Código: | EIG0068 | Sigla: | PGO |
Áreas Científicas | |
---|---|
Classificação | Área Científica |
OFICIAL | Gestão de Operações |
Ativa? | Sim |
Unidade Responsável: | Departamento de Engenharia e Gestão Industrial |
Curso/CE Responsável: | Mestrado Integrado em Engenharia e Gestão Industrial |
Sigla | Nº de Estudantes | Plano de Estudos | Anos Curriculares | Créditos UCN | Créditos ECTS | Horas de Contacto | Horas Totais |
---|---|---|---|---|---|---|---|
MIEGI | 67 | Plano de estudos oficial a partir de 2006/07 | 5 | - | 6 | 49 | 162 |
Os gestores de qualquer empresa – sector privado ou público, industrial ou serviços – têm que tomar decisões sobre como afectar os recursos da organização. Sendo parte da informação necessária para tomar estas decisões quantitativa/numérica, os gestores de hoje devem ser capazes de a valorizar, analisar e utilizar. O objectivo da disciplina é o de, recorrendo à análise de modelos quantitativos e ferramentas teóricas que suportam as melhores práticas de gestão de operações de empresas, dotar os estudantes de competências de análise e tratamento de dados para a preparação de decisões.
Criar, actualizar e desenvolver nos estudantes competências em métodos quantitativos de apoio à decisão, que lhes permitam:
- Compreender o papel da previsão da procura nas empresas, e perceber a forma como deve ser implementado um sistema de previsão;
- Implementar e usar métodos estatísticos de extrapolação direta, para prever o comportamento de variáveis não controláveis;
- Identificar problemas de otimização, particularmente no contexto da gestão de operações e da otimização combinatória, e abordá-los de uma forma estruturada;
- Identificar as técnicas algorítmicas mas adequadas para resolver um dado problema de otimização;
- Usar métodos heurísticos e meta-heurísticos para obter soluções para os problemas;
- Implementar, testar e validar métodos de pesquisa para resolver diferentes classes de problemas de otimização.
Investigação Operacional
Estatística
1ª parte: Previsão e Tomada de decisões.
a) Papel dos métodos de previsão (MP) em processos de decisão.
b) Classificação dos MP. Métodos quantitativos: hipóteses subjacentes e condições de aplicabilidade.
c) Selecção dos MP.
d) Análise de séries temporais: Regressão, Decomposição Clássica e Amortecimento exponencial.
2ª parte: Visão geral de modelos, aplicações e algoritmos para problemas de Optimização Combinatória;
a) Comparação entre métodos exactos e abordagens heurísticas;
b) Desempenho dos algoritmos; Heurísticas construtivas e de melhoramento;
c) Metaheuristicas: princípios gerais e componentes; exemplos de metaheuristicas populacionais e não-populacionais.
3ª parte: Análise de modelos quantitativos e ferramentas que suportam as melhores práticas de gestão de operações de empresas de topo; Resolução de um caso real.
A Unidade Curricular baseia-se numa combinação de exposição dos conteúdos e conceitos com fases de resolução e discussão em grupo de casos de estudo e de artigos científicos.
Aulas teóricas: aulas de apresentação e discussão de casos.
Aulas práticas: resolução de problemas (recorrendo a folhas de cálculo) e esclarecimento de dúvidas.
Na primeira parte do semestre, grupos de 4 alunos terão que analisar um caso de estudo sobre métodos de previsão e produzir um relatório.
Na segunda parte recorrer-se-á a a uma vasta gama de artigos científicos clássicos e recentes sobre gestão de operações e otimização combinatória. Cada grupo de alunos deverá analisar um artigo científico e apresentá-lo. Segue-se um período de arguição, coordenado por um outro grupo de alunos. Tentar-se-á estimular uma aprendizagem activa através de uma discussão aberta.
Na terceira parte, os alunos deverão implementar um procedimento heurístico para resolver uma aplicação real e elaborar um pequeno relatório, num estilo semelhante a um artigo científico.
A avaliação inclui a resolução de um caso de estudo em grupo de métodos de previsão, a resolução de um caso de estudo em otimização combinatória, a discussão do artigo científico e dois testes individuais.
Designação | Peso (%) |
---|---|
Defesa pública de dissertação, de relatório de projeto ou estágio, ou de tese | 5,00 |
Participação presencial | 28,00 |
Teste | 27,00 |
Trabalho escrito | 40,00 |
Total: | 100,00 |
Designação | Tempo (Horas) |
---|---|
Elaboração de projeto | 12,00 |
Estudo autónomo | 50,00 |
Frequência das aulas | 52,00 |
Trabalho de campo | 75,00 |
Total: | 189,00 |
Presença nas aulas de discussão do caso de métodos de previsao, de artigos e dos resultados intermédios do caso de otimização combinatória.
A classificação final (P) é a média pesada da classificação obtida no caso prático de MP (com peso de 0.20)- P1.1, na resolução de um teste individual de métodos de previsão (0.30)-P1.2, na análise do artigo, apresentação intermédia e implementação de um algoritmo e escrita do relatório (0.30)-P2.1 e num teste individual sobre otimização (0.20)-P2.2.
P = 0.20*P1.1 + 0.30*P1.2 + 0.30*P2.1 + 0.20*P2.2
Os estudantes com estatuto especial (trabalhador-estudante, militar ou atleta de alta competição) podem optar pela forma e regras de avaliação indicadas anteriormente.
Em alternativa:
Em vez das componentes separadas P1.1, P1.2, P2.1 e P2.2 devem submeter-se a uma prova escrita final única (a realizar em data a marcar) com essas 4 partes.
Esta prova terá a duração aproximada de 3 horas.
Os estudantes podem repetir numa prova de recurso o mini-teste P1.2 e o P2.2 em que tiveram a pior classificação.
Os estudantes que pretendam obter melhoria da classificação poderão também fazê-lo no ano letivo seguinte repetindo apenas as componentes de avaliação cuja classificação pretendem melhorar.