OBJETIVOS DA DISCIPLINA (PSP1)

Ø Incrementar habilidade de identificar problemas, caracterizar oportunidades, formular modelos e obter soluções, enfatizando aspectos de (i) sustentabilidade; (ii) inovação; (iii) proteção à privacidade; e (iv) decisões ajustadas a riscos, considerando a hierarquia PMBOK de portfólios, programas, projetos-extensões e operações.

Ø Desenvolver trabalho em equipe, à luz da abordagem de sistemas, envolvendo a elaboração de guia de gestão de projetos sob medida, para sistemas e produtos orientados à sustentabilidade, inovação, privacidade, decisões ajustadas a riscos para Sistemas de (i) Recuperação (R2-Reúso e R3-Reciclagem) de resíduos sólidos via cooperativas de catadores; (ii) Desenvolver aplicativo “Digital Mobilizer” para engajamento da população em Sustentabilidade; (iii) Descarte em aterros sanitários; e (iv) Produtos orientados à P-Prevenção e R1-Redução.  

Ø Consolidar entendimento de tópicos relevantes em projetos de sistemas: Abordagem PBL; Trabalho em Equipe; Gestão de Projetos; Utilização de Bibliometria.

OBJETIVOS DA DISCIPLINA (IEPR)

·       Construir entendimento de Engenharia de Produção (EPR) com foco nos Setores CONFEA de Atribuições Profissionais (1.3.21 a 1.3.26), sob 3 perspectivas: (i) Formação e Avaliação Acadêmicas: ENADE/INEP/MEC; (ii) Interesses de Entidades Representativas: ABEPRO/IISE; e (iii) Oportunidades profissionais. Com base no entendimento construído, realizar buscas bibliométricas e interagir com partes interessadas no âmbito de sistemas da realidade, com vistas a identificar e caracterizar aplicações EPR SIPA (S-Sustentáveis, I-Inovadoras, P-Privacidade, usando A-Análise de negócios com decisões ajustadas a riscos) relacionadas a sistemas da realidade. 

·       Informar conteúdo e formato do Curso de Graduação EPR na UnB;

·       Compreender pensamento sistêmico inerente à EPR, enfatizando interfaces com as demais engenharias;

·       Promover a interdisciplinaridade;

·       Incentivar o pensamento crítico independente, a investigação racional e a autoaprendizagem;

·       Desenvolver a capacidade de trabalho em equipe.

Parte I – Análise Externa à Firma

(interações entre empresas, consumidores, estruturas de mercado e regulação)

1. Introdução à Organização Industrial e à Engenharia Econômica

2. Teoria do Consumidor: preferências, elasticidades e demanda

3. Teoria da Firma: custos de produção, economias de escala e escopo

4. Análise de Equilíbrio: concorrência perfeita, Cournot, Bertrand e Stackelberg

5. Externalidades e Bens Públicos

6. Poder de Mercado: monopólio, monopólio natural e oligopólio

7. Teoria dos Jogos e Estratégia Competitiva

8. Escolha Social e Bem-estar

9. Informações Assimétricas: seleção adversa, risco moral e incentivos

10. Desenho de Mecanismos: contratos, leilões e regulação

Parte II – Análise Interna à Firma

(gestão de operações, qualidade, logística, inovação e modelos de negócios)

11. Análise de Viabilidade Econômica e Técnica de Projetos

12. Logística e Gestão de Operações: cadeia de suprimentos e estoques

13. Gestão da Qualidade: controle estatístico de processos e ferramentas quantitativas

14. Desenvolvimento de Produtos e Serviços: ciclo de vida, engenharia de produto e inovação

15. Gestão Ágil e Modelos de Negócios: Scrum, Kanban, Lean, Business Model Canvas, Lean Startup e Design Sprint

I. Fundamentos de Sistemas de Informação
– Conceitos e evolução dos Sistemas de Informação (SI);
– Tipos de Sistemas de Informação e aplicações gerais; e
– Papel estratégico dos SI nas organizações.
II. Introdução à Análise de Dados e Programação em Python
– Introdução à programação em Python para análise de dados;
– Conceitos de dados: estruturados e não estruturados;
– Coleta, limpeza e organização de dados;
– Manipulação de dados com Pandas e NumPy;
– Visualização de dados com Matplotlib e Seaborn;
– Introdução ao Streamlit para dashboards interativos.
III. Fundamentos de Probabilidade e Estatı́stica Aplicada
– Conceitos básicos de probabilidade e variáveis aleatórias;
– Distribuições de probabilidade (Normal, Binomial, Poisson);
– Estatı́sticas descritivas e inferenciais;
– Intervalos de confiança e testes de hipóteses;
– Aplicação computacional em Python e visualização com Streamlit.
IV. Modelagem Estatı́stica para Análise de Dados
– Análise de variância (ANOVA);
– Regressão Linear Simples e Múltipla;
– Diagnóstico de modelos estatı́sticos e interpretação;
– Regressão Logı́stica para classificação binária;
– Implementação prática em Python e dashboards interativos.
V. Modelos de Aprendizado de Máquina Supervisionados

– Modelos de Regressão;
– Modelos de Classificação;
– Modelos de Ensemble Learning;
– Explicabilidade em Inteligência Artificial e Machine Learning;
– Implementação computacional e visualização interativa.
VI. Modelos de Aprendizado de Máquina Não Supervisionados
– Clusterização;
– Redução de dimensionalidade;
– Detecção de anomalias em dados empresariais;
– Implementação computacional e visualização interativa.
VII. Introdução a Modelos de Linguagem de Grande Escala
– Conceitos básicos e evolução dos LLMs;
– Aplicações empresariais e gerenciais de LLMs;
– Implementação de LLMs com Python.
VIII. Business Intelligence e Desenvolvimento de Dashboards
– Construção de dashboards interativos com Streamlit;
– Técnicas avançadas de visualização de dados.
IX. Aplicações Gerenciais de Sistemas de Informação
– Aplicações de CRM (Customer Relationship Management), ERP (Enterprise
Resource Planning), SCM (Supply Chain Management), PLM (Product Li-
fecycle Management) e CIM (Computer-Integrated Manufacturing);
– Sistemas de suporte à decisão.
X. Comércio Eletrônico e Transformação Digital Baseada em Dados
– Estratégias de negócios baseadas em dados;
– Personalização e recomendação com IA;
– Modelagem de comportamento de agentes com análise de dados.

I. Fundamentos de Sistemas de Informação
– Conceitos e evolução dos Sistemas de Informação (SI);
– Tipos de Sistemas de Informação e aplicações gerais; e
– Papel estratégico dos SI nas organizações.
II. Introdução à Análise de Dados e Programação em Python
– Introdução à programação em Python para análise de dados;

– Conceitos de dados: estruturados e não estruturados;
– Coleta, limpeza e organização de dados;
– Manipulação de dados com Pandas e NumPy;
– Visualização de dados com Matplotlib e Seaborn;
– Introdução ao Streamlit para dashboards interativos.
III. Fundamentos de Probabilidade e Estatı́stica Aplicada
– Conceitos básicos de probabilidade e variáveis aleatórias;
– Distribuições de probabilidade (Normal, Binomial, Poisson);
– Estatı́sticas descritivas e inferenciais;
– Intervalos de confiança e testes de hipóteses;
– Aplicação computacional em Python e visualização com Streamlit.
IV. Modelagem Estatı́stica para Análise de Dados
– Análise de variância (ANOVA);
– Regressão Linear Simples e Múltipla;
– Diagnóstico de modelos estatı́sticos e interpretação;
– Regressão Logı́stica para classificação binária;
– Implementação prática em Python e dashboards interativos.
V. Modelos de Aprendizado de Máquina Supervisionados
– Modelos de Regressão;
– Modelos de Classificação;
– Modelos de Ensemble Learning;
– Explicabilidade em Inteligência Artificial e Machine Learning;
– Implementação computacional e visualização interativa.
VI. Modelos de Aprendizado de Máquina Não Supervisionados
– Clusterização;
– Redução de dimensionalidade;
– Detecção de anomalias em dados empresariais;

– Implementação computacional e visualização interativa.
VII. Introdução a Modelos de Linguagem de Grande Escala
– Conceitos básicos e evolução dos LLMs;
– Aplicações empresariais e gerenciais de LLMs;
– Implementação de LLMs com Python.
VIII. Business Intelligence e Desenvolvimento de Dashboards
– Construção de dashboards interativos com Streamlit;
– Técnicas avançadas de visualização de dados.
IX. Aplicações Gerenciais de Sistemas de Informação
– Aplicações de CRM (Customer Relationship Management), ERP (Enterprise
Resource Planning), SCM (Supply Chain Management), PLM (Product Li-
fecycle Management) e CIM (Computer-Integrated Manufacturing);
– Sistemas de suporte à decisão.
X. Comércio Eletrônico e Transformação Digital Baseada em Dados
– Estratégias de negócios baseadas em dados;
– Personalização e recomendação com IA;
– Modelagem de comportamento de agentes com análise de dados.

EMENTA:

Nessa disciplina os conceitos de simulação e técnicas de solução de problemas aplicando são apresentados para a formação do Engenheiro de Produção. Conceitos estes tão em voga na disseminação do conhecimento, tanto na indústria de produção de bens, como também na área de serviços. Esta disciplina aplica técnicas de simulação em problemas reais mediante uma modelagem adequada e implementação de algoritmos. O objetivo da disciplina é dar conhecimento de técnicas de Simulação, de modo a permitir formular modelos, aplicar algoritmos e interpretar os resultados obtidos. Aulas teóricas, com aplicação de exercícios e estudos de modelos. Os seguintes tópicos serão abordados:

1.      Introdução: importância.

2.      Aplicações de simulação e elementos de probabilidade.

3.      Geração de números e observações randômicos: variáveis randômicas discretas e contínuas.

4.      Método de simulação em tempos discretos: metodologia e,sistemas de filas.

5.      Estudos de casos de problemas de simulação: análise de risco; sistema de estoque; tempos de espera em filas. Aplicação do Software Arena e do Matlab. Havendo tempo veremos também a linguagem Julia.

FORMA DE AVALIAÇÃO:

A avaliação será feita através da presença e participação na sala aula, e, três oi dos projetos, com os seguintes valores:

1.     Uma primeira prova peso 25%.

2.     Uma prova final, que inclui toda a matéria do semestre, com peso 30%.

3.     Um projeto, que conterá duas partes (uma do Matlab e uma do Arena), sendo que o projeto valerá 45% da nota final, 22.5% para o Matlab e 22.5% para o projeto do Arena.

EMENTA:

Nessa disciplina os conceitos de simulação e técnicas de solução de problemas aplicando são apresentados para a formação do Engenheiro de Produção. Conceitos estes tão em voga na disseminação do conhecimento, tanto na indústria de produção de bens, como também na área de serviços. Esta disciplina aplica técnicas de simulação em problemas reais mediante uma modelagem adequada e implementação de algoritmos. O objetivo da disciplina é dar conhecimento de técnicas de Simulação, de modo a permitir formular modelos, aplicar algoritmos e interpretar os resultados obtidos. Aulas teóricas, com aplicação de exercícios e estudos de modelos. Os seguintes tópicos serão abordados:

1.      Introdução: importância.

2.      Aplicações de simulação e elementos de probabilidade.

3.      Geração de números e observações randômicos: variáveis randômicas discretas e contínuas.

4.      Método de simulação em tempos discretos: metodologia e,sistemas de filas.

5.      Estudos de casos de problemas de simulação: análise de risco; sistema de estoque; tempos de espera em filas. Aplicação do Software Arena e do Matlab. Havendo tempo veremos também a linguagem Julia.

FORMA DE AVALIAÇÃO:

A avaliação será feita através da presença e participação na sala aula, e, três oi dos projetos, com os seguintes valores:

1.     Uma primeira prova peso 25%.

2.     Uma prova final, que inclui toda a matéria do semestre, com peso 30%.

3.     Um projeto, que conterá duas partes (uma do Matlab e uma do Arena), sendo que o projeto valerá 45% da nota final, 22.5% para o Matlab e 22.5% para o projeto do Arena.

Nessa disciplina os conceitos de modelagem e técnicas de solução de diferentes problemas são consolidados para a formação do Engenheiro de Produção. Conceitos estes tão em voga na disseminação do conhecimento, tanto na indústria de produção de bens, como também na área de serviços. Esta disciplina aplica as técnicas da Pesquisa Operacional (P.O.) em problemas reais mediante uma modelagem adequada e implementa algoritmos de P.O.. O objetivo da disciplina é dar conhecimento de técnicas de Pesquisa Operacional, de modo a permitir formular modelos, aplicar algoritmos e interpretar os resultados obtidos. Aulas teóricas, com aplicação de exercícios e estudos de modelos. Os seguintes tópicos serão abordados:

1.      Conceituação de pesquisa operacional.

2.      Programação linear.

3.      Programação inteira e modelos combinatórios.

4.      Programação não linear.

5.      Teoria dos grafos com ênfase em redes.

6.      Modelos estocásticos.

7.      Teoria da decisão.B

8.      Teoria de Filas.

FORMA DE AVALIAÇÃO:

A avaliação será feita através da presença e participação na sala aula, séries de exercícios e, duas provas, com os seguintes valores:

1.     Duas provas: uma intermediária (com valor de 45% da nota final) e um Exame Final (com valor de 55%).

O Exame Final incluirá “toda” a matéria do Semestre.

EPR0036 - FINANÇAS COMPORTAMENTAIS E PESSOAIS - Turma 01 - 2025/2