You are on page 1of 10

XIII Encontro de modelagem Computacional

Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

UMA APLICAÇÃO DA LÓGICA FUZZY NA AVALIAÇÃO DE DESEMPENHO DE


PESSOAS

Jules Heitor Delcourt – juleshd@gmail.com


Centro Universitário UNIABEU, Curso de Tecnologia de Análise de Sistemas - Campus
Angra dos Reis, RJ, Brasil.
Fernanda da Silva Almeida – gayabartira@live.com
Centro Universitário UNIABEU, Curso de Administração - Campus Angra dos Reis, RJ,
Brasil.
José Eduardo das Neves Lisboa – eduardo.litoral@hotmail.com
Centro Universitário UNIABEU, Curso de Administração - Campus Angra dos Reis, RJ,
Brasil.

Resumo. A tomada de decisões por meio da tecnologia da informação, com o uso de sistemas
fundamentados na lógica Clássica, representada por um conjunto de regras rígidas e
binárias, onde uma declaração só pode assumir o valor verdadeiro ou falso, vem se
contrapor à realidade humana. Esta imperfeição, intrínseca à informação representada em
uma linguagem natural, pode ser tratada com base na lógica Fuzzy, conhecida também como
lógica Nebulosa. Em uma avaliação de desempenho profissional a subjetividade intrínseca
em cada nota, somada ao tratamento matemático tradicional, pode vir a não atender as
expectativas. Além disso, a ausência de ferramentas e métodos de ponderação, obriga o
avaliador a trabalhar com uma situação não ideal. A proposta deste trabalho é desenvolver
uma aplicação, no ambiente de programação Lázarus, utilizando a lógica Fuzzy que auxilie
no processo de avaliação de desmpenho, promovendo uma avaliação com critérios de
julgamentos mais mensuráveis. Nesta aplicação, poderá se diversificar tanto as notas, como
também a regras de inferência para obtenção de novos resultados. Com a intenção de
facilitar o entendimento do método, será realizada a classificação de um grupo de
funcionários, utilizando-se ambas as lógicas: Clássica e Fuzzy.

Palavras-Chaves: Lógica Fuzzy; Lógica Nebulosa; Lógica Difusa; Avaliação Educacional;


Avaliação de Desempenho.

1 INTRODUÇÃO

A arte de pensar e raciocinar corretamente estão intrinsecamente ligadas à lógica, e a


partir desta, é que pessoas, instituições e até mesmo sistemas computadorizados fazem suas
avaliações e julgamentos. Quando um sistema que controla a temperatura de um tanque,
identifica que esta se encontra acima do ideal, toma a decisão de utilizar algum subterfúgio
que lhe é disponível para, assim, amenizar a temperatura. Então, percebe-se a aplicação da
lógica e o uso da estrutura “se ...então”.
A questão neste texto não se atém ao uso da expressão “se... então...” e sim na forma de
avaliar uma proposição como verdadeira ou falsa.
Em uma avaliação de desempenho é considera não só a avaliação da gestão, mas também
a auto-avaliação do funcionário, assim como todo o ambiente em que se encontram inseridos.
A lógica Fuzzy se propõe a auxiliar na tomada de decisão, reduzindo o grau de incerteza
do domínio dos resultados, intrínsecos na lógica Clássica.
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

2 REFERENCIAL TEÓRICO

2.1 Fundamentos da Teoria Clássica de Conjuntos

Alguns termos na matemática são considerados noções primitivas e não apresentam


definição. De maneira análoga, na Teoria Clássica de Conjuntos, encontram-se os termos
conjunto e elemento que também não possuem suas definições. Porém, conjuntos podem ser
caracterizados como uma coleção de objetos que compartilham de algumas propriedades
comuns e que os qualifica a pertencer ao conjunto. A estes objetos dá-se o nome de elementos
(Nicoletti & Camargo, 2004).
A Teoria Clássica de Conjuntos é fundamentada na Lógica Tradicional, criada por
Aristóteles, filósofo grego, que preza pela bivalência, ou seja, algo é verdadeiro ou falso, não
podendo ser parcialmente verdadeira e parcialmente falsa, e tem como principais teoremas a
lei da “Não Contradição” e a lei da “Exclusão do Meio”.
Considere o conjunto A definido no conjunto universo U, o conjunto vazio ∅ e o
conjunto Ā, complemento do conjunto A, definido: Ā = { x / x ∈ U e x ∉ A}. Pode-se,
então, definir as lei da Não Contradição e a lei da Exclusão do Meio, desses elementos (A, Ā
e ∅):

Tabela 1 – Lei da Não Contradição e Exclusão do Meio.


Lei da Não Contradição Lei da Exclusão do Meio
(A ∩ Ā) = ∅ (A ∪ Ā) = U

A lei da Não Contradição estabelece que não é possível um elemento pertencer ao


mesmo tempo a um conjunto e ao seu complemento (Cruz, 2004). Segundo Aristóteles
(Aristoteles,1969), é impossível que um mesmo atributo pertença e não pertença ao mesmo
conjunto simultaneamente e sob a mesma relação. Não é possível, conceber que a mesma
coisa seja e não seja ao mesmo tempo.
A Lei da Exclusão do Meio define que um elemento deve pertencer a um conjunto ou ao
seu complemento, já que a união de ambos, conjunto e seu complemento, definem o conjunto
Universo (Cruz, 2004).

2.2 Fundamentos da Lógica Fuzzy

As definições do mundo real não podem ser classificadas simplesmente como verdadeiras
ou falsas, sim ou não, branco ou preto. Um sim ou um não como resposta a algumas questões
da vida real é, na maioria das vezes, incompleta. Na verdade, entre a certeza de um sim e de
um não, existem infinitos graus de incerteza e para tratar essas incertezas utiliza-se a lógica
Fuzzy.
Segundo Wber & Klein (2003), a lógica Fuzzy foi estruturada em 1965 pelo Dr. Lofti A.
Zadeh da Universidade da Califórnia para tratar e representar incertezas. É a lógica que
permite representar valores de pertinência intermediários entre o verdadeiro e o falso da
lógica Clássica. Uma função de pertinência Fuzzy pode assumir valores que pertencem ao
intervalo [0,1].
Como exemplo da lógica Fuzzy considere a sistemática de classificação de pessoas em
três grupos: jovens com até 30 anos de idade, meia-idade de 30 até 70 anos e idosos com mais
de 70 anos. Dentro desta definição, utilizando-se a lógica clássica (binária), duas pessoas,
uma com 31 e outra com 70 anos estão classificadas da mesma forma, ou seja, como pessoas
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

de meia-idade. Duas pessoas, a primeira com 30 anos e a segunda com 70 estão classificadas
em grupos diferentes, a primeira como ‘jovem’ e a segunda como ‘meia-idade’
respectivamente. Na prática, dificilmente considera-se de meia-idade uma pessoa que tenha
31 anos, ao mesmo tempo em que, uma outra com 30 anos seja considerada jovem. Apesar de
ambas estarem enquadradas em faixas diferentes, são separadas por apenas 1 (um) ano.
A lógica Fuzzy, fundamentada na teoria de conjuntos Fuzzy, é utilizada para modelar
informações vagas, que precisam ser mais detalhadas quanto à pertinência de um elemento a
um determinado conjunto. É aplicada de uma maneira simplista, por meio de uma
generalização da noção clássica de conjuntos, tratando os conjuntos cujas fronteiras não estão
bem definidas.
Considere o caso das faixas etárias das pessoas. São definidos 3 (três) conjuntos Fuzzy:
jovem, meia-idade e idoso. Cria-se uma função de pertinência para cada um dos conjuntos,
considerando o valor 1 (um) quando a pessoa pertencer ao grupo e 0 (zero) quando não. Sem
dúvida nenhuma uma pessoa que possua até 30 anos é classificada plenamente como jovem,
como mostra a Fig. 1. Ao envelhecer, esta passa gradativamente da classificação de jovem
para meia-idade.

Figura 1 - Gráfico Fuzzy de Distribuição de Idades.

Pode-se então escrever a função de pertinência μ(x) do conjunto das pessoas jovens (μJ),
meia-idade (μm) e idosas (μv) como:

1 se x ≤ 30
 x − 50

µ J ( x) =  se 30 ≤ x ≤ 50 (1)
 30 − 50
 0 se x ≥ 50

0 se x ≤ 30
 x − 50
 se 30 ≤ x ≤ 50
 50 − 30
µ M ( x) =  (2)
 x − 70 se 50 ≤ x ≤ 70
 50 − 70
0 se x ≥ 70

0 se x ≤ 50
 x − 50

µ V ( x) =  se 50 ≤ x ≤ 70 (3)
 70 − 20
 1 se x ≥ 70

Considerando o critério utilizado na classificação das idades e aplicando a lógica Fuzzy,


pode-se afirmar que uma pessoa com 45 anos é considerada 75% como uma pessoa de ‘meia-
idade’ e 25% como uma pessoa ‘jovem’, como mostra a Fig. 2.
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

Figura 2 – Pertinência de uma Idade a um Conjunto Fuzzy.

Ao contrário da lógica tradicional, a lógica Fuzzy não impõe limites bruscos,


proporcionando graus de pertinência de elementos a uma determinada categoria (Campos &
Saito, 2004).
As funções de pertinência são ferramentas matemáticas simples, utilizadas para
determinar a participação de objetos a um conjunto. É importante ressaltar que estas funções
são definidas de maneira subjetiva pela qual um indivíduo entende uma determinada classe de
objetos. Geralmente utiliza-se a forma trapezoidal, triangular ou em forma de sino, pois estas
além de serem simples, porém suficientes para o uso em lógica Fuzzy, são muito eficientes na
maioria das plataformas computacionais.
Pode-se definir lógica Fuzzy como sendo uma ferramenta capaz de capturar informações
vagas, em geral descritas em linguagem natural, e convertê-las para um formato numérico de
fácil manipulação. A nomenclatura utilizada nesta lógica define os conjuntos Fuzzy, como no
caso das idades (jovem, meia-idade e idoso), como variáveis linguísticas da grandeza idade.
Uma arquitetura para um sistema Fuzzy é apresentada na Fig. 3. Os principais elementos
como Fuzificação, Inferências e Desfuzificação são descritos a seguir:

Entradas Saídas Resultados


Fuzificação Entradas Inferências Desfuzificação
(valores) (valores)
Fuzzy Fuzzy

Funções de Base de Método de


Pertinência Conhecimento desfuzificação
Lógico

Figura 3 – Esquema de um sistema Fuzzy.

• Fuzificação: processo de determinação do valor de pertinência de um elemento a um


ou mais conjuntos Fuzzy, utilizando para isso as Funções de Pertinência de Entrada.
(Cruz, 2004)
• Inferência: são regras, definidas pelo usuário, que estabelecem uma relação entre os
diversos valores linguísticos das variáveis Fuzzy. Estas regras são do tipo: “Se a
velocidade está muito elevada então deve-se frear muito forte”, onde as variáveis
Fuzzy consideradas no exemplo são a velocidade e o frear, e os valores linguísticos
correspondentes são: muito elevada e muito forte. O conjunto dessas regras compõe a
Base de Conhecimento Lógico. (Cruz, 2004)
• Base de Conhecimento Lógico: pode ser considerado o “cérebro” do sistema onde
está localizada a inteligência do mesmo (Campos & Saito, 2004). Ela contém o
conjunto das regras de inferências.
• Desfuzificação: processo que a partir de um valor de pertinência a um ou mais
conjuntos, encontra um valor resultado. Segundo (Weber & Klein, 2003), a
Desfuzificação produz um valor não fuzzy que melhor representa a saída fuzzy
deduzida. Como existem vários métodos de desfuzificação, um sistema fuzzy deve
especificar o método utilizado.
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

3 SIMULAÇÃO

3.1 Problematização
A avaliação de desempenho é o processo que mede o desempenho do funcionário, o grau
em que ele se enquadra nos requisitos do seu trabalho. Segundo Chiavenato (2004: p. 223),
“... serve para julgar ou estimar o valor, a excelência e as qualidades de uma pessoa e,
sobretudo, qual é a sua contribuição para o negócio da organização”. É importante destacar
que a avaliação do desempenho pode ser utilizada para integrar as pessoas à organização, para
adequar a pessoa ao cargo, para localizar carências de treinamento, estabelecer meios e
programas para eliminar ou neutralizar problemas, além de melhorar a produtividade do
colaborador dentro da organização, tornando-o mais bem equipado para produzir com eficácia
e eficiência.
Para exemplificar a aplicação da lógica Fuzzy, assim como sua eficácia, este estudo
propõe, utilizando a auto-avaliação e a avaliação de desempenho, apresentar uma
classificação dos funcionários mais precisa com relação aos conceitos utilizados.
Para simplificar a questão aqui abordada, será considerado um grupo de 4 (quatro)
funcionários, cujos conceitos são:

Tabela 2 – Desempenho Finais obtidos pelos Funcionários.


Funcionário Média da Supervisão Média da auto-avaliação
1031 75 80
1120 70 70
1001 55 65
1023 45 95

3.2 Classificação Utilizando a Lógica Clássica

Pela teoria Clássica, as faixas de valores que determinam os conceitos tem suas fronteiras
bem definidas, e a função de pertinência, que determina aquela em que o funcionário está
inserido, recebe o valor 0 (zero) quando o funcionário não pertence à faixa, e 1 (um) quando
pertence:

Tabela 3 – Faixa de valores para determinação do Conceito.


Pontuação Conceito
Até 39 pontos Insuficiente
De 40 a 69 pontos Regular
De 70 a 89 pontos Bom
De 90 a 100 pontos Excelente

No caso dos funcionários citados na Tabela 2, a partir da usual média aritmética, têm-se
as seguintes classificações:

Tabela 4 – Classificação pela Lógica Clássica.


Func. Supervisão Auto-avaliação Geral Final
1031 100 70 85,0 BOM
1120 55 80 67,5 REGULAR
1001 70 80 75,0 BOM
1023 90 80 85,0 BOM
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

3.3 Seleção utilizando a Lógica Fuzzy

O processo de classificação utilizando a lógica Fuzzy pode ser esquematizado como


mostra a Fig. 3, onde a entrada são os resultados das duas avaliações dos funcionários, e os
processos de Fuzificação, Inferência e Desfuzificação, descritos a seguir.

3.3.1 Fuzificação

Considerando pareceres de profissionais que trabalham na área de Recursos Humanos, foi


montado o gráfico da Fig. 4 que será utilizado para distribuição Fuzzy dos valores obtidos nas
avaliações e nos resultados finais. O gráfico representa os conjuntos possíveis, chamados de
variáveis linguísticas, e estão definidos no intervalo [0,100]. Estão sendo representadas 4
(quatro) variáveis linguísticas, e qualquer valor da grandeza, terá sua pertinência definida em
pelo menos uma dessas variáveis

1,2
1
0,8
0,6
0,4
0,2
0
0 10 20 30 40 50 60 70 80 90 100
Ins uf. Reg. Bom Excel.

Figura 4 – Distribuição Fuzzy dos Rendimentos.

A partir da definição das variáveis linguísticas (Insuficiente, Regular, Bom e Excelente)


para cada uma das grandezas “Avaliação da Supervisão”, “Auto-Avaliação” e “Desempenho
Final”, pode-se determinar a pertinência dos valores obtidos pelos funcionários, apresentados
na Tabela 1, a esses conjuntos.
A pertinência para cada uma das variáveis linguísticas é calculada pelas funções μ(x).
Para valores entre 0 e 55 é considerada a variável linguística Insuficiente e sua função de
pertinência definida por:

1 se x ≤ 40

µ I ( x) =  55 − x (4)
 40 se 40 ≤ x ≤ 55

Para valores entre 40 e 70 é considerada a variável linguística Regular e sua função de


pertinência definida por:

 x − 40
 se 40 ≤ x ≤ 55
µ R ( x) =  15 (5)
 70 − x se 55 ≤ x ≤ 70
 15

Para notas entre 55 e 90 é considerada a variável linguística Bom e sua função de


pertinência definida por:
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

 x − 55
se 55 ≤ x ≤ 70
 15
µ B ( x) =  (6)
 90 − x se 70 ≤ x ≤ 90
 15

Para notas entre 70 e 100 é considerada a variável linguística Excelente e sua função de
pertinência definida por:

 x − 85
 se 70 ≤ x ≤ 85
µ E ( x) =  15 (7)
 1 se x ≥ 85

A partir das funções, Eqs (4) – (7), pode-se verificar o grau de pertinência dos valores das
avaliações em cada uma das variáveis linguísticas. Este processo, chamado de fuzificação,
poderá ter como resultado mais de um valor para um dado rendimento funcionário. O
processo de fuzificação é a aplicação de todas as funções de pertinências das variáveis
linguísticas sobre o valor das avaliações obtido pelo funcionário naquela grandeza.
Evidentemente, só resultados diferentes de zero simbolizam alguma pertinência.
Fuzificando os valores das grandezas “Avaliação da Supervisão” e Auto-Avaliação
apresentados na Tabela 2, obtêm-se os resultados mostrados na Tabela 5 e 6:

Tabela 5 – Fuzificação da Grandeza Avaliação da Supervisão.


Func. Média na avaliação da Variável Pertinência
Supervisão Linguística
1031 100 Excelente 1
1120 55 Insuficiente 0
Regular 1
1001 70 Regular 0
Bom 1
1023 90 Bom 0
Excelente 1

Tabela 6 – Fuzificação da Grandeza Auto-Avaliação.


Func. Média Var. Linguística Pertinência
1031 7 Regular 0
Bom 1
1120 80 Bom 0,50
Excelente 0,67
1001 80 Bom 0,50
Excelente 0,67
1023 80 Bom 0,50
Excelente 0,67

3.3.2 Inferência

As regras de inferência estabelecem as relações entre as diversas grandezas e uma ou


mais variáveis linguísticas destas grandezas. Para se controlar adequadamente um processo
Fuzzy, é necessário o conhecimento sobre o mesmo na forma de regras “Se antecedente então
consequente” e de um mecanismo que avalie quais regras são pertinentes, e as aplique
produzindo uma saída (consequente) (Simôes & Shaw, 1999).
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

Para o problema apresentado, as diferentes possibilidades de valores assumidos pelas


variáveis de entrada, Avaliação da Supervisão e Auto-Avaliação, resultou na Tabela 7 das
regras de saída para o Desempenho Geral do funcionário.

Tabela 7 – Resultados das Regras de Inferências.


Avaliação da Supervisão
Auto-
avaliação Insuficiente Regular Bom Excelente
Insuficiente Insuficiente Regular Regular Bom
Regular Insuficiente Regular Bom Bom
Bom Regular Regular Bom Excelente
Excelente Regular Bom Bom Excelente

As interseções das linhas e colunas na Tabela 7 fornecem o resultado do Desempenho


Geral do funcionário a partir da avaliação da Supervisão e de sua auto-avaliação.

3.3.3 Desfuzificação

Em um sistema Fuzzy tanto as entradas como as saídas são variáveis escalares, isto é,
para qualquer valor escalar informado na entrada do sistema, este deve fornecer um comando
escalar e não um rótulo nebuloso (Cruz, 2004). No estágio de desfuzificação, é realizada a
transformação do valor da variável linguística de um controle Fuzzy de saída produzido pela
máquina de inferência, em um valor determinístico.
Há diversos métodos de desfuzificação, alguns mais precisos que outros, porém com um
custo computacional muito alto. O método utilizado neste trabalho é conhecido como método
“Centro de Máximo” (Weber & Klein, 2003).
Neste método o valor da desfuzificação é obtido por meio da média ponderada de todos
os valores de pertinências máximas dos valores linguísticos resultantes das regras de
inferências e os valores de inferência obtidos na fuzificação.
O método funciona de forma muito semelhante a uma gangorra. Imagina-se que os
valores de máximo de cada variável linguística fossem as distâncias do centro da gangorra, e
os graus de dependência calculados fossem os pesos a serem colocados na extremidade da
gangorra. Para se conseguir o equilíbrio da gangorra com pesos diferentes em distâncias
diferentes, é necessário mudar o centro da gangorra de lugar. O ponto de equilíbrio seria o
resultado encontrado na desfuzificação (Weber & Klein, 2003).
A partir da fuzificação aplicada aos valores de entrada e das regras de inferências na
Tabela 7 pode-se obter os seguintes valores do Rendimento Geral para desfuzificação:

Tabela 8 – Resultados do Rendimento Geral para Desfuzificação.


Avaliação da Supervisão Auto-Avaliação Desempenho Geral
Func Var. Ling. Pertinência Var. Ling. Pertinência Var. Ling. Pertinência
1031 Excelente 1 Regular 0 Bom 0
Excelente 1 Bom 1 Excelente 1
Insuficiente 0 Bom 0,50 Regular 0
1120 Regular 1 Excelente 0,67 Bom 0,67
Insuficiente 0 Excelente 0,67 Regular 0
Regular 1 Bom 0,50 Regular 0,50
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

Regular 0 Bom 0,50 Regular 0


1001 Bom 1 Excelente 0,67 Bom 0,67
Regular 0 Excelente 0,67 Bom 0
Bom 1 Bom 0,50 Bom 0,50
Bom 0 Bom 0,50 Bom 0
1023 Excelente 1 Excelente 0,67 Excelente 0,97
Bom 0 Excelente 0,67 Bom 0
Excelente 1 Bom 0,50 Excelente 0,50

Para os valores de cada funcionário da Tabela 8, aplica-se o método “Centro de Máximo”


de desfuzificação, utilizando para isso os valores de máximo para cada variável linguística.

Tabela 9 – Rendimento Geral: Resultados Finais após Desfuzificação.


Func. Rendimento Geral
1031 95
1120 69,3
1001 80
1023 95

4 COMPARATIVO DE MODELOS

Os modelos foram testados com 6 (seis) funcionários, quanto à sua capacidade de


oferecer respostas consistentes com os objetivos para os quais foram concebidos: avaliar o
desempenho profissional.
Comparando as médias, Clássicas e Fuzzy, verifica-se que classificação fuzzy beneficiou
as avaliações elaboradas pela Supervisão com pequeno um diferencial na nota final, o
suficiente para alterar positivamente o conceito do funcionário, como mostra a Tabela 10.

Tabela 10 – Quadro comparativo da Média Clássica x Fuzzy.


Média Clássica Média Fuzzy
Func. Nota Classificação Nota Classificação
1031 85,0 Bom 95,0 Excelente
1120 67,5 Regular 69,3 Bom
1001 75,0 Bom 80,0 Bom
1023 85,0 Bom 95,0 Excelente

5 CONCLUSÃO

A proposta deste estudo foi a comparação de dois modelos de avaliação de desempenho,


um utilizando a Lógica Clássica e outro, utilizando a Lógica Fuzzy. Para simulação e testes de
funcionamento dos modelos, utilizou-se uma aplicação desenvolvida no ambiente Lázarus,
para o compilador Free Pascal. Com intuito de simplificar os resultados e facilitar o
entendimento, foi considerado um grupo pequeno de 4 (quatro) funcionários, e na
apresentação foram utilizados gráficos e tabelas da planilha de cálculo - BrOffice.org Calc.
O resultado obtido em decorrência ao uso do modelo Fuzzy, indica que este contempla os
aspectos incertos, inerentes à avaliação do funcionário, quebra os paradigmas da lógica
tradicional com a sua incerteza, tentando aproximar cada vez mais a precisão e o pensamento
XIII Encontro de modelagem Computacional
Instituto Politécnico (IPRJ), Campus Regional da UERJ, Nova Friburgo/RJ, Brasil. 03-05 nov. 2010.
Associação Brasileira de Engenharia e Ciências Mecânicas – ABCM

humano. O modelo Fuzzy permite tratar, de forma numérica, predicados tais como:
“Insuficiente”, “Regular”, “Bom”, “excelente”, e expressar em um valor numérico a avaliação
qualitativa do funcionário.
A lógica fuzzy também pode ser útil para apoiar o acompanhamento de funcionários na
realização de atividades em que o desempenho destes é difícil de ser medido, em função da
diversidade de variáveis que devem ser consideradas na avaliação.
Apesar do desenvolvimento de uma aplicação computacional fuzzy requerer mais tempo,
se comparado a uma aplicação tradicional, o resultado obtido reflete de forma satisfatória as
expectativas, e evidencia que, onde os sistemas convencionais falham ou não exibem um bom
desempenho, os controladores fuzzy vêm se apresentando de forma excepcionalmente eficaz.

REFERÊNCIAS BIBLIOGRÁFICAS

Aristóteles,. Metafísica, Porto Alegre: Editora Globo, 1969. (Biblioteca dos Séculos).
Campos, Mario Massa de, Saito, Kaku. Sistemas Inteligentes em Controle e Automação de Processos, Rio de
Janeiro: Ciência Moderna, 2004.
Chiavenato, Idalberto. Gestão de pessoas: e o novo papel dos recursos humanos nas organizações. Rio de
Janeiro: Elsevier, 2004 – 4ª Reimpressão.
Cox, Earl. The Fuzzy Systems Handbook: a practitioner´s guide to building, using, and maintaining fuzzy
systems, AP Professional, 1994.
Cruz, J. A. de O. “Lógica Nebulosa”. Núcleo de Computação Eletrônica, Universidade Federal do Rio de
Janeiro, 2004 http://equipe.nce.ufrj.br/adriano/fuzzy/apostila.pdf, acesso em 14/02/2010 13:15
Nascimento Junior, Cairo Lucio, Yoneyama, Takashi. Inteligência Artificial em Controle e Automação, São
Paulo: Blucher: FAPESP, 2004.
Nicoletti, Maria do Carmo, Camargo, Heloisa de Arruda. Fundamentos da Teoria de Conjuntos Fuzzy, São
Carlos: EdUFSCar, 2004. (Série Apontamentos).
Simões Marcelo Godoy, Shaw Ian S.. Controle e Modelagem Fuzzy, São Paulo: Blücher: FASPESP, 1999.
Weber, Leo, Klein, Pedro Antonio Trierweiler. Aplicação da Lógica Fuzzy em Software e Hardware,
Canoas: ULBRA, 2003.

AN APPLICATION OF FUZZY LOGIC IN EVALUATING PERFORMANCE OF


PERSONS

Abstract. The Decision making through information technology, using systems based on
classical logic, represented by a set of rigid rules, binary, where a declaration can only
assume true or false value, comes to oppose the human reality. This imperfection, intrinsic to
the information represented in a natural language, can be treated based on fuzzy logic, also
known as Fuzzy logic. In a performance evaluation of professional subjectivity inherent in
every note, in addition to the traditional mathematical treatment, could not meet expectations,
and the lack of tools and methods of measurement, requires the evaluator to work with a
situation not ideal. The purpose of this work is to develop an application, the programming
environment Lazarus, using fuzzy logic to assist in the assessment process desmpenho,
promoting an informed assessment criteria more measurable judgments. In this application
you can diversify both the notes, but also the inference rules for obtaining new results. With
intent to facilitate the understanding of the method, will be held the rank of a group of
employees, using both logic: Classical and Fuzzy.

Keywords: Fuzzy Logic; Sets Fuzzy; Evaluates the Performance.