Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17 2019
1201.1
MÉTODOS DE PESQUISA EM EDUCAÇÃO MATEMÁTICA:
BAYESIANISMO QUÂNTICO (QBISM) E MECÂNICA QUÂNTICA
DIFUSA (FUZZY)
METHODS OF RESEARCH IN MATHEMATICAL EDUCATION: QUANTUM BAYESIANISM (QBISM) AND
FUZZY QUANTUM MECHANICS (FUZZY)
Péricles César de Araujo1 e Sonia Barbosa Camargo Igliori2
1Doutor em Educação Matemática PUC-SP. Docente da UEFS, Endereço para correspondência Av.
Transnordestina, S/N-Novo Horizonte, UEFS-DEXA, CEP-44036-900 E-mail: [email protected].
2Doutora em Matemática PUC-SP. Docente do Programa de Estudos Pós-Graduados em Educação Matemática da
PUC-SP. Endereço para correspondência: Rua Marquês de Paranaguá, 111 - Prédio 1 - 2º andar – Consolação,
CEP- 01303-050. E-mail: [email protected].
Em 2001, um grupo de pesquisadores começou a desenvolver um modelo para eliminar os paradoxos quânticos ou
coloca-los numa forma menos inquietante. O modelo, conhecido como bayesianismo quântico ou simplesmente
QBism, reescreve a entidade que vive no centro da estranheza quântica – a função de onda. Uma metáfora, um
modelo semelhante a esse, foi construído por meio de uma metodologia de pesquisa desenvolvida no âmbito da
Educação Matemática que avalia o uso de métodos mistos (qualitativos e quantitativos) para poder ampliar o grau de
confiabilidade dos resultados. O objetivo é refletir sobre a problemática de combinação de métodos de pesquisa,
tendo em vista a variabilidade e a imprecisão dos dados dessa área de investigação. Tradicionalmente a variabilidade,
aspecto aleatório dos dados, é analisada por meio de métodos quantitativos utilizando a Estatística Clássica, e a
imprecisão é geralmente analisada por meio de métodos qualitativos. A proposta deste artigo é apresentar uma
combinação de métodos utilizando a Estatística Bayesiana, Bayesianismo Quântico (QBism) e a Lógica dos
Conjuntos Difusos, evidenciando possíveis vantagens da mesma. Palavras chave: Pesquisa em Educação Matemática, Método Estatístico Bayesiano, Bayesianismo Quântico
(QBism), Conjuntos Difusos.
In 2001, a group of researchers began to develop a model to eliminate quantum paradoxes or put them in a less
disturbing form. The model, known as the quantum Bayesian or simply QBism, rewrites the entity that lives at the
center of quantum strangeness - the wave function. A metaphor, a model similar to this one, was constructed through
a research methodology developed in Mathematics Education which evaluates the use of mixed methods (qualitative
and quantitative) to increase the degree of reliability of the results. The objective is to reflect on the problem of
combining research methods, considering the variability and imprecision of the data of this area of research.
Traditionally the variability, random aspect of the data, is analyzed by means of quantitative methods using the
Classical Statistics, and the imprecision is usually analyzed through qualitative methods. The proposal of this paper is
to present a combination of methods using Bayesian Statistics, Quantum Bayesian (QBism) and the Logic of Fuzzy
Sets, evidencing possible advantages of the same.
Key words: Research in Mathematical Education, Bayesian Statistical Method, Quantum Bayesianism (QBism),
Fuzzy Sets.
1. INTRODUÇÃO
O Método Bayesiano e a Lógica dos Conjuntos Difusos, metodologias utilizadas no
desenvolvimento da tese de Araújo (2013), também, foi utilizado alguns conceitos desenvolvidos no
âmbito da Mecânica Quântica para justificar a combinação de métodos de pesquisa, tendo em vista a
incerteza, ou seja, a variabilidade e a imprecisão dos dados observados na pesquisa em Educação
Matemática. Por exemplo, o princípio da incerteza de Haisenberg, utilizado em Araújo (2013), um
princípio desenvolvido na Mecânica Quântica, isto é, algumas quantidades não podem ser conhecidas
simultaneamente. E ainda levamos em conta o princípio da incerteza de Heisenberg, Moraes e Torre
(2004, p. 27) que afirmam:
Associando o princípio da incerteza às descobertas relacionadas ao princípio da
complementaridade onda/partícula formulado por Niels Bohr, que explicou a natureza
complementar da matéria e a existência de superposição de estados quânticos, a física
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.2
quântica reforçou ainda mais a impossibilidade de se determinar como uma situação
experimental se apresentará até o momento da interferência do observador.
Descobriu-se que o cientista já não podia distanciar-se do objeto para descrever os
mecanismos da natureza e que não era possível se eliminar o observador, mas sim
reintegrá-lo em sua intersubjetividade e restabelecer o seu diálogo com a natureza.
Como o Método Bayesiano, recentemente, vem sendo utilizado na Mecânica Quântica. Assim,
inicialmente, este artigo vai partir dessas constatações, observadas em Araújo (2013), também,
considerando Baeyer (2013, p 40):
Em 2001, um grupo de pesquisadores começou a desenvolver um modelo para
eliminar os paradoxos quânticos ou coloca-los numa forma menos inquietante. O
modelo, conhecido como bayesianismo quântico ou simplesmente QBism, reescreve a
entidade que vive no centro da estranheza quântica – a função de onda.
Como a função de onda, representada por uma função de para qualquer instante , é o
centro da estranheza quântica. Dessa maneira, temos que definir a função de onda, de acordo com Baeyer
(2013), por meio de uma expressão matemática que descreve as propriedades do elétron. De uma maneira
convencional e considerando que a equação de Schrödinger que determina a para qualquer
tempo futuro, Griffiths (2011, p.2) apresenta a interpretação estatística:
Mas o que é exatamente essa ‘função de onda’ e o que ela faz por você quando
obtida? Afinal, uma partícula, por natureza, está localizada e um ponto, enquanto a
função de onda (como seu nome sugere) está distribuída no espaço (é uma função de
, para qualquer instante dado ). Como tal objeto representa o estado de uma
partícula? A resposta é fornecida pela interpretação estatística de Born sobre a
função de onda é a probabilidade de encontrar a partícula no ponto , no
instante , ou, amis precisamente,
Com a definição da função de onda , por meio de Griffithes (2011, p.11-15), o valor esperado
e comprimento da onda está relacionado como momento da partícula
por meio da fórmula de Broglie , constante de Planck. Esses resultados, podemos apresentar
quantitativamente o princípio da incerteza de Heisenberg, ou seja, , onde é o desvio-padrão
em (posição de uma partícula), e é o desvio-padrão em (momento ), ou seja, essa
desigualdade indica que sistemas identicamente preparados não produzem resultados idênticos.
Na abordagem de Araújo (2013), este estudo insere-se nas investigações sobre metodologia de
pesquisa em Educação Matemática entre aquelas que avaliam que o uso de métodos mistos (qualitativo e
quantitativo) pode ampliar o grau de confiabilidade dos resultados de uma particular metodologia, a
Engenharia Didática interpretada com uma Estatística Bayesiana. Baeyer (2016, p.131) afirma que:
Simplesmente, a principal tese do QBism é que as probabilidades quânticas são medidas numéricas dos
graus de crença. Nesse sentido, a partir de Baeyer (2013), a proposta é a de refletir sobre uma nova
realidade física, por meio do Bayesianismo Quântico ou simplesmente QBism (Quantum Bayesianism),
uma Estatística Bayesiana.
Quanto à combinação de métodos vale destacar o que consideram Strauss e Corbin (2008, p. 40).
Dizem eles: a combinação de métodos pode ser feita por razões suplementares, complementares,
informativas, de desenvolvimento e outras. A proposta apresentada neste artigo se sustenta em duas
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.3
dessas razões: a de desenvolvimento e a de complementação. O desenvolvimento está proposto segundo a
perspectiva da metáfora conceitual de Lakoff e Johnson (2003) levando-se em consideração as críticas de
Otte (2008). E a ideia de complementaridade está em conformidade com os argumentos da Otte (2003).
No que se refere à pertinência do uso da metáfora, apoiamo-nos nas considerações de Leite (2010) sobre a
notável evolução de sua concepção culminando mesmo com o reconhecimento de sua função
epistemológica para ciência e para a matemática, com está ilustrado na Figura 1.
Figura 1: Metáfora e Matemática – distanciamentos e aproximações
Fonte: Leite (2010, p.100)
É fato de que a variabilidade, aspecto aleatório dos dados, é tradicionalmente analisada nas
pesquisas da Educação Matemática utilizando-se a Estatística Clássica, e a imprecisão dos dados é
geralmente analisada por meio de métodos qualitativos. Neste artigo propomos duas alterações
fundamentais: a utilização da Estatística Bayesiana para abordar a variabilidade ou aspecto aleatório, e da
Lógica dos Conjuntos Difusos para tratar a imprecisão. Isso se justifica, pois, a Estatística Bayesiana é
uma teoria que tem como base a definição subjetiva de probabilidade, atualizada por meio do Teorema de
Bayes. Assim, a Estatística Bayesiana, torna-se um suporte teórico para um método quantitativo na
análise da variabilidade dos dados, levando em conta também os aspectos subjetivos que envolvem a
pesquisa na área da Educação Matemática.
A Lógica dos Conjuntos Difusos tem como base a generalização da relação de pertinência
elementos / conjunto, essa lógica é adequada para tratar a imprecisão dos dados, porque os objetos
observados, no âmbito da pesquisa em Educação Matemática, não satisfazem de modo preciso aos
critérios de pertinência da Teoria Clássica de Conjuntos. Nesse sentido, Granik e Caulfield (2001)
mostram que a Mecânica Quântica pode ser considerada como uma Mecânica Difusa cuja lógica
subjacente é a Difusa, em contraste com a Lógica Clássica. Assim, os argumentos da Mecânica Clássica
podem ser vista como um limite nítido, ou seja, como uma Lógica Clássica com dois resultados possíveis:
. Enquanto, os argumentos da Mecânica Quântica são vistos com uma Lógica Difusa: .
Também com base nessas considerações, Granik e Caulfield (2001) afirmam que é possível chegar à
equação de Schroedinger diretamente da equação de Hamilton-Jacobi.
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.4
Reconhecemos essa importância e, numa perspectiva complementar, indicamos que a Estatística
Bayesiana não se atém apenas aos dados, isso porque é baseada na interpretação subjetiva de
probabilidade. Assim sendo também leva em consideração o ponto de vista do pesquisador, formalizando
o argumento de Kant, conhecimento nunca se dá de maneira neutra, isto é, como relação ao pesquisado a
substituição do adjetivo “observador” pela palavra “participante” (CAPRA, 2011, p. 150).
2. LÓGICA DIFUSA (FUZZY): A COMPLEMENTARIDADE ENTRE PROBABILIDADE E
GRAU DE ASSOCIATIVIDADE
As aplicações operacionais das Teorias Objetivas, Popper (2003 e 1993) estão associadas à
Estatística Clássica enquanto as Teorias Subjetivas têm aplicações operacionais nos Métodos Estatísticos
Bayesianos (PAULINO et al, 2003). A Estatística Clássica é caracterizada, no âmbito, das Ciências
Sociais como um procedimento expresso por fórmulas matemáticas e dados observados; isto é, uma
coleção de ferramentas misteriosas.
Métodos Estatísticos Bayesianos são fundamentados no Teorema de Bayes que revisa as
estimativas de probabilidade inicias. Segundo Lakatos (1999, p.99), o Método Bayesiano é
revolucionário. Os Métodos Estatísticos Bayesianos preservam aspectos de falseacionismo sofisticado ou
metodológico, segundo Popper, Lakatos e Gelman, e revisão de probabilidades, segundo Bayes e Kuhn.
Os problemas observados, no âmbito das Ciências Humanas, em particular na Educação Matemática, são
de natureza interdisciplinar. Portanto, adequados aos Métodos Bayesianos que cada vez mais são
utilizados nas soluções de problemas com tais caracterizações, possibilitando, assim, responder à questão
de relevância científica nas análises, como proposto por Popper, e não tornar a análise estatística somente
uma coleção de ferramentas.
Os conjuntos difusos são conjuntos cujos elementos têm graus de associativismo. Nos conjuntos
não difusos a relação de pertinência de elementos a um conjunto é binária, isto é, o elemento pertence ou
não ao conjunto, enquanto que na teoria de conjuntos difusos há uma avaliação gradual da pertinência do
elemento ao conjunto. A Lógica de Conjunto Difuso, ou simplesmente Lógica Difusa, tem como objetivo
representar o pensamento humano, ou seja, uma representação mais aproximada, ou melhor, ligar à
linguística e à inteligência humana, porque muitos conceitos são melhores definidos por palavras ou como
Zadeh (1995) definiu, variáveis linguísticas.
A partir da noção de conjuntos difusos Zadeh vai estender o conceito de probabilidade para um
evento difuso (fuzzy). Ele diz que nas experiências do dia a dia com frequência encontram-se situações
para as quais um “evento” é antes difuso do que um conjunto de pontos bem delimitados. E exemplifica
com os eventos em que há imprecisão nos significados das palavras e, portanto, difusos: “É um dia
quente” “x é aproximadamente igual a 5”, “em vinte jogadas de uma moeda há mais caras que coroas”
(ZADEH, 1968, p.421). Para Zadeh a extensão dos conceitos de evento e probabilidade para os conjuntos
difusos alarga o campo de aplicações da teoria das probabilidades.
A complementaridade foi definida em Bohr (1995) introduzindo a ideia de que: a natureza
humana é dotada de duas imagens assim com a onda e a partícula, elas são consideradas aspectos
complementares da matéria.
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.5
Otte (2003) interpreta essa definição de Bohr no âmbito da Educação Matemática, indicando que
a complementaridade faz referência a símbolos e conceitos, em um duplo sentido, que se reajustam
reciprocamente que se integram para capturar os aspectos essenciais do desenvolvimento cognitivo e
epistemológico do conhecimento científico e conceitos matemáticos.
Zadeh (1995) propõe que a Lógica do Conjunto Difuso não é concorrente à Teoria de
Probabilidades, mas complementar. Para este estudo nos interessa essa perspectiva a da
complementaridade na combinação de probabilidade com a intensidade de pertinência. O universo da
pesquisa na Educação Matemática é caracterizado por uma acentuada heterogeneidade, dessa forma, faz
sentido uma partição difusa deste universo, em que cada dado, informação ou indivíduo pode ser membro
parcial de mais de um subconjunto deste universo (SULEMAN, 2009).
Na Lógica do Conjunto Difuso define-se a função associativismo, uma função que assume
valores no intervalo [0; 1], grau de pertinência. Não se trata de uma probabilidade, representa sim, uma
medida matemática da proporção da intensidade de pertinência.
Por outro lado, no Cálculo de Probabilidade há função de densidade de probabilidade que é
diferente da função associativismo, porque mede o grau de incerteza de tal pertinência. Outra diferença
entre a função de densidade de probabilidade e a função de associativismo, do ponto de vista matemático,
é que a função de densidade de probabilidade é normalizada. Normalizar é multiplicar por uma constante,
para que a área da região limitada pelo eixo das abscissas e a curva de densidade de probabilidade, seja 1.
Com isso, a função f de densidade de probabilidade satisfaz: a) , b)
.
Segundo Ragin (2000), os cientistas sociais enfrentam um dilema, quando realizam pesquisa
social, quanto ao método de pesquisa diretamente relacionado tanto à profundidade quanto à amplitude do
método. Os métodos de pesquisa qualitativos têm a propriedade da profundidade, enquanto os métodos
quantitativos a propriedade da amplitude. Ragin (2000) considera que o método de pesquisa etnográfico,
um método qualitativo para determinara a dimensão sócio – cultural da Educação Matemática, conforme
Gurgel (2012, p.1), é uma estratégia de profundidade. Nesse sentido, por meio da lógica difusa (fuzzy),
Spagnolo (2003) tenta compreender como é possível analisar e estudar os fenômenos do
ensino/aprendizagem da Matemática em situação multicuturais.
2.1 Lógica Difusa (Fuzzy) e Mecânica Quântica
Segundo Granik e Caulfied (1996), é possível mostra que a Mecânica Quântica pode ser
considerada como o que poderíamos chamar de uma mecânica "difusa" cuja lógica subjacente é a difusa,
em contraste com a lógica clássica "nítida". Portanto, a mecânica clássica pode ser vista como um limite
nítido de uma mecânica quântica “difusa”. Com base nessas considerações, é possível chegar à equação
de Schroedinger diretamente da equação de Hamilton-Jacobi. O elo entre essas equações é baseado no
fato de que uma trajetória única (“nítida”) de uma partícula clássica emerge de um continum de possíveis
caminhos entrando em colapso para uma única trajetória de acordo com o princípio da menor ação. Isto
pode ser interpretado como uma conseqüência de uma suposição de que uma "partícula" quântica "reside"
em cada caminho do contínuo de caminhos que colapsam em uma única trajetória (única) de um
movimento clássico observado. Uma função de onda é então tratada como uma função que descreve uma
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.6
entidade determinística que possui um caractere difuso. Como consequência de tal interpretação, o
princípio da complementaridade e a dualidade onda-partícula podem ser abandonados em favor de um
micro objeto, determinístico difuso.
3. A ENGENHARIA DIDÁTICA CLÁSSICA, MÉTODO DA ESTATÍSTICA BAYESIANA E
BAYESIANISMO QUÂNTICO (QBISM)
A teoria da Engenharia Didática, um método qualitativo de pesquisa criado no âmbito da
Educação Matemática, foi elaborada numa analogia entre as ações da Didática da Matemática e do
trabalho de um Engenheiro. Isto é,
A noção de engenharia didática emergiu em didática da matemática no início dos anos
1980. Tratava-se de etiquetar com esse termo uma forma do trabalho: aquele
comparável ao trabalho do engenheiro que, para realizar um projeto preciso, se apoia
sobre os conhecimentos científicos de seu domínio, aceita submeter-se a um controle
de tipo científico, mas, ao mesmo tempo, se encontra obrigado a trabalhar sobre
objetos muito mais complexos que os objetos depurados da ciência e, portanto de se
atacar, praticamente com todos os meios que ele dispõe problemas que a ciência não
deseja ou não pode ainda se encarregar. (ARTIGUE, 1988, p. 283).
Ross e Onwuegbuzie (2012) propõem que pesquisadores em Educação Matemática poderiam
usar dados qualitativos na análise estatística, de maneira complementar. Considerando a definição de
Artigue(1988) e de forma complementar, Araújo e Igliori (2010) construiram um exemplo de método
misto, isto é, uma agregação do método quantitativo ao método qualitiativo da Engenharia Didática.
Neste item, o foco de interesse é a Engenharia Didática Clássica como uma metáfora conceitual
do Método Estatístico Bayesiano, conforme:
[...]metáfora na Matemática e na Educação Matemática, partindo da premissa de que
muitas equações A=B são metáforas, isto é, são construções teóricas somente
possíveis de serem concebidas a partir de uma perspectiva particular e inusitada de
estabelecimento de semelhança entre desiguais, de modo que a criatividade
matemática consiste em representar um objeto A como um outro objeto B para, desta
maneira, resolver um problema. Discutir a representação e comunicação com foco na
metáfora pode contribuir para uma compreensão diferente de como se desenvolvem as
idéias matemáticas, as particularidades de sua gênese, e particularmente o modo como
se dá a intercomunicação de tais idéias em contextos educativos. (LEITE E OTTE,
2010, p.87)
A Estatística Bayesiana é uma teoria que tem como base a definição subjetiva de probabilidade
que é atualizada por meio do Teorema de Bayes. O Teorema de Bayes para variáveis aleatórias discretas
por Bussab e Morettin (2002, p.311): Suponha que tenha os valores com probabilidades
a priori ; independente da experiência ou das informações dos
dados obsevados. Chamamos de a nova informação sobre , que é obtida de um modelo discreto. Então
o teorema de Bayes pode ser escrito:
, .
Então, temos é uma constante de normalização, as verossimilhanças
dependentes da experiência ou das informações dos dados observados são , e as
probabilidades a posteriori determinadas pelo teorema de Bayes são . Obtida
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.7
essa distribuição a posteriori de , dada a nova informação da observação , podemos, por exemplo,
estimar como sendo a média dessa distribuição ou a moda (o valor que maximiza ).
Schoner(2000) afirma que Kant expressa uma ideia muito semelhante a de Bayes, na medida em
que postula que tem de haver alguma habilidade a priori, intelectual ou conhecimento, a fim de adquirir
novos conhecimentos a partir da observação.
Do ponto de vista de Gelman(2011), a abordagem clássica ou frequentista da estatística, em que
a inferência é centrada nos testes de hipóteses, está associada a uma filosofia em que a ciência é dedutiva
e segue doutrina de Popper de falsificação.
A inferência bayesiana é comumente associada com o raciocínio indutivo e com a ideia de que
um modelo pode ser destronado por um modelo concorrente, mas nunca pode ser diretamente falsificada
por um teste de significância. Gelman(2011) considera incorretos os argumentos que fazem associações
da inferência bayesiana só com o raciocínio indutivo, o que foi prejudicial à prática da Estatística
Bayesiana. Por meio de sua experiência, no uso e desenvolvimento de Métodos Bayesianos na área social
e ciências ambientais, Gelman(2011) tem encontrado maneiras para verificação do modelo e falsificação,
segundo Popper.
A distribuição a priori e a distribuição a posteriori são os fundamentos do Método Bayesiano.
Assim como análise a priori e análise a posteriori são os fundamentos da Engenharia Didática Clássica.
Também, podemos observar as considerações sobre análise a priori e análise a posteriori.
O aspecto subjetivo dos dois paradigmas, Método Bayesiano e a Engenharia Didática Clássica,
como os seus fundamentos distribuição a priori e a distribuição a posteriori e análise a priori e análise a
posteriori, respectivamente, são elementos semelhantes nos dois métodos. No âmbito da Estatística
Baysiana, há criticas ao Método Bayesiano Empírico porque é um método que utiliza dados empíricos
para determinar a distribuição a priori, informações externas. Como afirma Artigue (1988), a validação
da Engenharia Didática Clássica é essencialmente interna, fundada no confronto da análise a priori da
análise a posteriori. Neste sentido o a Engenharia Didática Clássica, também, critica o uso do método
empírico, mais um ponto de semelhança entre a Engenharia Didática Clássica e Método Bayesiano.
Observamos, também, que a Engenharia Didática Clássica expressa uma ideia que está de acordo
com os argumentos de Kant, assim como Kant expressa uma ideia muito semelhante aos argumentos de
Bayes, como afirma Schoner(2000). Portanto, há um vínculo de similaridade semântica entre os
fundamentos do Método Bayesiano e a Engenharia Didática Clássica. Portanto, consideramos que a
Engenharia Didática Clássica é uma metáfora conceitual segundo o que apresenta Leite (2010):
Nesse sentido, segundo a teoria da metáfora conceitual, “a essência da metáfora é
compreender e experienciar uma coisa em termos de outra” (LAKOFF & JOHNSON,
2002, p. 48) a partir de uma rede conceitual, que lembra um mapeamento ou um
morfismo entre coisas distintas. (LEITE 2010, p. 71-72)
Assim, observamos que a Engenharia Didática Clássica, com relação ao Método Bayesiano, é
uma metáfora conceitual porque a Engenharia Didática Clássica é potencial heurístico, pois pode agregar
aspectos da inferência do Método Bayesiano, no sentido de Leite (2010, p. 58) quando observa: [...]
potencial heurístico proporciona à metáfora uma importância cognitiva, visto que ela se torna relevante
para a geração de um novo conhecimento.
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.8
Os aspectos subjetivos dos dois métodos nos remetem a teoria do conhecimento de Kant, que o
conhecimento nunca se dá de maneira neutra, como afirma Silveira (2002):
A teoria do conhecimento de Kant – a filosofia transcendental ou idealismo
transcendental ou idealismo transcendental – teve como objetivo justificar a
possibilidade do conhecimento científico dos séculos XVII e XVIII. Ela partiu da
constatação de que nem o empirismo britânico, nem o racionalismo continental
explicavam satisfatoriamente a ciência. Kant mostrou que, apesar de o conhecimento
se fundamentar na experiência, esta nunca se dá de maneira neutra, pois a ela são
impostas as formas a priori da sensibilidade e do entendimento, características da
cognição humana. (SILVEIRA 2002, p.28)
Da mesma forma que a Engenharia Didática Clássica, a Mecânica Quântica, segundo Baeyer
(2013), também, pode ser interpretada com uma Estatística Bayesiana por conta do aspecto subjetivo da
função de onda , isto é, a função de onda não tem uma realidade objetiva, segundo Baeyer (2013, p.40):
Na visão quântica convencional um objeto como um elétron é representado por uma
função de onda – expressão matemática que descreve suas propriedades. Para prever o
comportamento do elétron é preciso calcular a evolução temporal da sua função de
onda. O resultado do cálculo nada mais é que a probabilidade de o elétron ter uma
determinada propriedade (como está em um local, e não em outro). Mas surgem
problemas quando se considera a função de onda real.
Combinando as teorias quântica e probabilidade, o QBism propõe que a função de
onda não tem uma realidade objetiva. E ao negar essa realidade descreve a função de
onda como um manual do usuário, mera ferramenta matemática que observador
utiliza para toma decisão mais criteriosa sobre o mundo que o envolve – o mundo
quântico. Mais especificamente, observador utiliza a função de onda para determinar
usa crença pessoal de que um sistema quântico terá determinada propriedade,
pressupondo suas próprias escolhas e ações afetam o sistema com alguma incerteza
intrínseca.
Portanto, conforme Baeyer (2016), abreviatura de Bayesianismo Quântico, o QBism adapta
muitas das características convencionais da Mecânica Quântica à luz de uma compreensão revisada da
probabilidade, por meio, do Teorema de Bayes. A interpretação da probabilidade bayesiana, ao contrário
da probabilidade interpretada como limite de uma frequência relativa (objetiva), é definida como uma
medida numérica do grau de crença coerente (subjetiva) de um observador de um evento futuro que
ocorrerá ou de que uma determinada proposição é verdadeira. As vantagens da interpretação subjetiva de
probabilidade sobre a probabilidade frequentista são que ela é aplicável a eventos singulares, suas
estimativas de probabilidade podem ser atualizadas com base na aquisição de novas informações e podem
incluir, sem esforço, resultados frequentistas. Mas talvez o mais importante, grande parte da estranheza
associada à teoria quântica - a ideia de um átomo pode estar em dois lugares ao mesmo tempo, ou que os
sinais podem viajar mais rápido que a velocidade da luz, ou que o gato de Schrödinger possa estar
simultaneamente morto e vivo dissolve-se sob a lente do QBism.
No artigo de Caves et al (2001) resumem que, apesar de serem prescritas por uma lei
fundamental, probabilidades para sistemas quânticos individuais podem ser entendidas dentro da
abordagem Bayesiana. Argumentamos que a distinção entre probabilidades clássica e quântica não está
em sua definição, mas na natureza da informação que eles codificam. No mundo clássico, a informação
máxima sobre um sistema físico é completa no sentido de fornecer respostas definidas para todas as
possíveis perguntas que podem ser feitas ao sistema. No mundo quântico, a informação máxima não está
completa e não pode ser completada. Usando essa distinção, mostram que qualquer atribuição bayesiana
de probabilidade na mecânica quântica deve ter a forma da regra de probabilidade quântica, que a
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.9
informação máxima sobre um sistema quântico leva a uma atribuição única de estado quântico e que a
teoria quântica fornece uma conexão mais forte entre probabilidade e frequência medida que pode ser
justificada classicamente.
4. MÉTODO ESTATÍSTICO BAYESIANO E A LÓGICA DOS CONJUNTOS DIFUSOS
A variabilidade foi abordada por meio do Método Estatístico Bayesiano, a imprecisão terá como
referencial teórico a Lógica dos Conjuntos Difusos. Neste sentido, considerando Viertl(2011), por meio
do argumento do Método Estatístico Bayesiano com Dados Difuso, podemos atualizar a probabilidade
condicional P(t/e) de Popper, agregando a probabilidade subjetiva e grau de pertinência entre os
elementos de um conjunto. Assim, corrigindo o erro de Popper, propomos uma solução alternativa ao
grau de corroboração, isto é, grau de pertinência por meio do Teorema de Bayes. Singpurwall e Booker
(2004) consideram que há benefícios no uso da Teoria da Probabilidade em Conjuntos Difusos por meio
do Teorema de Bayes porque é uma habilidade que permite lidar com diferentes tipos de incertezas que
podem surgir dentro do mesmo problema. Na Figura 2 está uma representação gráfica da síntese do
estudo apresentado neste artigo.
Figura 2. Dados Observados: Variabilidade e Imprecisão. Método Bayesiano
Fonte: Adaptado Viertl (2011, p.4 ).
4.1 Exemplo de Aplicação
As aplicações de Lógica do Conjuntos Difuso e Método Estatístico Bayesiano têm sido
observadas em várias áreas do conhecimento. Apresentaremos a seguir alguns exemplos de aplicação.
Ragin (2000) considera que as declarações teóricas em pesquisa social, na maioria das vezes
podem ser formuladas como declarações sobre conjuntos. Os métodos qualitativos e quantitativos têm
como propriedades a profundiade e amplitude, respectivamente. Ragin (2000) observa que há um meio
Dados Observados
Variabilidade Imprecisão
Método Estatístico Bayesiano Teoria dos Conjuntos Difusos
Método Estatístico Bayesiano com Dados Difusos
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.10
termo entre elas e propôs uso de Lógica Difusa ou conjuntos difusos como um caminho alternativo para
análise de dados observados em pesquisas das Ciêncais Sociais.
Spagnolo (2003) tenta compreender como é possível analisar e estudar os fenômenos do
ensino/aprendizagem da Matemática em situação multicuturais.
Spagnolo e Gras (2004) propõem a utilização da Lógica Difusa no âmbito da Análise Estatística
Implicativa. No prefácio da edição digital do 5º Colóquio da A.S.I. (Analyse Statistique Implicative) é
respondida a seguinte pergunta: Análise Estatística Implicativa: uma vez mais, o que é?
Na busca da essência da questão da origem do desenvolvimento da Análise Estatística
Implicativa, Régis Gras e Jean-Claude Régnier consideram que “neste momento (ela)
designa um campo teórico central sobre o conceito da implicação estatística ou mais
precisamente sobre o conceito de quase – implicação para destingi-la da implicação
da lógica de domínio da lógica e da matemática. O estudo da concepção de quase –
implicação e tanto um objeto matemático, dentro de campo das probabilidades e da
estatística, que permitem construir os objetos teóricos que instrumentalizam um
método de análise de dados” (Gras et al (2009, p.6) apud (Régnier et al, 2010, p. 4).
Spagnolo e Gras (2004) consideram importante adequar a Análise Estatística Implicativa a uma
nova epistemologia por meio da representação implicação fuzzy. Essa nova perspectiva está implementada
no software CHIC 3.1. Análise Estatística Implicativa é um método de classificação de dados
fundamentada na Estatística Clássica. Assim, a variabilidade, o aspecto aleatório da incerteza, no âmbito
da Análise Estatística Implicativa, segue a abordagem da Estatística Clássica. A Estatística Clássica está
fundamentada na interpretação de probabilidade por meio da frequência relativa. Por outro lado, Spagnolo
e Gras (2004) propõem utilizar a implicação fuzzy na imprecisão dos dados, o aspecto difuso da incerteza.
Portanto, software CHIC 3.1 utiliza a Estatística Clássica e a implicação fuzzy para fazer a classificação
dos dados por meio de árvores de classificação e grafos de implicação.
Suleman (2009) expõe duas aplicações do Método Estatístico Bayesiano com Dados Difusos,
utilizando a Análise Bayesiana Empírica para dados observados em Portugal. Já foi observado que há
criticas ao Método Bayesiano Empírico porque é um método que utiliza de dados empíricos para
determinar a distribuição a priori. Mas, alguns pesquisadores, como Suleman (2009), utilizam a Análise
Bayesiana Empírica pela facilidade computacional por conta do software GoM desenvolvido pela
DSISOFT (www.dsisoft.com). As duas aplicações apresentadas por Suleman (2009, p. 213-259) são:
acidentes domésticos e perfis de competência bancária. A competência bancária é exemplo que apresenta
alguma relação com a pesquisa em Educação Matemática devido à variável Grau de Escolaridade. A
variável Grau de Escolaridade comporta três categorias: 1: “Formação inferior ao 12º ano”; 2 “Formação
igual ao 12º ano”; 3: “Formação superior ao 12º ano”. Assim, o universo é então particionado em três
classes caracterizadas inicialmente pela formação acadêmica dos seus membros. Suleman (2009) afirma
que:
Os dados analisados não são conclusivos quanto a Educação como promotora de
competências. Os aspectos relativos ao papel da instituição no aproveitamento de
capacidades não puderam ser contabilizados. O debate entre qualificação e
competência mantém assim toda a atualidade. (SULEMAN 2009, p. 258).
4.2 Bayesianismo Quântico (Qbism) e Mecânica Quântica Difusa (Fuzzy)
Este exemplo foi apresentado por Araújo (2013), com o objetivo de usar os resultados
apresentados por meio do Bayesianismo Quântico (Qbism) e Mecânica Quântica Difusa (Fuzzy). Assim,
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.11
nesse sentido, será feita uma metáfora conceitual por meio da Figura 3, Gato de Schrödinger: Gato de
Schrödinger é uma experiência mental, frequentemente descrita como um paradoxo, desenvolvida pelo
físico austríaco Erwin Schrödinger, em 1935. O gato está em uma caixa fechada – um pesquisador
apresenta sua a priori - em seguida o pesquisador abre a caixa – dado observado - por meio do Teorema
de Bayes, o pesquisador construiu sua a posteriori. Assim, o Gato de Schrödinger, pode ser considerado
com um experimento bayesiano.
Figura 3: Gato de Schrödinger
Fonte: wikipedia.org
Baeyer (2016, p. 138) afirma que: QBism salva o gato de Schrödinger. Também apresenta uma
descrição desse experimento:
Um gato vivo está trancado em uma caixa junto com um arranjo de Rube Goldberg
que consiste em um contador Geiger, um átomo recém-renderizado radioativo por
bombardeio de nêutro, um martelo e um frasco de gás venenoso. Quando o átomo
decai, como deve acontecer, o contador Geiger clica e emite um sinal elétrico, que
aciona o martelo, que quebra o frasco, que libera o gás, que mata o gato,
instantaneamente e sem dor. Baeyer (2016, p.138)
Arefi et al (2010, p. 3), partir da noção da confiabilidade definida por Lawless (2003, p. 337),
apresentam um exemplo ilustrativo do Método Estatístico Bayesiano com Dados Difusos (Fuzzy),
descrito a seguir. Na Tabela 1 estão indicados os dados observados, os quais representam os tempos de
vida “ Gato de Schrödinger” (em 1000 km) de pastilhas, de freios a discos dianteiros selecionados de
maneira aleatória de um conjunto de 40 carros (mesmo modelo), que foram monitoradas por uma rede de
concessionárias.
Tabela 1- Tempos de vida (em 1000 km) de pastilhas de freios a discos dianteiros
Nº Dado Nº Dado Nº Dado Nº Dado Nº Dado
1 86,2 9 45,1 17 52,1 25 54,2 33 59,0
2 32,4 10 41,0 18 56,4 26 81,3 34 62,4
3 45,5 11 36,7 19 42,2 27 51,6 35 34,4
4 22,7 12 22,6 20 40,0 28 38,8 36 50,2
5 48,8 13 81,7 21 61,5 29 53,6 37 50,7
6 42,8 14 102,5 22 42,7 30 80,6 38 64,5
7 73,1 15 28,4 23 46,9 31 45,9 39 33,8
8 59,8 16 31,7 24 33,9 32 50,6 40 56,7
Fonte: Arefi, et al (2010, p. 3).
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.12
Suponha que o tempo de vida “Gato de Schrödinger” das pastilhas de freios tem uma função de
densidade de probabilidade exponencial representada por:
com , é a média do tempo de vida das pastilhas de freios. Essa função, também, é utilizada
na Lei de Decaimento Radioativo, segundo Caruso e Oguri (2016, p.282): Em outras palavras, a mudança
de um sistema por emissão radioativa em qualquer instante é sempre proporcional à qualidade da
substância que que compõe o sistema e que permanece inalterada. Logo, uma distribuição exponencial
pode ser utilizada para modelar tempo de vida no âmbito da teoria da confiabilidade ou sobrevivência do
“Gato de Schrödinger”. Segundo Colosimo e Giolo (2006, p.1): Em análise de sobrevivência, a variável
resposta é, geralmente, o tempo até a ocorrência de um evento de interesse. Este tempo é denominado
tempo de falha, podendo ser o tempo até a morte do paciente, bem como até a cura ou recidiva de uma
doença. Portanto, podemos observar que os conceitos confiabilidade e sobrevivência são equivalente, ou
seja, uma metáfora conceitual.
A caixa está fechada, um especialista, apresenta uma a priori “Gato de Schrödinger”, acredita
que o valo de encontra-se no intervalo [40;50] com possibilidade 1, isto é, o gato estará
simultaneamente vivo e morto. Além disso, acredita que é menor do que 40, mas nunca abaixo de 30, o
gato estará vivo. E maior que 50, mas nunca acima de 60, o gato estará morto. Assim, a distribuição
trapezoide de número difuso (fuzzy) modela a opinião a priori do especialista, da seguinte forma:
Essa distribuição a priori modela o “Gato de Schrödinger”, ou seja, vivo, morto/vivo e morto. Só
a Lógica Difusa (Fuzzy) permite esse tipo de modelagem.
Portanto, a possibilidade a posteriori, baseada no produto da T-norma é obtida por:
Com .
Por meio de um método analítico, verificamos uma combinação da Teoria da Probabilidade com
a Teoria da Possibilidade, utilizando o Método Bayesiano. O Método Bayesiano tem uma estrutura que
permite a incorporação de dados difusos, assim, abordando diferentes tipos de incertezas que podem
surgir dentro do mesmo problema. A modelagem da opinião a priori do especialista por meio de uma
distribuição de possiblidade é outra solução para o problema recorrente da determinação prática da
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.13
distribuição a priori. O problema da determinação na prática da distribuição a priori foi observado por
Paulino et al (2003, p. 76), já citado.
5. CONCLUSÃO
A combinação de métodos não é novidade. Mas o que torna nossa proposta inédita é o fato de
tratar o problema no âmbito da pesquisa em Educação Matemática por meio da sua própria linguagem, a
Matemática, utilizando novas ferramentas, a Lógica dos Conjuntos Difusos e o Método da Estatística
Bayesiana. Nesse sentido, também, verificamos que é possível uma abordagem equivalente na Mecânica
Quântica por meio do Bayesianismo Quântico (QBism) e da Mecânica Quântica Difusa (Fuzzy). Nesta
proposta se considera o aspecto dual dos dados observados no âmbito da pesquisa em Educação
Matemática e na Mecânica Quântica, isto é, a variabilidade e a imprecisão dos dados. Com isso, a Lógica
dos Conjuntos Difusos e o Método da Estatística Bayesiana podem agregar a aspectos quantitativos aos
métodos qualitativos que são utilizados na pesquisa dos fenômenos ou problemas reais da Educação
Matemática e da Mecânica Quântica, problemas caracterizados por representações epistemológicas,
histórico-epistemológicas e comportamentais. Por conseguinte, o Método Estatístico Bayesiano é uma
boa prática estatística que tem interseção com as ideias de Popper, Kuhn e Lakatos. E por fim, reforçamos
que é nossa crença que os argumentos apresentados no artigo, como pretendíamos, podem contribuir com
as reflexões sobre o uso dos métodos mistos na pesquisa da Educação Matemática e na Mecânica
Quântica, assim, a consequente melhoria da confiabilidade dos resultados da pesquisa nessa área.
Portanto, conforme Bayer (2016, p. 225): Mas ainda é cedo. Um dos atributos mais importantes
de uma nova ideia científica é que deve ser heurística, levando a novas pesquisas, inspirando novas ideias
e perguntas.
REFERÊNCIAS
ARTIGUE, M. Ingénierie didactique. Recherches en Didactique des Mathématiques, La Pensée Sauvage,
Grenoble, v. 9, n. 3, p. 281-307, 1988.
ALMOULOUD, S. A. e SILVA, M.J.F. Engenharia didática: evolução e diversidade. R. Eletr. De
Edu.Matem., v.07, n.2, p.22-52, Florianópolis, 2012.
AREFI, M., VIERTL, R., TAHERI, S. A possibilistic analogue to Bayes estimation with fuzzy data.
Technische Universitat Wien, Vienna University of Technology, SM-2010-3, 2010. Disponível
em: http://www.statistik.tuwien.ac.at/forschung/SM/SM-2010-3complete.pdf,
Acesso em: 07 abr. 2013.
ARAÚJO, P.C.. UMA COMBINAÇÃO DE MÉTODOS DE PESQUISA EM EDUCAÇÃO
MATEMÁTICA: MÉTODO BAYESIANO DE DADOS DIFUSOS, Doutorado em Educação
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.14
Matemática (Conceito CAPES 5), Orientador: Sonia Barbosa Camargo Igliori. Pontifícia
Universidade Católica de São Paulo, PUC/SP, Brasil. Ano de obtenção: 2013.
BAEYER, H.C. Física: O paradoxo quântico que confunde a sua mente – Uma nova verão da teoria
quântica afasta de vez os paradoxos bizarros de mundo microscópio. A que preço? A informação
quântica só existe na sua imaginação. Scientific American Brasil, São Paulo, julho 2013.
BAEYER, H.C. QBism: The Future of Quantum Physics, Cambridge, Massachusetts: Harvard University
Press, 2016.
BYAES, T. An essay towards solving a problem in the doctrine of chances. Phil. Trans. Roy. Soc. 53,
370-418, 54, 296-325, reprinted in Biometrika, 45 , p.293-315, 1958.
BOHR, N. Física atômica e conhecimento humano: ensaios 1932-1957. Rio de Janeiro, Contraponto
Editora LTDA, 1995.
BUSSAB, W. O. e MORETTIN, P.A. Estatística Básica. Editora Saraiva, 5ª Edição. São Paulo, 2002.
CAPRA, F. O Tao da Física : uma análise dos paralelos entre a física moderna e o misticismo oriental.
Ed. Cultrix, São Paulo, 2011.
CARUSO, F., OGURI, V. Física Moderna: origens clássicas e fundamentos quânticos. 2ª ed. Rio de
Janeiro, LTC, 2016.
Caves, C. M., Fuchs, C. A. & Schack, R. Quantum Probabilities as Bayesian Probabilities. Phys. Rev.
A65, 022305 (2002).
COLOSIM, E.A. GIOLO, S.R.. Análise de Sobrviência Aplicada. ABE - Associação Brasileira de
Estatística, Editora Blucher, São Paulo, 2006.
GRANIK, A. & CAULFIELD,J. .Fuzziness in Quantum Mechanic. Physics Essays 9 (3), 496-505, 1996.
GELMAN, A. Induction and Deduction in Bayesian Data Analysis. Special Topic: Statistical Science
and Philosophy of Science Edited by Deborah G. Mayo, Aris Spanos and Kent W. Staley. RMM
Vol. 2, p. 67–78, 2011.
GRIFFITHS, D.J. Mecânica Quântica, 2.ed, Ed. Pearson Prentice Hall, São Paulo 2011.
GURGEL, C. M. A. Pesquisa etnográfica e educação matemática:processo, contextualização e
construção.
http://www.periodicos.udesc.br/index.php/linhas/article/viewFile/1257/1069.
Acesso em 04/08/2012.
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.15
KANT, I.Crítica da Razão Pura. Tradução baseada no original alemão intitulado KRITIK DER REINEN
VERNUNFT, Edição da Fundação Calouste Gulbenkian, Lisboa, 2010.
KUHN,T.S. The Structure of Scientific Revolutions, University of Chicago Press, Chicago, 1962.
LAKATOS, I. The methodology of scientific research programmes, Philosophical Papers Volume I,
Cambridge University Press, Paperback edition, Cambridge, 1999
LAKOFF, G. & JOHNSON, M. Metaphors We Live By. Chicago: University of Chicago Press, 1980.
LAWLESS, J.F. Statistical Model and Methods for Lifetime Data. 2ª Ed. New Jersey: John Wiley &
Sons, 2003.
LEITE, K.G. Metáfora e Matemática: A contingência em uma disciplina escolar considerada exata.
Dissertação apresentada ao Programa de Pós-Graduação em Educação Matemática do Instituto de
Educação da UFMG sob a orientação do Prof. Dr. Michael F. Otte, Cuiabá, 2010.
LESTER, F. K. On the Theoretical, Conceptual, and Philosophical Foundations for Research in
Mathematics Education. In: Theories of Mathematics Education, Springer, p. 67-85, 2010.
MAGALHAES, M. N. e LIMA, A. C. P. Noções de Probabilidade e Estatística. 7ª. ed. São Paulo: Edusp,
2011.
OTTE, M. Complementarity, Set and Numbres. Educational Studies in Mathematics. 53: 203-228, Printed
in the Netherlands: Kluwer Academic Publisher, 2003.
OTTE, M. F. Metaphor and Contingency. In: RADFORD, L.; SCHUBRING, G.; SEEGER, F. (Orgs.).
Semiotics in Mathematics Education: Epistemology, History, Classroom, and Culture. Rotterdam:
Sense Publishers, 2008.
PAULINO, C.D.; TURKMAN, M.A.A.; MURTEIRA,B. Estatística Bayesiana, F. Calouste Gulbenkian,
2003.
POPPER, K. A Lógica da Pesquisa Científica, editora Cultrix, São Paulo-SP, 1993.
_________ Conjecturas e Refutações, Tradução de Benedita Bettencourt. Coimbra: Livraria
Almedina,2003.
RAGIN, C. C.Fuzzy-set social science. Chicago: University of Chicago Press, 2000.
RÉGNIER, Jean-Claude; GRAS, R.; BAILLEUL, M. 6º Colóquio Internacional sobre Análise Estatística
Implicativa - A.S.I., Caen (França), 2012. https://sites.univ-
lyon2.fr/asi6/lang/br/Appel_ASI6_PT_BR.pdf. em 15/08/2012.
Araújo e Igliori CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019
1201.16
ROSS, A, e ONWUEGBUZIE, Prevalence of Mixed Methods Research in Mathematics Education. The
Mathematics Educator, Vol. 22, No. 1, p. 84–113, 2012
SCHONER, B. Probabilistic Characterization and Synthesis of Complex Driven Systems. Doctor of
Philosophy, MIT, 2000.
SILVEIRA, F.L. A Teoria do Conhecimento de Kant: O Idealismo Transcendental. Caderno Brasileiro
de Ensino de Física, v.19, p. 28-51, Florianópolis,2002.
SINGPURWALLA, N., D. e BOOKER, J.M.Membership Functions and Probability Measures of Fuzzy
Sets, Journal of the American Statistical Association, Vol. 99, No. 467, Review Article September,
2004.
SPAGNOLO, F. Fuzzy Logic, Fuzzy Thinking and the teaching /learning of mathematics in multicultural
situations. The Mathematics Education into the 21º Conference and the Undecidable in
Mathematics Education Brno, Czech Republic, September, 2003.
____________ L’Analisi Statistica Implicativa : uno dei metodi di analisi dei dati nella ricerca in
didatticadelle Matematiche, Troisième Rencontre Internazionale A.S.I. (Analyse Statistique
Implicative), Octobre , Palermo, Itália, 2005
_________GRAS, R.A. New approach in Zadeh’s classification: fuzzy implication through statistic
implication. In NAFIPS-IEEE 3rd Conference of the North American Fuzzy Information
Processing Society, p. 425-429, 2004.
STRAUSS, A. e CORBIN, J. (2008) Pesquisa qualitativa: Técnicas e procedimentos para o
desenvolvimento de teoria fundamentada. Tradução Luciane de Oliveira da Rocha. 2ª Ed. Artmed,
Porto Alegre, 2008.
SULEMAN, A. Abordagem Estatística de Conjuntos Difusos, Edições Sílabo, Lisboa, 2009.
UTSUMI, M.C.; CAZORLA, I.M.; VENDRAMINI, C.M.M. e MENDES, C.R. Questões metodológicas
dos trabalhos de abordagem quantitativa apresentados no GT19-ANPED. Educação Matemática e
Pesquisa: Revista do Programa de Estudos Pós-Graduação em Educação Matemática/PUC-SP, São
Paulo-SP, 1999.
VIERTL, R. Statistical methods for fuzzy data. John Wiley & Sons, New Delhi, India, 2011.
ZADEH, L. A. Fuzzy sets. Inf Control, 8, p.338-353, 1965
____________Probability measures and fuzzy events. J.Math. Anal Appl, 23, 421-427, 1968.
CADERNO DE FÍSICA DA UEFS 17 (01): 1201.1-17, 2019 Métodos de Pesquisa em...
1201.17
_____________Discussion: Probability Theory and Fuzzy Logic Are Complementary Rather Than
Competitive. Technometrics, 37, p.271–276, 1955.