A lógica proposicional estuda afirmações (proposições) que podem ser verdadeiras (V) ou falsas (F). Os conectivos lógicos combinam proposições simples para formar proposições compostas. Conhecemos quatro conectivos fundamentais: conjunção (e), disjunção (ou), condicional (se... então) e negação (não). Abaixo apresentamos a definição de cada um com suas tabelas-verdade. Utilizamos \(\wedge\) para "e", \(\vee\) para "ou", \(\rightarrow\) para "se...então" e \(\sim\) ou \(\neg\) para negação.
A conjunção \(p \wedge q\) é verdadeira apenas quando ambas as proposições \(p\) e \(q\) são verdadeiras; nos demais casos é falsa.
\[ \begin{array}{c|c|c} p & q & p \wedge q \\ \hline V & V & V \\ V & F & F \\ F & V & F \\ F & F & F \\ \end{array} \]
A disjunção \(p \vee q\) é falsa apenas quando ambas as proposições são falsas; em todos os outros casos é verdadeira (ou inclusivo: pelo menos uma verdadeira).
\[ \begin{array}{c|c|c} p & q & p \vee q \\ \hline V & V & V \\ V & F & V \\ F & V & V \\ F & F & F \\ \end{array} \]
A condicional \(p \rightarrow q\) (lê-se: "se p então q") é falsa apenas no caso em que a antecedente \(p\) é verdadeira e a consequente \(q\) é falsa. Nos demais casos, é verdadeira.
\[ \begin{array}{c|c|c} p & q & p \rightarrow q \\ \hline V & V & V \\ V & F & F \\ F & V & V \\ F & F & V \\ \end{array} \]
A negação \(\sim p\) (ou \(\neg p\)) inverte o valor lógico da proposição: se \(p\) é verdadeira, \(\sim p\) é falsa; se \(p\) é falsa, \(\sim p\) é verdadeira.
\[ \begin{array}{c|c} p & \sim p \\ \hline V & F \\ F & V \\ \end{array} \]
A tabela abaixo reúne todos os conectivos para facilitar a comparação:
\[ \begin{array}{c|c|c|c|c|c} p & q & p \wedge q & p \vee q & p \rightarrow q & \sim p \\ \hline V & V & V & V & V & F \\ V & F & F & V & F & F \\ F & V & F & V & V & V \\ F & F & F & F & V & V \\ \end{array} \]
Observe os valores e memorize os padrões. A lógica proposicional é a base do raciocínio matemático e computacional. Pratique criando exemplos com frases do dia a dia!
No dia a dia, usamos a nossa língua natural (português, inglês, etc.) para nos comunicar. Essa linguagem é rica, mas pode ser ambígua. Já a linguagem matemática (ou simbólica) utiliza símbolos precisos para representar ideias de forma clara e sem duplicidade de interpretação.
Na lógica proposicional, representamos proposições simples por letras como \(p\) e \(q\) e usamos conectivos (\(\wedge\), \(\vee\), \(\rightarrow\), \(\sim\)) para criar proposições compostas. A seguir, damos um exemplo concreto e traduzimos expressões simbólicas para a linguagem natural.
Considere as seguintes proposições simples:
Agora vamos escrever em linguagem natural (português claro) as proposições compostas formadas a partir de \(p\) e \(q\) com os conectivos lógicos.
Linguagem natural: "Hoje está chovendo e eu sou aluno de IA."
(A frase combina as duas informações com o conectivo "e", indicando que ambas as condições são verdadeiras.)
Linguagem natural: "Hoje não está chovendo e eu sou aluno de IA."
(Primeiro negamos "Hoje está chovendo" – que vira "Hoje não está chovendo" – e depois unimos com "e eu sou aluno de IA".)
Linguagem natural: "Hoje está chovendo ou eu sou aluno de IA."
(Na linguagem cotidiana, esse "ou" pode ser interpretado como pelo menos um dos dois acontecendo – podendo inclusive ambos.)
Linguagem natural: "Se hoje está chovendo, então eu sou aluno de IA."
(A implicação afirma que, no caso de a primeira parte ser verdadeira, a segunda obrigatoriamente também é.)
A linguagem matemática elimina ambiguidades. Por exemplo, na língua natural a palavra "ou" pode significar "um ou outro, mas não ambos" (ou exclusivo) ou "pelo menos um". Na lógica, usamos símbolos diferentes (\(\vee\) para o inclusivo; às vezes \(\veebar\) para o exclusivo). As tabelas-verdade fixam exatamente o significado.
Outro ponto: a condicional "se... então" em português às vezes sugere uma relação de causa e efeito, mas na lógica \(p \rightarrow q\) é apenas uma relação formal definida pela tabela-verdade (falsa apenas quando \(p\) é verdadeira e \(q\) falsa).
Praticar a tradução entre os dois mundos ajuda a estruturar o raciocínio lógico e a evitar armadilhas da linguagem comum.
Este texto explora os fundamentos do raciocínio dedutivo, com ênfase no silogismo, nas falácias comuns e nas transformações lógicas de uma proposição condicional: positiva (afirmação), contrária, recíproca e contra-positiva. Utilizamos a notação \( \rightarrow \) para implicação e os quantificadores universais para expressar as relações.
Um silogismo é um argumento dedutivo composto por duas premissas e uma conclusão. A estrutura canônica é:
Premissa maior: Todos os \( M \) são \( P \).
Premissa menor: Todos os \( S \) são \( M \).
Conclusão: Portanto, todos os \( S \) são \( P \).
Em notação lógica, com \( \forall \) (para todo) e implicação \( \rightarrow \):
\[ \forall x \, (M(x) \rightarrow P(x)) \quad \text{e} \quad \forall x \, (S(x) \rightarrow M(x)) \;\; \vdash \;\; \forall x \, (S(x) \rightarrow P(x)) \]Este é o silogismo Barbara (modo categórico). A validade decorre da transitividade da implicação.
Premissa 1: Todos os seres humanos são mortais. (\( H \rightarrow M \))
Premissa 2: Sócrates é humano. (\( S \rightarrow H \))
Conclusão: Sócrates é mortal. (\( S \rightarrow M \))
Formalmente: \( (H \rightarrow M) \land (S \rightarrow H) \Rightarrow (S \rightarrow M) \).
Falácias são erros de raciocínio que comprometem a validade do argumento. Algumas das mais frequentes:
Se \( P \) então \( Q \). \( Q \) é verdadeiro. Logo, \( P \) é verdadeiro.
Exemplo: "Se chove, a rua fica molhada. A rua está molhada. Logo, choveu." — isso ignora outras causas (caminhão-pipa, por exemplo).
Em lógica: \( (P \rightarrow Q) \land Q \not\Rightarrow P \).
Se \( P \) então \( Q \). \( P \) é falso. Logo, \( Q \) é falso.
Exemplo: "Se estudo, passo no exame. Não estudei. Logo, não passei." — pode ter passado por outros meios.
Em lógica: \( (P \rightarrow Q) \land \neg P \not\Rightarrow \neg Q \).
\( P \) ou \( Q \). \( P \) é verdadeiro. Logo, \( Q \) é falso. — isso só é válido se a disjunção for exclusiva.
Outras falácias incluem petição de princípio, apelo à autoridade e falsa causa. O estudo das falácias ajuda a depurar argumentos e evitar conclusões inválidas.
Dada uma proposição condicional fundamental: \( P \rightarrow Q \) (se \( P \), então \( Q \)), definimos quatro variações lógicas. Elas são essenciais para entender equivalências e inferências.
É a afirmação original: \( \quad P \rightarrow Q \).
Exemplo: "Se está chovendo, então o chão está molhado."
Negamos ambos os termos: \( \quad \neg P \rightarrow \neg Q \).
Exemplo: "Se não está chovendo, então o chão não está molhado." — Não é logicamente equivalente à original, pois o chão pode estar molhado por outros motivos.
Em termos de verdade, a contrária não se segue da original.
Invertemos a ordem: \( \quad Q \rightarrow P \).
Exemplo: "Se o chão está molhado, então está chovendo." — também não é equivalente à original (falácia da afirmação do consequente).
Observe que a recíproca é a contrapositiva da contrária.
Invertemos e negamos ambos: \( \quad \neg Q \rightarrow \neg P \).
Exemplo: "Se o chão não está molhado, então não está chovendo." — esta é logicamente equivalente à proposição original.
A contra-positiva sempre possui o mesmo valor de verdade que a condicional original. Isso é um princípio fundamental da lógica clássica.
Positiva (original): \( P \rightarrow Q \)
Contrária (inversa): \( \neg P \rightarrow \neg Q \)
Recíproca (conversa): \( Q \rightarrow P \)
Contra-positiva: \( \neg Q \rightarrow \neg P \)
Apenas a contra-positiva é logicamente equivalente à original.
Muitas falácias surgem justamente da confusão entre a proposição original e sua recíproca ou contrária. No silogismo, a validade depende da correta aplicação das regras de inferência. Por exemplo, o modus ponens usa a forma:
\[ (P \rightarrow Q) \land P \Rightarrow Q \]Enquanto o modus tollens utiliza a contra-positiva:
\[ (P \rightarrow Q) \land \neg Q \Rightarrow \neg P \]A contra-positiva é, portanto, uma ferramenta poderosa para testar a consistência de argumentos. Se a contra-positiva for falsa, a condicional original também será falsa.
Premissa: Se um animal é um cão, então ele é um mamífero. (\( C \rightarrow M \))
Contra-positiva: Se um animal não é mamífero, então ele não é um cão. (\( \neg M \rightarrow \neg C \))
Se sabemos que um animal não é mamífero, podemos deduzir que não é um cão — silogismo válido.
Para ilustrar a equivalência lógica entre a condicional e sua contra-positiva, e a não equivalência com a recíproca e contrária, consideremos a tabela abaixo (para \( P \) e \( Q \) booleanos).
| \( P \) | \( Q \) | \( P \rightarrow Q \) (positiva) | \( \neg P \rightarrow \neg Q \) (contrária) | \( Q \rightarrow P \) (recíproca | \( \neg Q \rightarrow \neg P \) (contra-positiva) |
| V | V | V | V | V | V |
| V | F | F | V | V | F |
| F | V | V | F | F | V |
| F | F | V | V | V | V |
Observe que a coluna da contra-positiva é idêntica à da proposição original, confirmando a equivalência. Já a contrária e a recíproca diferem em algumas linhas, demonstrando que não são equivalentes.
Compreender o silogismo, identificar falácias e dominar as variações lógicas (positiva, contrária, recíproca e contra-positiva) é fundamental para o pensamento crítico e a argumentação sólida. A contra-positiva, em especial, é uma ferramenta valiosa para provar teoremas e refutar argumentos inválidos.
A lógica nos ensina que nem toda forma aparentemente similar é correta — e a matemática, por meio da notação \( \rightarrow \) e das regras de inferência, nos dá precisão para distinguir o válido do falacioso.
A Inteligência Artificial aplicada aos negócios não nasceu com os computadores modernos. Na Administração, a busca por automatizar tomadas de decisão e padronizar processos repetitivos sempre foi um objetivo central para aumentar a eficiência operacional e reduzir custos.
Em 1957, o psicólogo americano Frank Rosenblatt criou o Perceptron. Ele se inspirou diretamente na biologia, tentando replicar em um computador a forma como os neurônios humanos transmitem e processam impulsos elétricos. Naquela época, o Perceptron foi o primeiro modelo de rede neural artificial capaz de "aprender" a classificar dados linearmente a partir de exemplos.
Para um administrador, o Perceptron representa a transição dos sistemas baseados em regras rígidas criadas por humanos (como planilhas tradicionais com fórmulas SE/ENTÃO manuais) para sistemas preditivos computacionais. Ele analisa dados históricos de operações passadas para tomar decisões automatizadas no presente.
O Perceptron funciona como um mecanismo de pesagem de evidências para resolver problemas de classificação binária (decisões do tipo Sim/Não, Aprova/Recusa, Compra/Vende).
O neurônio multiplica cada dado coletado pelo seu respectivo peso, soma todos esses valores e subtrai a barreira de corte da organização:
\[y = \sum_{i=1}^{n} x_i \cdot w_i - b\]
A combinação linear das entradas com os pesos é dada por:
\[ z = \sum_{i=1}^{n} (w_i \cdot x_i) + b \]
onde:
Em seguida, aplicamos uma função de ativação. No perceptron clássico, usamos a função degrau (Heaviside):
\[ y = \begin{cases} 1 & \text{se } z \ge 0 \text{ (aprovado)} \\ 0 & \text{se } z < 0 \text{ (reprovado)} \end{cases} \]
Imagine um banco que deseja decidir se aprova ou não um empréstimo com base em três características do cliente:
O viés (bias) adotado será \(b = -5\) (um limiar padrão para dificultar a aprovação, exigindo boas pontuações).
Cálculo de \(z\):
\[ \begin{aligned} z &= (0,0001 \times 5000) + (0,5 \times 2) + (0,002 \times 650) + (-5) \\ &= 0,5 + 1,0 + 1,3 - 5 \\ &= 2,8 - 5 \\ &= -2,2 \end{aligned} \]
Como \(z = -2,2 < 0\), a saída \(y = 0\). Decisão: REPROVAR crédito.
Cálculo de \(z\):
\[ \begin{aligned} z &= (0,0001 \times 12000) + (0,5 \times 5) + (0,002 \times 820) + (-5) \\ &= 1,2 + 2,5 + 1,64 - 5 \\ &= 5,34 - 5 \\ &= 0,34 \end{aligned} \]
Como \(z = 0,34 \ge 0\), a saída \(y = 1\). Decisão: APROVAR crédito.
O cliente A tem um salário razoável e score mediano, mas pouco tempo de relacionamento. O somatório ponderado não atingiu o limiar (bias negativo), resultando em reprovação.
O cliente B tem alta renda, longo relacionamento e bom score, o que fez \(z\) superar o limiar, sendo aprovado.
Esse é o princípio básico de um perceptron: uma combinação linear seguida de uma decisão binária. Na prática, os pesos e o bias são aprendidos a partir de dados históricos.
Imagine uma instituição financeira que deseja automatizar sua mesa de crédito para acelerar a liberação de empréstimos, simulando exatamente o cenário prático discutido em aula.
O banco escolhe três indicadores para avaliar o perfil de um cliente:
A diretoria de riscos do banco estabelece os seguintes pesos de importância e a barreira de corte:
Vamos testar o sistema do banco calculando o resultado de processamento para dois clientes com perfis socioeconômicos distintos.
O cliente possui 8 anos de conta aberta (\(x_1 = 8\)), recebe um salário de R$ 6.000,00 (\(x_2 = 6\)) e tem score 7 (\(x_3 = 7\)).
Cálculo do Somatório Ponderado:
\[\text{Soma} = (x_1 \cdot w_1) + (x_2 \cdot w_2) + (x_3 \cdot w_3)\]
\[\text{Soma} = (8 \cdot 1.5) + (6 \cdot 2.0) + (7 \cdot 3.0)\]
\[\text{Soma} = 12 + 12 + 21 = 45\]
Aplicação da Equação Final (Subtraindo o Corte):
\[y = 45 - b \rightarrow y = 45 - 30 = 15\]
Resultado da Decisão: Como o valor final de \(y\) é maior que zero (\(15 > 0\)), o sistema emite o output 1 (SIM - CRÉDITO APROVADO).
O cliente abriu a conta há apenas 1 ano (\(x_1 = 1\)), tem salário de R$ 3.000,00 (\(x_2 = 3\)) e score baixo de valor 4 (\(x_3 = 4\)).
Cálculo do Somatório Ponderado:
\[\text{Soma} = (1 \cdot 1.5) + (3 \cdot 2.0) + (4 \cdot 3.0)\]
\[\text{Soma} = 1.5 + 6 + 12 = 19.5\]
Aplicação da Equação Final (Subtraindo o Corte):
\[y = 19.5 - b \rightarrow y = 19.5 - 30 = -10.5\]
Resultado da Decisão: Como o valor final de \(y\) é menor que zero (\(-10.5 < 0\)), o sistema emite o output 0 (NÃO - CRÉDITO RECUSADO).
A regressão linear simples busca encontrar a reta que melhor se ajusta a um conjunto de pontos \((x, y)\), minimizando o erro quadrático entre os valores reais e os previstos pela reta \(y = ax + b\).
Dados \(n\) pontos \((x_i, y_i)\), definimos:
\[ a = \frac{n \sum xy - \sum x \sum y}{n \sum x^2 - (\sum x)^2} \]
\[ b = \frac{\sum y - a \sum x}{n} \]
Alternativamente, \(b\) também pode ser escrito como:
\[ b = \frac{\sum x^2 \sum y - \sum x \sum xy}{n \sum x^2 - (\sum x)^2} \]
O coeficiente \(r\) mede a força e a direção da relação linear entre \(x\) e \(y\):
\[ r = \frac{n \sum xy - \sum x \sum y}{\sqrt{[n \sum x^2 - (\sum x)^2][n \sum y^2 - (\sum y)^2]}} \]
O \(R^2\) indica a proporção da variância de \(y\) que é explicada pela reta de regressão:
\[ R^2 = r^2 \]
O valor de \(R^2\) está sempre entre 0 e 1. Quanto mais próximo de 1, melhor o ajuste linear.
Como citar essa página:
FUMACHI, E. F. . Disponível em: . Acesso em: .