Escolar Documentos
Profissional Documentos
Cultura Documentos
ITABAIANA
2013
UNIVERSIDADE FEDERAL DE SERGIPE
CAMPUS PROF. ALBERTO CARVALHO
DEPARTAMENTO DE SISTEMAS DE INFORMAÇÃO
ITABAIANA
2013
JESSICA DA SILVA SANTOS
BANCA EXAMINADORA:
A Deus por ser refugio nos momentos de dificuldades e permitir minha chegada
até aqui.
Aos meus irmãos, Grasiela, Jeferson, Léa e Patrícia por me acompanharem nesse pro-
cesso e estarem sempre à disposição quando eu preciso.
Figura 1 –
Funções de pertinência para T(idade)={jovem, meia-idade, idoso}. . . 19
Figura 2 –
Funções de pertinência mais utilizadas. . . . . . . . . . . . . . . . . . . 20
Figura 3 –
Operações de Complemento, União, Interseccao com conjuntos Fuzzy. . 21
Figura 4 –
Diagrama de um modelo de inferência de Mamdani, adaptado de Re-
zende (2003). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Figura 5 – Conjuntos Fuzzy de entrada da variável Temperatura. . . . . . . . . . . 26
Figura 6 – Conjuntos Fuzzy de Saída da variável Potência. . . . . . . . . . . . . . 26
Figura 7 – Resultado do Processo de Inferência. . . . . . . . . . . . . . . . . . . . 29
Figura 8 – FIS Editor (MatLab). . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 9 – Editor de Funções de Pertinência. . . . . . . . . . . . . . . . . . . . . . 31
Figura 10 – Conjuntos Fuzzy de entrada da variável Temperatura usando o Fuzzy
Logic Toolbox. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 11 – Conjuntos Fuzzy de saída da variável Potência usando o Fuzzy Logic
Toolbox. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Figura 12 – Exibição do resultado do processo de inferência no Rule Viewer. . . . . 32
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Metodologia de Desenvolvimento . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Organização do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 REVISÃO BIBLIOGRÁFICA . . . . . . . . . . . . . . . . . . . . . . . 16
2.1 Lógica Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Conjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2 Variáveis Linguísticas . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.3 Funções de Pertinência . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.4 Operações em Conjuntos Fuzzy . . . . . . . . . . . . . . . . . . . 20
2.1.5 Regras de Produção Fuzzy . . . . . . . . . . . . . . . . . . . . . . 22
2.1.6 Modelo de Inferência Fuzzy . . . . . . . . . . . . . . . . . . . . . 22
2.1.7 Exemplo de Aplicação do Modelo de Inferência de Mandani . . . 25
2.2 Open Source Fuzzy Java . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Variáveis Lingüísticas . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Regras Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.3 Fuzzy Engine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 MatLab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.1 O Fuzzy Logic Toolbox . . . . . . . . . . . . . . . . . . . . . . . . 30
5 RESULTADOS E DISCUSSÕES . . . . . . . . . . . . . . . . . . . . . . 42
5.1 Escolha da Área mais Sugerida pelo Sistema . . . . . . . . . . . . . . . . 46
5.2 Escolha pela Segunda Área mais Sugerida pelo Sistema . . . . . . . . . . 49
5.3 Escolha por Área não Sugerida pelo Sistema . . . . . . . . . . . . . . . . 51
5.3.1 Média no TCC menor que 7.0 . . . . . . . . . . . . . . . . . . . . 51
5.3.2 Média no TCC entre 7.0 e 7.9 . . . . . . . . . . . . . . . . . . . . 52
5.3.3 Média no TCC entre 8.0 e 8.9 . . . . . . . . . . . . . . . . . . . . 56
5.3.4 Média no TCC entre 9.0 a 10 . . . . . . . . . . . . . . . . . . . . 61
6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Anexos 72
1 INTRODUÇÃO
que, supostamente é a área de interesse do discente, porém a decisão por uma subárea é
também uma importante decisão, pois esta poderá nortear o futuro de sua especialidade
profissional. O auto-conhecimento sobre suas habilidades e competências pode ajudar na
tomada de decisão, porém a questão é: como um sistema computacional poderá consi-
derar o “Auto-Conhecimento”? Uma possível solução é considerar o aproveitamento nas
disciplinas cursadas pelo discente e, um sistema computacional para esse caso específico
deve considerar o agrupamento das diversas disciplinas correlacionadas entre os semestres
para cada subárea.
Para esse sistema computacional que trabalha sobre dados, diante da necessidade
da tomada de decisão que envolva “bom senso”, a interpretação do aproveitamento sobre
cada nota obtida é de suma importância. Na análise dentre os padrões de aproveitamento
de disciplinas, existem valores estáticos para a definição dos conceitos como, por exemplo,
excelente, bom, regular, insuficiente ou reprovado, porém são diferenciados por faixa de
valores. Por exemplo, excelente para valores de 9 a 10 inclusive, bom para valores de
8 a 9 não inclusive. Desta forma, um aproveitamento de 8.99 não será considerado ex-
celente, sendo colocado na mesma faixa de um aproveitamento 8.0, porém, utilizando o
“bom senso”, podemos considerar 8.99 como excelente. Sistemas convencionais não tra-
tam o “bom senso”, portanto, para o desenvolvimento do modelo proposto aqui, a técnica
mais apropriada é o uso de um sistema que possa lidar facilmente com imprecisões, mais
especificamente um sistema fuzzy. Sendo assim, o principal objetivo deste trabalho é o
desenvolvimento de uma ferramenta a ser utilizada como apoio ao processo de decisão
sobre áreas de pesquisa para a elaboração de trabalhos de conclusão de curso no ensino
superior utilizando lógica fuzzy.
2 REVISÃO BIBLIOGRÁFICA
⎧
⎨ 0 𝑠𝑒 𝑒 𝑠𝑜𝑚𝑒𝑛𝑡𝑒 𝑠𝑒 𝑥 ̸∈ 𝐴
𝜇𝐴 (𝑥) = (2.1)
⎩ 1 𝑠𝑒 𝑒 𝑠𝑜𝑚𝑒𝑛𝑡𝑒 𝑠𝑒 𝑥 ∈ 𝐴
esta bivalência, utilização de dois valores, exclui o que pode existir entre as duas decisões,
é em que se baseia o mundo computacional. A álgebra booleana é considerada como
uma ferramenta, que possibilita embarcar as “leis de verdade” em linguagem matemática
(SIMOES M. G, 2007).
No mundo real existem inúmeras situações que requerem raciocínio aproximado
para manipular informações. A lógica fuzzy foi colocada inicialmente como uma extensão
da lógica tradicional, sendo baseada na afirmação de que uma proposição lógica não é
necessariamente verdadeira ou falsa, mas possui, de fato, graus de verdade, ou ainda,
graus de pertinência.
Em (ZADEH, 1965), foi definida a função de pertinência que permite assumir um
número infinito de valores no intervalo [0, 1]. Sendo um conjunto fuzzy 𝐴, em um universo
𝑋, definido por uma função de pertinência 𝜇𝐴 : 𝑋 → [0, 1] que associa a cada elemento 𝑥
de 𝑋 um número 𝜇𝐴 (𝑥) no intervalo de [0, 1], que representa o grau de pertinência de 𝑥
em 𝐴. O conjunto fuzzy pode ser representado como um conjunto de pares ordenados de
um elemento 𝑥 e seus respectivos graus de pertinência, definido pela seguinte Equação:
∑︁
𝐴= 𝜇𝐴 (𝑥)/𝑥 (2.3)
𝑋
Capítulo 2. REVISÃO BIBLIOGRÁFICA 18
∫︁
𝐴= 𝜇𝐴 (𝑥)/𝑥 (2.4)
𝑋
onde os símbolos de integral e somatório são utilizados para denotar a coleção de todos
os pontos 𝑥 ∈ 𝑋 que estão associados à função de pertinência 𝜇𝐴 (𝑥) e não denotam
integração e adição, respectivamente (MENDEL, 1995).
∙ T (idade) = jovem, não jovem, muito jovem, não muito jovem, . . ., meia-idade, não
de meia-idade, . . ., velho, não velho, muito velho, mais ou menos velho, não muito
velho, . . ., não muito jovem, não muito velho, etc.
Onde cada termo T(idade) é caracterizado por um conjunto fuzzy do universo de discurso
𝑋 = [0, 90], apresentado na Figura 1.
Capítulo 2. REVISÃO BIBLIOGRÁFICA 19
∙ Função Triangular:
𝑥−𝑎 𝑐−𝑥
(︂ (︂ )︂)︂
𝑡𝑟𝑖𝑚𝑓 (𝑥, 𝑎, 𝑏, 𝑐) = 𝑚𝑎𝑥 0, 𝑚𝑖𝑛 , (2.5)
𝑏−𝑎 𝑐−𝑏
∙ Função Trapezoidal:
(︃ (︃ )︃)︃
𝑥−𝑎 𝑑−𝑥
𝑡𝑟𝑎𝑝𝑚𝑓 (𝑥, 𝑎, 𝑏, 𝑐, 𝑑) = 𝑚𝑎𝑥 0, 𝑚𝑖𝑛 , 1, (2.6)
𝑏−𝑎 𝑑−𝑐
∙ Função Gaussiana:
(︃ )︃2
𝑠 − (𝑥 − 𝑐)
𝑔𝑎𝑢𝑠𝑠𝑚𝑓 (𝑥, 𝑠, 𝑐) = 𝑒𝑥𝑝 (2.7)
𝑥
onde 𝑥𝑖 são as entradas do sistema, 𝐴1 , . . . , 𝐴𝑗 , são termos primários definidos nas par-
tições fuzzy de cada variável de entrada, 𝑦1 e 𝑦2 são variáveis de saída e 𝐵1 , . . . , 𝐵𝑚 são
termos primários definidos em suas partições fuzzy.
Durante o processo de fuzificação1 , os antecedentes de cada regra são processados
por meio da intersecção entre os graus de pertinência das entradas atuais nos termos
primários definidos em cada uma. Este processo gera um grau de pertinência de disparo
para cada regra de produção. Em outras palavras, é calculado para a k-ésima regra da
1
Termo proveniente do original em inglês fuzzification
Capítulo 2. REVISÃO BIBLIOGRÁFICA 24
base de conhecimento um coeficiente de disparo 𝐷(𝑘) como mostra a Equação 2.13, onde
os índices k nos conjuntos fuzzy denotam os termos primários que compõem a regra k
na base de conhecimento. Este processamento tem como função transformar informações
quantitativas em informações qualitativas, e é considerado um processo de generalização.
Todas as regras para as quais o coeficiente de disparo for maior que zero são ditas
regras que dispararam para as entradas atuais. Isto quer dizer que elas vão contribuir para
o cálculo da saída correspondente do sistema de inferência. Os coeficientes de disparo, por
sua vez, vão limitar os valores máximos dos conjuntos fuzzy de saída gerados por estas
regras. Finalmente, uma operação global de união vai compor um conjunto fuzzy para
cada variável de saída, contendo informações sobre todas as regras disparadas para as
entradas atuais. Na Equação 2.14 é apresentada a composição deste conjunto para o caso
da saída 𝑦2 da regra apresentada na regra anterior. O universo de discurso desta variável
de saída é composto pelos elementos y ∈ 𝑈𝑦2 .
𝜇𝐵𝑖 , (𝑦) = 𝑆𝑘=1..𝑛 [𝑇 (𝐷(𝑘) , 𝜇𝐵𝑖 (𝑦))] = max [min(𝐷(𝑘) , 𝜇𝐵𝑖 (𝑦))], ∀𝑦 ∈ 𝑈𝑦2 (2.14)
𝑘=1..𝑛
∑︀𝑚
𝑖=0 𝜇𝐴 (𝑥𝑖 ) * 𝑥𝑖
𝑍= ∑︀𝑚 (2.15)
𝑖=0 𝜇𝐴 (𝑥𝑖 )
onde a variação da temperatura (𝑞𝑢𝑒𝑛𝑡𝑒, 𝑛𝑜𝑟𝑚𝑎𝑙, 𝑓 𝑟𝑖𝑜) e da potência aplicada (𝑒𝑠𝑓 𝑟𝑖𝑎𝑟, 𝑧𝑒𝑟𝑜, 𝑒𝑠𝑞𝑢𝑒𝑛𝑡𝑎
são dividas em conjuntos fuzzy, possibilitando o processo de mapeamento destas variáveis
em seus respectivos conjuntos fuzzy, considerando as regras definidas por um especialista.
Considerando a situação apresentada na Figura 5, onde pode-se ler: se temperatura
o
de 17 𝐶 tem pertinência 0.7 para o conjunto fuzzy 𝑛𝑜𝑟𝑚𝑎𝑙 e pertinência 0.3 para o
conjunto fuzzy 𝑓 𝑟𝑖𝑜, haverá a ativação de duas regras, apresentadas a seguir.
Deve-se considerar que neste exemplo existe somente uma entrada de temperatura,
cortando somente uma vez cada conjunto fuzzy de entrada, concluindo que aplicando o
operador 𝑀 𝑖𝑛, o resultado será o mesmo valor da pertinência. Em relação ao operador
𝑀 𝑎𝑥, considerando que as regras de produção não disparam mais que uma vez o mesmo
conjunto fuzzy de saída, o resultado será o valor 𝑀 𝑖𝑛 encontrado.
No processo de inferência, uma entrada escalar de temperatura foi convertida em
um conjunto de graus de pertinência nos termos primários definidos para a variável lin-
guística 𝑇 . Este valor de pertinências é então utilizado para limitar os conjuntos fuzzy de
saída da variável linguística 𝑃 , segundo a base de conhecimento definida previamente.
Assim, para a regra 2, o termo de potência 𝑧𝑒𝑟𝑜 foi limitado em 0.7 e para a regra
3, o termo de potência 𝑒𝑠𝑞𝑢𝑒𝑛𝑡𝑎𝑟 foi limitado em 0.3 (ver regiões sombreadas na Figura
6). Os valores para as variáveis no processo de inferência podem ser representados como
segue:
O valor de saída para a variável escalar 𝑃 foi obtido pelo método de defuzificação
do centro de massa, gerando o resultado de 55 𝑊 𝑎𝑡𝑡𝑠 de potência. Outro exemplo de
saída para o comportamento deste exemplo de ar condicionado é mostrado na Figura 12
explicado na Seção 2.3.1.
O termo entre aspas, 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎, é o nome utilizado para endereçar uma variável
lingüística particular na regra, por exemplo, “if temperatura is...”. Utilizam-se os termos
𝑓 𝑟𝑖𝑜, 𝑛𝑜𝑟𝑚𝑎𝑙 e 𝑞𝑢𝑒𝑛𝑡𝑒 para o endereçamento dos conjuntos fuzzy nas regras, por exemplo,
“if temperatura is quente...”. Os demais parâmetros são utilizados para definir os quatro
Capítulo 2. REVISÃO BIBLIOGRÁFICA 28
pontos chaves do trapézio: inferior esquerdo, superior esquerdo, superior direito e inferior
direito.
∙ Analisar as regras:
fuzzyBlockOfRules.parseBlock ();
∙ Obter o resultado(s):
resultado double = potencia.defuzzify ();
Capítulo 2. REVISÃO BIBLIOGRÁFICA 29
2.3 MatLab
O programa MatLab é um ambiente computacional interativo, desenvolvido pela
MathWorks que possui uma linguagem de programação de alto nível, voltada para a
computação matemática (ARRUDA D. M., 2008). O MatLab oferece bibliotecas para
cálculos numéricos e um grande número de ferramentas especializadas (Toolboxes) para
a resolução de problemas em áreas específicas, dentre as quais se encontra o Fuzzy Logic
Toolbox (FLT) que fornece uma interface gráfica que permite a construção de sistemas
fuzzy.
Capítulo 2. REVISÃO BIBLIOGRÁFICA 30
Figura 10 – Conjuntos Fuzzy de entrada da variável Temperatura usando o Fuzzy Logic Toolbox.
Capítulo 2. REVISÃO BIBLIOGRÁFICA 32
Figura 11 – Conjuntos Fuzzy de saída da variável Potência usando o Fuzzy Logic Toolbox.
As regras podem ser definidas pela interface acessando o menu “Edit” e em seguida
a opção “Rules...”, sendo as mesmas utilizadas na seção anterior.
Finalmente, o processo de inferência pode ser acompanhado pelo Rule Viewer,
onde cada linha corresponde a uma regra e, para o teste com a temperatura de entrada
igual a 28 graus, o resultado é representado na Figura 12. Comprovando também sua
aptidão para processos envolvendo tomadas de decisões.
Nesta figura, 12, as regras 2 (if Temperatura is normal then Potencia is zero) e 3
Capítulo 2. REVISÃO BIBLIOGRÁFICA 33
(if Temperatura is quente then Potencia is esfriar) contém coeficiente de disparo maior
que zero, e influenciaram nos valores da saída potência. Como visualizado, as funções de
saída para a defuzificação são agregadas, união de todas as funções ativadas, para então
ser realizado o cálculo do valor númerico de saída.
Nos capítulos seguintes serão apresentados a descrição do modelo proposto, assim
como a análise dos resultados gerados.
34
(𝑆), Bom (𝐵) e Ótimo (𝑂), representados empiricamente por funções triangulares, apre-
sentadas na Figura 14.
De forma elucidativa computacionalmente, a implementação de cada variável lin-
guística, assim como dos seus valores linguísticos considerados neste trabalho e ainda, de
acordo com a biblioteca fuzzy utilizada, foi desenvolvida conforme exemplo apresentado
no Código 4, referente à variável linguística Programação de Computadores (ePR).
As subáreas que compõem as variáveis linguísticas de saída utilizadas para demons-
tração foram: Gestão da Informação e do Conhecimento (𝑠𝐺𝐼𝐶), Gerência de Projetos
(𝑠𝐺𝑃 ), Estratégia de Sistemas de Informação e Modelos Inovadores de Negócios (𝑠𝐸𝑆𝐼),
𝐸𝑛𝑡𝑟𝑎𝑑𝑎𝑠 𝑆𝑎𝑖𝑑𝑎𝑠
𝑠𝐺𝐼𝐶 𝑠𝐺𝑃 𝑠𝐸𝑆𝐼 𝑠𝐸𝑆 𝑠𝐼𝐴 𝑠𝐵𝐷
𝑅𝑒𝑔𝑟𝑎𝑠
𝑣𝑃 𝑅𝐺 𝑣𝐵𝐷 𝑣𝑃 𝐷𝑆 𝑣𝐺𝐼 𝑣𝐼𝐴 (𝑣𝑃 𝐷𝑆𝑒 (𝑣𝐵𝐷𝑒 (𝑣𝑃 𝐷𝑆) (𝑣𝑃 𝑅𝐺𝑒 (𝑣𝐼𝐴) (𝑣𝐵𝐷)
𝑣𝐺𝐼) 𝑣𝑃 𝐷𝑆) 𝑣𝑃 𝐷𝑆)
1 O O O O O I I I I I I
2 O O B O O I I A I I -
3 O O S O O A F F A A -
4 B B O B B I I - I A A
5 B B B B B A A - A A -
6 B B S B B A F - A F -
7 S S O S S A A - A A F
8 S S B S S F F - F F -
9 S S S S S F F - F F -
Na figura 17 também pode ser visto o comportamento do modelo que, para faci-
litar a interpretação dos resultados pelo usuário, converte em percentuais às saídas dos
conjuntos fuzzy. Dessa forma de acordo com o perfil do discente, o modelo proposto su-
gere as áreas de pesquisas adequadas e, respectivamente, seu percentual de indicação. De
maneira sistemática, o processo pode ser descrito como segue: as entradas são combinadas
logicamente usando o operador 𝐴𝑁 𝐷 para produzir valores de resposta de saída para to-
das as entradas esperadas; as regras ativadas são então combinadas em uma soma lógica
para cada função de pertinência e a força de disparo para cada função de pertinência
de saída é computada; finalmente, as somas lógicas são combinadas em um processo de
defuzificação, para produzir a saída do sistema.
As áreas de pesquisas utilizadas neste capítulo, assim como a base de regras, são
peças vitais ao funcionamento do sistema, entretanto, conforme descrito inicialmente, são
baseados em dados não reais. Contudo, o refinamento sucessivo desses pontos poderia
aumentar a inteligência geral do sistema e a abrangência de áreas de pesquisa.
Como validação do modelo proposto, no próximo capítulo é apresentado a análise
qualitativa e quantitativa do modelo proposto, baseado em um estudo de caso real.
40
Figura 18 – Funções de pertinência definidas para os conjuntos fuzzy da variável de entrada 𝐸𝑆.
5 RESULTADOS E DISCUSSÕES
∙ if ePRG is B(0.9) and eRD is B(0.63) and eEM is B(0.56) and eARQ is B(0.92)
and eTC is B(0.16) then sARQ is A(0.16);
∙ if eES is B(0.55) and ePRG is B(0.9) and eBD is B(0.5) then sBD is A(0.5);
𝐸𝑛𝑡𝑟𝑎𝑑𝑎𝑠 𝑆𝑎𝑖𝑑𝑎𝑠
𝑅𝑒𝑔𝑟𝑎𝑠
𝑒𝐸𝑆 𝑒𝑃 𝑅𝐺 𝑒𝑅𝐷 𝑒𝐼𝐴 𝑒𝐸𝑀 𝑒𝐵𝐷 𝑒𝐴𝑅𝑄 𝑒𝐼𝐸 𝑒𝑇 𝐶 𝑠𝐴𝑅𝑄 𝑠𝐵𝐷 𝑠𝐸𝑆 𝑠𝐼𝐸 𝑠𝐼𝐴 𝑠𝑅𝐷
1 - B - - O - O - B I - - - - -
2 - B B - B - B - B A - - - - -
3 - - - - S - S - S F - - - - -
4 O O S S B B S S S - I - - - -
5 B B S S B B S S S - A - - - -
6 S S S S S S S S S - F - - - -
7 B B S S B O S S S - A - - - -
8 B S S S S S S S S - F - - - -
9 S O - S B O - - - - I - - - -
10 B B - - - B - - - - A - - - -
Capítulo 5. RESULTADOS E DISCUSSÕES
11 S S - S S S - - - - F - - - -
12 O O S S S O S S S - - I - - -
13 O O S S S B S S S - - A - - -
14 B B S S S B S S S - - F - - -
15 B B B B S B S O S - - - I - -
16 B B S S S S S O S - - - A - -
17 S S S S S S S S S - - - F - -
18 B O S O O S S S B - - - - I -
19 B B S O B S S S S - - - - A -
20 S S S S S S S S S - - - - F -
21 - - O - - - B - - - - - - - I
22 - - B - - - B - - - - - - - A
23 - - S - - - S - - - - - - - F
24 O O O O O O O O O I - - - - -
25 O O O O O O O O O - I - - - -
26 O O O O O O O O O - - I - - -
27 O O O O O O O O O - - - I - -
28 O O O O O O O O O - - - - I -
43
29 O O O O O O O O O - - - - - I
Capítulo 5. RESULTADOS E DISCUSSÕES 44
Figura 19 – Resultado utilizando o método de inferência de Mamdani para os valores de entrada referentes
ao 𝐴𝑙𝑢𝑛𝑜3.
Tabela 3 – Médias dos Alunos em cada grupo de disciplina e média no TCC seguida da área de pesquisa
𝑀 𝐸𝐷𝐼𝐴𝑆
𝐷𝐼𝑆𝐶𝐸𝑁 𝑇 𝐸 𝐴𝑅𝐸𝐴
𝐸𝑆 𝑃 𝑅𝐺 𝑅𝐷 𝐼𝐴 𝐸𝑀 𝐵𝐷 𝐴𝑅𝑄 𝐼𝐸 𝑇𝐶 𝑇 𝐶𝐶
Aluno1 7,07 6,89 6 7,5 5,97 8,5 6,95 7,6 6,65 9,75 ES
Aluno2 7,27 6,56 5,5 8 5,91 6,3 6,83 8,4 6,8 9,25 AI
Aluno3 8,33 7,3 8,1 7,5 6,13 8,5 7,22 8,35 9,5 9,75 RD
Aluno4 7,77 7,67 8,9 8,6 6,46 7,3 7,92 8,9 8,9 9,25 AI
Aluno5 7,33 6,92 7,55 7 7,3 7 6,72 7,75 6,2 9,75 RD
Aluno6 5,5 6,66 6,15 6 6,72 6 7,33 9,1 6,8 8 ES
Aluno7 7,17 8,13 7,5 8,8 7,74 7,8 7,65 10 8,6 8,95 AI
Aluno8 7,27 6,18 6,3 7 7,24 6,5 6,77 9,5 5,8 7,25 IE
Aluno9 7,27 7,35 7 6,5 6,89 6,6 6,83 8,35 6,15 8 ES
Aluno10 6,17 6,66 6,95 7,5 6,55 6 6,57 9,1 6,4 8,75 AI
Aluno11 8,17 7,17 7,75 7 8,38 9 7,33 7,6 6,75 9,75 ES
Aluno12 8,83 9,28 9,7 9,2 8,91 9,8 8,7 9,55 9,6 10 AI
Aluno13 8,6 9,08 9,5 8 7,97 8 9,05 8,75 8,4 9,75 RD
Aluno14 6,93 7,05 6,1 7 6,04 5,3 7,5 7,8 6,65 5 IE
Aluno15 6,83 7,2 7,8 7,5 7,52 8 7,13 8,65 6,75 8,55 ES
Aluno16 7,33 7,35 5,75 7,5 5,5 6,5 7,05 9,9 5,4 9,75 ES
Aluno17 8,4 8,43 8,1 9,2 8,04 6,5 8,05 8,8 8,75 8,95 AI
Aluno18 8,1 6,86 7,05 6,5 7,17 8 6,75 7,65 5,9 9 ES
Aluno19 6,57 7,14 7,15 8,5 6,8 7,5 6,6 8,5 6,65 9,75 ES
Aluno20 6,17 7,96 8,1 7 6,73 6,6 7,43 8 7,25 9,8 AI
Aluno21 8,1 8,48 8,4 8,7 7,09 9 7,5 9,6 8,75 9,4 AI
Aluno22 6,23 6,58 6,4 5,5 7,04 5,3 6 8,15 5,4 8,5 IE
Aluno23 7,83 7,26 7,85 7,8 7,18 7 6,97 8,8 6,9 9 ES
Aluno24 6,07 7,29 7,25 6,5 7,07 6,7 6,77 7,85 6 8,75 AI
Aluno25 6,1 6,62 6,95 8 6,66 5,8 6,95 8,6 6,25 8,25 ES
Aluno26 8,43 7,36 7,6 7,2 7,15 8,5 8,02 9,25 6,15 9 ES
Aluno27 7,77 7,48 7,55 7 6,54 9 6,87 8,5 5,9 7,5 ES
Aluno28 7,53 7,41 7,65 7 6,38 7,5 6,17 9 6,55 9,75 RD
Aluno29 8,6 8,42 8,95 8,7 8,47 9 8,17 9,55 7,35 9 RD
Aluno30 7,6 7,76 8,05 7,1 7,08 8,1 7,25 8,4 6,75 8,75 AI
Aluno31 6,5 6,71 7,35 7 7,02 6,6 6,38 8,4 6,4 8,25 ES
Aluno32 7,83 8,14 8,75 8,9 7,97 6,6 8,42 7,85 9,25 7,75 AI
Aluno33 6,57 6,78 7,5 6,5 5,93 6 5,65 7,5 5,65 7 ES
Aluno34 8,33 8,65 8,4 10 8,87 9,3 8,33 9,55 7,2 9,75 AI
Aluno35 5,77 6,73 6,1 6,2 6,81 8,3 7,22 6,85 6,25 8,75 AI
Aluno36 7,67 7,18 7,75 6,9 7,07 7,3 7,53 8,9 6 9 ES
Aluno37 6,93 7,82 7,6 8 6,24 9 7,28 8,65 6,9 9,75 AI
Aluno38 6,77 7,58 7,65 8,4 7 7,5 8,08 8,4 7,5 9,25 AI
Aluno39 8,1 7,04 6,85 6,5 6,32 7,5 6,92 8,8 7,05 7 ES
Aluno40 7,37 7,42 8,5 9 7,36 8,8 8 9,35 7,3 9,75 AI
Aluno41 6,5 6,74 7,7 6 6,06 5,5 7,35 7,4 5,25 9,75 ES
Aluno42 7,67 8,03 7,45 7,5 7,38 8,8 8,15 7,35 7,75 9,75 AI
Aluno43 6,5 7,26 7,4 6,7 6,84 7,5 7,33 8,05 6,85 7,5 AI
Aluno44 6,83 6,97 8,5 6 6 6,1 6,83 7,35 7,15 7,5 AI
Aluno45 7 7,12 7,05 9,3 7,27 7 6,77 7,5 6,9 9,5 AI
Aluno46 7,07 7,76 7,35 7 6,58 6 6,67 8,1 6,6 9,75 AI
Aluno47 7,5 8,15 7,5 8,1 7,74 8,1 7,17 8,9 8,15 8,75 AI
Aluno48 7,83 6,61 7,25 6,3 5,85 7,5 7,05 7,8 5,55 7,15 ES
Aluno49 6,6 7,12 7,85 7 5,91 6 6,35 7,9 6 8,55 ES
Aluno50 7,73 7,94 7,9 8,5 7,84 7,8 7,88 9,75 6,15 7,5 AI
Aluno51 6,33 6,4 6,35 8 6,91 6 6,35 8 7,25 9 ES
Aluno52 8,17 7,41 7,1 8,3 7,47 9,5 6,78 8,4 7 9,5 AI
Capítulo 5. RESULTADOS E DISCUSSÕES 46
A Figura 21 mostra que a maior parte dos discentes, 77% escolheram uma área
de pesquisa que não foi indicada pelo sistema, este resultado indica que há outros fatores
que influenciam nesta escolha. Observando este resultado, o principal objetivo é analisar o
reflexo que estas escolhas têm sobre a nota real obtida na defesa do trabalho de conclusão
de curso.
Figura 21 – Gráfico para comparação da porcentagem dos alunos que escolheram áreas indicadas pelo
sistema e dos que não escolheram
O 𝐴𝑙𝑢𝑛𝑜28 (Figura 31) foi indicado com maior valor, 100%, para a área Informática
Educativa, e sua área de escolha na qual obteve aproveitamento de 97,5%, seguindo a
ordem decrescente de valores recebidos, foi a segunda mais sugerida pelo sistema.
Na Figura 36, as indicações de maior aptidão definidas pelo sistema foram para
Redes e Arquitetura, 75, 45% e 73, 32%, respectivamente, e o aproveitamento do discente
para a área escolhida foi de 77, 50% para Inteligência Artificial.
Capítulo 5. RESULTADOS E DISCUSSÕES 53
A maior indicação do sistema para o discente (Figura 38), foi com valor de 60, 24%
para Banco de Dados e Arquitetura, sendo o TCC realizado em outra área com aprovei-
tamento de 70%.
Capítulo 5. RESULTADOS E DISCUSSÕES 54
Na Figura 39, a área mais indicada foi Redes, 63, 03%, e a escolhida foi Inteligência
Artificial, com aproveitamento de 75%.
Na Figura 40, a maior indicação foi para Redes, 73, 32%, e o aproveitamento para
Inteligência Artificial, área sem indicação pelo sistema, foi de 75%.
Capítulo 5. RESULTADOS E DISCUSSÕES 55
Para o discente 𝐴𝑙𝑢𝑛𝑜48 (Figura 41), o sistema sugeriu Redes e escolhendo uma
área a qual o sistema não realizou indicação, Engenharia de Software, obteve aproveita-
mento de 71, 5%.
Na Figura 42 apresenta a escolha pela área Inteligência Artificial pelo discente, que
obteve aproveitamento de 75% no TCC, sendo que o sistema sugeriu as áreas Arquitetura
com 67, 9%, Redes com 67, 14% e Banco de Dados com 60, 24%.
Capítulo 5. RESULTADOS E DISCUSSÕES 56
O discente 𝐴𝑙𝑢𝑛𝑜30 (Figura 46), que obteve um valor mais alto de indicação para
Redes com 68, 54% e seguiu, também, Inteligência Artificial, obteve o rendimento de
87, 5%.
Capítulo 5. RESULTADOS E DISCUSSÕES 58
6 CONCLUSÃO
cada área específica considerada, o que tornou o sistema apto a sugerir áreas de pesquisa.
Por outro lado, a partir de dados de discentes egressos, foram comparadas e validadas
de acordo com a sugestão do sistema fuzzy desenvolvido, o que permitiu a conclusão do
objetivo principal deste trabalho. É também importante notar que, as áreas de pesquisas
utilizadas neste trabalho, assim como a base de conhecimento, são peças de suma im-
portância ao funcionamento do sistema e o modelo esta apto à possíveis refinamentos.
De acordo com os resultados comparativos, tanto qualitativos quanto quantitativos apre-
sentados, podemos concluir a efetividade do modelo de inferência fuzzy proposto, uma
vez evidenciado que médias obtidas em disciplinas relevantes são de suma importância ao
aproveitamento final obtido em um trabalho de conclusão de curso.
70
Referências
ZADEH, L. A. Fuzzy sets. Information and Control, 1965. v. 8, p. 338–353, 1965. Citado
3 vezes nas páginas 17, 20 e 23.