Plano de Ensino da Disciplina DGT0413: Modelagem, Análise e Simulação de Sistemas Produtivos

Plano de Ensino 1 Código e nome da disciplina DGT0413 MODELAGEM ANÁLISE E SIMUL DE SISTEMAS PRODUTIVOS 2 Carga horária semestral 3 Carga horária semanal 4 Perfil docente Para ministrar a disciplina o docente deve possuir graduação em Engenharia de Produção eou possuir pósgraduação na área preferencialmente Mestrado ou Doutorado com currículo LATTES atualizado É desejável que o docente possua experiência no ensino dos conceitos e métodos matemáticos relacionados à Lógica Fuzzy bem como o domínio de técnicas para a contextualização de tais conteúdos na Engenharia de Produção permitindo que os conteúdos da disciplina possam ser facilmente articulados com o cotidiano os elementos regionais e do curso dos estudantes Para que a disciplina possa ser conduzida de forma coerente com seus objetivos dentro da matriz curricular é muito importante que o docente conheça profundamente o Projeto Pedagógico do Curso seu Plano de Ensino bem como os Planos de Aula É fundamental que o docente possua domínio das metodologias ativas de ensino para os conteúdos possam ser conduzidos tendo os alunos como centro do processo e utilizando propostas que os façam protagonizar sua própria aprendizagem utilizando também tecnologias digitais para a educação tais como simuladores ambientes virtuais de aprendizagem principalmente os institucionais SAVA BDQ SGC e SIA e ferramentas de interação virtual 5 Ementa PROCESSOS ESTOCÁSTICOS FUNDAMENTOS DE SIMULAÇÃO MODELO CONCEITUAL MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO SIMULAÇÃO E OTIMIZAÇÃO 6 Objetivos Cadeia de Markov é um caso particular do processo estocástico com estados discretos sendo um sistema matemático que experimenta transições de um estado para outro de acordo com certas regras probabilísticas As cadeias de Markov surgem amplamente em contextos estatísticos e teóricos da informação e são amplamente empregados em economia teoria dos jogos teoria das filas comunicação genética e finanças Serão abordados os fundamentos de simulação de forma abrangente incluindo definições paradigmas e aplicativos fornecendo habilidades necessárias e bemsucedidas aos desenvolvedores e usuários de modelagem e simulação uma vez que a modelagem e a simulação se tornaram parte integrante da PD em muitos campos de estudo A simulação altamente integrada fornece uma plataforma ideal aos gestores que podem discutir e ilustrar os fundamentos do gerenciamento de negócios Os engenheiros usam modelos conceituais como forma de sistematizar processos O processo de modelagem conceitual requer que sejam tomadas decisões sobre o escopo e o nível de detalhamento do modelo Essas decisões geralmente devem ser um acordo entre as partes interessadas que precisam do modelo para auxiliar na tomada de decisões Apresentar a modelagem de dados de entrada como um componente crítico de um aplicativo de simulação bemsucedido Uma perspectiva da área de análise estatística é dada com ênfase nas distribuições de probabilidade disponíveis como modelos métodos de estimativa seleção e discriminação de modelos e qualidade de ajuste Conhecer o modelo de otimização e simulação de Monte Carlo e suas aplicações na engenharia 7 Procedimentos de ensinoaprendizagem Aulas interativas em ambiente virtual de aprendizagem didaticamente planejadas para o desenvolvimento de competências tornando o processo de aprendizado mais significativo para os alunos Na sala de aula virtual a metodologia de ensino contempla diversas estratégias capazes de alcançar os objetivos da disciplina Os temas das aulas são discutidos e apresentados em diversos formatos como leitura de textos vídeos hipertextos links orientados para pesquisa estudos de caso podcasts atividades animadas de aplicação do conhecimento simuladores virtuais quiz interativo simulados biblioteca virtual e Explore para que o aluno possa explorar conteúdos complementares e aprofundar seu conhecimento sobre as temáticas propostas 8 Temas de aprendizagem 1 PROCESSOS ESTOCÁSTICOS 11 VETORES DE PROBABILIDADE E MATRIZES ESTOCÁSTICAS 12 CADEIAS DE MARKOV 13 CADEIA REGULAR DE MARKOV PROBABILIDADES E DISTRIBUIÇÃO 2 FUNDAMENTOS DE SIMULAÇÃO 21 MODELAGEM E SIMULAÇÃO 22 MODELAGEM MATEMÁTICA 23 MODELOS DE SIMULAÇÃO 24 METODOLOGIA DE SIMULAÇÃO 3 MODELO CONCEITUAL 31 ABSTRAÇÃO DE MODELO 32 TÉCNICAS DE ABSTRAÇÃO DE SIMULAÇÃO DE MODELOS CONCEITUAIS 33 SIMULAÇÃO MANUAL E O MÉTODO DAS TRÊS FASES 34 OUTRAS DINÂMICAS DE SIMULAÇÃO 4 MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO 41 COLETA DE DADOS E ANÁLISE DOS DADOS COLETADOS 42 TRATAMENTO DOS DADOS 43 OS TESTES DE ADERÊNCIA QUIQUADRADO KS 5 SIMULAÇÃO E OTIMIZAÇÃO 51 SIMULAÇÃO DE MONTE CARLO 52 NÚMERO DE SIMULAÇÕES E ANÁLISE DE SENSIBILIDADE 53 VALIDAÇÃO DE DADOS DE SAÍDA DO MODELO DE SIMULAÇÃO E DE SEUS TESTES ESTATÍSTICOS 54 APLICAÇÕES DE SIMULAÇÃO DE MONTE CARLO EM ENGENHARIA 9 Procedimentos de avaliação Nesta disciplina o aluno será avaliado pelo seu desempenho nas avaliações AV ou AVS sendo a cada uma delas atribuído o grau de 00 zero a 100 dez O discente conta ainda com uma atividade sob a forma de simulado que busca aprofundar seus conhecimentos acerca dos conteúdos apreendidos realizada online na qual é atribuído grau de 00 zero a 20 dois Esta nota poderá ser somada à nota de AV eou AVS caso o aluno obtenha nestas avaliações nota mínima igual ou maior do que 40 quatro Os instrumentos para avaliação da aprendizagem constituemse em diferentes níveis de complexidade e cognição efetuandose a partir de questões que compõem o banco da disciplina O aluno realiza uma prova AV com todo o conteúdo estudado e discutido nos diversos materiais que compõem a disciplina Será considerado aprovado o aluno que obtiver nota igual ou superior a 60 seis Caso o aluno não alcance o grau 60 na AV ele poderá fazer uma nova avaliação AVS que abrangerá todo o conteúdo e cuja nota mínima necessária deverá ser 60 seis As avaliações serão realizadas de acordo com o calendário acadêmico institucional 10 Bibliografia básica Coppin B Inteligência Artificial São Paulo Grupo GEN 2010 Disponível em httpsintegradaminhabibliotecacombrbooks9788521629368 Monteiro GLF Monteiro GLF São Paulo Grupo GEN 2019 Disponível em httpsintegradaminhabibliotecacombrbooks9788597021592 Simões M G Controle e modelagem fuzzy São Paulo Blucher 2007 Disponível em httpsintegradaminhabibliotecacombrbooks9788521215479 11 Bibliografia complementar CHIANG Alpha C WAINWRIGHT Kevin Matemática para economistas Rio de Janeiro Elsevier 2006 GERSTING Fundamentos Matemáticos para a Ciência da Computação São Paulo Grupo GEN 2016 Disponível em httpsintegradaminhabibliotecacombrbooks9788521633303 NICOLETTI M do C CAMARGO H de A Fundamentos da Teoria dos Conjuntos Fuzzy São Carlos Editora da Universidade Federal de São Carlos 2009 OLIVEIRA JÚNIOR Hime Aguiar de Lógica difusa aspectos práticos e aplicações Rio de Janeiro Interciência 1999 Plano de Ensino 1 Código e nome da disciplina DGT0413 MODELAGEM ANÁLISE E SIMUL DE SISTEMAS PRODUTIVOS 2 Carga horária semestral 3 Carga horária semanal 4 Perfil docente Para ministrar a disciplina o docente deve possuir graduação em Engenharia de Produção eou possuir pósgraduação na área preferencialmente Mestrado ou Doutorado com currículo LATTES atualizado É desejável que o docente possua experiência no ensino dos conceitos e métodos matemáticos relacionados à Lógica Fuzzy bem como o domínio de técnicas para a contextualização de tais conteúdos na Engenharia de Produção permitindo que os conteúdos da disciplina possam ser facilmente articulados com o cotidiano os elementos regionais e do curso dos estudantes Para que a disciplina possa ser conduzida de forma coerente com seus objetivos dentro da matriz curricular é muito importante que o docente conheça profundamente o Projeto Pedagógico do Curso seu Plano de Ensino bem como os Planos de Aula É fundamental que o docente possua domínio das metodologias ativas de ensino para os conteúdos possam ser conduzidos tendo os alunos como centro do processo e utilizando propostas que os façam protagonizar sua própria aprendizagem utilizando também tecnologias digitais para a educação tais como simuladores ambientes virtuais de aprendizagem principalmente os institucionais SAVA BDQ SGC e SIA e ferramentas de interação virtual 5 Ementa PROCESSOS ESTOCÁSTICOS FUNDAMENTOS DE SIMULAÇÃO MODELO CONCEITUAL MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO SIMULAÇÃO E OTIMIZAÇÃO 6 Objetivos Cadeia de Markov é um caso particular do processo estocástico com estados discretos sendo um sistema matemático que experimenta transições de um estado para outro de acordo com certas regras probabilísticas As cadeias de Markov surgem amplamente em contextos estatísticos e teóricos da informação e são amplamente empregados em economia teoria dos jogos teoria das filas comunicação genética e finanças Serão abordados os fundamentos de simulação de forma abrangente incluindo definições paradigmas e aplicativos fornecendo habilidades necessárias e bemsucedidas aos desenvolvedores e usuários de modelagem e simulação uma vez que a modelagem e a simulação se tornaram parte integrante da PD em muitos campos de estudo A simulação altamente integrada fornece uma plataforma ideal aos gestores que podem discutir e ilustrar os fundamentos do gerenciamento de negócios Os engenheiros usam modelos conceituais como forma de sistematizar processos O processo de modelagem conceitual requer que sejam tomadas decisões sobre o escopo e o nível de detalhamento do modelo Essas decisões geralmente devem ser um acordo entre as partes interessadas que precisam do modelo para auxiliar na tomada de decisões Apresentar a modelagem de dados de entrada como um componente crítico de um aplicativo de simulação bemsucedido Uma perspectiva da área de análise estatística é dada com ênfase nas distribuições de probabilidade disponíveis como modelos métodos de estimativa seleção e discriminação de modelos e qualidade de ajuste Conhecer o modelo de otimização e simulação de Monte Carlo e suas aplicações na engenharia 7 Procedimentos de ensinoaprendizagem Aulas interativas em ambiente virtual de aprendizagem didaticamente planejadas para o desenvolvimento de competências tornando o processo de aprendizado mais significativo para os alunos Na sala de aula virtual a metodologia de ensino contempla diversas estratégias capazes de alcançar os objetivos da disciplina Os temas das aulas são discutidos e apresentados em diversos formatos como leitura de textos vídeos hipertextos links orientados para pesquisa estudos de caso podcasts atividades animadas de aplicação do conhecimento simuladores virtuais quiz interativo simulados biblioteca virtual e Explore para que o aluno possa explorar conteúdos complementares e aprofundar seu conhecimento sobre as temáticas propostas 8 Temas de aprendizagem 1 PROCESSOS ESTOCÁSTICOS 11 VETORES DE PROBABILIDADE E MATRIZES ESTOCÁSTICAS 12 CADEIAS DE MARKOV 13 CADEIA REGULAR DE MARKOV PROBABILIDADES E DISTRIBUIÇÃO 2 FUNDAMENTOS DE SIMULAÇÃO 21 MODELAGEM E SIMULAÇÃO 22 MODELAGEM MATEMÁTICA 23 MODELOS DE SIMULAÇÃO 24 METODOLOGIA DE SIMULAÇÃO 3 MODELO CONCEITUAL 31 ABSTRAÇÃO DE MODELO 32 TÉCNICAS DE ABSTRAÇÃO DE SIMULAÇÃO DE MODELOS CONCEITUAIS 33 SIMULAÇÃO MANUAL E O MÉTODO DAS TRÊS FASES 34 OUTRAS DINÂMICAS DE SIMULAÇÃO 4 MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO 41 COLETA DE DADOS E ANÁLISE DOS DADOS COLETADOS 42 TRATAMENTO DOS DADOS 43 OS TESTES DE ADERÊNCIA QUIQUADRADO KS 5 SIMULAÇÃO E OTIMIZAÇÃO 51 SIMULAÇÃO DE MONTE CARLO 52 NÚMERO DE SIMULAÇÕES E ANÁLISE DE SENSIBILIDADE 53 VALIDAÇÃO DE DADOS DE SAÍDA DO MODELO DE SIMULAÇÃO E DE SEUS TESTES ESTATÍSTICOS 54 APLICAÇÕES DE SIMULAÇÃO DE MONTE CARLO EM ENGENHARIA 9 Procedimentos de avaliação Nesta disciplina o aluno será avaliado pelo seu desempenho nas avaliações AV ou AVS sendo a cada uma delas atribuído o grau de 00 zero a 100 dez O discente conta ainda com uma atividade sob a forma de simulado que busca aprofundar seus conhecimentos acerca dos conteúdos apreendidos realizada online na qual é atribuído grau de 00 zero a 20 dois Esta nota poderá ser somada à nota de AV eou AVS caso o aluno obtenha nestas avaliações nota mínima igual ou maior do que 40 quatro Os instrumentos para avaliação da aprendizagem constituemse em diferentes níveis de complexidade e cognição efetuandose a partir de questões que compõem o banco da disciplina O aluno realiza uma prova AV com todo o conteúdo estudado e discutido nos diversos materiais que compõem a disciplina Será considerado aprovado o aluno que obtiver nota igual ou superior a 60 seis Caso o aluno não alcance o grau 60 na AV ele poderá fazer uma nova avaliação AVS que abrangerá todo o conteúdo e cuja nota mínima necessária deverá ser 60 seis As avaliações serão realizadas de acordo com o calendário acadêmico institucional 10 Bibliografia básica Coppin B Inteligência Artificial São Paulo Grupo GEN 2010 Disponível em httpsintegradaminhabibliotecacombrbooks9788521629368 Monteiro GLF Monteiro GLF São Paulo Grupo GEN 2019 Disponível em httpsintegradaminhabibliotecacombrbooks9788597021592 Simões M G Controle e modelagem fuzzy São Paulo Blucher 2007 Disponível em httpsintegradaminhabibliotecacombrbooks9788521215479 11 Bibliografia complementar CHIANG Alpha C WAINWRIGHT Kevin Matemática para economistas Rio de Janeiro Elsevier 2006 GERSTING Fundamentos Matemáticos para a Ciência da Computação São Paulo Grupo GEN 2016 Disponível em httpsintegradaminhabibliotecacombrbooks9788521633303 NICOLETTI M do C CAMARGO H de A Fundamentos da Teoria dos Conjuntos Fuzzy São Carlos Editora da Universidade Federal de São Carlos 2009 OLIVEIRA JÚNIOR Hime Aguiar de Lógica difusa aspectos práticos e aplicações Rio de Janeiro Interciência 1999 Plano de Ensino 1 Código e nome da disciplina DGT0413 MODELAGEM ANÁLISE E SIMUL DE SISTEMAS PRODUTIVOS 2 Carga horária semestral 3 Carga horária semanal 4 Perfil docente Para ministrar a disciplina o docente deve possuir graduação em Engenharia de Produção eou possuir pósgraduação na área preferencialmente Mestrado ou Doutorado com currículo LATTES atualizado É desejável que o docente possua experiência no ensino dos conceitos e métodos matemáticos relacionados à Lógica Fuzzy bem como o domínio de técnicas para a contextualização de tais conteúdos na Engenharia de Produção permitindo que os conteúdos da disciplina possam ser facilmente articulados com o cotidiano os elementos regionais e do curso dos estudantes Para que a disciplina possa ser conduzida de forma coerente com seus objetivos dentro da matriz curricular é muito importante que o docente conheça profundamente o Projeto Pedagógico do Curso seu Plano de Ensino bem como os Planos de Aula É fundamental que o docente possua domínio das metodologias ativas de ensino para os conteúdos possam ser conduzidos tendo os alunos como centro do processo e utilizando propostas que os façam protagonizar sua própria aprendizagem utilizando também tecnologias digitais para a educação tais como simuladores ambientes virtuais de aprendizagem principalmente os institucionais SAVA BDQ SGC e SIA e ferramentas de interação virtual 5 Ementa PROCESSOS ESTOCÁSTICOS FUNDAMENTOS DE SIMULAÇÃO MODELO CONCEITUAL MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO SIMULAÇÃO E OTIMIZAÇÃO 6 Objetivos Cadeia de Markov é um caso particular do processo estocástico com estados discretos sendo um sistema matemático que experimenta transições de um estado para outro de acordo com certas regras probabilísticas As cadeias de Markov surgem amplamente em contextos estatísticos e teóricos da informação e são amplamente empregados em economia teoria dos jogos teoria das filas comunicação genética e finanças Serão abordados os fundamentos de simulação de forma abrangente incluindo definições paradigmas e aplicativos fornecendo habilidades necessárias e bemsucedidas aos desenvolvedores e usuários de modelagem e simulação uma vez que a modelagem e a simulação se tornaram parte integrante da PD em muitos campos de estudo A simulação altamente integrada fornece uma plataforma ideal aos gestores que podem discutir e ilustrar os fundamentos do gerenciamento de negócios Os engenheiros usam modelos conceituais como forma de sistematizar processos O processo de modelagem conceitual requer que sejam tomadas decisões sobre o escopo e o nível de detalhamento do modelo Essas decisões geralmente devem ser um acordo entre as partes interessadas que precisam do modelo para auxiliar na tomada de decisões Apresentar a modelagem de dados de entrada como um componente crítico de um aplicativo de simulação bemsucedido Uma perspectiva da área de análise estatística é dada com ênfase nas distribuições de probabilidade disponíveis como modelos métodos de estimativa seleção e discriminação de modelos e qualidade de ajuste Conhecer o modelo de otimização e simulação de Monte Carlo e suas aplicações na engenharia 7 Procedimentos de ensinoaprendizagem Aulas interativas em ambiente virtual de aprendizagem didaticamente planejadas para o desenvolvimento de competências tornando o processo de aprendizado mais significativo para os alunos Na sala de aula virtual a metodologia de ensino contempla diversas estratégias capazes de alcançar os objetivos da disciplina Os temas das aulas são discutidos e apresentados em diversos formatos como leitura de textos vídeos hipertextos links orientados para pesquisa estudos de caso podcasts atividades animadas de aplicação do conhecimento simuladores virtuais quiz interativo simulados biblioteca virtual e Explore para que o aluno possa explorar conteúdos complementares e aprofundar seu conhecimento sobre as temáticas propostas 8 Temas de aprendizagem 1 PROCESSOS ESTOCÁSTICOS 11 VETORES DE PROBABILIDADE E MATRIZES ESTOCÁSTICAS 12 CADEIAS DE MARKOV 13 CADEIA REGULAR DE MARKOV PROBABILIDADES E DISTRIBUIÇÃO 2 FUNDAMENTOS DE SIMULAÇÃO 21 MODELAGEM E SIMULAÇÃO 22 MODELAGEM MATEMÁTICA 23 MODELOS DE SIMULAÇÃO 24 METODOLOGIA DE SIMULAÇÃO 3 MODELO CONCEITUAL 31 ABSTRAÇÃO DE MODELO 32 TÉCNICAS DE ABSTRAÇÃO DE SIMULAÇÃO DE MODELOS CONCEITUAIS 33 SIMULAÇÃO MANUAL E O MÉTODO DAS TRÊS FASES 34 OUTRAS DINÂMICAS DE SIMULAÇÃO 4 MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO 41 COLETA DE DADOS E ANÁLISE DOS DADOS COLETADOS 42 TRATAMENTO DOS DADOS 43 OS TESTES DE ADERÊNCIA QUIQUADRADO KS 5 SIMULAÇÃO E OTIMIZAÇÃO 51 SIMULAÇÃO DE MONTE CARLO 52 NÚMERO DE SIMULAÇÕES E ANÁLISE DE SENSIBILIDADE 53 VALIDAÇÃO DE DADOS DE SAÍDA DO MODELO DE SIMULAÇÃO E DE SEUS TESTES ESTATÍSTICOS 54 APLICAÇÕES DE SIMULAÇÃO DE MONTE CARLO EM ENGENHARIA 9 Procedimentos de avaliação Nesta disciplina o aluno será avaliado pelo seu desempenho nas avaliações AV ou AVS sendo a cada uma delas atribuído o grau de 00 zero a 100 dez O discente conta ainda com uma atividade sob a forma de simulado que busca aprofundar seus conhecimentos acerca dos conteúdos apreendidos realizada online na qual é atribuído grau de 00 zero a 20 dois Esta nota poderá ser somada à nota de AV eou AVS caso o aluno obtenha nestas avaliações nota mínima igual ou maior do que 40 quatro Os instrumentos para avaliação da aprendizagem constituemse em diferentes níveis de complexidade e cognição efetuandose a partir de questões que compõem o banco da disciplina O aluno realiza uma prova AV com todo o conteúdo estudado e discutido nos diversos materiais que compõem a disciplina Será considerado aprovado o aluno que obtiver nota igual ou superior a 60 seis Caso o aluno não alcance o grau 60 na AV ele poderá fazer uma nova avaliação AVS que abrangerá todo o conteúdo e cuja nota mínima necessária deverá ser 60 seis As avaliações serão realizadas de acordo com o calendário acadêmico institucional 10 Bibliografia básica Coppin B Inteligência Artificial São Paulo Grupo GEN 2010 Disponível em httpsintegradaminhabibliotecacombrbooks9788521629368 Monteiro GLF Monteiro GLF São Paulo Grupo GEN 2019 Disponível em httpsintegradaminhabibliotecacombrbooks9788597021592 Simões M G Controle e modelagem fuzzy São Paulo Blucher 2007 Disponível em httpsintegradaminhabibliotecacombrbooks9788521215479 11 Bibliografia complementar CHIANG Alpha C WAINWRIGHT Kevin Matemática para economistas Rio de Janeiro Elsevier 2006 GERSTING Fundamentos Matemáticos para a Ciência da Computação São Paulo Grupo GEN 2016 Disponível em httpsintegradaminhabibliotecacombrbooks9788521633303 NICOLETTI M do C CAMARGO H de A Fundamentos da Teoria dos Conjuntos Fuzzy São Carlos Editora da Universidade Federal de São Carlos 2009 OLIVEIRA JÚNIOR Hime Aguiar de Lógica difusa aspectos práticos e aplicações Rio de Janeiro Interciência 1999 Plano de Ensino 1 Código e nome da disciplina DGT0413 MODELAGEM ANÁLISE E SIMUL DE SISTEMAS PRODUTIVOS 2 Carga horária semestral 3 Carga horária semanal 4 Perfil docente Para ministrar a disciplina o docente deve possuir graduação em Engenharia de Produção eou possuir pósgraduação na área preferencialmente Mestrado ou Doutorado com currículo LATTES atualizado É desejável que o docente possua experiência no ensino dos conceitos e métodos matemáticos relacionados à Lógica Fuzzy bem como o domínio de técnicas para a contextualização de tais conteúdos na Engenharia de Produção permitindo que os conteúdos da disciplina possam ser facilmente articulados com o cotidiano os elementos regionais e do curso dos estudantes Para que a disciplina possa ser conduzida de forma coerente com seus objetivos dentro da matriz curricular é muito importante que o docente conheça profundamente o Projeto Pedagógico do Curso seu Plano de Ensino bem como os Planos de Aula É fundamental que o docente possua domínio das metodologias ativas de ensino para os conteúdos possam ser conduzidos tendo os alunos como centro do processo e utilizando propostas que os façam protagonizar sua própria aprendizagem utilizando também tecnologias digitais para a educação tais como simuladores ambientes virtuais de aprendizagem principalmente os institucionais SAVA BDQ SGC e SIA e ferramentas de interação virtual 5 Ementa PROCESSOS ESTOCÁSTICOS FUNDAMENTOS DE SIMULAÇÃO MODELO CONCEITUAL MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO SIMULAÇÃO E OTIMIZAÇÃO 6 Objetivos Cadeia de Markov é um caso particular do processo estocástico com estados discretos sendo um sistema matemático que experimenta transições de um estado para outro de acordo com certas regras probabilísticas As cadeias de Markov surgem amplamente em contextos estatísticos e teóricos da informação e são amplamente empregados em economia teoria dos jogos teoria das filas comunicação genética e finanças Serão abordados os fundamentos de simulação de forma abrangente incluindo definições paradigmas e aplicativos fornecendo habilidades necessárias e bemsucedidas aos desenvolvedores e usuários de modelagem e simulação uma vez que a modelagem e a simulação se tornaram parte integrante da PD em muitos campos de estudo A simulação altamente integrada fornece uma plataforma ideal aos gestores que podem discutir e ilustrar os fundamentos do gerenciamento de negócios Os engenheiros usam modelos conceituais como forma de sistematizar processos O processo de modelagem conceitual requer que sejam tomadas decisões sobre o escopo e o nível de detalhamento do modelo Essas decisões geralmente devem ser um acordo entre as partes interessadas que precisam do modelo para auxiliar na tomada de decisões Apresentar a modelagem de dados de entrada como um componente crítico de um aplicativo de simulação bemsucedido Uma perspectiva da área de análise estatística é dada com ênfase nas distribuições de probabilidade disponíveis como modelos métodos de estimativa seleção e discriminação de modelos e qualidade de ajuste Conhecer o modelo de otimização e simulação de Monte Carlo e suas aplicações na engenharia 7 Procedimentos de ensinoaprendizagem Aulas interativas em ambiente virtual de aprendizagem didaticamente planejadas para o desenvolvimento de competências tornando o processo de aprendizado mais significativo para os alunos Na sala de aula virtual a metodologia de ensino contempla diversas estratégias capazes de alcançar os objetivos da disciplina Os temas das aulas são discutidos e apresentados em diversos formatos como leitura de textos vídeos hipertextos links orientados para pesquisa estudos de caso podcasts atividades animadas de aplicação do conhecimento simuladores virtuais quiz interativo simulados biblioteca virtual e Explore para que o aluno possa explorar conteúdos complementares e aprofundar seu conhecimento sobre as temáticas propostas 8 Temas de aprendizagem 1 PROCESSOS ESTOCÁSTICOS 11 VETORES DE PROBABILIDADE E MATRIZES ESTOCÁSTICAS 12 CADEIAS DE MARKOV 13 CADEIA REGULAR DE MARKOV PROBABILIDADES E DISTRIBUIÇÃO 2 FUNDAMENTOS DE SIMULAÇÃO 21 MODELAGEM E SIMULAÇÃO 22 MODELAGEM MATEMÁTICA 23 MODELOS DE SIMULAÇÃO 24 METODOLOGIA DE SIMULAÇÃO 3 MODELO CONCEITUAL 31 ABSTRAÇÃO DE MODELO 32 TÉCNICAS DE ABSTRAÇÃO DE SIMULAÇÃO DE MODELOS CONCEITUAIS 33 SIMULAÇÃO MANUAL E O MÉTODO DAS TRÊS FASES 34 OUTRAS DINÂMICAS DE SIMULAÇÃO 4 MODELAGEM DE DADOS DE ENTRADA PARA SIMULAÇÃO 41 COLETA DE DADOS E ANÁLISE DOS DADOS COLETADOS 42 TRATAMENTO DOS DADOS 43 OS TESTES DE ADERÊNCIA QUIQUADRADO KS 5 SIMULAÇÃO E OTIMIZAÇÃO 51 SIMULAÇÃO DE MONTE CARLO 52 NÚMERO DE SIMULAÇÕES E ANÁLISE DE SENSIBILIDADE 53 VALIDAÇÃO DE DADOS DE SAÍDA DO MODELO DE SIMULAÇÃO E DE SEUS TESTES ESTATÍSTICOS 54 APLICAÇÕES DE SIMULAÇÃO DE MONTE CARLO EM ENGENHARIA 9 Procedimentos de avaliação Nesta disciplina o aluno será avaliado pelo seu desempenho nas avaliações AV ou AVS sendo a cada uma delas atribuído o grau de 00 zero a 100 dez O discente conta ainda com uma atividade sob a forma de simulado que busca aprofundar seus conhecimentos acerca dos conteúdos apreendidos realizada online na qual é atribuído grau de 00 zero a 20 dois Esta nota poderá ser somada à nota de AV eou AVS caso o aluno obtenha nestas avaliações nota mínima igual ou maior do que 40 quatro Os instrumentos para avaliação da aprendizagem constituemse em diferentes níveis de complexidade e cognição efetuandose a partir de questões que compõem o banco da disciplina O aluno realiza uma prova AV com todo o conteúdo estudado e discutido nos diversos materiais que compõem a disciplina Será considerado aprovado o aluno que obtiver nota igual ou superior a 60 seis Caso o aluno não alcance o grau 60 na AV ele poderá fazer uma nova avaliação AVS que abrangerá todo o conteúdo e cuja nota mínima necessária deverá ser 60 seis As avaliações serão realizadas de acordo com o calendário acadêmico institucional 10 Bibliografia básica Coppin B Inteligência Artificial São Paulo Grupo GEN 2010 Disponível em httpsintegradaminhabibliotecacombrbooks9788521629368 Monteiro GLF Monteiro GLF São Paulo Grupo GEN 2019 Disponível em httpsintegradaminhabibliotecacombrbooks9788597021592 Simões M G Controle e modelagem fuzzy São Paulo Blucher 2007 Disponível em httpsintegradaminhabibliotecacombrbooks9788521215479 11 Bibliografia complementar CHIANG Alpha C WAINWRIGHT Kevin Matemática para economistas Rio de Janeiro Elsevier 2006 GERSTING Fundamentos Matemáticos para a Ciência da Computação São Paulo Grupo GEN 2016 Disponível em httpsintegradaminhabibliotecacombrbooks9788521633303 NICOLETTI M do C CAMARGO H de A Fundamentos da Teoria dos Conjuntos Fuzzy São Carlos Editora da Universidade Federal de São Carlos 2009 OLIVEIRA JÚNIOR Hime Aguiar de Lógica difusa aspectos práticos e aplicações Rio de Janeiro Interciência 1999