Métodos de Ensino
A unidade curricular adota uma abordagem pedagógica baseada em aprendizagem ativa orientada para a resolução de problemas reais.
As articulação entre teoria, prática e trabalho garante a consolidadção efetiva das competências.
A componente teórica é abordada através de exposição dialogada, com apresentação de conceitos, podendo esta ser seguida de
discussão de casos reais. Esta abordagem assegura a compreensão dos fundamentos matemáticos sem sobrecarregar os estudantes com
formalismos excessivos, mantendo o foco na aplicabilidade.
A componente prática constitui o eixo central da aprendizagem, seguindo uma metodologia “learning by doing”. Os estudantes trabalham
com ferramentas computacionais, utilizando software livre como GLPK, OpenSolver e DEA-Solver para garantir a continuidade da
aprendizagem fora das aulas. As sessões incluem demonstrações pelo docente, seguidas de prática supervisionada onde os estudantes
replicam exemplos e resolvem exercícios progressivamente mais complexos.
O desenvolvimento de um trabalho aplicado ao longo do semestre permite a consolidação integrada das competências. Os estudantes
selecionam um problema real, aplicam as metodologias aprendidas e comunicam os resultados num formato adequado a decisores. Este
projeto é acompanhado através de tutoriais individuais e sessões de feedback.
A avaliação formativa é promovida através de exercícios semanais não avaliativos que permitem monitorizar o progresso e identificar
dificuldades de compreensão, ajustando a intervenção pedagógica.
A combinação de exposição teórica, prática computacional intensiva, resolução de problemas e desenvolvimento de projeto garante que os
estudantes consolidam conhecimentos técnicos, pensamento crítico e competências de comunicação orientadas à decisão.
Resultados de Aprendizagem
Ao concluir a unidade curricular, o estudante deve ser capaz de:
O1. Compreender fundamentos de programação linear e linear inteira e interpretar soluções num contexto de decisão.
O2. Aplicar a metodologia Data Envelopment Analysis (DEA) para avaliação de eficiência relativa e apoiar processos de benchmarking.
O3. Formular e resolver problemas de otimização simples aplicados a planeamento, produção e avaliação de desempenho.
O4. Utilizar ferramentas computacionais para modelação, resolução e exploração de resultados.
O5. Comunicar resultados quantitativos de forma clara aos decisores.
O método de ensino combina exposição teórica, prática orientada e desenvolvimento de trabalho, garantindo a aquisição equilibrada de
conhecimentos, aptidões e competências.
Programa
1Fundamentos de Programação Linear e Interpretação
1.1Conceitos fundamentais: variáveis,função objetivo,restrições
1.2Formulação de modelos PL e PLI e aplicações
1.3Dualidade, preços-sombra,análise de sensibilidade
1.4Aplicações:transporte,afetação e planeamento
2Ferramentas Computacionais
2.1Introdução a Solvers(GLPK,OpenSolver/Pyomo)
2.2Preparação de dados,modelação e visualização de resultados
2.3Reprodutibilidade (ficheiros,scripts)
3Data Envelopment Analysis
3.1Fundamentos: eficiência relativa,fronteira eficiente,vantagens e limitações
3.2Modelos clássicos:CCR(CRS),BCC(VRS) e interpretação de scores
3.3Implementação prática/benchmarking
3.4Prática: implementação de casos(uso DEA-Solver/DEAP),seleção inputs/outputs,identificação de outliers,interpretação e
benchmarking(caso simplificado)
4Tomada de Decisão Multicritério/Comunicação
4.1Conceitos de Pareto e soma ponderada
4.2Comunicação de resultados e limites dos modelos
5Trabalho prático orientado e apresentação
Estágio(s)
NAO
Bibliografia
Hillier, F. S., & Lieberman, G. J. (2014). Introduction to operations research (10th ed.). McGraw-Hill Education.
Zhu, J. (2014). Quantitative models for performance evaluation and benchmarking: Data envelopment analysis with spreadsheets (3rd ed.).
Springer.
Camanho, A. S., & Dinverno, G. (2023). Data envelopment analysis: A review and synthesis. In F. L. Nebot, J. M. Merigó, & C. L. Tan
(Eds.), Advances in efficiency and productivity analysis (pp. 33-54). Springer.
Emrouznejad, A., Petridis, K., & Charles, V. (2024). Data envelopment analysis with GAMS: A handbook on productivity analysis and
performance measurement. Springer.
Steuer, R. E. (1986). Multiple criteria optimization: Theory, computation, and application. John Wiley & Sons.
Charnes, A., Cooper, W. W., Lewin, A. Y., & Seiford, L. M. (Eds.). (1994). Data envelopment analysis: Theory, methodology, and
application. Kluwer Academic Publishers