Sistemas de Apoio à Decisão

Código:

ESG0005

Sigla:

SAD

Áreas Científicas
Classificação	Área Científica
OFICIAL	Economia
OFICIAL	Matemática

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Página Web:	https://sites.google.com/gcloud.fe.up.pt/mesg-sad/
Unidade Responsável:	Departamento de Engenharia e Gestão Industrial
Curso/CE Responsável:	Mestrado em Engenharia de Serviços e Gestão

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MESG	27	Plano de estudos oficial a partir de 2007/08	1	-	6	42	162

Língua de trabalho

Inglês

Objetivos

Visão Geral do Curso:

Este curso explora os Sistemas de Suporte à Decisão (SSD) e a sua aplicação na Engenharia e Gestão de Serviços, focando-se em técnicas como programação linear, análise de sensibilidade, otimização baseada em Python, heurísticas, tomada de decisão multicritério e teoria da decisão. Exemplos relacionados com os Objetivos de Desenvolvimento Sustentável (ODS) serão integrados ao longo do curso para demonstrar como os SSD podem abordar desafios globais.

Objetivos de Aprendizagem:

No final do curso, os estudantes serão capazes de:

• Construir e resolver modelos de programação linear.
• Realizar análises de sensibilidade usando o Excel Solver.
• Implementar técnicas de otimização utilizando Python.
• Utilizar métodos heurísticos para resolver problemas complexos de otimização.
• Aplicar ferramentas de tomada de decisão multicritério, teoria da decisão e árvores de decisão.
• Tomar decisões em condições de incerteza e experimentação, com foco em aplicações do mundo real.

Resultados de aprendizagem e competências

Resultados de Aprendizagem:

No final desta unidade curricular, os alunos deverão ser capazes de:

1. Aplicar técnicas de programação linear para formular e resolver problemas de otimização no contexto da Engenharia e Gestão de Serviços.


2. Realizar análises de sensibilidade utilizando o Excel Solver para avaliar a robustez de soluções de otimização.


3. Implementar técnicas de otimização utilizando Python para resolver problemas complexos de otimização.


4. Aplicar heurísticas para abordar problemas de otimização combinatória que não podem ser resolvidos por métodos exatos.


5. Utilizar ferramentas de decisão multicritério e teoria da decisão para avaliar alternativas em cenários com múltiplos objetivos.


6. Construir e analisar árvores de decisão para tomadas de decisão sob incerteza, considerando riscos e benefícios.


7. Desenvolver e aplicar estratégias de experimentação para a tomada de decisões em ambientes incertos e dinâmicos, com foco em problemas reais.

Competências:

Durante o curso, os alunos irão desenvolver as seguintes competências:

1. Competência técnica na utilização de ferramentas de otimização, como o Excel Solver e bibliotecas de Python (PuLP), para resolução de problemas.


2. Competências analíticas para interpretar e avaliar soluções de otimização e tomada de decisão em contextos complexos.


3. Capacidade de decisão informada, aplicando métodos quantitativos e qualitativos para a resolução de problemas reais e a implementação de estratégias eficientes.


4. Competência de resolução de problemas através da aplicação de heurísticas e modelos de otimização em problemas práticos.


5. Capacidade de colaboração e trabalho em equipa, especialmente em projetos de grupo, integrando diferentes perspectivas.


6. Competências de pensamento crítico e criativo, para lidar com decisões complexas e dinâmicas, incluindo cenários de incerteza e experimentação.

Modo de trabalho

Presencial

Programa

Introdução aos Sistemas de Apoio à Decisão (SAD):

• Conceitos principais dos Sistemas de Apoio à Decisão (SAD) e sua aplicação na Engenharia e Gestão de Serviços.


• Importância dos SAD no apoio à tomada de decisões em ambientes complexos e dinâmicos.

Programação Linear:

• Introdução à programação linear (PL) e formulação de modelos.


• Resolução de problemas de PL utilizando o Excel Solver e Python.


• Interpretação e análise dos resultados.

Análise de Sensibilidade:

• Importância da análise de sensibilidade na avaliação da robustez das soluções.


• Utilização do Excel Solver para realizar análises de sensibilidade.


• Interpretação dos resultados para apoiar a tomada de decisões.

Otimização com Python:

• Introdução ao uso de Python para otimização.


• Solução de problemas de programação linear com bibliotecas Python (como PuLP).


• Comparação entre ferramentas de otimização (Excel Solver vs. Python).

Heurísticas para Problemas de Otimização Combinatória:

• Introdução à otimização combinatória e sua complexidade.


• Aplicação de métodos heurísticos, como algoritmos gananciosos, algoritmos genéticos e "simulated annealing".


• Abordagem de problemas práticos utilizando heurísticas.

Tomada de Decisão Multicritério (MCDSS):

• Conceitos de tomada de decisão com múltiplos critérios.


• Aplicação de métodos de apoio à decisão multicritério (AHP, TOPSIS, etc.).


• Criação e avaliação de modelos de apoio à decisão baseados em múltiplos critérios.

Teoria da Decisão e Árvores de Decisão:

• Fundamentos da teoria da decisão.


• Desenvolvimento e análise de árvores de decisão para avaliar alternativas.


• Aplicação da teoria da utilidade e gestão de riscos em decisões.

Decisões com Experimentação e Incerteza:

• Estratégias de tomada de decisão com experimentação (ex. testes A/B).


• Tomada de decisão em condições de incerteza e risco.


• Introdução à análise bayesiana e atualização de probabilidades com novos dados.

Projeto Final:

• Aplicação prática dos conhecimentos adquiridos para resolver um problema real utilizando as técnicas aprendidas ao longo do curso.

Bibliografia Obrigatória

Powell, Stepehn G.; Management Science. ISBN: 978-0-470-03840-6

Bibliografia Complementar

Clemen, Robert T.; Making hard decisions. ISBN: 0-534-92336-4
Tavares, Luís Valadares 070; Investigação operacional. ISBN: 972-8298-08-0
Antunes, Carlos Henggeler 340; Casos de aplicação da investigação operacional. ISBN: 972-773-075-2

Observações Bibliográficas

Serão disponibilizados os "slides" das aulas, bem como algumas folhas de exercícios.

Métodos de ensino e atividades de aprendizagem

O curso será conduzido através de uma combinação de métodos de ensino teóricos e práticos, com ênfase na aplicação dos conceitos discutidos nas aulas. As seguintes abordagens serão utilizadas:

• Componentes Teóricas Interativas:

  • As componentes teóricas das aulas serão ministradas com a utilização de apresentações e exemplos práticos, incentivando a participação ativa dos estudantes. O professor irá apresentar os conceitos chave e discutir aplicações no contexto da Engenharia e Gestão de Serviços.
  • Durante as aulas, serão colocadas questões e discussões para estimular o pensamento crítico e a capacidade de resolução de problemas.

• Estudos de Caso:

  • Os estudantes serão expostos a pequenos casos reais e simulados, onde poderão aplicar as técnicas aprendidas para resolver problemas práticos. Estes estudos de caso serão discutidos e resolvidos em grupo.

• Aulas Práticas e Exercícios com Software:

  • Haverá sessões práticas onde os estudantes irão utilizar ferramentas como Excel Solver e Python para resolver problemas de otimização e simulação.
  • Através de exercícios guiados, os estudantes serão encorajados a implementar os modelos discutidos em sala de aula, explorando as suas funcionalidades e limites.

• Avaliações Formativas:

• Pequenas avaliações individuais em cada aula permitirão medir a compreensão dos conceitos ao longo do curso. Estas avaliações incluirão questões teóricas e práticas e terão o objetivo de identificar áreas que necessitam de maior atenção.
• Estas avaliações também incentivarão a participação contínua dos estudantes e a revisão regular da matéria.
• Sessões de Discussão e Feedback:
• Feedback contínuo será dado durante as atividades práticas e nos projetos de grupo, garantindo que os estudantes compreendam plenamente os conceitos.

Software

Microsoft Excel
Phyton

Palavras Chave

Ciências Físicas > Matemática > Matemática aplicada > Investigação operacional

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	25,00
Trabalho escrito	25,00
Teste	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	120,00
Frequência das aulas	42,00
Total:	162,00

Obtenção de frequência

Para terem frequência a esta unidade curricular os estudantes devem cumprir o disposto nas normas gerais de avaliação da FEUP (https://paginas.fe.up.pt/~contqf/producao/_SERAC/Legislacao/Regulamentos/RegulamentosFEUP/normas%20gerais%20de%20avaliacao.pdf)

Fórmula de cálculo da classificação final

AVALIAÇÃO DISTRIBUÍDA
(sem consulta) (classificação entre 0 e 15 valores)

Micro-exercícios (classificação entre 0 e 10 valores)

• cada exercício será classificado numa escala de 0 a 100%;
• a classificação final nesta componente será obtida pela soma das classificações obtidas por cada estudante nos micro-exercícios propostos para resolução no fim de cada aula, retirando as duas classificações mais baixas.

Teste intermédio (classificação entre 0 e 5 valores)

Trabalho de grupo (classificação entre 0 e 5 valores)

Provas e trabalhos especiais

Trabalho de Grupo

 

Avaliação especial (TE, DA, ...)

As avaliações em época especial serão feitas por uma prova sem consulta.

Melhoria de classificação

A melhoria da classificação final só pode ser realizada nas componentes dos micro-exercícios e do teste intermédio.

Os estudantes não podem repetir oTrabalho de Grupo.

A fórmula para cálculo da classificação final mantém-se.