Você está na página 1de 4

Mtodos matemticos para engenharia de produo :

Aula 01 - Introduo Informao complexidade e incerteza de Conj Classicos


Introduo Um engenheiro de produo definido como um profissional que deve possuir habilidades de deciso. Em geral as decises so feitas utilizando conhecimentos prvios ( tudo que j se sabe sobre um determinado assunto / experincia) e improvisao (habilidade de ser capaz de responder a um evento desconhecido ). Quando a deciso tomada, em geral alguma lgica teve de ser utilizada para optar por um caminho ou outro.

o ramo da engenharia que gerencia os recursos humanos, financeiros e materiais para aumentar a produtividade de uma empresa. O engenheiro de produo pea fundamental em indstrias e empresas de quase todos os setores. Ele une conhecimentos de administrao, economia e engenharia para racionalizar o trabalho, aperfeioar tcnicas de produo e ordenar as atividades financeiras, logsticas e comerciais de uma organizao. Define a melhor forma de integrar mo de obra, equipamentos e matria prima, a fim de avanar na qualidade e aumentar a produtividade. Por atuar como elo entre o setor tcnico e o administrativo, seu campo de trabalho ultrapassa os limites da indstria. O especialista em economia empresarial, por exemplo, costuma ser contratado por bancos para montar carteiras de investimentos. Esse profissional requisitado, tambm, por empresas prestadoras de servios para gerenciar a seleo de pessoal, definir funes e planejar escalas de trabalho.
Dada importncia da lgica para tomada de decises para um engenheiro, somos motivados a estud-la com um pouco de mais cuidado. O filsofo grego Aristteles considerado um dos pais da lgica ocidental, que admite apenas dois graus de preciso sobre qualquer assunto, o verdadeiro e o falso, o certo e o errado. Complementando seus estudos sobre lgica , uma citao atribuda a Aristteles diz que: caracterstica de uma mente instruda dar-se por satisfeita com o grau de preciso que um assunto (da natureza) admite e no buscar exatido onde s podemos alcanar uma aproximao da verdade. //////// Perguntar se os alunos vem contradio nesta citao em relao a lgica binria e atestar se ////////conseguiram ver que Aristteles d importncia a impreciso na construo de suas verdades. ////////Depois escrever esta resposta no quadro: Apesar da lgica Aristotlica no considerar impreciso sobre verdades, nem por isso, deixou de considerar a existncia de graus de incerteza ao descrever fenmenos naturais. Portanto, ao tomar uma deciso devemos estar atentos a este conselho e considerar a existncia da incerteza, ou seja quando s um nvel de preciso pode ser atribudo. ////////A real mensagem desta introduo : Ao tentar resolver um problema, estamos ignorando as ////////imprecises que podem existir? Devemos considerar a existncia de certezas intermedirias entre o ////////certo e o errado para buscar melhorar nossa tomada de decises ?

Estudos de alternativas a lgica binria de certo e errado de Aristteles datam de 1905 com os estudos do filsofo americano Charles Peirce mas ganharam notoriedade com o artigo do professor de engenharia eltrica Lofti Zadeh em 1973. Esta alternativa a lgica binria de Aristteles foi denominada pelo professor Zadeh como fuzzy logic (lgica nebulosa) e ser nosso objeto de estudo nesta disciplina. //////// Tomar exemplos na sala de pessoas jovens e no to jovens altas e baixas e comparar para ////////confrontar a lgica clssica com a fuzzy //////// ricas e no to ricas , grande e pequeno , culpado ou inocente. O mrito de Zadeh foi utilizar nossa percepo do mundo para conceitos que no esto claramente definidos, (depende de abstrao) como alto, baixo , grande, pequeno ou existem nveis intermedirios que permeariam a lgica binria Aristotlica. Esses conceitos , com os quais nosso crebro trabalha (e os computadores at Zadeh no) so chamados de fuzzy (nebulosos) ou vague (vagos). Muitos problemas em engenharia de produo no requerem grande preciso e dependem destes tipos de conceitos para serem resolvidos e portanto podem ser abordados pela lgica fuzzy como: A quantidade e o preo de um material a ser comprado ou vendido, a deciso por um fornecedor ou outro, quais consumidores devem receber determinado email, quais setores recebem aumento salarial ou diminuio, etc... exemplo : em uma mesma fbrica um grupo produziu 1000 tvs 30 polegadas enquanto em outro setor foram produzidas 10 Tvs 50 polegaads. Qual grupo trabalhou mais e merece maior aumento ?

//// ler o escrito e explicar verbalmente Propriamente dita, a lgica fuzzy uma ferramenta matemtica para lidar com essas incertezas que permeiam a tomada de decises. Ela fornece um mecanismo para lidar com representaes lingsticas como muito, pouco , em geral, baixo, alto, etc; Ela utiliza a teoria da probabilidade para prever se um evento vai ocorrer, ou seja a lgica fuzzy, utilizando da experincia e da observao prvia do comportamento de um dado sistema feita por um especialista, busca conhecer a probabilidade de ocorrncia de um evento, que a chance de um evento ocorrer ou no. importante observar que existe uma relao entre nebulosidade e complexidade. Quando a complexidade de um problema excede um dado limite, o sistema necessariamente se transforma em fuzzy. Conforme a incerteza sobre o problema cresce, tambm cresce sua complexidade. Uma conseqncia disso que quanto mais complexo um sistema fica, tambm fica cada vez mais difcil extrair informaes significantes sobre seu comportamento. Problemas reais so geralmente muito complexos e envolvem diferentes graus de incerteza. O desenho abaixo exemplifica como trabalha a lgica fuzzy:

Os conjuntos Fuzzy, fornecem meios para modelar incertezas associadas a informaes imprecisas (vagas) sobre um problema ou um sistema. Exemplo : Em uma determinada confeco um engenheiro de produo responsvel por organizar as escalas de trabalho. Para tanto ele leva em considerao o numero horas trabalhadas. Um determinado funcionrio alcanou um alto numero de objetivos quando atingiu 20 objetivos e alcanou um baixo numero de objetivos se atingiu menos que 20 objetivos. Alto e baixo so denominadas variveis lingsticas e representam a impreciso do sistema.

Para utilizar estes conceitos de incerteza, Zadeh props as a idia de funes de pertinncia. As funes de pertinncia permitem tomar diferentes decises quando uma incerteza ocorre.

Exemplo: No exemplo anterior as variveis alto e baixo dependero da deciso incerta do engenheiro que est analisando o problema, ele ser o responsvel por dizer se os 20 objetivos so igualmente difceis de serem alcanados e se 20 um valor justo para determinar a escala de trabalho. Para dizer que um elemento x pertence a um conjunto A utilizando a seguinte notao :

Mostrar Tb x no pertence a A Em lgica Aristotlica, Poderiamos representar o problema do engenheiro atravs da seguinte funo de pertinncia :

Ou Graficamente :

Se o trabalhador atingiu as 20 metas ele 1 e pertence ao grupo do alto (A) Se o trabalhador no atingiu as 20 metas ele 0 e pertence ao grupo do baixo (ou no pertence a A) Na lgica nebulosa as funes de pertinncia foram estendidas para representar os diversos graus de pertinncia que podem existir. Aplicando lgica fuzzy no exemplo dado , consideraramos que quanto mais um funcionrio atinge objetivos, mais prximo ele est de pertencer ao grupo A, ou seja, um funcionrio que atinge 19 objetivos no ser 0 mais sim algum valor prximo a 1 (ex:0.9) e est mais para o grupo A (alto) que para o grupo no A (baixo). Estas funes de pertinncia podero variar entre 0 e 1, onde 0 significa totalmente no pertinence, 1 totalmente pertinente a um dado grupo e os valores intermedirios so de transio entre um grupo e outro (podem pertencer) . As figuras abaixo mostram a classificao em alto e baixo utilizando os conjuntos clssicos e fuzzy .

Os valores entre o 0 e 1 da funo de pertinncia representam a nebulosidade do problema. Note que possuir valores entre 0 e 1 (pertencer ou no pertencer) depender de conceitos que so subjetivos e no de aleatoriedades do problema. A nebulosidade descreve a ambiguidade que pode existir para uma varivel enquanto a aleatoriedade descreve a incerteza da ocorrncia de um evento //// nebulosidade exemplo apesar de eu ser um homem alto nesta sala na NBA eu seria baixo /// aleatoriedade eu tenho 60 % de chance de ser classificado como alto Este o conceito que separa a teoria dos conjuntos fuzzy da teoria de probabilidade Como veremos mais adiante no curso, os conjuntos fuzzy tendem a capturar estas particularidades (imprecises) dos problemas, utilizando as funes de pertinncia para criar mapas decisrios a partir de um universo de discurso (variveis problema) que sero moduladas para um valor entre 0 e 1.