REVISTA LAGOS

Laboratório de Gestão Organizacional Simulada

www.revistalagos.uff.br

Estudo da lógica fuzzy como ferramenta de apoio à decisão em jogos de

empresas simuladas
Mariana Fernandes Peniche
(Graduada em Administração/UFF) E-mail: mariana_fbp@hotmail.com

Resumo
Este artigo tem como objetivo verificar o auxílio de um sistema especialista no processo de
tomada de decisão de uma equipe participante de um jogo de empresas, visando à melhoria
dos resultados da mesma. Como as decisões dos gestores das equipes estão sujeitas a
subjetividade, foi escolhida a lógica fuzzy como método de apoio a decisão, visto que a
mesma transforma subjetividade em graus de pertinência, utilizando-se da experiência de
especialistas em situações passadas para criar um modelo baseado em regras para a tomada
de decisão. Assim, foram criadas regras pertinentes ao simulador organizacional adotado no
jogo de empresas escolhido levando em consideração as variáveis associadas ao processo
decisório. Para esta pesquisa, foi selecionado pelo especialista o caso de uma empresa que
obteve o pior resultado da sua indústria no jogo, resultado este obtido sem o uso de qualquer
ferramenta de apoio à decisão. A pesquisa ocorreu através de rodadas artificiais (teste de
bancada) alterando as decisões da equipe escolhida pelas decisões produzidas pelo conjunto
de heurísticas geradas pelo sistema especialista criado. Como conclusão pôde-se observar
que a empresa utilizando o sistema especialista saiu da última colocação para a terceira.
Sendo assim, à luz dessa observação conclui-se ser possível obter bons resultados com o uso
de um sistema de inferência fuzzy como suporte à tomada de decisão no ambiente de jogos
simulados.

Palavras-Chave: tomada de decisão; lógica fuzzy; jogos de empresas; simulador

organizacional

1. INTRODUÇÃO

Nota-se que a tomada de decisão possui presença constante nas atividades diárias de
todas as pessoas e organizações. Em qualquer situação, as pessoas tomam uma ou mais
decisões sobre o que fazer, como fazer, o que não fazer (ODERANTI e DE WILDE, 2010). A
tomada de decisão é uma função importante e complexa no papel do executivo e característico
da administração (SIMON, 1970, apud AMARAL, 2006).
Para Sauaia (2008), os jogos de empresas são baseados em um modelo de simulação
no qual as características das empresas e do ambiente em que ela está inserida são retratados
de maneira aproximada das situações reais, de modo que as decisões possam ser colocadas em
prática. Segundo Sauaia (1989, apud Sauaia; Zerrenner, 2009, p.195), “como um exercício de
tomada de decisões, os jogos têm por objetivo reproduzir parcialmente e de forma
simplificada uma situação que poderia ser real...”. Desta maneira, por meio dos jogos de
empresas, pode-se observar como os indivíduos processam as informações recebidas e tomam
decisões num ambiente similar ao de uma organização.
Para se tomar decisões mais assertivas, tanto no ambiente organizacional quanto no
ambiente simulado, existem técnicas que auxiliam no processo decisório. Neste trabalho,
optou-se pelo uso da lógica fuzzy como ferramenta de apoio à decisão.

91
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

O objetivo da pesquisa foi verificar se um sistema especialista pode auxiliar nas

decisões empresariais de modo a melhorar os resultados da mesma num ambiente simulado.
A presente pesquisa se justifica, pois a consideração de incertezas epistêmicas e das
subjetividades associadas ao processo decisório é fundamental, na atualidade, para os
tomadores de decisão (CARAVANTES, PANNO E KLOECKNER, 2005). O estabelecimento
de um sistema especialista, que acelere o processo de tomada de decisão, direcionando a
alocação dos recursos no ambiente de jogos simulados pode ser um facilitador para o sucesso
da equipe.
Este artigo está estruturado em seis partes, cuja primeira é esta introdução. A segunda
é uma revisão bibliográfica que se ocupou da definição de tomada de decisão e lógica fuzzy.
Na terceira parte é apresentado o simulador organizacional utilizado para o estudo de caso. Na
quarta parte do trabalho apresenta-se a metodologia empregada. No estudo de caso, quinta
etapa do trabalho,é apresentado o desenvolvido do trabalho por meio do estudo de caso com o
auxílio do software Matlab, que foi utilizado para emular o sistema especialista fuzzy.
Finalmente, na sexta etapa estão apresentadas as conclusões, limitações e proposições para
novos trabalhos.

2. FUNDAMENTAÇÃO TEÓRICA

Tomada de decisão é o “curso de ações escolhidas e determinadas como mais

eficientes à disposição para o alcance dos propósitos visados no momento” (SIMON, 1970,
apud AMARAL, 2006, p.3), ou seja, é uma solução selecionada depois de analisar um
conjunto de alternativas, escolhida porque o tomador de decisão cogita ser o caminho mais
eficaz para atingir as metas programadas.
Segundo Gomes (2007), tomada de decisão é o processo que leva, direta ou
indiretamente, à escolha de pelo menos uma dentre várias alternativas, todas elas visando
resolver determinado problema.
Para Caravantes, Panno e Kloeckner (2005, p.446):

Tomar decisões é o processo de escolher uma dentre um conjunto de alternativas.

Portanto, quando gerentes tomam decisões, eles identificam uma série de
alternativas potencialmente viáveis e escolhem aquela que acreditam ser a melhor
em particular para a situação.

Todas as decisões são tomadas sob uma de três condições: certeza, risco e incerteza.
Na condição de certeza, o gerente sabe exatamente quais são as alternativas e que cada uma
delas está garantida. Na prática, os gerentes se deparam com poucas situações dessa natureza.
Sob uma condição de risco, o gerente tem um entendimento básico das alternativas
disponíveis e estima com certo grau de confiança às probabilidades associadas a cada
alternativa, assim há um risco associado a cada resultado. Para se tomar decisões eficazes sob
essa condição deve-se estimar corretamente as probabilidades. A condição de tomada de
decisão mais comum é a de sob incerteza, na qual tanto as probabilidades quanto a lista de
alternativas disponíveis são difíceis de avaliar (CARAVANTES, PANNO E KLOECKNER,
2005).
A administração da incerteza busca estudar os fatores de risco que envolvem as
decisões, procurando refletir sobre as incertezas e a relação entre ação e conseqüência na
busca pelo melhor caminho. Assim, é essencial tentar buscar essas relações procurando fazer
uso de análises probabilísticas e estudos qualitativos e quantitativos descritivos sobre o
esclarecimento das consequências.

92
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

Existem diversas ferramentas que podem auxiliar no processo decisório, como a

Árvore de Decisões, a matriz GUT (Gravidade, Urgência e Tendência) e a Matriz de Payoff, e
neste trabalho foi utilizada a Lógica Fuzzy como ferramenta de apoio à decisão.
O conceito de lógica fuzzy, também conhecida como lógica nebulosa ou difusa, foi
introduzido por LotfiZadeh em 1965 (ODERANTI e DE WILDE, 2010; 2011), e é um
conjunto de métodos que “incorpora a forma humana de pensar em um sistema de controle”
(SHAW e SIMÕES, 1999), captura a experiência do especialista, transformando subjetividade
em graus de pertinência, raciocínio em base de regras e tomada de decisão em
inferência/deffuzificação.
A lógica fuzzy é um modelo que generaliza a lógica clássica binária em situações com
auto grau de incerteza (DEMASI, 2003 apud RIEDER e BRANCHER, 2004). Na lógica
clássica (lógica convencional ou binária), uma proposição tem apenas dois extremos: 0 ou 1
(bivalência), ou seja, cada elemento pertence ou não pertence a um determinado grupo. Na
lógica fuzzy, essa proposição pode variar em um grau de verdade de 0 a 1 (multivalência), ou
seja, cada elemento pertence a um conjunto em uma escala que varia entre 0 e 1 (SHAW e
SIMÕES, 1999; OLIVEIRA JÚNIOR, 1999). De acordo com WUERGES e BORBA (2010;
p.5), a lógica fuzzy permite expressar incertezas de modo mais consistente, por meio dos
conjuntos nebulosos, “ao invés de simplesmente pertencer ou não pertencer, um elemento
poderá ter vários graus de pertinência a um conjunto”.
Os conjuntos difusos mapeiam o grau de pertinência de um elemento em relação ao
conjunto, ou seja, os elementos estão contidos em um conjunto fuzzy de acordo com grau de
pertinência, e esta pertinência ocorre gradativamente, expressa por meio da função de
pertinência. O valor zero indica que o elemento não pertence ao conjunto, o valor um indica
que o elemento tem grau de pertinência de cem por cento em relação ao conjunto, e valores
entre zero e um indicam grau de pertinência intermediário (WUERGES e BORBA, 2010).
Uma função de pertinência é uma função numérica gráfica ou tabulada que atribui
valores de pertinência fuzzy para valores discretos de uma variável, em seu universo de
discurso. As funções de pertinência podem ser triangulares, trapezoidais, gaussianas e
sigmoidais ou curvas “S” (SHAW e SIMÕES, 1999; OLIVEIRA JÚNIOR, 1999).
É possível realizar várias operações com os conjuntos difusos (SHAW e SIMÕES,
1999; OLIVEIRA JÚNIOR, 1999):

 Interseção: dados dois conjuntos fuzzy A e B definidos em um conjunto

universo E, a interseção é a parte comum dos conjuntos A e B, e é sempre menor que
qualquer um dos conjuntos individuais A e B.

𝐴 ∩ 𝐵 = min⁡[𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥)] (1)

 União: dados dois conjuntos fuzzy A e B definidos em um conjunto universo E, a

união é o contorno que inclui ambos os conjuntos fuzzy A e B.
(2)
𝐴 ∪ 𝐵 = max⁡[𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥)]

 Complemento: dado um conjunto fuzzy A definido em um conjunto universo E, o

complemento de A em relação à E, é denominado A’, conjunto de todos os
elementos x ϵ E que não são membros de A.

93
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

𝜇𝐴′ (𝑥) = 1 − 𝜇𝐴 (𝑥) (3)

A estrutura de um controlador fuzzy representa a transformação dos números

reais para o domínio fuzzy, que utiliza números fuzzy (SHAW e SIMÕES, 1999). Em
geral, a configuração básica de um controlador fuzzy é a seguinte (ODERANTI e DE
WILDE, 2010; 2011; SHAW e SIMÕES, 1999):

 Interface de fuzzificação: é o mapeamento do domínio dos números reais para o

domínio fuzzy.
 Base de conhecimento: representa o modelo do sistema a ser controlado e consiste
de uma base de dados (funções de pertinência linguísticas) e uma base de regras
fuzzy linguísticas. O método heurístico consiste em se realizar uma tarefa de acordo
com a experiência prévia, com regras praticas ou “dicas” já frequentemente
utilizadas.
 SE <condição> ENTÃO <consequência>
 Lógica de tomada de decisão: usa implicações fuzzy para simular tomadas de
decisão humanas. Gera ações de controle - consequentes inferidas a partir de um
conjunto de condições de entrada – antecedentes.
 Interface de defuzzificação: consiste em obter-se um único valor discreto,
utilizável em uma ação de controle concreta no mundo real, a partir de valores fuzzy
de saída obtidos. Existem três métodos de defuzzificação que são muito utilizados:
centro da área, centro do máximo e média do máximo. O método centro da área (ou
centro de gravidade) calcula a média das áreas das figuras que representam os graus
de pertinência de um subconjunto fuzzy. No método centro do máximo os picos das
funções de pertinência são usados, ignorando as áreas das funções de pertinência. No
método média do máximo soma-se todos os elementos de maior pertinência ao
conjunto fuzzy e depois divide-se esse valor pelo número total de elementos.

Existem dois métodos de inferência fuzzy, o método KTS (Kang-Takagi-Sugeno) e o

método Mamdani, utilizado no presente trabalho. O método Mamdani fornece uma saída para
o sistema/controlador que é também um conjunto fuzzy e, para obter uma saída clássica, é
utilizado um dos métodos de defuzzificação. É baseado na regra de composição máx-mín e
uma regra típica do modelo é: se x é A e y é B (A e B são conjuntos Fuzzy), então z é C (C é
um conjunto Fuzzy) (BARROS; BASSANEZI, 2006).

3. O SIMULADOR ORGANIZACIONAL

Para o entendimento deste trabalho, é importante conhecer o jogo de empresas

utilizado para a aplicação da lógica fuzzy como ferramenta de apoio à decisão.
O simulador organizacional utilizado na disciplina Laboratório de Gestão Simulada
(LGS), de acordo com Sauaia (2008), traz informações a respeito das regras do jogo, do
cenário na qual as empresas simuladas estão inseridas e das variáveis de decisão envolvidas
no jogo.
As empresas estão inseridas no Brazol, país que vem investindo em tecnologia, e o
produto, resultado de investimentos em P&D, é o SET – Sistema de Execução de Tarefas,
aparelho com múltiplas funções, o qual pode ser aplicado em residências ou escritórios.

94
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

As empresas devem ser identificadas por meio de um nome fantasia e a simulação

acontece em um ano fiscal dividido em quatro trimestres, e são divididas em áreas funcionais,
as quais: presidência, planejamento, marketing, finanças, recursos humanos e produção.
As variáveis de decisão são: preço do produto, investimentos em marketing,
investimentos em pesquisa e desenvolvimento, investimentos em equipamentos, manutenção
da fábrica, compra de matéria-prima, distribuição de dividendos, modelo de produção (turnos
e horas extras) e outras despesas.
A previsão de vendas da empresa deve considerar os fatores exógenos (não
controláveis, mas monitoráveis, sendo estes a inflação (IGP), sazonalidade (IVE) e atividade
econômica (IAE)) e os fatores endógenos (controláveis, sendo estes as variáveis de decisão,
como os investimentos em marketing e o preço).
O preço máximo é $9,00 e o preço mínimo de venda é igual ao custo variável (mão de
obra + matéria-prima unitária).
Os investimentos em marketing são afetados pelo IGP e seus efeitos são divididos em
70% para o curto prazo e 30% para o médio prazo.
Os investimentos em P&D também são afetados pelo IGP e seus efeitos são: 20% no
curto prazo, 30% no médio prazo e 50% no longo prazo.
Os gastos na manutenção da fábrica são afetados num ritmo maior que o IGP e os
gastos nesta conta estabilizam a eficiência de mão-de-obra e matéria-prima.
O custo unitário da mão-de-obra varia de acordo com o volume de produção, com a
manutenção da fábrica, com investimentos em P&D e com o IGP.
O simulador permite que as empresas trabalhem em dois modelos de produção, mas
como este trabalho é aplicado à disciplina LGS I, na qual os estudantes não costumam operar
em dois turnos de produção, de acordo como especialista, optou-se por trabalhar apenas com
o modelo de produção I, cujas empresas podem operar em 1 turno, com horas normais (até
99,9% x capacidade instalada) ou com horas extras (+ 50% da capacidade instalada, com um
adicional de 50% no custo unitário da MOD). Os custos fixos em horas normais são de
$150.000 e em horas extras tem um acréscimo de $50.000.
O valor inicial do investimento em equipamentos é de $20,00 por unidade adicional de
capacidade adquirida. A depreciação trimestral é de 2,5%.
A matéria-prima deve ser encomendada no início do trimestre e possui um custo de
estocagem de 5% do valor do estoque inicial.
A distribuição mínima anual de dividendos é de 25% do lucro líquido acumulado.
Alguns fatores do ambiente econômico afetam o valor das empresas: nível de
atividade econômica, alíquotas e legislação do imposto de renda, concorrência, leis e
regulamentação governamental, sindicalização dos empregados e condições para os negócios
internacionais e taxas de câmbio.
O Boletim Setorial pode ser adquirido pelas empresas a cada trimestre, e nele constam
informações sobre todas as empresas da indústria. Informações referentes à: caixa ($),
produtos acabados ($), matéria-prima ($), fábrica e equipamentos ($), valor econômico ($),
média de investimentos em marketing ($), média deinvestimentos em P&D ($), média do
volume de vendas (unidades), lucro líquido ($), taxa de retorno e a colocação de cada empresa
até o trimestre em questão.
A cada trimestre as empresas recebem os demonstrativos operacionais, contendo as
previsões dos índices para o próximo trimestre, informações sobre a indústria, as decisões
tomadas pela empresa e o demonstrativo das operações. Recebem também os demonstrativos
financeiros, dividido em demonstrativo de lucros e perdas, demonstrativo de fluxo de caixa e
balanço.

95
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

4. MÉTODO DE PESQUISA

Estudo caracteriza-se com exploratório quanto aos seus fins, pois se destinou no
aprofundamento da lógica fuzzy utilizando-se como ambiente experimental a técnica
educacional dos jogos de empresas com objetivo de disseminação de sistemas especialistas
nas decisões gerenciais.
Quanto aos procedimentos técnicos a pesquisa pode ser indicada como ensaio
laboratorial, pois ocorreu através de rodadas artificiais (teste de bancada) alterando as
decisões da equipe escolhida pelas decisões produzidas pelo conjunto de heurísticas geradas
pelo sistema especialista criado. Pode-se considerar também com um estudo de caso
exploratório já que uma equipe foi escolhida para ter suas decisões alteradas com base no
sistema especialista.
Em um primeiro momento, foi identificado que para tomar as decisões (variáveis de
saída) presentes no simulador já citadas no capítulo anterior (preço do produto, investimentos
em marketing, investimentos em pesquisa e desenvolvimento, investimentos em
equipamentos, manutenção da fábrica, compra de matéria-prima e distribuição de dividendos),
são necessárias algumas informações (variáveis de entrada): índices econômicos (IGP, IVE e
IAE), preços praticados pelas outras empresas da indústria, volume de vendas da empresa,
participação (market-share) e lucro. Tais informações são disponibilizadas a cada trimestre
nos demonstrativos.
A previsão de vendas é obtida observando-se os indicadores econômicos (IGP, IVE e
IAE).
O preço é resultado de duas observações. A primeira é quão distante o preço praticado
pela empresa está da média do mercado, e depois deve-se observar o preço praticado pela
empresa mais eficiente em vendas.
Os esforços em marketing e investimentos em P&D devem levar em consideração o
IGP, IVE e IAE, assim como o preço, volume de vendas, mercado potencial da empresa
(disponibilizado nos relatórios a cada trimestre) e capacidade produtiva.
Os investimentos na manutenção da fábrica são afetados pelos índices econômicos,
pelo volume de vendas, pela participação da empresa e pelo lucro.
Investimentos em equipamentos são afetados pelo IGP, pelo volume de vendas, pela
participação da empresa e pelo lucro.
Para a compra de matéria prima pode-se adotar diversas estratégias, como a utilização
de estoque de segurança. Adotou-se aqui um método sugerido pelo especialista:

(+) Volume de produção programada

(-) Estoque final de matéria prima
(=) Estoque residual de matéria prima

Se o estoque residual de matéria prima for maior que volume de produção

programada, deve-se repor o volume de produção; se o estoque residual de matéria prima for
menor que o volume de produção programada, deve-se repor a capacidade de produção:

(+) Capacidade de produção

(+) Investimentos em equipamentos (1/20)
(-) Depreciação projetada (0,025)
(=) Capacidade de produção * 1,5 (considera-se horas extras)

96
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

O lucro é o fator a ser observado para se fazer a distribuição de dividendos (25% do

lucro líquido acumulado no ano). Para a tomada de decisão, utilizamos o conceito de
lucratividade (SEBRAE):

𝐿𝑢𝑐𝑟𝑜
𝐿𝑢𝑐𝑟𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒 = 𝑥100 (4)
𝑃𝑟𝑒ç𝑜𝑥𝑉𝑜𝑙𝑢𝑚𝑒𝑑𝑒𝑉𝑒𝑛𝑑𝑎𝑠

A participação de cada empresa é um resultado da divisão do volume de vendas da

empresa pelo volume de vendas total da indústria, então foi decidido utilizar apenas a
participação para a tomada de decisão, não utilizando o volume de vendas.
Em um segundo momento, todas as variáveis citadas acima foram discretizadas junto
ao especialista, e tem seus conjuntos assim formados: baixo, médio e alto.
Após a discretização das variáveis, foi criado, também junto ao especialista, um
conjunto de regras fuzzy, como o exemplo:

SE IGP=Alto E IVE=Alto E IAE=Baixo E Preço=Médio E Participação=Baixo E

Lucratividade=Alto ENTÃO Previsão de Vendas=Médio; Preço=Médio; Marketing=Alto;
P&D=Alto; Manutenção=Médio; Equipamentos=Baixo e Dividendos=Baixo.

5. ESTUDO DE CASO

Foi escolhida, aleatoriamente pelo especialista, uma indústria com seis empresas na
qual as simulações já haviam sido feitas na disciplina, e utilizou-se a empresa Manada High
Tech SA, que obteve os piores resultados para aplicar o sistema. A empresa em questão havia
ficado em último lugar, com prejuízo de $506.595,00.
Foi elaborado junto ao especialista um conjunto com cento e cinco regras, e as
variáveis de saída obtidas a partir destas regras foram aplicadas ao jogo de empresas. O
resultado não foi satisfatório, visto que a empresa selecionada obteve prejuízo de
$474.787,00, permanecendo em último lugar. Observando as saídas fuzzy, foram
identificados investimentos muito elevados em equipamentos e preços muito baixos, o que
indicou problemas com as regras.
Algumas regras eram conflitantes entre si e outras tinham pouca probabilidade de
ocorrência no jogo, segundo informações do especialista. Então, decidiu-se eliminar tais
regras, chegando a dois novos conjuntos, um com cinquenta e uma e outro com trinta regras.
Ambos os conjuntos de regras foram testados. O resultado obtido com o conjunto contendo
trinta regras também não foi satisfatório, apresentando pouca melhoria em relação à
simulação original, na qual a empresa estava na sexta colocação e com o sistema, subiu para a
quinta, apresentando prejuízo de $170.135,00. Já na simulação com cinquenta e uma regras, a
empresa ficou na terceira colocação, com lucro de $151.325,00.
Desta maneira, para este trabalho foi adotado o conjunto contendo cinquenta e uma
regras, as quais estão no Anexo 1.

Market-share (%)
Lucro ($) Colocação
(Participação)
Manada High Tech AS -$506.595,00 4,68 6
Simulação com 105 regras -$474.787,00 16,98 6
Simulação com 51 regras $151.325,00 18,93 3

97
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

Simulação com 30 regras -$170.135,00 20,49 5

Tabela 1 – Resultados das simulações

6. CONCLUSÕES

Considerando-se o objetivo proposta, que era verificar se um sistema especialista fuzzy

seria capaz de auxiliar a ponto de melhorar o desempenho de uma empresa no ambiente
simulado, pode-se concluir que, para o presente caso, sim. Essa conclusão foi alcançada ao
verificar-se que, se fosse utilizado, única e exclusivamente, o sistema especialista a empresa
que se encontrava em último colocado no jogo passou para a terceira posição, e com lucro
positivo.
O estudo corrobora as ideias dos autores adotados no referencial, como a decisão
gerencial é envolvida por um complexo de variáveis que levam o decisor a usar a
subjetividade, o que Simon denominou racionalidade limitada (SIMON, 1970, apud
AMARAL, 2006) e que a lógica fuzzy permite expressar incertezas de modo mais consistente,
por meio dos conjuntos nebulosos (WUERGES e BORBA (2010; p.5).
A principal limitação encontrada foi que este trabalho considerou apenas as variáveis
utilizadas na disciplina LGS I, não levando em consideração as disciplinas LGS II e III
(disciplinas mais avançadas), nas quais os alunos podem abrir o mercado, exportando suas
mercadorias, trabalhar com mudanças de turnos, realizar projetos individualmente ou em
conjunto com outras empresas, como por exemplo, comprar matéria prima de outro fornecer
por um melhor preço. Além disso, as regeras foram montadas à luz de um único especialista,
sem haver uma discussão envolvendo um grupo maior de especialistas.
Desta forma, propõe-se novos estudos para aplicação do sistema especialista
considerando todas as variáveis presentes no simulador e até mesmo em outros jogos de
empresas. Além disso propõe-se também a consideração de outros especialistas para balizar
melhor as regras e verificar-se a possibilidade de melhorar o desempenho da empresa do caso
estudado.

REFERÊNCIAS

AMARAL, Fernando F. Estudo da relação entre a teoria da tomada de decisão e a teoria

dos perfis de comportamento humano organizacional. In: VII SALÃO DE INICIAÇÃO
CIENTÍFICA E TRABALHOS ACADÊMICOS, 7., 2006. Guaíba. Artigo... Guaíba:
ULBRA, 2006. Disponível em: <
http://guaiba.ulbra.tche.br/pesquisas/2006/artigos/administracao/166.pdf>. Acesso em: 07 jun.
2012.

BARIN, Alexandre et al . Seleção de fontes alternativas de geração distribuída utilizando

uma análise multicriterial baseada no método AHP e na lógica fuzzy. Sba Controle &
Automação,Campinas, v. 21, n. 5, out. 2010 . Disponível em
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-
17592010000500004&lng=pt&nrm=iso>. acessos em 10 jan. 2012.
http://dx.doi.org/10.1590/S0103-17592010000500004.

BAZERMAN, M. H. (2004). Processo decisório. Rio de Janeiro: Campus, 2004.

98
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

CARAVANTES, G. R.; PANNO, C. C.; KLOECKNER, M. C. Administração: teorias e

processo. Pearson/ Prentice Hall, 2005.

BARROS, Laércio Carvalho de; BASSANEZI, Rodney Carlos. Tópicos de lógica fuzzy e
biomatemática. Campinas, SP: UNICAMP/IMECC, 2006.

DEMASI, P.; CRUZ, A.J.O. Modelagem Fuzzy para um Jogo de Naves Espaciais.
Proceedings of 1st Brazilian Workshop in Games and Digital Entertainment WJogos 2002,
Fortaleza, Brasil. 100-106.

GOMES, Luiz Flávio A. M. Teoria da decisão. IN: VASCONCELLOS, Isabel;

VASCONCELLOS, Flávio (coord.) Coleção debates em administração. São Paulo: Thomson
Learning, 2007.

JORDAO, Emmanuela A. Jogos de empresas como ferramenta de ensino em transportes:

uma aplicação no transporte rodoviário de cargas no Brasil. Rio de Janeiro, 2010. 200 f.
Dissertação (Mestrado em Engenharia de Transportes) – Programa de Pós-Graduação em
Engenharia de Transportes, COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro,
2010.

ODERANTI, Festus Oluseyi; DE WILDE, Philippe. Automatic fuzzy decision making

system with learning for competing and connected businesses. 2011.

ODERANTI, Festus Oluseyi; DE WILDE, Philippe. Dynamics of business games

withmanagement of fuzzy rules for decisionmaking. 2010.

OLIVEIRA JÚNIOR, Hime Aguiar e. Lógica Difusa: aspectos práticos e aplicações. Rio de
Janeiro: Interciência, 1999.

RIEDER, Rafael; BRANCHER, Jacques Duílio. Aplicação da lógica fuzzy a jogos didáticos
de computador- A experiência do mercadão GL.VII Congresso Iberoamericano de
Informática Educativa. RS: 2004.

ROSAS, André Rosenfeld; SAUAIA, Antonio Carlos Aidar. Modelo conceitual de decisões
no estágio de criação de um negócio: base para construção de um simulador para jogos
de empresas. Rev. adm. contemp., Curitiba, v. 13, n. 4, dez. 2009 . Disponível em
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1415
65552009000400009&lng=pt&nrm=iso>. acessos em 02 nov. 2010. doi: 10.1590/S1415-
65552009000400009.

SAUAIA, Antonio Carlos Aidar; ZERRENNER, Sabrina Arruda. Jogos de empresas e

economia experimental: um estudo da racionalidade organizacional na tomada de
decisão. Rev. adm. contemp., Curitiba, v. 13, n. 2, June 2009 . Available from
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1415-
65552009000200003&lng=en&nrm=iso>.access on 08 Nov. 2010. doi: 10.1590/S1415-
65552009000200003.

99
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

SAUAIA, Antonio Carlos Aidar. Laboratório de gestão: simulador organizacional, jogos

de empresas e pesquisa aplicada. Barueri, SP: Manole, 2008.

SAUAIA, A. C. A. Monografia Racional. Anais do 1o. SEMEAD – Seminários em

Administração. Volume 01, Setembro, 1996, p.276-94. PPGA/FEA/USP/SP.

SAUAIA, A. C. A. Monografia Visual. Anais do 10º. SEMEAD – Seminários em

Administração. Volume 10, Agosto, 2007. PPGA/FEA/USP/SP.

SAUAIA, A.C.A. Laboratório de Gestão: simulador organizacional, jogo de empresas e

pesquisa aplicada. Manole: Barueri, S. Paulo, 2008 (Livro-texto da disciplina Laboratório de
Gestão Simulada).

SEBRAE
Disponível em: http://www.sebrae.com.br/customizado/uasf/gestao-financeira/analise-
financeira. Acesso em 16 set. 2012.

SHAW, Ian S.; SIMÕES, Marcelo G. Controle e modelagem Fuzzy. Editora Edgard
BlucherLtda, São Paulo, 1999.

WUERGES, Artur Filipe Ewald; BORBA, José Alonso. Redes neurais, lógica nebulosa e
algoritmos genéticos: aplicações e possibilidades em finanças e contabilidade. JISTEM
J.Inf.Syst. Technol. Manag. (Online),São Paulo, v. 7, n. 1, 2010 . Disponível em
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1807-
17752010000100008&lng=pt&nrm=iso>. acessos em 11 jan. 2012.
http://dx.doi.org/10.4301/S1807-17752010000100007.

100
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

7. ANEXOS

Anexo 1 – Conjunto de regras

Variáveis que afetam as decisões Variáveis de decisão

Preço Partici- Lucrativi- Manu- Equipa- Dividen-
IGP IVE IAE PrevisãoVendas Preço MKT P&D
Médio pação dade tenção mentos dos
A A A A A A A M A A A M A
M M M M M M M B M M M B M
A A B A A A M M A A M B A
A B A A A A M M A A M B A
B A A A A A A M A M A M A
B A B A A A M M A M M B A
B A A B A A A B M B M M A
A A A A B B M M A M B B B
A A B A B B B M A B B B B
A B B B B B M B A A M B B
B B A B B B M M A A M B B
A A A A A M A A A A A M M
A A M A A M A A A A A B M
A M A A A M A M A A A M M
M A A A A M A A A A A M M
M A A M A M A M A A A M M
M M A A M A A M A A B B A
M M M M A A A M A M A B A
M M M A A M A M A A A A M
M M M A M M A M A A A A M
M M M M A M A M A A A A M
M B M M M M M M A M M M M
A A M B A A M M A M M M A
M B A A A A A A A A A A A
A A B M A A M M A A A M A
A M B M A A M M A M M M A
A B M B A A M M A M M M A
B M B A A A M M A M M B A

101
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.
 REVISTA LAGOS
Laboratório de Gestão Organizacional Simulada
www.revistalagos.uff.br

Variáveis que afetam as decisões Variáveis de decisão

Preço Partici- Lucrativi- Manu- Equipa- Dividen-
IGP IVE IAE PrevisãoVendas Preço MKT P&D
Médio pação dade tenção mentos dos

A M B M A A M M M M M B A
M B M A A A M M A M M B A
A A A A M B A M A A M B B
A M M B A A M M A M M B A
M M B A A A M M A M M B A
A B B M A A M M A M M B A
B B M A A A M M A M M B A
A A A B B M M M A A A B M
B B B M A A M M A A A M A
B B M B A A M M A M M M A
A A B M B A M M A A M B A
B M B B A A M M A A M B A
M M B M A A M M A M M B A
A A M B M A A M A A M B A
M B M M A A M M A M M B A
M B M B A A M M A A M M A
A A B M B B M M M M M B B
A B M B B B M M A A M B B
A A M M M B A M A A M B B
A M B M M A M M A M M B A
A B B B B M M M A A A B M
A B M B B B M M A A M B B
M M B M M A M M A M M B A

102
Revista LAGOS – UFF, Volta Redonda, v. 4, n.1, Maio/Out 2013.