinados elementos cuja temperatura estava
prxima da temperatura estipulada como limite entre pertencer ou no ao conjunto,
invariavelmente foram classificados como no pertencentes ao mesmo. Fica claro a existncia
de uma ruptura abrupta durante a classificao dos elementos que pertencem e dos que no
pertencem ao conjunto.
Tal situao no ocorre no conjunto fuzzy da figura 2.5, pois neste,
temperaturas prximas so avaliadas de maneiras diferentes, porm sutilmente. Neste caso, as
temperaturas sero classificadas de acordo com o respectivo grau de participao no conjunto
de pessoas com febre, ou seja, pode-se dizer que se determinada pessoa estiver com uma
temperatura de 37,5 C, possui um grau de pertinncia (participao) no conjunto de pessoas
com febre igual a 0,6.











Figura 2.5: Conjunto de pessoas com febre - lgica fuzzy. Fonte: Von Altrock (1996).

Da mesma forma, outro indivduo que apresenta uma temperatura de 39 C,
possui um grau de pertinncia de 0,9 em relao a este conjunto. Assim, pode-se classificar
todos os elementos observados, no mais como pertencentes ou no ao conjunto, mas sim de
acordo com seu respectivo grau de pertinncia ao conjunto estudado.

40 C
39 C
38 C
36 C
37 C
37,5 C
37,9 C
36,5 C
Figura 2.4: Conjunto de pessoas com febre - lgica booleana. Fonte: Von Altrock (1996).

Uma introduo ao estudo da Lgica Fuzzy - 7


2.1 A Lgica Fuzzy Como Base Para o Raciocnio Aproximado - As Variveis
Lingsticas

Kaufmann e Gupta (1988), afirmam que o conhecimento ou o significado de
certos fatos empricos nem sempre se comportam de maneira probabilstica ou mesmo
determinstica, envolvendo muitas vezes alguma forma de aproximao ou raciocnio
aproximado.
A frase a seguir ilustra esta idia: O investimento inicial para possibilitar a
implementao completa do empreendimento extremamente elevado. Os conceitos
envolvidos no significado das palavras completa e elevado, vo muito alm do que os
aspectos determinsticos ou probabilsticos podem analisar. Assim fica clara a necessidade de
elaborao de um sistema que permita analisar tais dados de maneira a permitir que estas
informaes sejam levadas em considerao durante a avaliao do problema.
Segundo Von Altrock (1996), as chamadas variveis lingsticas constituem o
vocabulrio da lgica fuzzy, trazendo toda a incerteza presente no pensamento e na
expresso oral do ser humano, para sistemas de deciso que priorizam o padro e respeitam
determinada metodologia durante o clculo computacional envolvido. Esta caracterstica
excepcional encontrada na lgica fuzzy, s possvel, porque considera a parcela de
informao relativa no incerteza estocstica, mas sim a chamada incerteza lxica presente
em qualquer problema real analisado em que estejam envolvidas variveis lingsticas.
A idia relacionada incerteza estocstica contida em uma determinada
varivel corresponde exatamente ao grau de probabilidade de que a informao nela contida
seja realmente verdadeira ou no. Esta a maneira como os modelos probabilsticos
relacionam suas variveis para determinar resultados como viabilidade ou no do
investimento. A frase seguinte permite que a idia acima discutida seja exemplificada:

A probabilidade de o investimento inicial perfazer um total de R$ 70.500,00 de 90%

Assim, pode-se notar que tanto o evento, bem como sua ocorrncia, esto
muito bem definidos. Alm do mais, a incerteza neste caso, refere-se ao fato da varivel
investimento inicial, ser ou no igual ao valor de R$ 70.500,00, ou seja, a cada 100 chances
diferentes, em noventa, o valor do investimento inicial seria de R$ 70.500,00.
Uma introduo ao estudo da Lgica Fuzzy - 8

J no caso da incerteza lxica, contida na linguagem e no modo de pensar do
ser humano, busca-se atravs de abstraes e analogias, sentenas que consigam descrever
contextos muito difceis de serem modelados atravs da matemtica booleana, como na
afirmao abaixo:

Existe uma possibilidade muito grande de que o investimento inicial seja alto

Neste exemplo, que a princpio pode parecer similar ao anterior, mostra-se
essencialmente diferente ao ser analisado minuciosamente. Nota-se que na verdade o evento
em si no est claramente definido. O que pode ser considerado investimento alto para
determinado investidor, no ser assim entendido por outro, pois estes possuem diferentes
interpretaes para esta varivel. Alm disso, o termo probabilidade no se adequaria neste
caso, e sim o termo possibilidade, visto que a incerteza no est relacionada em ser o
investimento inicial exatamente alto ou baixo, mas sim que o valor admitido por esta varivel
tem, dentro da sua possvel distribuio de possibilidades, grande chance de ser alto. No de
se estranhar ento, que tais variveis sejam extremamente importantes na aplicao de
solues baseadas na lgica fuzzy em problemas reais.
Porm, se de um lado tem-se a incerteza associada ao pensamento humano,
deve ser levado em considerao, que somente existir benefcio atravs da adio de
informaes ao problema real analisado, caso esta possa ser expressa de maneira tal, que
possibilite ao sistema efetuar clculos e/ou aproximaes com estes valores. Desta forma,
percebe-se a importncia de um componente do sistema baseado na lgica fuzzy responsvel
pela interface entre as variveis lingsticas, e sua interpretao matemtica. Alis, a funo
de pertinncia, na verdade um mapeamento de cada possvel valor numrico da
correspondente varivel lingstica.A figura 2.6 demonstra a interpretao da varivel
lingstica investimento inicial alto atravs de um conjunto de funes de pertinncia
representadas em um mesmo grfico, indicando as possveis interpretaes para a varivel em
questo.
A figura 2.6 representa a varivel investimento inicial, mapeada atravs de trs
diferentes funes de pertinncia.




1
0
Investimento baixo Investimento mdio Investimento alto
Uma introduo ao estudo da Lgica Fuzzy - 9





Figura 2.6 Varivel lingstica investimento inicial e suas funes de pertinncia. Fonte: Autor.

2.2 Estrutura do Sistema Lgico Fuzzy

A estrutura de todo o sistema lgico fuzzy est baseada em trs operaes que
esto explicitadas na figura 2.7, adaptada de Cox (1995).










Figura 2.7 Sistema lgico fuzzy. Fonte: Cox (1995).
2.2.1 Fuzificao
Este primeiro passo do sistema lgico fuzzy, chamado de fuzificao,
corresponde transformao dos dados de entrada iniciais em suas respectivas variveis
lingsticas. Nesta etapa, todas as informaes relativas impreciso ou incerteza associada a
estas variveis devem ser consideradas. Pinho (1999) cita a necessidade de que especialistas
da rea estudada sejam consultados durante a atribuio de valores relacionados aos graus de
pertinncia para cada uma das variveis em estudo, contribuindo assim para maior preciso
nos resultados. A figura 2.8 exemplifica o processo de fuzificao das informaes relativas
idade de um indivduo, atravs de trs funes de pertinncia:
Varivel Idade Funes de pertinncia: criana, adulto e idoso;


1
criana adulto idoso
Dados
Iniciais
Variveis
Lingsticas
F
u
z
i
f
i
c
a

o

Resultados
Lingsticos
Inferncia Fuzzy
D
e
f
u
z
i
f
i
c
a

o

Dados
Finais
Uma introduo ao estudo da Lgica Fuzzy - 10






Figura 2.8 Varivel lingstica idade e suas funes de pertinncia. Fonte: Autor.

Nota-se, portanto, que as informaes iniciais referentes ao valor numrico da
idade de um indivduo, atravs do processo de fuzificao so transformadas em variveis
lingsticas, podendo a partir deste momento ser utilizadas no processo seguinte de inferncia.
A tabela 2.1 demonstra como podem ser expressas estas variveis lingsticas, em funo dos
respectivos vetores de graus de pertinncia. Nelas observa-se os valores assumidos pelas
variveis durante o processo de fuzificao.

Outra maneira de se representar o valor de uma varivel lingstica seria
atravs de palavras, ao invs dos vetores de graus de pertinncia, conforme a tabela 2.2:

Tabela 2.2: Representao lingstica para os vetores grau de pertinncia
Tabela 2.1: Atribuio de valores varivel lingstica idade
Idade (anos)
Valor atribudo para a varivel
lingstica (grau de pertinncia)
Vetor Grau de pertinncia
(Criana ; Adulto ; Idoso)
10 Criana = 1,0 Adulto = 0,0 Idoso = 0,0 {1,0 ; 0,0 ; 0,0}
17 Criana = 0,5 Adulto = 0,5 Idoso = 0,0 {0,5 ; 0,5 ; 0,0}
23 Criana = 0,0 Adulto = 1,0 Idoso = 0,0 {0,0 ; 1,0 ; 0,0}
41 Criana = 0,0 Adulto = 0,5 Idoso = 0,5 {0,0 ; 0,5 ; 0,5}
60 Criana = 0,0 Adulto = 0,0 Idoso = 1,0 {0,0 ; 0,0 ; 1,0}
Uma introduo ao estudo da Lgica Fuzzy - 11

Vetor Graus de Pertinncia Valor Lingstico
{1,0 ; 0,0 ; 0,0} Muito criana
{0,5 ; 0,5 ; 0,0} Pouco criana, quase adulto
{0,0 ; 1,0 ; 0,0} Muito adulto
{0,0 ; 0,5 ; 0,5} Pouco adulto, quase idoso
{0,0 ; 0,0 ; 1,0} Muito idoso


2.2.2 Inferncia Fuzzy

Uma vez feita a adequao dos valores iniciais em variveis lingsticas,
segue-se com a fase denominada inferncia fuzzy, cuja finalidade relacionar as possveis
variveis entre si, atravs de regras pr-estabelecidas, cumprindo assim com os objetivos do
algoritmo.
Segundo Von Altrock (1996), pode-se separar esta fase em dois componentes
visualizados na figura 2.9 e denominados Agregao e Composio. O primeiro diz respeito
chamada parcela Se das regras que iro reger o processo de inferncia, e o segundo, refere-se
parcela Ento do conjunto de regras assim chamadas, Se-Ento.
Tais componentes compem o chamado processo de inferncia lgica fuzzy,
controlando as relaes entre variveis lingsticas atravs de seus respectivos operadores
lgicos.












Figura 2.9: Inferncia Fuzzy. Fonte: Autor.
Inferncia Fuzzy
Agregao

- Parcela Se;
- Define a validade de
uma regra para o caso
estudado.

Composio

- Parcela Ento;
- Define o resultado
obtido depois de
feita a inferncia.
Uma introduo ao estudo da Lgica Fuzzy - 12


2.2.3 DESFUZIFICAO

A terceira e ltima etapa do sistema lgico fuzzy chamada desfuzificao, e
compreende segundo Von Altrock (1996), a traduo do resultado lingstico do processo de
inferncia fuzzy, em um valor numrico. Porm, Cox (1995), fornece uma outra interpretao
para o termo desfuzificao, compreendendo o processo de converso de um nmero fuzzy em
um nmero real. Dentre os vrios processos de desfuzificao encontrados na literatura, pode-
se citar o mtodo baseado em variveis lingsticas e chamado de Centro-de-Mximo.
Apresentado por Von Altrock (1996), este mtodo caracterizado pela relao entre o valor
lingstico e seu correspondente valor real. A figura 2.10 demonstra o processo de
desfuzificao de uma varivel fuzzy qualquer. Assim, dado um certo valor lingstico,
resultado do processo de inferncia fuzzy, atravs do mtodo do Centro-de-Mximo, deve-se
selecionar os valores mximos assumidos pela varivel, nos pontos onde a(s) funo(es) de
pertinncia relacionadas tem o seu maior valor ( =1).










Figura 2.10: Seleo dos valores com grau de pertinncia = 1 - varivel crescimento. Fonte: Autor.

O prximo passo consiste em atribuir pesos proporcionais aos graus de
pertinncia da varivel resultante ao processo de inferncia fuzzy. Supondo um vetor
resultante para a varivel crescimento igual a: (0,8; 0,2; 0), obtm-se o seguinte resultado:
crescimento normal: 6 , 1 2 8 , 0 =
adulto: 0 , 1 5 2 , 0 =
0
1
0
5 10 Crescimento
lento normal acelerado
2 8
0
1
0
5 10 Crescimento
lento normal acelerado
2 8
Uma introduo ao estudo da Lgica Fuzzy - 13

idoso: 0 , 0 8 0 , 0 =
O resultado composto pela soma das parcelas acima descritas, e perfaz um
total de 2,6. Este ento o valor real correspondente a varivel lingstica analisada, e no
exemplo, indica um determinado ponto de uma escala de crescimento, com faixa de operao
entre zero (0), e dez (10). Tal escala responsvel por demonstrar o ritmo de crescimento do
indivduo analisado.
Outros mtodos so tambm apresentados, como o mtodo representativo
ordinrio proposto por Kaufmann e Gupta (1998), e considerado neste trabalho atravs de
uma aplicao especfica para o processo de desfuzificao de um nmero fuzzy triangular
(TFN).
Partindo-se ento de sua forma vetorial A = (a
1
, a
2
, a
3
), obtm-se seu
representativo ordinrio pela equao 2.1 e demonstrado na figura 2.11:

4
2
3 2 1
a a a

+ +
=

(2.1)















Figura 2.11: Exemplo de desfuzificao atravs do mtodo representativo ordinrio. Fonte: Autor.

Atravs da equao 2.1, aplicada ao TFN (2, 3, 8) da figura 2.11, obtm-se a
equao 2.2.

0
1
0
Crescimento
2 3
8
Uma introduo ao estudo da Lgica Fuzzy - 14


4
4
8 3 2 2
4
2
3 2 1
=
+ +
=
+ +
=
a a a

(2.2)

Segundo Pinho (1999), este mtodo apresenta uma maior sensibilidade s
possveis assimetrias dos TFNs estudados, alm de demonstrar maior simplicidade nos
clculos que o chamado mtodo do Centro-de-rea, Centride ou Centro de Gravidade.
Este terceiro mtodo aqui apresentado descrito por Von Altrock (1996) como
sendo o resultado do balano das reas sob as curvas, das funes de pertinncia envolvidas.
Assim sendo, uma clara desvantagem deste mtodo pode ser indicada,
referindo-se necessidade de se calcular constantemente atravs da integrao numrica as
reas analisadas.














Figura 2.12: Exemplo de desfuzificao atravs do mtodo centride. Fonte: Autor.

Isso faz com que o esforo computacional necessrio para o clculo se eleve
demasiadamente. A figura 2.12 explicita este mtodo, atravs da anlise do TFN (1,2,6)
conforme Pinho (1999).


3. CONCLUSES

0
1
0
Crescimento
1 2 3,1
6
Uma introduo ao estudo da Lgica Fuzzy - 15

Neste trabalho foi introduzido o estudo da lgica fuzzy, seus conceitos
fundamentais, e sua possvel aplicao na soluo de problemas sob situaes de risco e
incerteza.
Atravs da anlise da tabela 2.1, nota-se que os valores atribudos s variveis
lingsticas, contm um tipo de informao que as variveis determinsticas ou probabilsticas
desconhecem. Informaes do tipo muito adulto, pouco criana, quase idoso, comuns no dia-
a-dia, perdem parte do seu significado, ao serem transcritas para a matemtica convencional.
Este fato se verifica devido prpria natureza das variveis em uso, que esta alicerada na
teoria dos conjuntos booleanos, onde um dado ou um conjunto de dados pertence ou no ao
conjunto analisado, inexistindo valores intermedirios relacionados sua participao no
conjunto analisado. Neste contexto, pode-se enxergar os benefcios que a modelagem
matemtica baseada na lgica fuzzy pode proporcionar, ao oferecer possibilidades infinitas de
classificao de um determinado valor, dentro do domnio de sua funo de pertinncia.
Assim, torna-se mais precisa a avaliao e transcrio de uma informao relevante ao
modelo, da sua forma inicial, e muitas vezes informal, para padres que permitiro seu
manuseio e conseqentemente benefcio para os resultados finais gerados. A informao
contida nestas variveis permite que os valores fuzzy quando utilizados em modelos
matemticos reais, possibilitem clculos mais apurados e precisos, alm de favorecer o uso
das chamadas variveis lingsticas, conforme demonstrado (Jan, 2003). Nota-se, entretanto,
a necessidade da figura do especialista, quando tais valores forem atribudos, e tambm do
desenvolvimento de uma teoria especfica para manuseio destes dados. Conclui-se ento da
importncia assumida nos ltimos anos pela teoria dos conjuntos fuzzy, aplicada
principalmente ao modelamento de sistemas reais, buscando aproximar a maneira racional e
lgica utilizada pelo ser humano em relacionar dados com os algoritmos computacionais para
tomada de deciso.









Uma introduo ao estudo da Lgica Fuzzy - 16







REFERENCIAS

VON ALTROCK, Constantin. Fuzzy logic and neuroFuzzy applications in busines and
finance. New Jersey: Prentice Hall PTR, 1996.

CHIU, Chui-Yu; PARK, Chan S. Fuzzy cash flow analysis using present worth criterion. The
Engineering Economist, vol 39, 113-137, 1994.

COX, Earl. Fuzzy logic for business and industry. Massachusetts: Charles River Media Inc,
1995.

JAN, Dario de Almeida. A simulao de monte carlo e a lgica fuzzy na anlise
econmico/financeira de investimentos sob condies de risco. 2003, 157f. Dissertao
(Mestrado em Engenharia) Universidade Federal de Itajub, Itajub, 2003.

KAUFMANN, Arnold; GUPTA, Madan M. Fuzzy mathematical models in engineering and
management science. Amsterdam: Elsevier Science Publishers B, 1988.

PAMPLONA, Edson de O.; MONTEVECHI, Jos A. B. Apostila do Curso de Engenharia
Econmica I. Universidade Federal de Itajub, Itajub, 2001.

PINHO, Alexandre F. Uma contribuio para a resoluo de problemas de programao de
operaes em sistemas de produo intermitentes flow-shop: A considerao de incertezas.
1999. Dissertao (Mestrado em Engenharia) Universidade Federal de Itajub, Itajub,
1999.

YEN, John; LANGARI, Reza; ZADETH, Lotfi A. Industrial applications of fuzzy logic and
intelligent systems. New York: IEEE Press, 1994.