Apostila de Tecnologia Da Informacao AI OF20 PDF

Pós Graduação em Automação Industrial
TECNOLOGIA DA INFORMAÇÃO
REVISÃO 01
Prof. Dr. Júlio Cesar Braz de Queiroz

Maio de 2019
CURRICULUM VITAE RESUMIDO
Formação Acadêmica
2005/2009 UNIVERSIDADE FEDERAL DE MINAS GERAIS
Doutorado em Engenharia Elétrica na área de Inteligência Computacional
1990/92 UNIVERSIDADE FEDERAL DE MINAS GERAIS

Mestrado em Engenharia Elétrica na área de Automação
1984/89 UNIVERSIDADE FEDERAL DE ITAJUBÁ

Graduação em Engenharia Elétrica - Ênfase em Eletrotécnica
1977/83 COLÉGIO LOYOLA

2º Grau e Científico completos
1971/76 INSTITUTO ZILAH FROTA

1º Grau completo
1978/1983 CURSOS DA LÍNGUA INGLESA

Curso de Língua Inglesa completo
Produção Científica
Doutorado
Orientador: Petr Iakovlevitch Ekel
Título da Tese: Modelos e Métodos de Tomada de Decisões para Apoio à Gestão Estratégica em
Empresas
Defesa: 30 de Junho de 2009
Mestrado
Orientador: Evandro de Oliveira Araújo
Título da Dissertação: Sistema Especialista para Tratamento de Alarme em Centros de
Supervisão e Controle de Sistemas Elétricos de Potência
Defesa: 17 de Agosto de 1992
Áreas de Atuação
 Pesquisa e Desenvolvimento
 Ensino Superior
 Engenharia de Sistemas de Automação, Otimização e Informação
Atividades Profissionais
 1992 até hoje - Professor Adjunto IV da PUC.MG
 2010/11 - Consultor Técnico de Projeto da FITEC
 2001- Professor do IETEC
 2004 até 2010 - Coordenador do Sistema de Gestão da Qualidade TSA
 1997 até 2004 - Coordenador de Pesquisa e Desenvolvimento da TSA
 1995/97 - Gerente de Automação e Informática da SPS - SET POINT
 1994 - Analista de Sistemas da BMS-MALC
 1993/94 - Analista de Sistemas da S & A
PLANO DE ENSINO
DISCIPLINA:
Tecnologia da Informação
CURSO:
Pós Graduação em Automação Industrial
PROF (A):
Júlio Cesar Braz de Queiroz
CARGA HORÁRIA TOTAL: 20 h-a
OBJETIVOS:
Capacitar o aluno quanto ao uso de modelos e métodos de construção e utilização da
informação em sistemas produtivos automatizados.
MÉTODOS DIDÁTICOS:
Exposição oral com a participação de alunos
Desenvolvimento de trabalhos práticos
EMENTA:
Visão Integrada da Automação de Sistemas Produtivos. Métodos e Técnicas de Integração e
Avaliação de Desempenho de Sistemas através das Tecnologias de Informação: ERP, MES,
PIMS.
UNIDADES DE ENSINO:
UNIDADE I – Sistemas Integrados de Automação e Informação

Arquitetura de sistemas integrados de Automação e Informação, contemplando os sistemas de
Instrumentação, Controle, Supervisão, Otimização, Gestão da Informação, Execução da
Manufatura e Gestão Corporativa.
UNIDADE II – Tecnologia da Informação aplicada aos processos

Sistemas ERP, MES, PIMS e LIMS.
UNIDADE III – TI nos Sistemas Produtivos

Utilização da informação em Sistemas Produtivos para monitoramento, controle, avaliação,
programação e planejamento. Exemplos de aplicações em sistemas produtivos.
UNIDADE IV – Tomada de decisão

Modelos e métodos para tomada de decisão. Processos de tomada de decisão.
CRITÉRIOS DE AVALIAÇÃO:
- Atendimento aos prazos
- Atendimento às orientações apresentadas para as atividades
- Atendimento ao conteúdo das atividades
- Objetividade e clareza nas respostas das avaliações
TRABALHO ORIENTADO: Sistema de Tomada de Decisão
DISTRIBUIÇÃO DE PONTOS:
- Trabalho prático, em grupo 40 pontos
- Avaliação Global, individual, sem consulta 60 pontos
REFERÊNCIAS BIBLIOGRÁFICAS:
GOMES, Luiz Flávio Autran Monteiro; GONZÁLEZ ARAYA, Marcela Cecília;
CARIGNANO, Claudia. Tomada de decisões em cenários complexos: introdução aos
métodos discretos do apoio multicritério à decisão. São Paulo Pioneira Thomson Learning,
2004 xii, 168p.
CORRÊA, Henrique L.; CORRÊA, Carlos A. Administração de produção e operações:

manufatura e serviços : uma abordagem estratégica. 2. ed. São Paulo: Atlas, 2013. xxiv, 494
p.
HABERKORN, Ernesto; OLIVEIRA, Noel Cecílio de. Teoria do ERP. 2. ed. rev. e ampl. São
Paulo: Makron Books, c1999. xvi, 304p.
ARRUDA, Mauro; VERMULM, Roberto; HOLLANDA, Sandra. Inovação tecnológica no

Brasil: a indústria em busca da competitividade global. São Paulo: ANPEI, 2006. 117p.
GROOVER, Mikell P. Automation, production systems, and computer integrated

manufacturing. 3rd ed. Upper Saddle River: Pearson Prentice Hall, c2008. xvi, 815 p.
CRONOGRAMA DA DISCIPLINA
Aula Data Atividades Previstas

Aula inicial - Apresentação da disciplina
UNIDADE I – Sistemas Integrados de Automação e Informação
1 15/06
Arquitetura de sistemas integrados de Automação e Informação, contemplando
os sistemas de Instrumentação, Controle, Supervisão, Otimização, Gestão da
Informação, Execução da Manufatura e Gestão Corporativa
UNIDADE II – Sistemas da Tecnologia da Informação
2 15/06
Sistemas ERP, MES, PIMS e LIMS
UNIDADE III – Tecnologia da Informação nos Sistemas Produtivos
3 06/07 Utilização da informação em Sistemas Produtivos para monitoramento, controle,

avaliação, programação e planejamento. Exemplos de aplicações em sistemas
produtivos.
UNIDADE IV – Processos de tomada de decisão

06/07
4 e
Modelos e métodos para tomada de decisão.
Processos de tomada de decisão
Avaliação Global, individual, com consulta, sobre todas as unidades

5
Valor 60 pontos
SUMÁRIO
1. INTRODUÇÃO .......................................................................................................................... 7
2. ESTRUTURA DE SISTEMAS INTEGRADOS ..................................................................... 9
2.1. Sistemas de Instrumentação ............................................................................................ 10
2.2. Sistemas de Controle ........................................................................................................ 10
2.3. Sistemas de Supervisão .................................................................................................... 11
2.4. Sistemas de Otimização ................................................................................................... 12
2.5. Sistemas de Gestão da Informação ................................................................................. 12
2.6. Sistemas de Execução da Manufatura ........................................................................... 13
2.7. Sistemas de Gestão Corporativa ..................................................................................... 13
2.8. Caracterização de Dados e Sistemas .............................................................................. 14
3. SISTEMAS DA TECNOLOGIA DA INFORMAÇÃO ........................................................ 16
3.1. Sistemas de Gestão Corporativa ..................................................................................... 16
3.2. Sistemas de Execução da Manufatura ........................................................................... 17
3.3. Sistemas de Gestão da Informação ................................................................................. 21
3.4. Sistemas de Gestão da Informação do Laboratório ...................................................... 23
4. TI NOS SISTEMAS PRODUTIVOS ..................................................................................... 25
4.1. TI na Gestão da Manutenção .......................................................................................... 26
4.2. TI na Gestão da Operação............................................................................................... 29
4.3. TI na Análise de Desempenho ......................................................................................... 32
4.4. TI na Gestão do Processo & Gestão da Qualidade ....................................................... 36
5. TI NA SOLUÇÃO DE PROBLEMAS ................................................................................... 40
5.1. Modelos e Métodos de Tomada de Decisão Multicritério ............................................ 40
5.1.1. Modelos e Métodos MADM ...................................................................................... 41
5.2. Construção de Preferências............................................................................................. 43
5.2.1. Exemplo de Aplicação ............................................................................................... 44
5.3. Uniformização das Preferências ..................................................................................... 46
5.4. Agregação das preferências............................................................................................. 48
5.5. Ordenação de Alternativas .............................................................................................. 61
6. PROCESSOS DE TOMADA DE DECISÃO ........................................................................ 65
6.1. Tomada de Decisão Monocritério Individual ................................................................ 67
6.2. Tomada de Decisão Monocritério em Grupo ................................................................ 67
6.3. Tomada de Decisão Multicritério Individual ................................................................ 69
6.4. Tomada de Decisão Multicritério em Grupo ................................................................. 70
6.5. Exemplo de Aplicação ...................................................................................................... 71
APÊNDICE 1 – INTRODUÇÃO AO SPC/SQC ........................................................................... 76
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................................... 82
7
1. INTRODUÇÃO
O conceito de Tecnologia da Informação (TI) é bastante abrangente e envolve além dos

aspectos técnicos de processamento de dados, sistemas de informação, engenharia de sistemas e
estruturas de hardware e software, os aspectos humanos, administrativos e organizacionais (KEEN,
1993). Alguns autores fazem distinção entre a TI e os Sistemas de Informação, restringindo à
primeira expressão apenas os aspectos técnicos, enquanto que à segunda corresponderiam as
questões relativas ao fluxo de trabalho, pessoas e informações envolvidas (ALTER, 1992). Outros
autores, no entanto, usam o termo Tecnologia da Informação abrangendo ambos os aspectos
(HENDERSON & VENKATRAMAN, 1993).
Ao longo de sua trajetória, a TI passou de uma estrutura tradicional de suporte

administrativo a uma ferramenta estratégica dentro das organizações (CORRÊA & CORRÊA,
2005). Na evolução temporal dos modos de atuação das empresas, ilustrada na figura 1 (FREITAS,
2006), distinguem-se três planos: Operacional, Tático e Estratégico.
Estratégico
Tático
Operacional
Passado Presente Futuro
Figura 1: Evolução dos modos de atuação das empresas
No passado, o sucesso dos empreendimentos era determinado pelas habilidades nos planos
tático e operacional, ou seja, alocação rápida dos recursos e tecnologias para aproveitar as
oportunidades das economias de escala. Durante esse período, os sistemas de controle financeiro
foram suficientes e eficazes nas tarefas de facilitar e monitorar a alocação de capital financeiro e
físico. Entretanto, com a disponibilidade e o crescimento da influência da informação nos setores
produtivo e gerencial, muitas das premissas fundamentais associadas a esta dinâmica tornaram-se
ineficientes e obsoletas. Este fato foi confirmado por Reis em sua dissertação (REIS, 2001), na qual
relata que as empresas não conseguem mais obter vantagens competitivas sustentáveis apenas com
a rápida alocação de novas tecnologias a ativos físicos e com a excelência da gestão eficaz dos
ativos e passivos financeiros. Segundo ele, uma das formas de adequar este modelo da contabilidade
financeira é ampliá-lo de modo que incorpore a avaliação dos ativos intangíveis e intelectuais de
uma empresa.
O presente mostra uma preocupação crescente das empresas no sentido de aperfeiçoar suas
ferramentas de TI e buscar meios para fundamentar seus procedimentos em metodologias
consolidadas, de modo a aumentar a efetividade das decisões tomadas, pois tão importante quanto
gerar a informação é saber usá-la para agregar valor a atividades e processos. Outra questão
relevante está associada à necessidade de expandir o modo de atuação estratégico, até então
empregado somente na gestão corporativa, aos sistemas produtivos. Esta necessidade vem sendo
atendida a partir da evolução das redes de comunicação, que permitem integrar, em um mesmo
meio físico, todos os setores da empresa, desde o chão-de-fábrica aos setores corporativos. Neste
sentido, cresce a importância dos Sistemas de Automação, que passam a desempenhar o papel de
8
fornecedores de dados dos processos produtivos para os Sistemas de Informação (GROOVER,

2011). Desta forma, é inevitável estabelecer uma ampla integração entre a TI e a Tecnologia da
Automação (TA).
A implantação da TI integrada à TA não é uma tarefa simples nem tão pouco rápida. Tal
integração deve suplantar as diferenças técnicas e culturais dos extremos opostos da corporação, o
chão-de-fábrica e o corporativo. É necessário estabelecer um planejamento de longo prazo para
organizar a implantação de forma gradual, incorporando em cada etapa, evoluções das ferramentas
computacionais (hardware e software) bem como o conhecimento advindo da utilização dos
sistemas em todos os setores. Outra questão a ser enfrentada é a descrença quanto à efetividade dos
resultados obtidos a partir do uso de ferramentas de TI, face ao montante de investimento necessário
(PORTER, 2001; DRUCKER, 2000; EVANS & WURSTER, 1999; FRONTINI, 1999). Em última
instância, os resultados advindos da TI estão fortemente associados aos processos de tomada de
decisão, que envolvem múltiplos critérios, múltiplas alternativas de solução, pessoas com formação
e interesses distintos e apresentam incertezas nas informações (QUEIROZ, 2009).
Este material pretende ampliar os conhecimentos dos profissionais de engenharia e áreas

afins nos universos da TI, e dar subsídios à elaboração de soluções de problemas enfrentados pelas
empresas em seus processos gerencias.
O texto apresenta, no capítulo 2, uma rápida descrição da estrutura de sistemas integrados de

informação e automação, destacando os principais componentes destes sistemas. O capítulo 3 é
dedicado aos sistemas relacionados à TI, com uma abordagem mais detalhada sobre os
componentes e funcionalidades destes sistemas. O capítulo 4 apresenta a aplicação da TI nos
sistemas produtivos e traz vários exemplos de soluções de problemas enfrentados pela operação,
supervisão e gestão de plantas industriais. O capítulo 5 aborda os modelos e métodos utilizados em
processos decisórios e finalmente, no capítulo 6, são apresentados os processos de tomada de
decisão, etapa crítica na utilização dos sistemas de TI.
As menções presentes no texto não estão vinculadas a qualquer tipo de produto de mercado,
sendo que os conceitos e funcionalidades dos dispositivos são apresentados em âmbito geral. As
figuras apresentadas no texto são de caráter meramente ilustrativo.
9
2. ESTRUTURA DE SISTEMAS INTEGRADOS
Sistemas integrados de informação e automação são comumente representados em camadas,

na forma de uma pirâmide, como ilustra a figura 2 (QUEIROZ, 2012).
Figura 2 - A pirâmide de sistemas integrados
A representação piramidal é bastante eficiente para mostrar a divisão hierárquica dos

sistemas, entretanto, em aplicações reais, essa divisão nem sempre é tão clara, como é possível
constatar na figura 3.
Estações
Gerenciais Sistemas de Gestão Corporativa
Rede Corporativa
Estações de
Supervisão
Sistemas de Execução da Manufatura
Sistemas de Gestão da Informação
Sistemas de Otimização
Estações de Estações de Sistemas de Supervisão
Otimização Informação e
Execução da
Manufatura
Rede de Controle
Equipamentos
Controladores inteligentes Sistemas de Controle
Programáveis
Rede de Campo
Sensores Dispositivos
inteligentes Sistemas de Instrumentação
Atuadores
Figura 3 - Arquitetura de sistemas integrados

10
A seguir, é apresentada uma breve descrição das camadas presentes na figura 2.
2.1. Sistemas de Instrumentação
A primeira camada da pirâmide a partir da base é formada pelos Sistemas de

Instrumentação. Eles são compostos por:
 Sensores, que realizam as medidas do processo com base em fenômenos físicos;
 Transdutores, que traduzem estas medidas em sinais elétricos ou conjunto de bits para
que possam ser transmitidas aos dispositivos de controle;
 Atuadores, que agem sobre o processo sob o comando dos controladores;
 Dispositivos inteligentes, dotados de microprocessadores e capazes de realizar tarefas
programadas e disponibilizar dados processados.
A figura 4 apresenta exemplos de componentes dessa camada:
Figura 4 – Exemplos de instrumentos industriais
É sem dúvida a mais importante das camadas como afirmou Connvell em 1988: "Todo
controle começa com a medição e a Qualidade do Controle não será maior que a Qualidade da
Medição". Esta frase retrata bem a necessidade de um Sistema de Instrumentação que realmente
garanta a confiabilidade dos sinais das variáveis medidas bem como a precisa atuação dos
elementos final de controle. Constitui assim uma área de interface crítica entre o processo e os
demais sistemas, pois o bom desempenho dos mesmos é totalmente dependente da qualidade dos
dados fornecidos pela instrumentação.
2.2. Sistemas de Controle
Os Sistemas de Controle são constituídos, essencialmente, por “equipamentos inteligentes” e

controladores programáveis. Entende-se por “equipamentos inteligentes”, os equipamentos capazes
de desempenhar tarefas importantes para o processo, através da utilização de microprocessadores.
Dentre os “dispositivos inteligentes” mais utilizados em plantas industriais podem ser destacados os
relés microprocessados, que realizam o gerenciamento de motores (controle, proteção e
diagnósticos) de forma flexível e modular, em conjunto com os controladores programáveis. Uma
ilustração de um relé microprocessado é mostrada na figura 5.
Figura 5 – Relé microprocessado
Os controladores programáveis são computadores dedicados que executam diversas tarefas

em tempos da ordem de milisegundos. Apresentam configurações compactas, com limitada
capacidade de expansão, ou modulares, que podem ser especificados de modo a atender as
necessidades do processo a ser controlado. A figura 6 ilustra as duas modalidades.
11
(a) (b)
Figura 6 – Modelos de controladores programáveis (a) Compacto (b) Modulares
Os controladores programáveis tem importância destacada em sistemas integrados, pois

hospedam as Bases de Dados em Tempo Real (BDTR), que armazenam a maior parte dos dados dos
processos produtivos.
2.3. Sistemas de Supervisão
Os Sistemas de Supervisão são responsáveis por desempenhar a interface entre usuário e

processo. Essa interface pode ser bastante simples, como uma botoeira, um pouco mais elaborada
como uma Interface Humano Máquina (IHM) ou complexa como os software de supervisão
(supervisórios). A figura 7 mostra tais modalidades.
(a) (b) (c)
Figura 7 – Interfaces com o usuário: (a) Botoeiras (b) IHM (c) Tela de um Sistema de Supervisão
Os dispositivos mais simples, como as botoeiras, são limitados a indicar o estado de

equipamentos e possibilitar comandos básicos. As IHM apresentam recursos mais elaborados e
permitem a implementação de lógicas de controle, segurança e operação local. Os sistemas de
supervisão, também chamados sistemas “supervisórios” ou sistemas SCADA (Supervision Control
and Data Acquisition) são sistemas completos de supervisão que utilizam computadores e softwares
gráficos para representar a dinâmica do processo. Estão presentes nas salas de operações de plantas
industriais e são utilizados para supervisão e operação remota.
Alguns softwares de supervisão também hospedam uma BDTR, que pode conter dados lidos
dos controladores programáveis, dados de entrada do operador bem como dados processados
localmente. Outros dados importantes também são disponibilizados por estes sistemas, como
alarmes, eventos e tendências históricas.
12
2.4. Sistemas de Otimização
Os Sistemas de Otimização tem como desafio melhorar de índices de uma planta industrial,
a partir da modernização dos recursos instalados, adoção de estratégias de controle avançado e de
mudanças de caráter operacional. Na maioria das vezes, estes sistemas são implementados em
computadores dedicados e utilizam técnicas de otimização como Modelagem Matemática,
Inteligência Artificial e estratégias de Controle Avançado, como ilustra a figura 8.
Figura 8 – Plataforma de Sistemas de Otimização
Sistemas de Otimização acessam as BDTR dos controladores programáveis para leitura e

escrita de dados e hospedam base de dados própria.
2.5. Sistemas de Gestão da Informação
Os Sistemas de Gestão da Informação PIMS (Plant Information Management System)

constituem uma infraestrutura utilizada para o gerenciamento de dados em plantas industriais, que
possibilita armazenar e processar grandes volumes de dados e gerar informações úteis aos diversos
níveis: operação, supervisão, manutenção, produção, gestão, qualidade dentre outros.
Utilizam servidores de dados para hospedam bancos de dados temporais capazes de

armazenar longos históricos de dados de processo e bancos de dados relacionais para dados de
outras naturezas, como na arquitetura apresentada na figura 9.
Figura 9 – Arquitetura de um PIMS

13
2.6. Sistemas de Execução da Manufatura
Os Sistemas de Execução da Manufatura MES (Manufacturing Execution System) são

responsáveis por processar os dados brutos do chão de fábrica que vão para o nível corporativo, e
no sentido inverso, processar os dados e informações vindas do nível corporativo, adequando-as aos
padrões do chão de fábrica, como ilustra a figura 10.
Utilizam computadores dedicados e softwares customizados ou módulos de software

disponibilizados pelos sistemas do nível anterior para desenvolvimento de aplicativos.
2.7. Sistemas de Gestão Corporativa
Os sistemas de gestão corporativa são responsáveis por suportar a programação e a gestão da

produção, contando com poderosas ferramentas de software, baseadas no conceito ERP (Enterprise
Resource Planning ou Planejamento dos Recursos do Empreendimento).
Utilizam servidores de dados para hospedar um banco de dado relacional que centraliza os
dados de todos os setores da corporação e um sistema gestor que integra uma gama de aplicativos
de software destinados à gestão corporativa e produtiva da empresa e de colaboradores externos,
como mostra a figura 11.
Figura 11 – Arquitetura ERP

14
2.8. Caracterização de Dados e Sistemas
Em sistemas integrados de informação e automação, os dados são disponibilizados por

diversos sistemas, espalhados nos diversos níveis. Desta forma, é importante caracterizar os dados e
sistemas a fim de facilitar origens, disponibilidades e finalidades dos mesmos.
A distribuição funcional é apresentada na figura 12 e descrita a seguir:

 Fontes de dados: sistemas de instrumentação, controle, supervisão, otimização e gestão
corporativa;
 Repositórios: sistemas de gestão da informação e execução da manufatura;
 Consumidores: sistemas de supervisão e gestão corporativa.
Figura 12 – Caracterização funcional dos dados e sistemas
A caracterização temporal é apresentada na figura 13 e descrita a seguir:

 Milisegundos e segundos (tempo real): sistemas de instrumentação e controle;
 Segundos e minutos: sistemas de supervisão, otimização, gestão da informação e
execução da manufatura;
 Minutos e horas: sistemas de gestão corporativa.
A finalidade dos dados é apresentada na figura 14 e descrita a seguir:

 Execução: sistemas de instrumentação, controle, supervisão, otimização e execução da
manufatura;
 Programação: sistemas de supervisão, gestão da informação e execução da manufatura;
 Planejamento: sistemas de gestão corporativa.
15
Figura 13 – Caracterização temporal dos dados
Figura 14 – Caracterização da finalidade dos dados

16
3. SISTEMAS DA TECNOLOGIA DA INFORMAÇÃO
Este capítulo apresenta os sistemas associados à TI. Por motivos estratégicos, a abordagem
será realizada a partir do topo da pirâmide da figura 2.
3.1. Sistemas de Gestão Corporativa
Conforme mencionado no capítulo anterior, os sistemas de gestão corporativa contam com

poderosas ferramentas de software, baseadas no conceito ERP (Enterprise Resource Planning).
ERP é uma arquitetura de software que facilita o fluxo de informações entre todos os departamentos
da corporação e suas atividades, tais como fabricação, logística, finanças e recursos humanos –
(HABERKORN & OLIVEIRA, 1999). É um sistema amplo de soluções e informações. A figura 11
ilustra o conceito de integração ERP.
A arquitetura ERP estabelece uma plataforma na qual um banco de dados relacional central
interage com um conjunto de aplicações que suporta todas as operações do negócio, em um
ambiente computacional único.
A fim de exemplificar a complexidade de um sistema pleno de ERP, imaginemos como uma

transação que pode afetar todos os setores da empresa. Seja uma fábrica de automóveis, na qual os
Representantes de Vendas e Serviços recebem de um Cliente um pedido de fornecimento de uma
grande quantidade de veículos. Para elaborar a proposta comercial, eles devem verificar se será
possível entregar a quantidade de unidades solicitada, dentro das especificações e prazos
estabelecidos pelo Cliente, com uma margem de lucro aceitável. Para tal, é lançada uma ordem de
produção simulada no sistema ERP, que dispara consultas a todos os setores envolvidos. Na
extrema direita da figura, os Fornecedores externos, também integrados ao sistema, recebem
consultas sobre a capacidade de fornecer peças, equipamentos e acessórios necessários à montagem
dos veículos, devendo retornar as condições, prazos e preços. No ambiente interno, à direita da
figura, de cima para baixo, o Pessoal Administrativo do setor de Finanças e Controladoria deve
verificar a disponibilidade dos recursos financeiros necessários para arcar com todos os custos de
fornecimento e produção até o recebimento do valor da venda final. Por sua vez, o Pessoal
Administrativo do setor de Manufatura deve verificar a capacidade, disponibilidade e condições das
linhas de produção no período dedicado ao atendimento do pedido. Este parecer deve ser elaborado
em conjunto com o Pessoal do Chão-de-Fábrica e com o setor de Gerenciamento de Materiais. Na
parte central inferior da estrutura, o setor de Gerenciamento de Recursos Humanos deve estimar a
quantidade de homens-hora necessários para atender à Manufatura e verificar a necessidade de
estender o regime de turnos. Caso necessário, deverá acionar o setor de Apoio e Serviços para
complementar a capacidade de trabalho a partir de contratações externas, que a exemplo das
demandas anteriores, afetará os custos e prazos da produção. É necessário ainda, verificar a
logística de entrega dos produtos junto ao setor de Vendas e Distribuição (acima, à esquerda).
Realizadas todas as consultas no âmbito operacional, Relatórios são emitidos e submetidos à
aprovação pelas Diretorias envolvidas no âmbito estratégico. Aprovadas todas as condições técnicas
e comerciais, internas e externas, a proposta é elaborada e enviada ao Cliente. Este exemplo mostra
claramente como uma simples operação de venda pode disparar uma série de ações, necessárias
para respaldar as decisões tomadas e minimizar os riscos inerentes ao negócio.
A implantação de um sistema de ERP, em sua plenitude, pode ser bastante onerosa e, muitas
vezes, fica restrita a grandes corporações. A seguir, são apresentadas as vantagens e desvantagens
que a adoção de um ERP pode trazer (MARTINS e BREMER, 2002). Como vantagens, é possível
apontar:
 Eliminação do uso de interfaces manuais;
 Redução de custos;
17
 Otimização do fluxo da informação e da qualidade da mesma dentro da organização

(eficiência);
 Otimização do processo de tomada de decisão;
 Eliminação da redundância de atividades;
 Redução dos tempos de resposta ao mercado.
Por outro lado, o processo de implantação também pode ser problemático, caso as
metodologias nativas do produto não sejam iguais ou mesmo semelhantes às empregadas nas
atividades da empresa. Quando essas divergências ocorrem, é possível customizar os aplicativos de
software. Entretanto, devido aos altos custos dessas customizações, a maioria dos clientes opta por
se render aos modelos de gestão do produto, o que não deveria acontecer. Desta forma, algumas
mudanças podem ser necessárias na organização como:
 Redesenho dos processos;
 Eliminação das funções em duplicidade e fluxos de informação mal definidos;
 Desenvolvimento de um sistema adicional para estabelecer a interface com o nível de
chão de fábrica.
Este último item, em particular, pode ser bastante trabalhoso, uma vez que o ERP é pouco
flexível no que se refere à comunicação com outros sistemas. Como o número de sistemas entre o
nível corporativo e o chão de fábrica é grande, como ilustra a figura 15, pode ser necessário o
desenvolvimento de uma camada de interface denominada MES.
Subsistemas
Figura 15 – Sistemas existentes entre o nível corporativo e o chão de fábrica
3.2. Sistemas de Execução da Manufatura
Conforme mencionado no capítulo 2, os Sistemas de Execução da Manufatura MES

(Manufacturing Execution System) estabelecem a interface entre o chão de fábrica e o nível
corporativo.
Estes sistemas são responsáveis por processar os dados disponíveis no chão-de-fábrica que
vão para o ERP, e no sentido inverso, processar os conteúdos vindos do ERP. Desta forma, os
gerentes de produção podem definir os procedimentos e os recursos necessários para atender as
ordens de produção vindas do ERP, enquanto os gestores corporativos podem acompanhar, em
tempo real, todos os dados referentes aos processos produtivos.
18
Além de estabelecer essa interface, o MES desempenha outras tarefas como o sincronismo
do trabalho, máquinas, ferramentas e recursos. As funcionalidades de um MES foram estabelecidas
por uma associação denominada MESA (Manufacturing Enterprise Systems Association) e são
listadas abaixo (MESA, 1997):
1. Alocação de recursos
 Administração dos recursos (máquinas, ferramentas de trabalho, materiais,
equipamentos, documentos);
 Manutenção de um histórico detalhado dos recursos;
 Assegurar que os equipamentos estejam disponíveis para operação em tempo real.
2. Planejamento detalhado da operação

 Sequenciamento baseado em prioridades, atributos, características;
 Utilização de receitas associadas a unidades de produção específicas;
 Programação de operações paralelas.
3. Gestão do fluxo produtivo
 Administração do fluxo das unidades produtivas;
 Sequenciamento do trabalho a ser executado;
 Alterações da programação prevista;
 Retrabalho e recuperação de processos;
 Gestão da capacidade produtiva.
4. Controle de documentos
 Controle de arquivos/formulários;
 Registro de informações de “como planejado” e “como executado”;
 Envio de instruções a operação e dispositivos de controle;
 Armazenamento de dados históricos.
5. Aquisição e armazenamento de dados
 Interface para obtenção dos dados e parâmetros da planta e laboratório (automática
e/ou manual);
 Armazenamento, organização e compactação dos dados;
 Disponibilização das informações para as unidades produtivas, gerenciais e
corporativas.
6. Gestão de serviços
 Status do pessoal a cada instante;
 Emissão de relatórios de tempo e frequência;
 Acompanhamento da certificação da capacitação do pessoal;
 Rastreamento das atividades diretas e indiretas para a avaliação do preço de custo;
 Distribuição de recursos para tarefas prioritárias.
7. Gestão da qualidade
 Análise em tempo real dos dados da produção;
 Controle de qualidade dos produtos;
 Identificação de problemas;
 Recomendação de ações corretivas;
 Rastreamento via Controle Estatístico de Processo (SPC) / Controle Estatístico de
Qualidade (SQC).
8. Gestão do processo
 Monitoramento da produção;
 Correção automática ou apoio à decisão dos operadores;
 Rastreamento das atividades do processo;
 Gestão de tolerâncias aceitáveis.
19
9. Gestão da manutenção
 Rastreamento e direcionamento das atividades de manutenção para garantir
disponibilidade;
 Programação da manutenção periódica, preventiva ou corretiva;
 Manutenção de um histórico de eventos e alarmes para auxiliar no diagnóstico de
problemas.
10. Genealogia e rastreamento do produto
 Visão on-line do status dos trabalhos:
- quem está trabalhando em que;

- materiais de fornecedores;
- lote;
- número de série;
- condições da produção atual;
- alarmes;
- retrabalhos;
- exceções relacionadas ao produto.
 Registro histórico dos componentes no produto final.
11. Análise de desempenho
 Emissão de relatórios em tempo real dos resultados da produção;
 Comparação com resultados históricos e/ou esperados pela empresa.
A proposta inicial da MESA pregava o desenvolvimento de um único produto (software)

que contemplasse todas as funcionalidades até então desempenhadas por outros sistemas, em
substituição a estes. Essa proposta encontrou fortes barreiras em seu caminho, uma vez que as
empresas não concordaram em se desfazer de seus sistemas instalados, consagrados pelo mercado e
aprovados por seus usuários. Todavia, o conceito de integração do MES permaneceu e hoje é
utilizado por várias organizações para estabelecer a interface entre o chão-de-fábrica e o
corporativo.
A orientação das funcionalidades implementadas em um MES deve atender às regras de

negócio e estratégias da organização, como mostra a figura 16.
(a) (b)
Figura 16 – MES orientado para (a) Negócio da empresa (b) Produção
20
Um MES pode ser orientado para o negócio da empresa ou para a produção. Na primeira
orientação, utilizada pela maioria das empresas, a produção atende as quantidades demandadas
pelas vendas e serviços. Na segunda, utilizada por empresas que detém o monopólio do mercado e
não tem interesse em produzir grandes quantidades, prevalece a qualidade e o valor agregado aos
produtos.
A implantação de um MES segue, tipicamente, os seguintes passos:
 Levantamento dos dados da produção;

 Diagnóstico da disponibilidade e da qualidade dos dados da produção;
 Identificação dos gargalos e oportunidades;
 Levantamento dos benefícios corporativos;
 Levantamento dos benefícios operacionais;
 Preparação da estratégia de venda em nível corporativo;
 Preparação da estratégia de venda em nível operacional;
 Realização de um projeto piloto e avaliação dos resultados;
 Preparação de um relatório sumarizado dos resultados e benefícios para a corporação e
operação;
 Preparação da extensão global do projeto MES para as linhas e plantas restantes.
O envolvimento de todas as áreas é fundamental na integração dos sistemas e a cada setor

devem ser atribuídas as seguintes responsabilidades:
 Vendas e Gestão de Serviços: realizar a automatização das cotações, vendas e

configuração de produtos;
 Gestão da Cadeia de Suprimentos: automatizar a distribuição, transporte, logística e
implementar o comércio eletrônico;
 Planejamento e Execução da Manufatura: automatizar as finanças, planejamento, ordem
de produção e estoque;
 Engenharia de Produtos e Processos: incluir CAD/CAM e modelagem do produto e
processo;
 Controle: definir modelos de produção e elaborar procedimentos de produção;
 Sistema de Execução da Manufatura: integrar as informações de forma rápida e coerente.
Os benefícios esperados para cada setor são:
 Vendas e Gestão de Serviços: utilizar a capacidade e do estado atual de produção para

realização de cotações;
 Gestão da Cadeia de Suprimentos: trabalhar com dados atualizados de ordens de
produção, capacidade, desempenho, etc;
 Planejamento e Execução da Manufatura: trabalhar com dados atualizados de custos,
ciclos de produção, folgas e gargalos;
 Sistema de Execução da Manufatura: coletar as informações do campo, realização de
procedimentos locais e disponibilização aos demais sistemas;
 Engenharia de Produtos e Processos: utilizar em suas atividades dados atualizados de
qualidade e desempenho;
 Controle: utilizar receitas, instruções de trabalhos e lógicas de controle que reflitam o
melhor desempenho de produção para cada momento.
A arquitetura típica de um MES é apresentada na figura 17.

21
Figura 17 – Arquitetura típica de um MES
A implantação de um MES começa pela aquisição e armazenamento de dados (5ª

funcionalidade da lista acima). O sistema que realiza essa tarefa no chão de fábrica é o PIMS e no
laboratório é o LIMS. A partir da disponibilização dos dados, os aplicativos podem ser
desenvolvidos.
É importante ressaltar que as soluções em TI não são padronizadas ou seguem modelos

tradicionais como em outras áreas. As necessidades devem ser associadas à criatividade dos
usuários dos sistemas na construção das soluções. Essa característica faz com que os projetos de TI
sejam mais longos e com evoluções graduais a partir do uso das ferramentas. O empenho no
desenvolvimento de soluções inventivas é o que agrega valor aos processos e torna as empresas que
melhor utilizam seu capital intelectual, diferenciadas perante seus concorrentes.
3.3. Sistemas de Gestão da Informação
Os Sistemas de Gestão da Informação da Planta, PIMS, constituem uma infraestrutura

utilizada para o gerenciamento de dados em plantas industriais, que possibilita a utilização da
informação nos diversos níveis: operação, supervisão, manutenção, produção, gestão, qualidade
dentre outros, constituindo um grande recurso para a empresa, como ilustra a figura 18.
Para desempenhar a principal função do PIMS, aquisição e armazenamento de dados, é

utilizado um banco de dados temporal. Este tipo de banco é capaz de armazenar grandes
quantidades de dados de diversas fontes da planta, utilizando poucos recursos de hardware. Isso é
possível devido à utilização de algoritmos de compactação de dados. A consulta aos dados nos
grandes volumes gerados é agilizada pela adoção de estratégias de busca.
Conforme mencionado anteriormente, o PIMS é o primeiro componente no processo de

implantação de um MES. Cientes dessa situação, os desenvolvedores de PIMS incorporaram a seus
bancos, diversas funcionalidades, fazendo do PIMS uma interessante plataforma para o
desenvolvimento do MES.
Explorados os diversos recursos do PIMS para a construção do MES, todos os níveis de

todas as unidades da empresa ganham um ilimitado acesso às informações em tempo real, ajudando
a tomar melhores decisões de negócios. Embora o PIMS tenha sido usado principalmente em
22
indústrias de processos, sua flexibilidade e sofisticação de recursos fazem dele um ativo valioso em
qualquer lugar onde informações importantes necessitem ser gerenciadas com precisão.
O PIMS apresenta as seguintes funcionalidades que atendem o MES:

 Interfaces com o processo: conexões bidirecionais de alta velocidade (drivers) às fontes
de dados do processo e sistemas de automação.
 Interfaces com coletores de dados: permite a entrada manual de dados no sistema PIMS
através do teclado, ou através de coletores de dados.
 Conectores com o nível corporativo: conexões bidirecionais com o sistema corporativo
para o intercâmbio das informações, distribuindo os dados ou seus históricos entre o ERP
e os bancos de dados externos ao sistema, sem necessitar armazená-los em bancos de
dados intermediários.
 Banco de dados temporal: com a capacidade de armazenar e compactar os dados por
longos períodos de tempo, em um único servidor, sem consumo excessivo de memória
em disco rígido.
 Interface gráfica com o usuário: representação gráfica dos dados de processo de forma
dinâmica e interativa incluindo sinóticos, animações, tendência histórica e/ou instantânea,
gráficos diversos, etc. Suporte para visualizar informações de diversos sistemas PIMS
simultaneamente ou de dados advindos de outros bancos de dados.
 Conector com planilha eletrônica: conexão bidirecional com softwares de planilha
eletrônica, permitindo a recuperação de dados armazenados no sistema PIMS.
Possibilidade de geração de relatórios complexos, gráficos utilizando dados históricos ou
em tempo real, bem como a entrada manual de dados no sistema PIMS.
23
 Interface WEB: permite a criação de páginas html para exibir telas gráficas contendo
informações do sistema PIMS via Internet ou Intranet.
 Segurança: permite restringir o acesso aos dados e funcionalidades através de senhas.
Cada usuário possui atributos específicos, de acordo com a sua atividade, para definir o
nível de intervenção sobre o sistema: visualização, e/ou alteração dos dados e/ou
configuração do sistema.
 Organizador por grupos: permite organizar o conteúdo de dados do PIMS por grupos de
modo a facilitar a sua utilização por usuários de áreas distintas em programas e telas.
 Módulo estatístico: permite realizar cálculos estatísticos em tempo real para os dados
armazenados no sistema PIMS. Permite o cálculo de diversos parâmetros (desvios,
médias, etc) além de permitir a construção de diversos gráficos estatísticos (tendências,
histogramas, etc).
 Módulo batelada: utilizado para visualizar os dados armazenados no PIMS a partir de
processos de fabricação associados por lotes: número do lote ou batelada, produto e
unidade de processo.
 Módulo de cálculo avançado: permite a elaboração de cálculos complexos em ambiente
externo, como por exemplo, a linguagem de programação Visual Basic. Permite a criação
de rotinas diversas e manipulação dos dados armazenados no sistema PIMS.
 Sumário de alarmes: sumariza as informações do servidor de alarmes e as exibe na forma
de uma estrutura hierárquica para os usuários.
 Reconciliador de dados: valida as informações de produção, verifica a qualidade dos
dados e garante a produção de dados limpos, consistentes e confiáveis.
3.4. Sistemas de Gestão da Informação do Laboratório
Os Sistemas de Gestão da Informação do Laboratório, LIMS, constituem uma infraestrutura

utilizada para o gerenciamento dos dados em laboratórios.
O LIMS supre as necessidades de empresas em que as atividades do laboratório exigem um

sistema com alto grau de flexibilidade de configuração. Capaz de simular os fluxos de trabalho do
laboratório, o LIMS pode ser configurado em estações clientes, sem comprometer a segurança do
sistema e sem necessidade de customização. A implementação de um sistema LIMS permite a
geração de dados a serem transformados em valiosas informações para tomada de decisões.
O LIMS coleta os dados de amostras diretamente dos equipamentos de laboratório utilizando

drivers específicos e/ou genéricos. Os dados são direcionados para um banco de dados relacional,
onde são armazenados. A interface com o usuário proporciona uma estrutura de organização que
permite o usuário interagir com os dados e informações de cada amostra de maneira simples e
bastante amigável.
O sistema LIMS, além de desempenhar as atividades específicas do laboratório, pode ser

integrado ao sistema PIMS para auxiliar a tarefa de controle da produção, consolidando as
informações da qualidade e integrando-as ao sistema de gestão empresarial. Oferece também,
respaldo para o cumprimento dos requerimentos regulatórios para a armazenagem de longo prazo e
reutilização da informação.
O sistema LIMS apresenta as seguintes funcionalidades:

 Interfaces específicas com equipamentos de laboratório: conexões (drivers) às fontes de
dados, equipamentos de laboratório, que utilizam um padrão de comunicação aberto.
 Interfaces genéricas com equipamentos de laboratório: conexões (drivers) às fontes de
dados, equipamentos de laboratório, que não utilizam um padrão de comunicação aberto.
24
Nestes casos, é necessário utilizar um processo de leitura genérico, que possibilite a

conversão de arquivos texto para formatos compatíveis com o sistema LIMS.
 Interface com outros sistemas de informação: os dados do sistema LIMS deverão estar
disponíveis em um banco de dados relacional e poderão ser acessados, via ODBC por
exemplo, através de transações SQL.
 Interface amigável com o usuário: permite a organização das informações em pastas,
numa estrutura do tipo árvore, com a possibilidade de visualização seletiva através de
filtros de tempo, usuários, resultados, etc.
 Gestão do fluxo de amostras do laboratório: toda a dinâmica do laboratório deve ser
gerida pelo sistema LIMS: recebimento das amostras; alocação das amostras em pastas
organizadas por etapa do processo; indicação do(s) teste(s) a realizar; responsável por
cada teste; procedimento de teste(s); resultados obtidos; indicação do status de cada
amostra com relação à conformidade ao padrão estabelecido; etc.
 Segurança: permite restringir o acesso aos dados e funcionalidades através de senhas.
Cada usuário possui atributos específicos, de acordo com a sua atividade, para definir o
nível de intervenção sobre o sistema: visualização, e/ou alteração dos dados e/ou
configuração do sistema.
 Geração de relatórios: permite a geração de relatórios padronizados ou configuráveis pelo
usuário, em padrão próprio ou em padrão exportável para planilhas eletrônicas.
25
4. TI NOS SISTEMAS PRODUTIVOS
Depois de implantada a infraestrutura de TI (ERP e MES) e formados os históricos

de dados, cabe aos colaboradores da empresa pensar em como utilizar os dados em benefício
de suas atividades e dos processos produtivos, ou seja, gerar informações produtivas a partir
do processamento dos dados disponíveis. Algumas empresas treinam seus colaboradores e
os incentiva a desenvolver seus próprios aplicativos. Outras preferem contratar empresas
prestadoras de serviço em TI, e construir as soluções a quatro mãos. É importante ressaltar
que os prestadores de serviços assinam contratos de confidencialidade para o
desenvolvimento de seus projetos e não podem, portanto, utilizar soluções desenvolvidas
para outros clientes.
Os projetos de TI são, em geral, longos e o desenvolvimento dos aplicativos é feito

de forma gradual, a partir da incorporação dos conhecimentos dos colaboradores. A figura
19 mostra a evolução das soluções nas empresas.
Figura 19 – Evolução das soluções em TI
Como ilustra a figura 19, o processo se inicia pelo indivíduo, que identifica quais
informações seriam úteis à sua atividade e como elas poderiam ajudá-lo de forma efetiva. Em
seguida, estuda como as informações podem ser geradas a partir dos dados presentes no MES e a
necessidade de agregar novos dados. Elaborar a modelagem dos dados e implementa a solução na
forma de um aplicativo. O conteúdo implementado deve ser testado e validada a sua efetividade
bem como os benefícios que proporciona. O aplicativo é apresentado em reuniões internas da
equipe de trabalho, quando são discutidas as melhorias e implementadas novas funcionalidades.
Aprovado no nível de equipe, os casos bem sucedidos percorrem um longo caminho evolutivo,
participando de eventos em níveis superiores, podendo ser até utilizados por toda a corporação.
Empresas que valorizam seu capital intelectual estimulam seus colaboradores em atividades
dessa natureza premiando, inclusive, os autores dos melhores trabalhos.
A seguir, são apresentados alguns exemplos de implementações comumente desenvolvidas

em empresas. As soluções aqui apresentadas tem caráter meramente didático e foram apresentadas
em eventos abertos ao público ou divulgadas em meios de comunicação, não ferindo, portanto,
nenhum direito de propriedade.
26
4.1. TI na Gestão da Manutenção
A gestão da manutenção é uma atividade crítica e, portanto, fundamental para a

continuidade e qualidade da produção. Basicamente, são realizadas 3 modalidades de manutenção
(Cabral, 2006):
 Corretiva - realizada após a falha do equipamento;
 Preventiva - realizada periodicamente, de acordo com orientação do fabricante do
equipamento, a fim de evitar a manutenção corretiva;
 Preditiva - realizada sob demanda e determinada por sistema de predição de falhas a
partir do monitoramento contínuo da operação do equipamento.
A maioria das empresas pratica as 2 primeiras modalidades, preferencialmente a segunda a

fim de evitar os altos custos da primeira. Trabalhando com o software de manutenção de forma
isolada, a programação das manutenções preventivas pode ser realizada com base em estimativas de
horas de funcionamento dos equipamentos. Atingido o prazo estimado, ordens de serviço são
geradas. Entretanto, devido à incerteza das estimativas, os serviços podem vir a ser realizados fora
da real necessidade.
Quando integrado ao MES, o software de manutenção utiliza os dados reais de uso e

operação dos equipamentos e gera as ordens de serviço com um grau muito maior de certeza. É
estabelecida a integração do software de manutenção ao MES, como mostrado na figura 20.
 Custos de peças e serviços

Software de  Procedimentos de manutenção
Manutenção  Programação da manutenção
 Relatórios de manutenção
 Definição dos
equipamentos
 Especificação das
medições
 Medições
 Condições de medição
 Notificação das ordens
 Ordens de serviço
 Prazos p/ manutenção de serviço
 Coleta e armazenamento de dados

MES  Monitoramento dos equipamentos
através de Regras de Produção
Sistemas de Automação
Figura 20 – MES na Gestão da Manutenção
O software de manutenção gerencia os custos de peças e serviços; os procedimentos de

manutenção; auxilia na programação da manutenção e gera relatórios das atividades executadas. Ao
MES são passadas as definições dos equipamentos, a especificação das medições necessárias, as
condições de medição, o número das ordens de serviço e os prazos estabelecidos para a realização
da manutenção preventiva. O MES utiliza os dados coletados junto aos sistemas de automação e
através de Regras de Produção (SE  ENTÃO), monitora os equipamentos de disparar as ordens de
serviço.
27
Exemplo 1: Lubrificação de bombas
O MES monitora os inícios e as paradas das bombas, integra os valores e armazena-os em

variáveis internas. Regras de Produção são executadas periodicamente e verificam se os prazos
foram atingidos. Quando isso ocorre, notifica o software de manutenção para a geração das ordens
de serviço. Neste caso, as ordens se serviço deverão ser geradas quando o tempo de operação real
da bomba alcançar 2.000 horas.
Antes da integração ao MES Depois da integração ao MES

A lubrificação das bombas era agendada e feita A lubrificação passou a ser feita a cada 6 meses
a cada 6 meses de calendário, de acordo com a de operação real das bombas, com base em
estimativa de funcionamento diário de 12 horas Regras de Produção do tipo
(2.000 / 12 horas/dia  180 dias). SE horas de funcionamento do eqpto X = 2.000
ENTÃO notificar ordem de serviço eqpto X
O software de manutenção desconhecia o uso O software de manutenção passou a gerar as

real das bombas e automaticamente gerava as ordens de serviço com base no uso real das
ordens de serviço, mesmo que elas tivessem bombas.
ficado paradas por qualquer motivo ou mesmo
tivessem operado mais que o número de horas
estimado.
Exemplo 2: Troca de filtros
O MES monitora a diferença de pressão nas extremidades dos filtros e notifica o software de
manutenção para a geração das ordens de serviço quando a leitura exceder 3 psi. As pressões
diferenciais são coletadas, armazenadas em variáveis internas e monitoradas periodicamente por
Regras de Produção.

A troca dos filtros era agendada e feita a cada 6 A troca dos filtros passou a ser feita somente
meses de calendário. quando as pressões diferenciais atingem o valor
de 3 psi, com Regras de Produção do tipo
SE delta de pressão do eqpto X >= 3
O software de manutenção gerava O software de manutenção passou a gerar as

automaticamente as ordens de serviço, mesmo ordens de serviço com base no estado real de
que os filtros ainda estivessem em boas funcionamento dos filtros.
condições de funcionamento.
Exemplo 3: Manutenção preditiva em motores de correias transportadoras
O MES monitora as correntes dos motores de correias transportadoras com duplo

acionamento, armazena-as em variáveis internas e mostra-as graficamente. Regras de Produção são
executadas periodicamente e verificam se a diferença entre as correntes excede a 5% do valor
nominal, por mais de 24 horas. Quando isso ocorre, notifica o software de manutenção para a
geração das ordens de serviço preditivas, a fim de prevenir futuros problemas.
28

A manutenção nos motores era corretiva, O planejamento das intervenções corretivas
quando apresentavam falhas ou preventiva a passou a ser antecipado, a partir da análise de
cada 6 meses de calendário. divergência entre as correntes, com base em
Regras de Produção do tipo
SE desvio entre correntes Id e Ie do eqpto X >
5% da corrente nominal
E horas de duração do evento > 24
O software de manutenção gerava O software de manutenção passou a gerar as

automaticamente as ordens de serviço, mesmo ordens de serviço com base na análise preditiva
que os motores ainda estivessem em boas de falhas.
condições de funcionamento.
Exemplo 4: Manutenção por sobretemperatura na descarga de bombas
O MES monitora as variáveis de temperatura de descarga das bombas, armazena-as em

variáveis internas. Regras de Produção são executadas periodicamente e verificam se alguma
bomnba está operando em temperatura maior que 100ºC. Quando isso ocorre, notifica o software de
manutenção para a geração das ordens de serviço preventivas.
A figura 21 mostra a configuração de uma operação de manutenção preventiva, denominada

PM PUMPHOT, configurada para a bomba PUMP1, associada a uma ordem de serviço do tipo EM
(emergência), Prioridade 1 e Status APPR (pré-aprovado)
Figura 21 – Tela do Software de Manutenção para cadastro de manutenção preventiva
A figura 22 mostra a condição de monitoramento da bomba, indicando o número do ponto

de medição 1101A, o equipamento PUMP1 localizado no reator (REACTOR), o nome do ponto de
medição TEMP1 e a condição de medição (Action Limits) que notifica uma ordem de manutenção
preventiva PM quando o limite superior de temperatura = 100º C.
29
Figura 22 – Tela do Software de Manutenção para cadastro da condição de monitoramento
4.2. TI na Gestão da Operação
A gestão da operação em plantas industriais é uma atividade que envolve a análise de muitos
dados e exige decisões rápidas por partes dos operadores e supervisores. A interface da operação
com o processo é realizada por um software de supervisão, que mostra a dinâmica do processo, em
tempo real, e permite enviar comandos aos controladores programáveis e consequentemente aos
equipamentos. São tarefas comuns aos operadores:
 Avaliar o desempenho da produção;
 Definir os setpoints;
 Selecionar e disparar receitas;
 Monitorar alarmes e eventos;
 Analisar tendências;
 Comandar equipamentos;
 Elaborar relatórios;
 Etc.
Trabalhando com o software de supervisão de forma isolada, as decisões ficam a cargo dos
operadores, que utilizam seus conhecimentos empíricos na tomada das decisões. Devido ao grande
volume de dados a ser analisado em tempo real, ações podem deixar de ser tomadas ou mesmo
realizadas de forma incompleta ou equivocada.
Quando integrado ao MES, o software de supervisão passa a contar com um extenso

histórico de dados e recomendações em relação às ações a serem tomadas podem ser apresentadas,
reduzindo assim, o estresse operativo e os erros. É estabelecida a interconexão do software de
supervisão ao MES, como mostrado na figura 23.
O software de supervisão hospeda uma Base de Dados em Tempo Real; disponibiliza telas
sinóticas das áreas de processo; gráficos de tendência em tempo real e histórica de curto prazo;
alarmes e eventos, dentre várias outras funcionalidades. Ao MES são passadas as definições das
variáveis de processo (TAGS), a especificação das medições necessárias e as ações da operação. O
MES utiliza os dados coletados junto aos sistemas de automação, armazena históricos de longo
30
prazo, emite relatórios e através de Regras de Produção, monitora os equipamentos, recomenda

ações e dispara ações automáticas.
 Base de Dados em Tempo Real

Software de  Telas sinóticas
Supervisão  Gráficos de Tendência
 Alarmes e eventos
 Definição das variávies

de processo
 Especificação das
medições
 Medições
 Condições de medição
 Recomendações
 Ações da operação
 Ações automáticas
 Relatórios

 Monitoramento dos equipamentos
MES através de Regras de Produção
 Histórico de dados
Figura 23 –MES na Gestão da Operação
Exemplo 1: Reuniões de troca de turno
O MES armazena os dados históricos de longo prazo em seu banco e os disponibiliza para
utilização durante as reuniões de troca de turno.

As reuniões de troca de turno eram realizadas As reuniões passaram a contar uma tela gráfica
com dados anotados pelos operadores e desenvolvida na WEB, contendo as principais
relatórios de operação. informações da operação, o que permitiu a
projeção dos dados do turno anterior ou de
qualquer turno (desde que dentro do período
armazenado) em alta velocidade, ou seja, os
dados relevantes de 8 horas de um turno
apresentados em ritmo acelerado com
interrupções, a qualquer momento, para a
realização de análises detalhadas e discussões.
O software de supervisão era dedicado à O software de supervisão continuou sendo

operação em tempo real e corretamente não preservado para sua finalidade, operação em
utilizado para esta finalidade. tempo real.
A figura 24 apresenta um exemplo de uma tela sinótica, acessada via WEB, utilizada em
reuniões de troca de turno. A tela traz uma visão geral da planta, com um menu de navegação na
parte inferior esquerda, principais parâmetros de processo na parte superior, tela gráfica e gráfico de
tendência ao centro, indicadores de desempenho á direita e destacado no círculo vermelho, a
funcionalidade de ajuste do período desejado e a velocidade de apresentação.
31
Figura 24 – Tela sinótica utilizada nas reuniões de troca de turno
Exemplo 2: Processamento de alarmes
O MES monitora os alarmes do processo e armazena-os em históricos. Regras de Produção

são executadas continuamente e verificam a ocorrência de alarmes combinados que podem inferir
novos alarmes úteis à operação. Quando essa condição ocorre, notifica o software de supervisão que
emitirá os alarmes gerados pelo MES.

A análise dos alarmes era feita pelos operadores Os operadores passaram a contar com alarmes
através das telas de alarme do software de adicionais, gerados a partir da combinação de
supervisão. grupos de alarmes, com base em Regras de
Produção do tipo
SE alarme X ativo
E alarme Y ativo
E alarme Z ativo
ENTÃO gerar alarme W
O software de supervisão passou a apresentar

O software de supervisão apresentava alarmes alarmes adicionais, auxiliando os operadores
sem nenhum tipo de processamento. nas análises de falhas.
32
Exemplo 3: Sintonia de malhas de controle
O MES monitora os desvios das malhas de controle e armazena-os em variáveis internas.

Regras de Produção são executadas periodicamente e verificam se os desvios, em regime
permanente, permanecem maiores que um percentual estabelecido durante um tempo estabelecido.
Quando essa condição ocorre, notifica o software de supervisão que será disparada um ação de
sintonia automática (software de autossintonia), cujo diagrama de blocos é mostrado na figura 25.
Neste caso, as ações deverão ser disparadas (com ou sem autorização do operador) quando o desvio,
em regime permanente, for maior que ±5% em relação ao setpoint por um tempo maior que 1 hora.

A sintonia era feita a pedido dos operadores, A sintonia das malhas de controle passou a ser
que deveriam monitorar regularmente as malhas com base em Regras de Produção do tipo
de controle e detectar o problema. SE desvio percentual em regime permanente da
malha de controle X > 5
OU desvio percentual em regime permanente da
malha de controle X > -5
E horas de duração do evento > 1
ENTÃO notificar o operador sobre a condição
malha de controle X
OU disparar ação de sintonia automática
O software de supervisão desconhecia a O software de supervisão passou a acionar o

condição operacional das malhas de controle e software de autossintonia das malhas de
as sintonias eram realizadas sem periodicidade controle com muito mais frequência.
definida.
Figura 25 – Diagrama de blocos de autossintonia de controladores
4.3. TI na Análise de Desempenho
A análise de desempenho de sistemas produtivos monitora continuamente diversas variáveis

do processo, determina índices de desempenho (KPI - Key Performance Indicators) e realiza
comparações em relação a metas e referências históricas. Os supervisores de planta devem analisar
os dados e tomar decisões quanto às mudanças necessárias na operação.
33
Trabalhando sem um sistema de TI, os relatórios são gerados pelo software de supervisão,
em períodos determinados. Portanto, as ações sobre o processo somente afetarão a produção no
período seguinte.
Com auxílio do MES, estações de TI disponibilizam graficamente, em tempo real, todos

dados desejados e permite a tomada de decisões com muito mais rapidez e efetividade. Relatórios
podem ser apresentados em tempo real ou gerados a partir de valores históricos. É possível ainda,
comparar os dados instantâneos a metas estabelecidas a fim de verificar o desempenho da produção.
A figura 26 mostra a estrutura necessária.
 Telas gráficas
Estações de  Gráficos de Tendência
TI  Relatórios
 Medições
 Indicadores
 Análises
 Relatórios

 Monitoramento dos dados
MES  Módulo de Cálculo
Figura 26 – MES na Análise de Desempenho
O MES utiliza os dados coletados junto aos sistemas de automação, armazena históricos de
longo prazo, realiza o monitoramento de variáveis, realiza cálculos e disponibiliza informações
gráficas e relatórios nas estações de TI.
Exemplo 1: Balanço de massa
O MES monitora os dados de alimentação da planta e da quantidade produzida, integra os

valores e armazena-os em variáveis internas. Realiza cálculos de rendimento da planta e apresenta
os resultados.

As análises de rendimento da planta eram As análises de rendimento da planta passaram a
realizadas com base em relatórios gerados pelo ser realizadas em tempo real, através de telas
software de supervisão, ao final de cada turno. sinóticas contendo gráficos de rendimento,
cujos valores são calculados por fórmulas do
tipo
Rendimento = Produção / Alimentação
Valores históricas puderam ser comparadas aos
dados atuais e relatórios disponibilizados, a
qualquer momento, a pedido do supervisor.
34
As decisões tomadas afetavam apenas a As decisões passaram a afetar a produção do

produção do turno seguinte. turno corrente, aumentando consequentemente,
a produtividade da planta.
A figura 27 ilustra um gráfico de balanço de massa de uma usina.
Figura 27 – Gráfico de balanço de massa de uma usina
Exemplo 2: Análise de paradas
O MES monitora as horas trabalhadas de equipamentos, horas calendário e horas de

manutenção, integra os valores e armazena-os em variáveis internas. Realiza cálculos de rendimento
operacional, disponibilidade física e utilização física e apresenta os resultados.

As análises de paradas eram realizadas com As análises de paradas passaram a ser realizadas
base em relatórios gerados pelo software de em tempo real, através de tabelas de
supervisão, a cada 24 horas. coeficientes e gráficos, cujos valores são
calculados por fórmulas do tipo
Rendimento Operacional = Horas Trabalhadas /
Horas Calendário
Disponibilidade Física = Horas Calendário -
Horas de Manutenção / Horas Calendário
Utilização Física = Horas Trabalhadas / Horas
Calendário - Horas de Manutenção
Os relatórios passaram a ser disponibilizados
em tempo real ou gerados, a qualquer momento,
a pedido do supervisor.
As decisões tomadas afetavam apenas a As decisões passaram a ser mais ágeis e

produção do dia seguinte. respaldadas em dados em tempo real, reduzindo
de forma significativa o número de horas
paradas.
As figuras 28, 29 e 30 ilustram os resultados de uma analise de desempenho em uma usina.

35
01 02 03 04 05 06 07 08 09 10
Elétrica 8,5 7,6 16,8 2,7 3,7 2,0 0,3 1,2 2,8
Extra Planta 5,4 0,3 4,0 3,9 6,5 0,2 2,7 4,4 5,3 4,8
Mecânica 17,4 12,2 7,6 8,5 13,9 0,6 6,3 4,5 10,6
Operação 29,0 36,3 8,3 5,2 13,1 13,3 7,0 14,9 20,7 12,2
Preventiva 2,2 18,1 21,3
Vulcanização
Rend. Operacional 90,7% 91,6% 94,5% 98,3% 95,2% 92,9% 98,4% 96,0% 92,1% 95,5%
Disponibilidade Fisica 95,8% 97,1% 96,4% 99,6% 98,2% 94,9% 99,9% 99,0% 96,0% 98,0%
Utilização 94,7% 94,4% 98,1% 98,7% 97,0% 97,9% 98,5% 97,0% 96,0% 97,4%
Figura 28 – Tabela com resultados da análise de paradas de equipamentos
105,0%
95,0%
85,0%
75,0%
Valores em %
65,0%
55,0%
45,0%
35,0%
25,0%
15,0%
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Meta RO=91% Meta DF=95% Meta UF=95,8%
RO DF UF
Figura 29 – Gráfico com os indicadores operacionais extraídos do sistema paradas
120,0%
96,0%
95,8%
95,2%
94,5%
94,4%
94,2%
94,3%
94,1%
93,6%
93,5%
92,7%
92,1%
90,2%
89,9%
90,2%
88,5%
100,0%
80,0%
60,0%
40,0%
20,0%
Dia 0,00%
0,0%
0,0%
0,0%
0,0%
0,0%
0,0%
0,0%
0,0%
0,0%
0,0%
07:00 E
08:00 E
09:00 E
10:00 E
11:00 E
12:00 E
00:00 A
01:00 A
02:00 A
03:00 A
04:00 A
05:00 A
06:00 A
13:00 C
14:00 C
14:14 C
14:15 C
14:15 C
14:15 C
14:15 C
14:15 C
14:15 C
14:15 C
14:15 C
14:15 C
Instantâneo
Figura 30 – Gráfico de controle horário de rendimento operacional da Usina
Exemplo 3: Consumo específico de água
O MES monitora os dados de alimentação da planta e do bombeamento de água, integra os

valores e armazena-os em variáveis internas. Realiza cálculos de consumo específico de água e
apresenta os resultados, como mostrado na figura 31.
36

As análises de consumo específico de água eram As análises de consumo específico de água
realizadas com base em relatórios gerados ao passaram a ser realizadas em tempo real, através
final do dia. de telas sinóticas contendo valores integrados e
gráficos de consumo, com valores gerados por
fórmulas do tipo
Consumo Específico = Bombeamento de Água /
Alimentação
Médias históricas puderam ser comparadas aos
dados atuais e relatórios disponibilizados, a
qualquer momento, a pedido do supervisor.

produção do dia seguinte. turno corrente, aumentando consequentemente,
a produtividade da planta.
MH
Figura 31 – Gráfico de consumo específico de água de uma Usina
4.4. TI na Gestão do Processo & Gestão da Qualidade
A gestão do processo e a gestão da qualidade em sistemas produtivos são atividades

complexas que envolvem a análise do comportamento das variáveis de processo a partir do
tratamento estatístico dos dados (desvios, médias, variâncias, correlações, etc.) e da geração de
gráficos (tendências, histogramas, paretos, etc.). Os engenheiros de processo devem analisar os
dados e tomar decisões quanto às mudanças necessárias.
Sem um sistema de TI, alguns relatórios podem ser gerados pelo software de supervisão,
apesar de não ser o ambiente propício para esta tarefa. Desta forma, é importante contar com
sistemas apropriados e com as ferramentas adequadas para as implementações do SPC (Statistical
Process Control) e do SQC (Statistical Quality Control).
O SPC/SQC podem ser implementados no MES e as consultas realizadas nas estações de TI.
Os recursos de bancos de dados históricos e módulos de tratamento estatístico permitem a
realização de análises detalhadas do comportamento do processo. A figura 32 mostra a estrutura
necessária.
O MES utiliza os dados coletados junto aos sistemas de automação, realiza o monitoramento
de variáveis, realiza o tratamento estatístico dos dados, compara a dados históricos e disponibiliza
gráficos e relatórios nas estações de TI.
37
 Gráficos Estatísticos
Estações de  Relatórios
TI
 Medições
 Dados estatísticos
 Relatórios

 Monitoramento dos dados
MES  Tratamento estatístico dos dados
Figura 32 – MES na Gestão do Processo & Gestão da Qualidade
Exemplo 1: Controle de qualidade de peças
O MES monitora continuamente os dados de peças com defeito em lotes amostrados e

armazena-os em variáveis internas. Verifica os limites de controle definidos e dispara alarmes
quando os limites são ultrapassados. Apresenta os dados em gráficos e relatórios.

O controle de qualidade era realizado com base O controle de qualidade passou a ser realizado
em relatórios gerados pelo software de continuamente, através de telas sinóticas
supervisão, ao final de cada turno. contendo gráficos estatísticos do tipo carta de
controle, como ilustra a figura 33. Valores
históricos puderam ser comparados aos dados
atuais e relatórios disponibilizados, a qualquer
momento, a pedido do engenheiro de processo.

produção do turno seguinte. turno corrente, reduzindo o número de peças
defeituosas.
Limite de Controle Superior
Limite de Controle Inferior
Figura 33 – Carta de controle de peças defeituosas
Outros testes utilizados em SPC/SQC são apresentados no Apêndice 1.

38
Exemplo 2: Motores em sobrecarga
O MES monitora os dados de corrente de grupos de motores, contabiliza as horas em que

ocorre sobrecarga em cada motor e armazena os dados em variáveis internas. Apresenta os dados
em gráficos e relatórios.

A identificação de motores sobrecarregados era A identificação de motores trabalhando em
realizada com base nos gráficos de tendência sobrecarrega passou a ser realizada
histórica e relatórios de manutenção. continuamente, através de telas sinóticas
contendo gráficos de barras, como mostrado na
figura 34. Os relatórios passaram a ser
disponibilizados, a qualquer momento, a pedido
do engenheiro de processo.
As informações eram insuficientes para análises As análises passaram a ser realizadas com base
adequadas. em dados reais do funcionamento dos motores.
Figura 34 – Gráfico de barras de motores em sobrecarga
Exemplo 3: Frequência de defeitos por classe
O MES monitora os defeitos e as horas de produção parada, contabiliza as quantidades,

armazena os dados em variáveis internas e os classifica. Apresenta os dados em gráficos e
relatórios.
Antes da integração ao MES Depois da integração ao MÊS

A frequência dos defeitos por classe era A frequência dos defeitos por classe passou a
realizada com base nos relatórios de qualidade. ser realizada continuamente, através de telas
sinóticas contendo gráficos estatísticos do tipo
Histograma, como mostrado na figura 35. Os
relatórios passaram a ser disponibilizados, a
qualquer momento, a pedido do engenheiro de
processo.
adequadas. em dados reais da produção.
39
Frequência / Mês
Classe
Figura 35 – Histograma de defeitos na produção
Exemplo 4: Classificação de defeitos por tipo
O MES monitora os dados de tipos de defeitos identificados nos produtos, contabiliza as

quantidades e armazena os dados em variáveis internas. Apresenta os dados em gráficos e
relatórios.
Antes da integração ao MES Depois da integração ao MÊS

A classificação dos defeitos era realizada com A classificação dos defeitos passou a ser
base nos relatórios de qualidade. realizada continuamente, através de telas
sinóticas contendo gráficos estatísticos do tipo
Pareto, como mostrado na figura 36. Os
relatórios passaram a ser disponibilizados, a
qualquer momento, a pedido do engenheiro de
processo.
adequadas. em dados reais da produção.
Figura 36 – Diagrama de Pareto de defeitos na produção

40
5. TI NA SOLUÇÃO DE PROBLEMAS
A TI pode proporcionar maior conhecimento dos processos e maior agilidade na solução de

problemas. Entretanto, determinados problemas podem requerer análises complexas e a geração de
alternativas a fim de definir a melhor solução. No quesito conhecimento, conforme discutido no
capítulo anterior, os sistemas de TI podem introduzir novos recursos de monitoramento de variáveis
e indicadores de desempenho. Entretanto, no que se refere ao aumento da agilidade em gerar
alternativas, os resultados não são imediatos e nem tão pouco uma consequência natural. A
implantação de sistemas de TI exige uma adaptação às modificações no cenário da informação e um
aprimoramento na capacidade de aprendizado, a fim de desenvolver habilidades práticas na geração
de alternativas para a solução de problemas. Neste novo cenário, a tomada de decisão torna-se mais
complexa e difícil na medida em que aumenta o número de alternativas disponíveis.
Diferentes classes de problemas de tomada de decisão podem requerer diferentes modelos e

métodos para a sua análise. Em um problema estruturado, os procedimentos para obtenção da
melhor solução, ou da mais satisfatória, são conhecidos como métodos de solução padrão. Em geral,
tais problemas podem ser descritos por modelos matemáticos de otimização clássicos. Ao mesmo
tempo, um problema não estruturado não se enquadra em nenhum método padrão. Em problemas
não estruturados, a intuição humana é frequentemente a base para a tomada de decisão. Problemas
típicos dessa natureza são encontrados nas atividades de planejamento. Problemas semiestruturados
estão entre os descritos acima, apresentando ambas as estruturas de elementos. Solucioná-los,
envolve uma combinação de procedimentos de solução padrão e julgamento humano.
A tomada de decisão envolvendo apenas um critério é denominada Monocritério e a que

envolve múltiplos critérios, Multicritério. Por ser uma abordagem mais completa e eficiente, a
modalidade Multicritério será priorizada em nosso curso.
5.1. Modelos e Métodos de Tomada de Decisão Multicritério
Tomada de Decisão Multicritério, Multiple-Criteria Decision Making (MCDM), refere-se à

tomada de decisão na presença de múltiplos e conflitantes critérios. Situações dessa natureza
acontecem diariamente e compartilham as seguintes características (HWANG &YOON, 1981):
 Possuir múltiplos critérios, que podem ser objetivos ou atributos;
 Apresentar conflitos entre os critérios;
 Apresentar diferentes unidades de medida para os critérios.
Com base na primeira característica, é possível classificar os problemas MCDM em duas

categorias (LU, ZHANG, RUAN & WU, 2007):
 Tomada de Decisão Multiobjetivo, Multi-Objective Decision Making (MODM) - são
problemas que trabalham com espaços contínuos de decisão e estão associados,
principalmente, à programação matemática com múltiplas funções objetivo (funções que
permitem diferenciar alternativas);
 Tomada de Decisão Multiatributo, Multi-Attribute Decision Making (MADM) - são
problemas que trabalham com espaços discretos de decisão. Como os atributos são
frequentemente chamados de critérios, MADM é muitas vezes referida como MCDM.
Para ampliar a discussão sobre MCDM, alguns conceitos e terminologias definidos em

(HWANG &YOON, 1981), (HWANG & MASUD, 1979) e (GOMES, ARAYA e CARIGNANO,
2004) são apresentados abaixo, acrescidos de complementos pertinentes:
 Critérios - são padrões de julgamento ou conjuntos de regras que permitem avaliar as
alternativas mediante objetivos ou atributos.
41
 Objetivos - são reflexos do desejo dos decisores e indicam a direção na qual eles querem
trabalhar.
 Atributos - características que representam propriedades ou capacidades das alternativas,
para satisfazer a necessidade e/ou desejos do decisor.
 Decisor - também conhecido como Sujeito de Decisão, Agente de Decisão ou Tomador
de Decisão, é a pessoa ou grupo de pessoas que, direta ou indiretamente, proporciona o
juízo de valor final que poderá ser usado no momento de avaliar as alternativas
disponíveis, com o objetivo de identificar a melhor escolha.
 Moderador - também denominado Analista, é a pessoa ou conjunto de pessoas (Grupo
Moderador) encarregado de modelar o problema e eventualmente, fazer as
recomendações e orientações relativas à seleção final.
 Conjunto de Alternativas - também chamado de Conjunto de Escolha, é um conjunto
finito, do ponto de vista prático, constituído por um número relativamente pequeno de
elementos que permite alcançar os objetivos de uma operação. As alternativas devem ser
diferentes, exaustivas (a inclusão de novas alternativas implica na reformulação do
modelo) e excludentes (não são permitidas soluções mistas).
 Coeficientes de Importância - são pesos ou importâncias atribuídas aos atributos a fim de
diferenciá-los.
5.1.1. Modelos e Métodos MADM
MADM é conhecida como o ramo discreto da MCDM e consiste em estabelecer decisões de

preferência (avaliação, comparação, escolha, priorização e ordenação) sobre um conjunto de
alternativas, normalmente caracterizadas por múltiplos e conflitantes atributos. A principal
característica da MADM está, usualmente, associada a um número limitado de alternativas
predeterminadas que devem satisfazer o nível exigido para os atributos.
A metodologia de decisões multicritério discreta está associada à solução dos seguintes tipos
de problemas (GOMES, GOMES & ALMEIDA, 2002):
 Problema tipo α (Pα): tem como objetivo conduzir a decisão à escolha de um subconjunto
tão restrito quanto possível, tendo em vista a escolha final de uma única alternativa. Esse
conjunto conterá as “melhores alternativas” ou as “alternativas satisfatórias”. O resultado
pretendido é, portanto, uma escolha ou um procedimento de seleção.
 Problema tipo β (Pβ): tem como objetivo conduzir a decisão a uma triagem resultante da
alocação de cada alternativa a uma categoria (ou classe). As diferentes categorias são
definidas a priori com base em normas aplicáveis ao conjunto de alternativas. O resultado
pretendido é, portanto, uma triagem ou um procedimento de classificação.
 Problema tipo γ (Pγ): tem como objetivo conduzir a decisão a um arranjo obtido pelo
reagrupamento de todas ou parte (as mais satisfatórias) das alternativas em classes de
equivalência. Essas classes são ordenadas de modo completo ou parcial, conforme as
preferências. O resultado pretendido é, portanto, um arranjo ou um procedimento de
ordenação.
 Problema tipo δ (Pδ): tem como objetivo conduzir a decisão a uma descrição, em
linguagem apropriada, das alternativas e de suas consequências. O resultado pretendido é,
portanto, uma descrição ou um procedimento cognitivo.
Matematicamente, um problema MADM típico pode ser formulado como:
Selecionar : X 1 , X 2 ,, X n consideran do : C1 , C2 ,, Cq (1)

42
onde X 1 , X 2 ,, X n representam as alternativas e C1, C2 ,, Cq representam os atributos (critérios)

sobre os quais serão avaliados o desempenho das alternativas. As informações envolvidas neste tipo
de modelo podem ser expressas na forma matricial:
C1 C 2  Cq
X1  r11 r12  r1q 
r r2 q 
D  X2  21 r22  (2)
    
 
Xn rn1 rn 2  rnq 
onde rij , i  1,, n , j  1,, q são valores associados a cada alternativa X i quando avaliada em
relação ao atributo C j , levando em consideração o correspondente coeficiente de importância  j
associado ao atributo C j .
Como cada pessoa tem as suas próprias ideias, atitudes, motivações e personalidade, é
natural considerar que cada uma expressará as suas preferências de maneira diferente. Dessa forma,
diversas formas de representação das preferências foram elaboradas, como por exemplo, através de
esquemas de ordenação de alternativas (CHICLANA, HERRERA & HERRERA-VIEDMA, 1998),
(SEO & SAKAWA, 1985) e (RAJ & KUMAR, 1999), relações de preferência multiplicativas (RAJ
& KUMAR, 1999), uso de funções de utilidade (GOMES, ARAYA e CARIGNANO, 2004),
(CANHA, EKEL, QUEIROZ & SCHUFFNER NETO, 2007), relações de preferência fuzzy
(TANINO, 1990), (WANG & LIN, 2003) e (LI & YANG, 2004), dentre outras.
Dentre as formas de representação das preferências mencionadas, as relações de preferência

são as que têm despertado mais interesse e sido amplamente utilizadas. Estas formas de
representação dão origem a modelos do tipo <X, R>, que consideram um conjunto de alternativas,
relações de preferência (que desempenham o papel das funções objetivo nos modelos <X, M>) e
atributos. Expressa na forma matricial, esta modelagem gera uma matriz de preferências do tipo:
X1 X2  Xn
X1  r11 r12  r1n 
r r r2 n  ,
R  X2  21 22  consideran do : C1 ,, C k ,, Cq (3)
    
 
Xn rn1 rn 2  rnn 
onde rij , i  1,, n , j  1,, n representa uma preferência da alternativa Xi em relação a Xj, quando
avaliada em relação a um atributo C k , levando em consideração o correspondente coeficiente de
importância  k associado ao atributo C k .
A análise de modelos <X, R> permite resolver os problemas de avaliação, comparação,

ordenação, priorização e seleção das alternativas com base nos atributos, caracterizando uma
situação de decisão.
Neste momento, é importante estabelecer alguns pontos sobre o amplo universo de assuntos
tratados. Serão explorados os métodos de ordenação de alternativas (Pγ) como base para a escolha
da melhor solução (Pα), associados à metodologia de solução de problemas MADM. Serão
43
abordadas as questões associadas à construção e uniformização de preferências e às modalidade de

tomada de decisão individual e em grupo. Neste contexto, serão privilegiados os modelos do tipo
<X, R>, considerando fundamentalmente as relações de preferência fuzzy.
5.2. Construção de Preferências
Na etapa de construção das preferências, é natural que cada pessoa tenha a sua própria
percepção do problema, sofra diferentes influências, tenha diferentes interesses e acesso a diferentes
fontes e formas de informação. Como consequência, é de se esperar que cada um sinta-se mais
confortável expressando as suas opiniões usando diferentes modos de apresentação de preferências
ou diferentes estruturas de preferências (KEENEY R. & RAIFA, 1976), (TONG M. &
BONISSONE, 1980), (HERRERA F. & VIEDMA, 2000), (XU, 2005).
A escolha de uma estrutura de preferências é subjetiva e geralmente baseada em aspectos

como: apelo intuitivo, nível de precisão desejado, facilidade de compreensão ou facilidade de
avaliação da preferência (LU, ZHANG & RUAN, 2007). Os autores de (HERRERA-VIEDMA,
HERRERA & CHICLANA, 2002) distinguem quatro tipos de estruturas de preferência:
 Esquema de Ordenação
No esquema de ordenação de preferências sobre alternativas, apresentado em (CHICLANA,

HERRERA & HERRERA-VIEDMA, 1998), (SEO & SAKAWA, 1985) e (RAJ & KUMAR, 1999),
a pessoa deve expressar as suas preferências sobre as alternativas de X  X 1 ,, X n , levando em
conta um critério Ck , formando conjuntos ordenados do tipo
 
OCk  oCk  X1 ,, oCk  X n  , (4)
onde oCk  X i  é uma função de permutação sobre um conjunto de índices 1,, n, que expressa a
preferência sobre a alternativa Xi. Desta forma, um vetor ordenado de alternativas, da melhor para o
pior, é formado.
 Relação de Preferência Multiplicativa
Na construção da relação de preferência multiplicativa, descrita em (SAATY, 1990 e 1991),

as alternativas de X são comparadas aos pares, segundo um critério Ck , e as preferências descritas
por uma matriz de relações de preferências positivas do tipo
ACk  X  X , ACk  aCk X ij , (5)
onde aCk X ij  indica uma proporção da intensidade de preferência da alternativa Xi em relação a Xj,
ou seja, quantas vezes Xi é melhor que Xj. É usual considerar uma escala de 1/9 a 9, na qual
aCk X ij   1 9 indica indiferença entre Xi e Xj, aCk X ij   9 indica que Xi possui grande preferência
em relação a Xj, e os demais valores indicam avaliações intermediárias. É usual também, assumir a
propriedade da reciprocidade multiplicativa, ou seja, aCk X ij  aCk X ji   1  i, j .
44
 Função de Utilidade
Uma função de utilidade é construída atribuindo-se um valor numérico maior para a melhor
alternativa e um valor menor para a alternativa com menor preferência, como mostrado em
(GOMES, ARAYA e CARIGNANO, 2004), (GOMES, GOMES & ALMEIDA, 2002), (KEENEY
& RAIFA, 1976) e (VINCKE, 1992). A obtenção de valores numéricos intermediários permite
construir a curva da função de utilidade que é única para cada pessoa. Dessa forma, a pessoa atribui
as suas preferências sobre as alternativas de X, para um dado critério Ck , como um conjunto de
valores de utilidade
U Ck  uCk  X i , uCk  0,1 , (6)
onde uCk  X i  representa a avaliação de utilidade atribuída à alternativa Xi.
 Relações de Preferência Fuzzy

Amplamente difundidas na modelagem das preferências, as relações de preferência fuzzy são
consideradas como um caminho fundamentado e prático pelos autores de (HORIUCHI &
TAMURA, 1998) e utilizadas em diversos trabalhos, como por exemplo em (TANINO, 1990),
(WANG & LIN, 2003), (LI & YANG, 2004), (PEDRYCZ & GOMIDE, 1998), (CHEN & OTTO,
1995), (EKEL & POPOV, 1995), (TONG M. & BONISSONE, 1980), (HERRERA & VIEDMA,
2000), (DUBOIS & PRADE, 1980), (FODOR J. & ROUBENS, 1994), (SENGUPTA, 1998).
Esta representação estabelece que as preferências da pessoa sobre as alternativas de X devem

ser descritas através de uma matriz de relações de preferência
 
RCk  X  X ,  RCk X ij  , X i , X j  X , (7)
com funções de pertinência  RC : X  X  0,1 , onde  RC X ij  denota o grau de preferência ou

k k
intensidade da alternativa Xi sobre Xj, para um critério Ck . Por exemplo, o valor  RC X ij   0,5
indica indiferença entre Xi e Xj,  RC X ij   1 indica que Xi possui grande preferência em relação a
k
Xj, e  RC X ij   0,5 indica que Xi possui preferência em relação a Xj. É usual assumir que
k
 RCk X ij    RCk X ji   1 e  RCk  X ii   0,5 .

k
5.2.1. Exemplo de Aplicação
Como exemplo de construção das relações de preferência, consideramos um conjunto das

alternativas X  X 1 , , X 3 , avaliadas por um grupo de especialistas E  E1,, E4  , de ponto de
vista da maximização de dois critérios C  C1,C2 . Assumimos que cada especialista utiliza uma
forma diferente para expressar as suas preferências.
Especialista E1
Supondo que o especialista E1 estabeleça as suas preferências com base no Esquema de

Ordenação. Assim,
45
X1 X2 X3 X1 X2 X3
OC1  2 1 3 OC2  1 2 3
mostra para o Critério 1 que a alternativa X 2 é melhor que a alternativa X 1 , que por sua vez é
melhor que a alternativa X 3 . Ao mesmo tempo, do ponto de vista do Critério 2, a alternativa X 1 é
melhor que a alternativa X 2 , que é melhor que a alternativa X 3 .
Especialista E2
Supondo que o especialista E2 expresse as suas opiniões através de Relação de Preferência

Multiplicativa. Assim,
X1 X2 X3 X1 X2 X3
X1 1 1/2 1/5 X1 1 1/3 1/7
AC1  AC2 
X2 2 1 1/4 X2 3 1 1/6
X3 5 4 1 X3 7 6 1
mostra para ambos os Critérios que a alternativa X 1 é pouco pior que a alternativa X 2 e
razoavelmente pior que a alternativa X 3 , e que a alternativa X 2 e razoavelmente pior que a
alternativa X 3 .
Especialista E3
Supondo que o especialista E3 se expresse através de Função de Utilidade, como mostra a

figura 37. Assim,
U C1 U C2
Figura 37 – Funções utilidade
que resulta em:
X1 X2 X3 X1 X2 X3
U C1  0,3 0,1 0,5 UC2  0,2 0,3 0,9
Para o Critério 1, a alternativa X 3 é pouco melhor que a alternativa X 1 , que por sua vez é
pouco melhor que a alternativa X 2 ; e para o Critério 2 que a alternativa X 3 é muito melhor que a
alternativa X 2 , que é pouco melhor que a alternativa X 1 .
46
Especialista E4
Supondo que o especialista E4 expresse as suas opiniões através de Relação de Preferência

Fuzzy, indicando diretamente os elementos das matrizes das relações fuzzy. Assim,
X1 X2 X3 X1 X2 X3
X1 0,5 0,4 0,2 X1 0,5 0,1 0,3
RC1  RC2 
X2 0,6 0,5 0,3 X2 0,9 0,5 0,2
X3 0,8 0,7 0,5 X3 0,7 0,8 0,5
mostra para o Critério 1 que a alternativa X 1 é pouco pior que a alternativa X 2 e muito pior que a
alternativa X 3 , e que a alternativa X 2 é muito pior que e a alternativa X 3 ; e para o Critério 2 que a
alternativa X 1 é muito pior que a alternativa X 2 e muito pior que a alternativa X 3 , e que a
alternativa X 2 é muito pior que e a alternativa X 3 .
5.3. Uniformização das Preferências
Para processar as informações representadas em diferentes formas (estruturas de preferência

descritas), é necessário realizar a redução das estruturas a uma única base. Levando em
consideração as vantagens expostas pelos autores de (CHICLANA, HERRERA & HERRERA-
VIEDMA, 1998), (DUBOIS & PRADE, 1980), (EKEL, 2001), as diferentes estruturas de
preferências serão reduzidas a relações de preferência fuzzy.
O processo de uniformização das preferências está associado à aplicação de métodos de

transformação, descritos em (CHICLANA, HERRERA & HERRERA-VIEDMA, 1998),
(HERRERA-VIEDMA, HERRERA & CHICLANA, 2002), (EKEL, 2001).
 Transformação de Esquema de Ordenação

Se ock  X i  representa a ordenação da preferência da alternativa Xi com base no critério Ck ,
num universo de n alternativas, a relação de preferência fuzzy correspondente rCk X ij  será dada por:
1  oc X j   oc k  X i 
rc k X ij   1  k  (8)
2 n  1 
 Transformação de Relação de Preferência Multiplicativa
Se aCk X ij  representa a relação de preferência multiplicativa associada à alternativa Xi

quando comparada a outra alternativa Xj, com base no critério Ck , a relação de preferência fuzzy
correspondente rCk X ij  será dada por:
rCk X ij  
1
2
  
1  log 9 aCk X ij  . (9)
47
 Transformação da Função de Utilidade

Se uC k  X i  representa o valor de utilidade da alternativa Xi com base no critério Ck , a
relação de preferência fuzzy correspondente rCk X ij  será dada por:
rC k X ij  
u Ck  X i 2 . (10)
u Ck  X i 2  uC X j 2
k
 Transformação de Relação de Preferência Fuzzy
Alguns métodos que utilizam números fuzzy podem resultar numa matriz com valores
unitários na diagonal, diferente portanto, do padrão da matriz tradicional que utiliza valor 0,5. A
transformação pode ser obtida através da função de transformação:
 RCk X i , X j 
rCk X ij  
 RCk X i , X j    RCk X j , X i 
. (11)
onde  RC X i , X j  representa o grau de preferência da alternativa Xi sobre Xj, para um critério Ck .

k
Uniformizar as estruturas de preferências obtidas no Exemplo 5.2.1, reduzindo-as a relações

de preferência fuzzy.
Aplicando as preferências de E1 em (8), obtemos:
X1 X2 X3 X1 X2 X3
X1 0,5 0,25 0,75 X1 0,5 0,75 1
RC1  RC2 
X2 0,75 0,5 1 X2 0,25 0,5 0,75
X3 0,25 0 0,5 X3 0 0,25 0,5
 o  X   oC  X 1  1  2  2 
Por exemplo, rC  X 11   1 1  C 1 1
  1 
1
  0,5 e
1
2 3  1  2 3  1 
rC1  X 12  
1
1 1
 
oC  X 2   oC1  X 1   1  1  2  
 3  1   2 1  3  1   0,25
2   
X1 X2 X3 X1 X2 X3
X1 0,5 0,3423 0,1338 X1 0,5 0,25 0,0572
RC1  RC2 
X2 0,6577 0,5 0,1845 X2 0,75 0,5 0,0923
X3 0,8662 0,8155 0,5 X3 0,9428 0,9077 0,5
Por exemplo, rC  X11   1 1  log 9 aC  X11   1 1  log 9 1  0,5 e
1
2 1
2
48
rC1  X12  
1
2
  1
2

1  log 9 aC1  X12   1  log 9 1/ 2  0,3423
X1 X2 X3 X1 X2 X3
X1 0,5 0,9 0,2647 X1 0,5 0,3077 0,0471
RC1  RC2 
X2 0,1 0,5 0,0385 X2 0,6923 0,5 0,1
X3 0,7353 0,9615 0,5 X3 0,9529 0,9 0,5
Por exemplo, rC  X11  

u  X  C1
 1 0,3
2 2
 0,5 e
1
u  X   u  X  0,3  0,3
C1 1
2
C1 1
2 2 2
rC1  X 12  
u  X 
C1 1

2
0,3 2
 0,9
u  X   u  X  0,3  0,1
C1 1
2
C1 2
2 2 2
5.4. Agregação das preferências
Construídas as preferências sobre as alternativas, através da avaliação e comparação ou

simplesmente avaliação das alternativas, a tomada de decisão prossegue com a preparação das
informações para posterior análise. Esta preparação está associada à redução direta ou sequencial da
região de incerteza das soluções e inclui duas etapas: a agregação das preferências e a ordenação
das alternativas.
Na etapa de agregação, é necessário escolher inicialmente uma das modalidades possíveis

para agregar as preferências individuais sobre as alternativas, levando em conta um ou mais
critérios, ou levando em conta as preferências de grupo, e também os operadores de agregação
desejados. Durante a agregação, é possível priorizar, valorizar ou distinguir pessoas e/ou critérios
através da atribuição de coeficientes de importância associados a aspectos como conhecimento do
problema, importância e influência na corporação, etc.
Na etapa de ordenação, as alternativas são ordenadas em função de critérios (particulares a

cada operador de ordenação) associados à intensidade das preferências expressas sobre cada
alternativa.
Estas etapas, em conjunto com as técnicas apresentadas nos itens anteriores, serão aplicadas
às modalidades de tomada de decisão monocritério e multicritério, de caráter individual e de grupo.
Dentre os métodos de agregação existentes, é possível apontar as escalas de conversão

(CHEN & HWANG, 1992), o algoritmo de Baas e Kwakernaak (BAAS & KWAKERNAAK, 1977)
o método de avaliação fuzzy de Cheng, o método fuzzy Delphi (CHENG,1999) e o método de
agregação de Yager (YAGER, 1993). Basicamente, a agregação das preferências pode seguir os
seguintes caminhos:
 Agregação de preferências individuais levando em conta cada critério, em preferências
individuais levando em conta múltiplos critérios, e na sequência em preferências de grupo
levando em conta estes mesmos critérios;
 Agregação de preferências individuais levando em conta cada critério, em preferências de
grupo separadas por critério, e na sequência em preferências de grupo levando em conta
múltiplos critérios;
49
 Agregação de preferências individuais levando em conta cada critério, diretamente em

preferências de grupo levando em conta múltiplos critérios simultaneamente.
Nos procedimentos de agregação, é possível estabelecer a priorização de critérios e também

de pessoas. Essa priorização é realizada através da atribuição de coeficientes de importância
(usualmente denominados pesos), que distinguem a importância, o impacto, a influência e/ou
dominância de determinados critérios e/ou pessoas sobre os demais. Esses pesos podem ser
definidos pelos próprios decisores ou por um grupo moderador.
A seguir, são apresentados alguns métodos de agregação, orientados de forma a atender os

caminhos mencionados:
 Agregação baseada no operador Soma
A agregação baseada na soma realiza a soma ponderada das preferências sobre as

alternativas, conforme abaixo:
- Agregação de preferências individuais para cada critério em preferências individuais

levando em conta múltiplos critérios
rCE1l,,q X ij    rCEkl X ij C k ,

q
(12)
k 1
onde rCE1l,,q X ij  representa a preferência da alternativa X i sobre a alternativa X j , definida pela

pessoa El , levando em conta q critérios; C é o coeficiente de importância associado a cada
k
critério tal que Ck  0,1 e  C k  1 .

- Agregação de preferências individuais para cada critério em preferências de grupo
levando em conta um critério
rC k1,,m X ij    rCEkl X ij El ,

m
E
(13)
l 1
onde rCk1,,m X ij  representa a preferência da alternativa X i sobre a alternativa X j , definida pelo

E
grupo de m pessoas, levando em conta um único critério Ck ; El é o coeficiente de importância

associado a cada pessoa tal que El  0,1 e  El 1.

Pode ser realizada aplicando (13) sobre os resultados obtidos em (12) ou vice-versa.
 Agregação baseada no operador OWA
O operador de média ponderada dos argumentos ordenados OWA (Ordered Weighted

Averaging), inicialmente definido por Yager (YAGER, 1998), foi utilizado em vários trabalhos,
como por exemplo em (HERRERA, HERRERA-VIEDMA & VERDEGAY, 1996), (BORDOGNA,
50
FEDRIZZI & PASSI, 1997), (YAGER, 2004) e (WANG & PARKAN, 2007). O operador OWA
( Q ) realiza a agregação das preferências priorizando as que apresentam maior intensidade,
conforme um quantificador linguístico Q. Uma vez definido o quantificador, são calculados os
pesos de Q , associados aos critérios e às pessoas. Uma possível expressão para determinação
desses pesos é:
k  k 1
Q k   Q   Q , k  1,, n (14)
n  n 
onde n representa a quantidade de critérios ou pessoas.
Alguns exemplos de quantificadores linguísticos podem ser: “ao menos a metade”, “a

maioria” e “tantos quanto possível”, definidos pelos parâmetros (a;b): (0;0,5), (0,3;0,8), (0,5;1)
respectivamente. A seguir uma possível relação, com a representação gráfica para os valores
citados, como mostra a figura 38:
0, se r  a
r  a

Qr    , se a  r  b a, b, r  0,1 (15)
 b  a

1, se r  b
0.9 ao menos a metade
0.8
0.7
a maioria
0.6
Q(r) 0.5
0.4 tantos quanto possível

0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
r
Figura 38 – Gráfico dos Quantificadores linguísticos
Dessa forma, a agregação baseada no operador OWA processa as preferências conforme

segue:

 
rCE1l,,q X ij   Q rCE1l X ij , , rCEql X ij    rcEkl X ij Q k  ,
q
(16)
k 1
onde rCE1l,,q X ij  representa a preferência da alternativa X i sobre a alternativa X j , definida pela

pessoa El , levando em conta q critérios; rcEkl X ij  representa a preferência da alternativa X i sobre a
51
alternativa X j , definida pela pessoa El , correspondente ao critério classificado na k-ésima posição;

Q k  é o peso associado ao critério classificado na k-ésima posição tal que Q k   0,1 e
 Q k   1 .
 
rC k1,,m X ij   Q rCEk1 X ij ,, rCEkm X ij    rc k l  X ij Q l  ,
m
E E
(17)
l 1
onde rCEk1,,m X ij  representa a preferência da alternativa X i sobre a alternativa X j , definida pelo

grupo de m pessoas, levando em conta um único critério Ck ; rck [ l ] X ij  representa a preferência da
E
alternativa X i sobre a alternativa X j , definida pela pessoa classificada na l-ésima posição, levando
em conta um único critério Ck ; Q l  é o peso associado à pessoa classificada na l-ésima posição
tal que Q l  0,1 e   l   1 .
Q

 Agregação baseada no operador Mínimo
O operador mínimo (min) é tradicionalmente usado na teoria dos conjuntos fuzzy para
agregar as condições às implicações de uma regra. Na agregação das relações de preferências, o
operador min preserva a apreciação mais pessimista dentre todas as pessoas, considerando suas
respectivas importâncias.


rCE1l,,q X ij   min rCEkl X ij  C k ,
k 1,, q
 (18)
onde rCE l
1,, q
X 
ij
representa a preferência da alternativa X i sobre a alternativa X j , definida pela
pessoa El , levando em conta q critérios; rCEkl X ij  representa a preferência da alternativa X i sobre a
alternativa X j , definida pela pessoa El , com base no critério Ck ; C é o coeficiente de k
importância associado a cada critério tal que Ck  0,1 e  Ck 1.

E
l 1,, q

rC k1,,m X ij   min rCEkl X ij  El ,  (19)
52
onde rCE1,,m
X 
ij
representa a preferência da alternativa X i sobre a alternativa X j , definida pelo
grupo de m pessoas, levando em conta um único critério Ck ; rCEkl X ij  representa a preferência da
k
alternativa X i sobre a alternativa X j , definida pela pessoa El , com base em Ck ; E é o l
coeficiente de importância associado a cada pessoa tal que El  0,1 e  El 1.

 Agregação baseada no operador Produto
Este operador também é bastante utilizado na teoria dos conjuntos fuzzy, como alternativa à
agregação das condições às implicações de uma regra. Na agregação das relações de preferências, é
realizado o produto das apreciações, resultando numa posição mais conservadora sobre as
preferências de todas as pessoas, considerando as suas respectivas importâncias.

X    r X 
q
El El
rC1,,q ij Ck ij Ck , (20)
k 1
onde rCE l
1,, q
X 
ij
representa a preferência da alternativa X i sobre a alternativa X j , definida pela
pessoa El , levando em conta q critérios; rCEkl X ij  representa a preferência da alternativa X i sobre a
alternativa X j , definida pela pessoa El , com base no critério Ck ; C é o coeficiente de k
importância associado a cada critério tal que Ck  0,1 e  Ck 1.

rC k1,,m X ij    rCEkl X ij El ,

m
E
(21)
l 1
onde rCE1,,m
X 
ij representa a preferência da alternativa X i sobre a alternativa X j , definida pelo
grupo de m pessoas, levando em conta um único critério Ck ; rCEkl X ij  representa a preferência da
k
alternativa X i sobre a alternativa X j , definida pela pessoa El , com base em Ck ; E é o l
coeficiente de importância associado a cada pessoa tal que El  0,1 e  El  1 .
53
Para exemplificar a aplicação dos métodos de agregação apresentados, são consideradas as

relações de preferência fuzzy dos especialistas 1 e 2, do Exemplo 5.3.1.
X1 X2 X3 X1 X2 X3
X1 0,5 0,25 0,75 X1 0,5 0,75 1
RCE11  RCE21 
X2 0,75 0,5 1 X2 0,25 0,5 0,75
X3 0,25 0 0,5 X3 0 0,25 0,5
X1 X2 X3 X1 X2 X3
X1 0,5 0,3423 0,1338 X1 0,5 0,25 0,0572
RCE12  RCE22 
X2 0,6577 0,5 0,1845 X2 0,75 0,5 0,0923
X3 0,8662 0,8155 0,5 X3 0,9428 0,9077 0,5
a. Agregação baseada no operador Soma
Na aplicação da agregação baseada no operador soma, serão considerados os seguintes

coeficientes de importância para critérios e especialistas:
C1  0,4 e C2  0,6
E1  0,4 e E2  0,6
i) Agregação das preferências individuais, levando em conta todos os critérios simultaneamente
Aplicando (12) às preferências do Especialista 1, obtemos as preferências agregadas
X1 X2 X3
RCE11, 2  X1 0,5 0,55 0,9
X2 0,45 0,5 0,85
X3 0,1 0,15 0,5
Por exemplo, rCE11, 2  X11   0,5  0,4  0,5  0,6  0,5 e
rCE11, 2  X12   0,25  0,4  0,75  0,6  0,55 .
X1 X2 X3
R E2
 X1 0,5 0,2869 0,0878
C1, 2
X2 0,7131 0,5 0,1292
X3 0,9122 0,8708 0,5
Por exemplo, rCE1,22  X11   0,5  0,4  0,5  0,6  0,5 e

54
rCE1,22  X12   0,3423  0,4  0,25  0,6  0,2869 .
ii) Agregação das preferências de grupo levando em conta cada critério
Aplicando (13) às preferências dos Especialista 1 e 2, levando em conta o primeiro critério,

obtemos as preferências agregadas
X1 X2 X3
X1 0,5 0,3054 0,3803
RC11, 2 
E
X2 0,6946 0,5 0,5107
X3 0,6197 0,4893 0,5
Por exemplo, rC11, 2  X11   0,5  0,4  0,5  0,6  0,5 e

E
rC11, 2  X12   0,25  0,4  0,3423  0,6  0,3054 .

E
Aplicando (13) às preferências dos Especialista 1 e 2, levando em conta o segundo critério,

X1 X2 X3
X1 0,5 0,45 0,4343
RC 21, 2 
E
X2 0,55 0,5 0,3554
X3 0,5657 0,6446 0,5
Por exemplo, rC21, 2  X11   0,5  0,4  0,5  0,6  0,5 e

E
rC21, 2  X12   0,75  0,4  0,25  0,6  0,45 .

E
iii) Agregação das preferências de grupo levando em conta todos os critérios simultaneamente
Aplicando (13) às preferências individuais agregadas para todos os critérios, obtemos as

preferências agregadas
X1 X2 X3
X1 0,5 0,3921 0,4127
RC11,,22 
E
X2 0,6079 0,5 0,4175

X3 0,5873 0,5825 0,5
Por exemplo, rC11, 2, 2  X 11   0,5  0,4  0,5  0,6  0,5 e

E
rC11, 2, 2  X 12   0,3054  0,4  0,45  0,6  0,3921 .

E
A aplicação de (12) às preferências de grupo agregadas por critério levará ao mesmo

resultado.
b. Agregação baseada no operador OWA

55
Para a aplicação da agregação com base no operador OWA, será utilizado o quantificador
linguístico “a maioria” para determinação dos coeficientes de importância. Desta forma, com base
em (14), são calculados os pesos associados a critérios e especialistas:
1  1  1  0,5  0,3

Q 1  Q   Q   0  0,4
2  2  0,8  0,3
2  2 1 0,5  0,3

Q 2  Q   Q  1  0,6
2  2  0,8  0,3
As preferências de E1 podem ser agregadas para todos os critérios, conforme (16), que
permite obter
X1 X2 X3
RCE11, 2  X1 0,5 0,45 0,85
X2 0,45 0,5 0,85
X3 0,1 0,1 0,5
Por exemplo, rCE11, 2  X11   0,5  0,4  0,5  0,6  0,5 e
rCE11, 2  X12   0,75  0,4  0,25  0,6  0,45 .
As preferências de E2 podem ser agregadas para todos os critérios, conforme (16), que
permite obter
X1 X2 X3
RCE12, 2  X1 0,5 0,2869 0,0878
X2 0,6946 0,5 0,1292
X3 0,8969 0,8524 0,5
Por exemplo, rCE1,22  X11   0,5  0,4  0,5  0,6  0,5 e
rCE1,22  X12   0,3423  0,4  0,25  0,6  0,2869 .
ii) Agregação das preferências de grupo levando em conta um critério
Preferências de grupo agregadas com base no critério C1, conforme (17), que permite
construir
X1 X2 X3
X1 0,5 0,2869 0,3803
RC11, 2 
E
X2 0,6946 0,5 0,5107
X3 0,4965 0,3262 0,5
Por exemplo, rC11, 2  X11   0,5  0,4  0,5  0,6  0,5 e

E
56
rC11, 2  X 12   0,3423  0,4  0,25  0,6  0,2869 .

E
Preferências de grupo agregadas com base no critério C2, conforme (17), que permite
construir
X1 X2 X3
X1 0,5 0,45 0,4343

E1, 2
R C2
X2 0,45 0,5 0,3554
X3 0,3771 0,5131 0,5
Por exemplo, rC21, 2  X11   0,5  0,4  0,5  0,6  0,5 e

E
rC21, 2  X12   0,75  0,4  0,25  0,6  0,45 .

E
Aplicando (17) às preferências individuais agregadas para todos os critérios, podemos obter
X1 X2 X3
X1 0,5 0,3521 0,3927
RC11,,22 
E
X2 0,5479 0,5 0,4175

X3 0,4187 0,4009 0,5
Por exemplo, rCE 1, 2

1, 2
 X 11   0,5  0,4  0,5  0,6  0,5 e
rC11, 2, 2  X 12   0,45  0,4  0,2869  0,6  0,3521 .

E
Neste caso, a aplicação de (16) às preferências de grupo agregadas por critério levará a um
resultado diferente, devido ao procedimento de ordenação. Em particular,
X1 X2 X3
X1 0,5 0,3521 0,4019

E1, 2
R C1, 2
X2 0,5479 0,5 0,4175
X3 0,4249 0,4009 0,5
Por exempo, rCE 1, 2

1, 2
 X 11   0,5  0,4  0,5  0,6  0,5 e
rC11, 2, 2  X 12   0,45  0,4  0,2869  0,6  0,3521 .

E
c. Agregação baseada no operador Mínimo
Na aplicação do operador mínimo, serão considerados os mesmos coeficientes de

importância utilizados na agregação baseada no operador soma.

57
X1 X2 X3
RCE11, 2  X1 0,2 0,1 0,3
X2 0,15 0,2 0,4
X3 0 0 0,2
Por exemplo, rCE11, 2  X11   min 0,5  0,4 ; 0,5  0,6  0,2 e
rCE11, 2  X12   min 0,25  0,4 ; 0,75  0,6  0,1 .
 R X i , X j 
Normalizando os valores a partir de (11) rC X ij  
 R X i , X j    R X j , X i 
Ck
k
, obtemos
Ck Ck
X1 X2 X3
RCE11, 2  X1 0,5 0,4 1
X2 0,6 0,5 1
X3 0 0 0,5
X1 X2 X3
RCE12, 2  X1 0,2 0,1369 0,0343
X2 0,2631 0,2 0,0554
X3 0,3465 0,3262 0,2
Por exemplo, rCE1,22  X11   min 0,5  0,4 ; 0,5  0,6  0,5 e
rCE1,22  X12   min 0,3423  0,4 ; 0,25  0,6  0,1369 .
Aplicando (11), obtemos
X1 X2 X3
RCE12, 2  X1 0,5 0,3423 0,0901
X2 0,6577 0,5 0,1451
X3 0,9099 0,8549 0,5

X1 X2 X3
X1 0,2 0,1 0,0803

E1, 2
R C1
X2 0,3 0,2 0,1107
X3 0,1 0 0,2
58
Por exemplo, rCE11, 2  X11   min 0,5  0,4 ; 0,5  0,6  0,2 e
rC11, 2  X12   min 0,25  0,4 ; 0,3423  0,6  0,1 .

E
X1 X2 X3
X1 0,5 0,25 0,4452
RC11, 2 
E
X2 0,75 0,5 1
X3 0,5548 0 0,5

X1 X2 X3
X1 0,2 0,15 0,0343

E1, 2
R C2
X2 0,1 0,2 0,0554
X3 0 0,1 0,2
Por exemplo, rC21, 2  X11   min 0,5  0,4 ; 0,5  0,6  0,2 e
E
rC21, 2  X12   min 0,75  0,4 ; 0,25  0,6  0,15 .

E
X1 X2 X3
X1 0,5 0,6 1
RC 21, 2 
E
X2 0,4 0,5 0,3563

X3 0 0,6437 0,5

X1 X2 X3
X1 0,2 0,16 0,0541
RC11,,22 
E
X2 0,24 0,2 0,0871

X3 0 0 0,2
Por exemplo, rC11, 2, 2  X 11   min 0,5  0,4 ; 0,5  0,6  0,2 e

E
rC11, 2, 2  X 12   min 0,4  0,4 ; 0,3423  0,6  0,16 .

E
RC11,,22 
E X1 X2 X3
X1 0,5 0,4 1
59
X2 0,6 0,5 1
X3 0 0 0,5
No caso deste operador, a aplicação de (18) às preferências de grupo agregadas por critério
levará a um resultado diferente, devido à possibilidade de ocorrerem mínimos distintos. As
preferências agregadas são
X1 X2 X3
X1 0,2 0,1 0,1781

E1 , 2
R C1 , 2
X2 0,24 0,2 0,2138
X3 0 0 0,2
Por exemplo, rC11, 2, 2  X 11   min 0,5  0,4 ; 0,5  0,6  0,2 e

E
rC11, 2, 2  X 12   min 0,25  0,4 ; 0,6  0,6  0,1 .

E
X1 X2 X3
X1 0,5 0,2941 1
RC11,,22 
E
X2 0,7059 0,5 1
X3 0 0 0,5
d. Agregação baseada no operador Produto
Na aplicação do operador produto, serão considerados os mesmos coeficientes de

importância utilizados na agregação baseada no operador soma.

X1 X2 X3
RCE11, 2  X1 0,06 0,045 0,18
X2 0,045 0,06 0,18
X3 0 0 0,06
Por exemplo, rCE11, 2  X11   0,5  0,4  0,5  0,6  0,06 e
rCE11, 2  X12   0,25  0,4  0,75  0,6  0,045 .
X1 X2 X3
R E1
 X1 0,5000 0,5000 1,0000
C1, 2
X2 0,5000 0,5000 1,0000
X3 0,0000 0,0000 0,5000

60
X1 X2 X3
R E2
 X1 0,06 0,0205 0,0018
C1, 2
X2 0,1184 0,06 0,0041
X3 0,1960 0,1777 0,06
Por exemplo, rCE1,22  X11   0,5  0,4  0,5  0,6  0,06 e
rCE1,22  X12   0,3423  0,4  0,25  0,6  0,0205 .
X1 X2 X3
RCE12, 2  X1 0,5000 0,1478 0,0093
X2 0,8522 0,5000 0,0225
X3 0,9907 0,9775 0,5000

X1 X2 X3
X1 0,06 0,0205 0,0241

E1, 2
R C1
X2 0,1184 0,06 0,0443
X3 0,052 0 0,06
Por exemplo, rC11, 2  X11   0,5  0,4  0,5  0,6  0,06 e

E
rC11, 2  X12   0,25  0,4  0,3423  0,6  0,0205 .

E
X1 X2 X3
X1 0,5000 0,1478 0,3166
RC11, 2 
E
X2 0,8522 0,5000 1,0000

X3 0,6834 0,0000 0,5000

X1 X2 X3
X1 0,06 0,045 0,0137

E1, 2
R C2
X2 0,045 0,06 0,0166
X3 0 0,0545 0,06
Por exemplo, rC21, 2  X11   0,5  0,4  0,5  0,6  0,06 e

E
61
rC21, 2  X12   0,75  0,4  0,25  0,6  0,045 .

E
X1 X2 X3
X1 0,5000 0,5000 1,0000
RC 21, 2 
E
X2 0,5000 0,5000 0,2337

X3 0,0000 0,7663 0,5000

X1 X2 X3
X1 0,0600 0,0177 0,0022
RC11,,22 
E
X2 0,1023 0,0600 0,0054

X3 0,0000 0,0000 0,0600
Por exemplo, rC11, 2, 2  X 11   0,06  0,4  0,06  0,6  0,0009 e

E
rC11, 2, 2  X 12   0,045  0,4  0,0205  0,6  0,0002 .

E
X1 X2 X3
X1 0,5000 0,1478 1,0000
RC11,,22 
E
X2 0,8522 0,5000 1,0000

X3 0,0000 0,0000 0,5000
A aplicação de (21) às preferências de grupo agregadas por critério levará ao mesmo

resultado.
5.5. Ordenação de Alternativas
A ordenação de alternativas consiste, basicamente, em estabelecer uma diferenciação entre

as possibilidades de soluções em um conjunto de soluções possíveis, com base nas quantidades
associadas às preferências. Existem diversas abordagens para a ordenação de alternativas em
ambiente fuzzy, como por exemplo, (LU, ZHANG, RUAN & WU, 2007), (FODOR & ROUBENS,
1994), (FANG, MA & ZHANG, 2002), (SLOWINSKI, 1996) e (ROUBENS, 1995).
A seguir, são apresentados alguns dos métodos de ordenação de alternativas em ambiente

fuzzy:
 Ordenação pela Soma
O método consiste em comparar os valores obtidos a partir da soma das preferências sobre
cada alternativa, conforme mostrado abaixo:
62
P X i     R X ij 
n
(22)
j 1
Quanto maior o valor de P X i  , maior é a preferência da alternativa Xi sobre as demais.
 Ordenação pelo Máximo
A ordenação pelo máximo consiste em ordenar as preferências com base no operador

máximo, conforme mostrado abaixo:
P X i   max  R X ij  (23)
j 1,, n
Quanto maior o valor de P X i  , maior é a preferência da alternativa Xi sobre as demais.
 Ordenação pela Média e Desvio Padrão
O método de média e desvio padrão proposto em (LEE & LI, 1998), ordena as alternativas
com base na média e no espalhamento dos graus de pertinência. Os autores ponderam que a intuição
humana normalmente favorece os conjuntos fuzzy que apresentam maior valor médio, e ao mesmo
tempo, menor espalhamento. A média é definida como:
  X 
n
R ij
(24)
R X i   j 1
,
n 1
e o desvio padrão como:
  X     X 
n 2
R ij R i
(25)
 X i   j 1
.
n2
Supondo valores para duas alternativas Xi e Xj, as regras para a ordenação são as seguintes:
Relação entre as médias Relação entre os desvios padrão Ordenação
 R  X i    R X j  - Xi  X j
 R  X i    R X j   X i   X j  Xi  X j
63
Para exemplificar a aplicação dos métodos de ordenação, serão consideradas as relações de

preferência fuzzy agregadas de grupo, levando em conta todos os critérios, conforme determinado
no Exemplo 5.4.1 item (a.iii) e transcrito abaixo:
X1 X2 X3
X1 0,5 0,3921 0,4127

E1 , 2
RC1 , 2
X2 0,6079 0,5 0,4175
X3 0,5873 0,5825 0,5
a. Ordenação pela Soma
As preferências por alternativa são calculadas de acordo com (22):
P X 1    R  X 12    R  X 13   0,3921  0,4127  0,8048
P X 2    R  X 21    R  X 23   0,6079  0,4175  1,0254
P X 3    R  X 31    R  X 32   0,5873  0,5825  1,1698
A análise das preferências sobre as alternativas permite verificar que a alternativa 3 é melhor que a
alternativa 2, que por sua vez é melhor que a alternativa 1, definido a ordenação X 3  X 2  X 1 .
b. Ordenação pelo Máximo
P X 1   max R  X 12 ;  R  X 13   max0,3921;0,4127  0,4127
P X 2   max R  X 21 ;  R  X 23   max0,6079;0,4175  0,6079
P X 3   max R  X 31 ;  R  X 32   max0,5873;0,5825  0,5873
c. Ordenação pela Média e Desvio Padrão
 R  X 12   R  X 13  0,3921  0,4127
 R X1     0,4024
3 1 2
 R  X 21   R  X 23  0,6079  0,4175
 R X 2     0,5127
3 1 2
64
 R  X 31   R  X 32  0,5873  0,5825
 R X 3     0,5849
3 1 2
65
6. PROCESSOS DE TOMADA DE DECISÃO
Problemas simples podem ser solucionados de forma direta e até mesmo automatizada, a
exemplo de alguns dos casos apresentados no capítulo 4. Por outro lado, problemas complexos que
apresentam um grande número de variáveis, funções e parâmetros envolvidos na modelagem de
informação e na aplicação de métodos de tomada de decisão, demandam dos decisores grande
esforço na coleta, análise e seleção de alternativas para a solução dos problemas.
Depois de tomadas as decisões é necessário monitorar o desempenho dos processos e as

consequências tais decisões. O custo de decisões equivocadas cresce em razão da complexidade das
atividades e da reação em cadeia que um erro pode causar em vários setores da empresa, no sentido
vertical e horizontal da organização. Em função disso, as organizações têm buscado meios para
auxiliar os processos de tomada de decisão e consequentemente aumentar a qualidade de suas
decisões. Decisões de alta qualidade trazem inúmeros benefícios como maiores lucros, menores
custos, maior agilidade no atendimento aos consumidores, atração de novos consumidores, etc.
Em muitas atividades, as ferramentas computacionais já conquistaram espaço e

demonstraram a sua eficiência. Entretanto, na medida em que cresce a importância das atividades e
consequentemente o impacto sobre os resultados da empresa, a presença humana ainda é
predominante. Por outro lado, a aceitação e implantação de novas tecnologias nos processos de
gestão das organizações tem sido significativa, no sentido de buscar a aplicação e a evolução do
capital intelectual nas empresas. No cenário atual, os sistemas de informação como Internet e
Intranet já são vitais para vários tipos de organizações, incluindo negócios e governo. Outra
constatação interessante é que as aplicações computacionais nas organizações estão se movendo dos
processos de monitoramento, controle e transações, para processos de análise e busca de soluções
de problemas. Da mesma forma, os serviços baseados na tecnologia Web estão mudando da
apresentação de informações online e acessos de dados para serviços de informação inteligentes,
personalizados e interativos.
A análise de processos online e apoio a decisão em tempo real, com o auxílio de

computadores, podem contribuir de forma significativa para a melhoria do desenvolvimento de
negócios, comércio e administração. Nas empresas, cresce a demanda por prover os gestores com
sistemas de apoio capazes de auxiliá-los diretamente em suas tarefas mais importantes: tomar
decisões.
As tecnologias de apoio a tomada de decisão, incluindo modelos, métodos e sistemas,

podem ajudar de várias formas:
 Permitir aos decisores processar um grande número de operações e aumentar a
capacidade de resposta às situações emergenciais;
 Permitir o acesso imediato a dados armazenados em diferentes bases, dentro e fora das
organizações, em diferentes formatos e aumentar a capacidade de acompanhamento de
tendências instantâneas e históricas;
 Permitir a automatização de procedimentos, reduzir o risco de erro humano e aumentar a
efetividade dos resultados das decisões;
 Permitir a realização de simulações de cenários considerando diferentes possibilidades de
alternativas e a avaliação dos impactos decorrentes das decisões tomadas.
Em sua essência, todas as funcionalidades citadas têm como objetivo proporcionar aos
decisores uma melhor compreensão da natureza do problema, e consequentemente, aumentar a
qualidade das decisões tomadas.
66
A utilização de ferramentas de apoio computacional a tomada de decisão, em particular na

solução de problemas complexos, permite gerar e avaliar mais alternativas considerando um volume
maior de dados, inclusive os de natureza incerta. Desta forma, um maior número de decisões
complexas pode ser viabilizado e conduzido de maneira efetiva.
A tomada de decisão é um processo cognitivo associado à seleção de um curso de ações

sobre um conjunto finito de alternativas. Todo processo dessa natureza produz uma escolha final,
comumente denominada solução. Em geral, o processo começa quando é necessário encontrar uma
solução, mas não existe a certeza de que a mesma será aceita por todas as pessoas envolvidas no
processo decisório. O processo pode também ser visto como uma atividade que envolve raciocínio,
que pode ser formal ou intuitivo e pode ser baseado em suposições explícitas ou tácitas.
Uma sistemática para o processo de tomada de decisão foi proposta por (SIMON, 1977) e
ampliada conforme mostrado em (LU, ZHANG, RUAN & WU, 2007). A Figura 39, com algumas
adequações, ilustra a proposta destes trabalhos.
Fase Intelectual
Identificação do problema de decisão
Coleta de dados Suposições
Análise de requisitos
Declaração do Problema
Fase de Projeto
Estabelecimento dos objetivos e metas Realidade da
Geração das alternativas
Determinação dos critérios Situação
Validação do modelo
Construção do modelo
Seleção do método de tomada de decisões
Alternativas
Fase de Escolha
Avaliação das alternativas com base nos critérios
Análise dos resultados Teste da Solução
Validação das soluções nas condições do problema
Solução
Fase de Implementação
Resultado
Falha Sucesso
Figura 39 – Esquema do processo de tomada de decisão
O processo de tomada de decisão começa com a Fase Intelectual, na qual a realidade é

analisada, o problema é identificado e declarado. Na Fase de Projeto, um modelo que representa o
sistema é construído, a partir de considerações que simplificam a realidade e descrevem as relações
entre todas as variáveis. O modelo é então validado e os critérios são definidos para a avaliação das
alternativas de solução do problema. A Fase de Escolha inclui a seleção de uma das possíveis
soluções propostas para o modelo. Esta solução é testada a fim de determinar a sua viabilidade. Se a
solução escolhida for razoável, segue-se à última fase, de Implementação. Uma implementação bem
sucedida resulta na solução do problema real. Uma falha provoca o retorno a uma das fases
anteriores do processo.
67
Considerando o esquema geral da Figura 38, é possível imaginar que diferentes pessoas
possam valorizar mais uma ou outra fase do processo, fazendo com que diferentes problemas de
tomada de decisão possam requerer mais detalhes ou fases complementares e ainda técnicas para
suportar uma ou mais fases. As publicações a respeito deste tema apresentam muitas teorias e
resultados sobre como a decisão é tomada, com análises detalhadas e específicas e sugestões.
6.1. Tomada de Decisão Monocritério Individual
A modalidade mais simples da tomada de decisão ocorre quando uma pessoa deve decidir
por uma ou mais alternativas, num conjunto de alternativas possíveis, para a solução de um
problema, levando em conta apenas um critério. Por outro lado, é um processo menos consistente
do ponto de vista de exploração das alternativas possíveis, pois se limita à visão de uma única
pessoa sobre o problema.
A Figura 40 ilustra um esquema geral da tomada de decisão monocritério individual, que

tem início com a formulação das alternativas factíveis para a solução do problema. Em seguida, o a
pessoa deve expressar as suas preferências sobre as alternativas, utilizando uma das estruturas de
preferência descritas no capítulo 5. Conforme mencionado anteriormente, pode ser necessário
transformar as preferências em relações de preferência fuzzy. Em seguida, as preferências são
ordenadas a fim de suportar a tomada da decisão.
Decisor
Formulação das alternativas possíveis

para a solução do problema
Conjunto de alternativas possíveis

Construção das preferências
sobre as alternativas
Uniformização das preferências
Relações de Preferência Fuzzy
Ordenação das alternativas
Conjunto de alternativas ordenadas
Escolha da(s) melhor(es) alternativa(s)
Tomada de decisão
Figura 40: Esquema geral da tomada de decisão monocritério individual
6.2. Tomada de Decisão Monocritério em Grupo
Situações de tomada de decisão mais complexas podem requerer múltiplas perspectivas em

torno das possíveis soluções de um problema e nem sempre uma única pessoa tem o conhecimento
e as informações necessárias e suficientes para construí-las. Situações mais simples ou de caráter
particular podem encorajar uma pessoa a tomar decisões por conta própria, abdicando a
possibilidade de ouvir outras opiniões e assumindo toda a responsabilidade sobre os impactos
resultantes da decisão. Entretanto, mesmo em questões particulares, boa parte das pessoas sente-se
mais confortável quando compartilha seus problemas na busca de novos pontos de vista que podem
mostrar outras alternativas de solução. Este fato é particularmente verdadeiro, à medida que os
problemas tornam-se mais complexos.
68
Nas grandes empresas, a formação de grupos de discussão é uma prática comum e quase que
inerente à tomada de decisão. De acordo com (LU, ZHANG, RUAN & WU, 2007), é necessário
distinguir pessoas que colaborem efetivamente com o processo e não tomem atitudes antagônicas e
conflitantes. Os integrantes do grupo devem ser capazes de reconhecer a existência do problema,
buscar uma decisão comum de forma amigável e confiável, e compartilhar responsabilidades.
Consenso, negociação, esquemas de votação e a presença de um grupo moderador são exemplos de
boas práticas para processos em grupo. Outras questões ainda são discutidas por estes autores, como
o equilíbrio da hierarquia dos envolvidos dentro da estrutura da empresa, o acesso às informações
necessárias e a autoridade para tomar e suportar as decisões. Neste contexto, os autores apontam
alguns princípios para a condução de atividades em grupo:
 Princípio da Autoridade - o grupo possui um líder com autoridade para tomar a decisão
final;
 Princípio da Maioria - as decisões são tomadas de maneira democrática, com base na
opinião da maioria;
 Princípio da Minoria Negativa - as piores alternativas são eliminadas sucessivamente até
restar uma solução final;
 Princípio da Ordenação - são atribuídos valores às alternativas, dentro de uma escala
definida, e a ordenação de valores define a melhor solução;
 Princípio do Consenso - todos os integrantes do grupo aceitam e concordam, ao menos
em parte, com a solução.
A Figura 41 ilustra um esquema geral para a tomada de decisão monocritério em grupo.
Grupo de decisores


Construção das preferências
individuais sobre as alternativas
Preferências individuais em
diferentes estruturas
Relações de Preferência Fuzzy
Agregação das preferências
Preferências sobre as alternativas

agregadas em grupo
Tomada de decisão
Figura 41:Esquema geral da tomada de decisão monocritério em grupo

69
Neste processo, a presença de várias pessoas favorece a geração de um número maior de

alternativas para a solução de um problema. Diante do universo de alternativas, cada pessoa deve
expressar as suas preferências sobre as alternativas, utilizando a estrutura de preferência de sua
escolha. Conforme discutido anteriormente, é natural que cada pessoa escolha uma estrutura
diferente, o que demandará a transformação das preferências em relações de preferência fuzzy. Em
seguida, as preferências são agregadas para formar a opinião de grupo. A análise de intensidade das
preferências permite determinar a ordenação das alternativas para suportar a tomada da decisão.
Um problema de tomada de decisão monocritério individual ou em grupo, envolvendo um

critério de natureza quantitativa, pode ser solucionado através da simples mensuração e
comparação, para distinguir a preferência sobre as alternativas. Entretanto, se existem valores iguais
ou próximos que não permitem uma distinção justificada, pode ser necessário introduzir critérios
adicionais, de natureza quantitativa ou qualitativa, tornando o problema de natureza
multidimensional e consequentemente multicritério.
6.3. Tomada de Decisão Multicritério Individual
O esquema geral da tomada de decisão multicritério individual é ilustrado na Figura 42.
Decisor

Diferentes estruturas de preferências
Relaçoes de Preferência Fuzzy
Preferências sobre as alternativas, agregadas

para todos os critérios simultaneamente
Tomada de decisão
Figura 42: Esquema geral da tomada de decisão multicritério individual
A pessoa deve inicialmente formular as alternativas de solução do problema e em seguida

estabelecer as suas apreciações sobre cada uma delas, observando cada critério isoladamente. Para
expressar a sua opinião sobre as alternativas, ela pode escolher uma ou mais estruturas de
representação de preferências vistas no Capítulo 5, o que pode demandar a transformação das
informações, para reduzi-las a relações de preferência fuzzy. Em seguida, as preferências são
agregadas levando em conta todos os critérios simultaneamente. As alternativas são então
ordenadas de acordo com a intensidade das preferências. Sobre o conjunto ordenado de alternativas,
70
é tomada a decisão. Não satisfeito com a solução alcançada, a pessoa pode rever as suas
preferências e mudar uma ou mais posições iniciais a respeito de um ou mais critérios. Entretanto, a
manutenção da situação inicial é favorecida pela inexistência de confronto com outras
possibilidades e pelo paradigma da primeira impressão ser a mais correta.
6.4. Tomada de Decisão Multicritério em Grupo
O cenário coletivo proporciona algumas situações interessantes e enriquecedoras para a

tomada de decisão como um universo maior e mais diversificado de alternativas de solução,
inevitáveis divergências de opiniões e discussões, e maiores chances de mudanças de posições
iniciais.
A Figura 43 mostra um esquema de tomada de decisão multicritério em grupo.
Grupo de decisores

Construção das preferências individuais sobre
as alternativas levando em conta cada critério
diferentes estruturas
uma única base
Preferências sobre as alternativas, agregadas em

grupo levando em conta cada critério ou em grupo
levando em conta todos os critérios
Tomada de decisão
Figura 43: Esquema geral da tomada de decisão multicritério em grupo
Neste esquema, várias pessoas formulam inicialmente as alternativas de solução do

problema e em seguida expressam as suas preferências sobre estas alternativas. A agregação das
preferências e a ordenação das alternativas geram uma solução de grupo, que deve ser analisada,
discutida e avaliada. Confrontando as opiniões particulares com a opinião de grupo, alguns
participantes podem rever a sua posição inicial, fato que pode levar a uma nova solução. A sucessão
de rodadas pode continuar até que haja um mínimo de concordância entre as partes. Os envolvidos
devem trabalhar cooperativamente em busca de uma solução satisfatória, mesmo sabendo que o
consenso em torno de uma única solução é algo quase utópico. Em geral, a melhor solução é aquela
71
que apresenta maior nível de aceitação entre todos os participantes, como mostram os trabalhos de
(QUEIROZ, 2009).
A tomada de decisão em grupo difere fundamentalmente do processo individual na etapa de

agregação das preferências. Nesta etapa, são possíveis dois caminhos: a agregação das preferências
de grupo levando em conta cada critério; ou a agregação das preferências de grupo levando em
conta todos os critérios. Desta forma, a tomada de decisão pode ser realizada levando em conta os
critérios individualmente ou na modalidade mais ampla, levando em conta todos os critérios
simultaneamente.
6.5. Exemplo de Aplicação
Seja um grupo de quatro especialistas E1,, E4 ,
E1Financeiro E2Produção E3Planejamento E4Manutenção
que devem decidir pelo melhor num conjunto de quatro alternativas X1,, X 4  ,
X1Aumentar a produção em detrimento da qualidade

X2Aumentar a qualidade em detrimento da produção
X3Conciliar o aumento de produção e qualidade
X4Não modificar estratégias
considerando a maximização de quatro critérios C1,, C4 ,
C1Financeiro
C2Cliente
C3Processos internos
C4Aprendizado e crescimento
Admitido que os especialistas tenham escolhido diferentes formas para expressar as suas
preferências sobre as alternativas de projeto, teremos:
Especialista E1 - Ordenação das preferências sobre as alternativas com base na avaliação e

comparação das mesmas
X1 X2 X3 X4 X1 X2 X3 X4
O  E1
C1 3 1 4 2 O  E1
C2 3 2 4 1
X1 X2 X3 X4 X1 X2 X3 X4
O  E1
C3 3 4 1 2 O  E1
C4 3 1 4 2
Especialista E2 - Avaliação e comparação das alternativas para expressar relações de preferência

multiplicativas
X1 X2 X3 X4 X1 X2 X3 X4
X1 1 2 4 1/2 X1 1 2 7 6
ACE12  X2 1/2 1 1/4 2 ACE22  X2 1/2 1 1/4 3
X3 1/4 4 1 3 X3 1/7 4 1 4
X4 2 1/2 1/3 1 X4 1/6 1/3 1/4 1
72
X1 X2 X3 X4 X1 X2 X3 X4
X1 1 2 5 6 X1 1 2 2 4
ACE32  X2 1/2 1 1/4 3 ACE42  X2 1/2 1 1/6 3
X3 1/5 4 1 6 X3 1/2 6 1 2
X4 1/6 1/3 1/6 1 X4 1/4 1/3 1/2 1
Especialista E3 - Avaliação e comparação das alternativas para expressar a sua utilidade
X1 X2 X3 X4 X1 X2 X3 X4
U E3
C1  0,3 0,3 0,4 0,7 U E3
C2  0,3 0,3 0,4 0,6
X1 X2 X3 X4 X1 X2 X3 X4
U E3
C3  0,4 0,3 0,5 0,6 U E3
C4  0,7 0,3 0,6 0,4
Especialista E4 - Avaliação e comparação das alternativas para expressar relações de preferência

fuzzy
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,3 0,4 0,2 X1 0,5 0,4 0,3 0,7
RCE14  X2 0,7 0,5 0,3 0,4 RC 24  X2 0,6
E
0,5 0,6 0,4
X3 0,6 0,7 0,5 0,6 X3 0,7 0,4 0,5 0,3
X4 0,8 0,6 0,4 0,5 X4 0,3 0,6 0,7 0,5
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,6 0,2 0,6 X1 0,5 0,6 0,2 0,6
RCE34  X2 0,4 0,5 0,3 0,4 RCE44  X2 0,4 0,5 0,3 0,4
X3 0,8 0,7 0,5 0,3 X3 0,8 0,7 0,5 0,3
X4 0,4 0,6 0,7 0,5 X4 0,4 0,6 0,7 0,5
As preferências são transformadas em relações de preferência fuzzy, como estrutura básica

de representação. Assim:
Especialista E1
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,1667 0,6667 0,3333 X1 0,5 0,3333 0,6667 0,1667
RCE11  X2 0,8333 0,5 1 0,6667 RC 21  X2 0,6667 0,5 0,8333 0,3333
E
X3 0,3333 0 0,5 0,1667 X3 0,3333 0,1667 0,5 0

X4 0,6667 0,3333 0,8333 0,5 X4 0,8333 0,6667 1 0,5
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,6667 0,1667 0,3333 X1 0,5 0,1667 0,6667 0,3333
RCE31  X2 0,3333 0,5 0 0,1667 RC 41  X2 0,8333 0,5
E
1 0,6667
X3 0,8333 1 0,5 0,6667 X3 0,3333 0 0,5 0,1667
X4 0,6667 0,8333 0,3333 0,5 X4 0,6667 0,3333 0,8333 0,5
73
Especialista E2
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,6577 0,8155 0,3423 X 0,5 0,6577 0,9428 0,9077
 X2 0,3423 0,5 0,1845 0,6577 RC 2  X2 0,3423 0,5 0,1845 0,75
E2 1
RCE12
X3 0,1845 0,8155 0,5 0,75 X3 0,0572 0,8155 0,5 0,8155
X4 0,6577 0,3423 0,25 0,5 X4 0,0923 0,25 0,1845 0,5
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,6577 0,8662 0,9077 X1 0,5 0,6577 0,6577 0,8155
RCE32  X2 0,3423 0,5 0,1845 0,75 RC 42  X2 0,3423 0,5 0,0923 0,75
E
X3 0,1338 0,8155 0,5 0,9077 X3 0,3423 0,9077 0,5 0,6577

X4 0,0923 0,25 0,0923 0,5 X4 0,1845 0,25 0,3423 0,5
Especialista E3
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,5 0,36 0,1552 E3 X1 0,5 0,5 0,36 0,2
RCE13  X2 R 
0,5 0,5 0,36 0,1552 C 2 X2 0,5 0,5 0,36 0,2
X3 0,64 0,64 0,5 0,2462 X3 0,64 0,64 0,5 0,3077
X4 0,8448 0,8448 0,7538 0,5 X4 0,8 0,8 0,6923 0,5
X1 X2 X3 X4 X1 X2 X3 X4
X1 0,5 0,64 0,3902 0,3077 X1 0,5 0,8448 0,5765 0,7538
RCE33  X2 0,36 0,5 0,2647 0,2 RCE43  X2 0,1552 0,5 0,2 0,36
X3 0,6098 0,7353 0,5 0,4098 X3 0,4235 0,8 0,5 0,6923
X4 0,6923 0,8 0,5902 0,5 X4 0,2462 0,64 0,3077 0,5
Admitiremos que o grupo de especialistas escolha realizar a agregação das preferências

através do operador Soma e a ordenação das alternativas através do operador Máximo, priorizando
igualmente os especialistas, ou seja, considerando E1  E2  E3  E4  0,25 e diferenciando os
critérios como C1  0,35 C  0,25
2
C  0,25
3
C  0,15 .
4
Se a decisão fosse tomada individualmente, levando em conta todos os critérios, teríamos a

seguinte situação:
Especialista E1
X1 X2 X3 X4 max
X1 0,5000 0,3333 0,5417 0,2917 0,5417
RCE11,, 4  X2 0,6667 0,5000 0,7083 0,4583 0,7083
X 4  X 2  X1  X 3
X3 0,4583 0,2917 0,5000 0,2500 0,4583
X4 0,7083 0,5417 0,7500 0,5000 0,7500
74
Especialista E2
X1 X2 X3 X4 max
X1 0,5000 0,6577 0,8363 0,6960 0,8363
RCE12,, 4  X2 0,3423 0,5000 0,1707 0,7177 0,7177
X1  X 3  X 2  X 4
X3 0,1637 0,8293 0,5000 0,7920 0,8293
X4 0,3040 0,2823 0,2080 0,5000 0,3040
Especialista E3
X1 X2 X3 X4 max
X1 0,5000 0,5867 0,4000 0,2943 0,5867
RCE13,, 4  X2 0,4133 0,5000 0,3122 0,2083 0,4133
X 4  X 3  X1  X 2
X3 0,6000 0,6878 0,5000 0,3694 0,6878
X4 0,7057 0,7917 0,6306 0,5000 0,7917
Especialista E4
X1 X2 X3 X4 max
X1 0,5000 0,4450 0,2950 0,4850 0,4850
RCE14,, 4  X2 0,5550 0,5000 0,3750 0,4000 0,5550
X 3  X 4  X 2  X1
X3 0,7050 0,6250 0,5000 0,4050 0,7050
X4 0,5150 0,6000 0,5950 0,5000 0,6000
Se a decisão fosse tomada em grupo levando em conta os critérios isolados, teríamos o

seguinte:
Critério C1
X1 X2 X3 X4 max
X1 0,5000 0,4061 0,5605 0,2577 0,5605
RC11,, 4 
E
X2 0,5939 0,5000 0,4611 0,4699 0,5939
X 4  X 2  X1  X 3
X3 0,4395 0,5389 0,5000 0,4407 0,5389
X4 0,7423 0,5301 0,5593 0,5000 0,7423
Critério C2
X1 X2 X3 X4 max
X1 0,5000 0,4728 0,5674 0,4936 0,5674
RC 21,, 4 
E
X2 0,5272 0,5000 0,4945 0,4208 0,5272
X 4  X1  X 2  X 3
X3 0,4326 0,5055 0,5000 0,3558 0,5055
X4 0,5064 0,5792 0,6442 0,5000 0,6442
75
Critério C3
X1 X2 X3 X4 max
X1 0,5000 0,6411 0,4058 0,5372 0,6411
RC31,, 4 
E
X2 0,3589 0,5000 0,1873 0,3792 0,3792
X 3  X1  X 4  X 2
X3 0,5942 0,8127 0,5000 0,5711 0,8127
X4 0,4628 0,6208 0,4289 0,5000 0,6208
Critério C4
X1 X2 X3 X4 max
X1 0,5000 0,5673 0,5252 0,6257 0,6257
RC 41,, 4 
E
X2 0,4327 0,5000 0,3981 0,5442 0,5442
X1  X 3  X 4  X 2
X3 0,4748 0,6019 0,5000 0,4542 0,6019
X4 0,3743 0,4558 0,5458 0,5000 0,5458
Como a decisão deve ser do grupo, levando em conta todos os critérios, teremos:
X1 X2 X3 X4 max
X1 0,5000 0,5057 0,5183 0,4417 0,5183
RC11,,,,44 
E
X2 0,4943 0,5000 0,3916 0,4461 0,4943
X 3  X 4  X1  X 2
X3 0,4817 0,6084 0,5000 0,4541 0,6084
X4 0,5583 0,5539 0,5459 0,5000 0,5583
76
APÊNDICE 1 – INTRODUÇÃO AO SPC/SQC
A teoria de SPC (Statistical Process Control) foi desenvolvida por Shewhart em 1920. Ele
classificou variações no comportamento de variáveis em duas categorias:
 Flutuações randômicas, inerentes ao processo: mesmo as melhores máquinas não são
capazes de produzir um produto perfeito;
 Flutuações intermitentes, provocadas por alguma causa atribuível: seus efeitos são
detectáveis graças ao uso de ferramentas de diagnóstico especializadas (exemplo: erro
manual de um operador, problema de calibração, etc.).
Um processo é considerado sob controle se for estável, previsível e repetitivo. Se um

processo sob controle desvia de seu valor-alvo, este desvio é resultado de uma variação randômica.
Um processo se torna fora de controle quando uma causa atribuível faz com que ele desvie de seu
valor-alvo.
O SPC tem como principais objetivos:

 Assegurar a estabilidade da produção;
 Limitar a proporção de produtos que não atendem os limites de especificação.
Um processo sob controle é estatisticamente previsível. Se um processo está sob controle,

mas a produção não é aceitável, é necessário:
 Realizar testes;
 Recalibrar os medidores;
 Analisar dados históricos.
Variações atribuíveis podem ser devidas a diferentes tipos de problemas. Estes problemas
podem ser classificados em duas categorias, segundo Juran (1980) e Deming (1986):
 Problemas esporádicos: aqueles que provocam uma mudança inesperada e pontual na
operação normal de um processo;
 Problemas crônicos: aqueles que surgem quando o processo desvia significativamente de
seu valor-alvo (problemas periódicos, problemas permanentes, etc.).
O princípio do SPC é comparar a situação presente do processo com os padrões do processo

(especificações) e com o histórico dos dados do processo.
O SPC é útil para:

 Medir a potencialidade do processo para assegurar uma boa produção de forma estável;
 Medir, detectar e antecipar toda variação incomum;
 Avaliar a potencialidade do processo com cálculos tais como média, desvio padrão, etc;
 Apoiar a implementação de melhorias no processo;
 Aferir a qualidade do produto através do SQC (Statistical Quality Control).
O SQC tem como objetivo assegurar, de maneira eficiente, que o produto atenda os
requisitos do cliente. A atividade de inspecionar cada produto é cara e tediosa. Entretanto, é
necessário minimizar o número de produtos defeituosos. O SQC permite estimar a qualidade
produzida através da inspeção de amostras em lotes.
Uma das ferramentas utilizadas em SPC/SQC é a carta de controle, como ilustra a figura A1-
1.
77
Figura A1-1 – Exemplo de carta de controle
A carta de controle consiste em um gráfico, no qual na parte central é plotada a linha central
(CL), que corresponde ao valor médio produzido pelo processo, quando está sob controle, ou um
valor-alvo. Linhas horizontais também são desenhadas no gráfico: o Limite de Controle Superior
(UCL), o Limite de Controle Inferior (LCL), o Limite de Especificação Superior (USL) e o Limite
de Especificação Inferior (LSL).
Os limites de controle são calculados e escolhidos de forma que a maioria dos valores das
amostras do gráfico caia dentro destes limites, quando o processo está sob controle. Na prática, é
realizada a comparação de dados em tempo real com os limites de controle e dependendo do valor
de alguns testes, a qualidade da produção é validada.
Os dados utilizados na elaboração das cartas de controle podem ser amostrados de forma
fixa ou móvel, como mostra a figura A1-2.
(a) (b)
Figura A1-2 – Tipos de Amostragem (a) Fixa (b) Móvel
A partir da amostragem fixa é possível construir gráficos do tipo:

 Individuais;
 X-barra (Média);
 Faixa (R-chart);
 Desvio Padrão.
Com a amostragem móvel:

 Média Móvel;
 Faixa Móvel;
 Desvio Padrão Móvel;
 Média Móvel Exponencialmente Ponderada.
78
A Western Electric definiu 7 testes de controle para detectar variações atribuíveis (não-
randômicas), que se tornaram um padrão:
Teste 1: 1 ponto fora dos limites de controle (figura A1-3)
Figura A1-3 – Gráfico do Teste 1
Interpretações possíveis:
 Erro no cálculo dos limites de controle;
 Erro de medida;
 Inspetor de qualidade ou operador inexperiente;
 Má calibração de um dispositivo de manufatura;
 Deterioração das condições operacionais (queda de pressão, corrente de fuga, etc.);
 Matéria-prima inadequada;
 Instrumentação nova.
Nota: Sigma (σ) é o símbolo utilizado pela Estatística para representar o parâmetro de dispersão
chamado desvio padrão. Quanto maior o valor de sigma de um processo, maior é a sua
variação (ou dispersão), o que é algo indesejável, pois o processo tem pouca previsibilidade.
O número de sigmas é uma medida de desempenho do processo. Quanto maior o número de

Sigmas, menor a variabilidade do processo, como ilustra a figura A1-4. Processos com
muita variabilidade têm alta probabilidade de se obter produtos fora da especificação.
Figura A1-4 – Variação do número de sigmas
6-Sigma é um conjunto de práticas originalmente desenvolvidas pela Motorola para

melhorar sistematicamente os processos ao eliminar defeitos (BOARIN, MONTEIRO &
LEE, 2006). Um defeito é definido como a não conformidade de um produto ou serviço com
suas especificações.
A maioria das empresas opera no nível 3-Sigma, o que equivale a 35 mil defeitos por milhão
de oportunidades de haver defeitos. O nível 6-Sigma gera apenas 3,4 defeitos por milhão.
79
Teste 2: 2 de 3 pontos entre 2 e 3 sigma do mesmo lado da linha central (figura A1-5)
 Más unidades estatísticas;
 Dispositivo de medição não muito preciso.
Teste 3: 4 de 5 pontos sucessivos na mesma zona fora de 1 sigma (figura A1-6)
 Mau ajuste dos instrumentos de medição;
 Inspetor de qualidade ou operador inexperiente;
 Instrumentação nova;
 Má calibração de um dispositivo de medição;
 Mudança de matéria-prima;
 Ajuste do processo para um nível muito alto ou muito baixo.
Teste 4: 8 pontos sucessivos no mesmo lado da linha central (figura A1-7)
 Dados vindos de uma dada fonte de manufatura, depois de outra;
 Alternação de instrumentação;
 Alternação de operador ou inspetor de qualidade.
80
Teste 5: 15 pontos consecutivos entre 0 e 1 sigma a partir da linha central (figura A1-8)
 Operador ou inspetor de qualidade inexperiente;
 Instrumentação nova;
 Mau ajuste do processo;
 Dados vindos de várias fontes de manufatura diferentes;
 Erro de cálculo.
Teste 6: 8 pontos consecutivos fora de 1 sigma a partir da linha central e 2 pontos pelo
menos em um dos lados da linha central (figura A1-9)
 Matéria-prima vinda de dois fornecedores;
 Dois operadores ou inspetores de qualidade;
 Dois métodos de medida;
 Dados vindos de pelo menos dois dispositivos de medição.
Teste 7: 6 pontos consecutivos subindo ou descendo (figura A1-10)
 Deterioração dos dispositivos de medição;
 Mudança progressiva de condições operacionais (umidade, pressão, temperatura, etc.);
 Introdução progressiva de uma nova matéria-prima;
 Deterioração progressiva de um produto importante;
 Operador cansado;
81
 Deterioração de insumos.
Outras ferramentas utilizadas no SPC/SQC são o histograma e o diagrama de Pareto. Um

histograma , também conhecido como Distribuição de Frequências, é uma representação gráfica na
qual um conjunto de dados é agrupado em classes uniformes, representado por um retângulo cuja
base horizontal são as classes e seu intervalo e a altura vertical representa a frequência com que os
valores desta classe estão presente no conjunto de dados. A figura A1-11 apresenta um exemplo de
histograma.
classes
Figura A1-11 – Exemplo de histograma
O diagrama de Pareto é um gráfico de barras que ordena as frequências das ocorrências, da

maior para a menor, permitindo a priorização dos problemas, procurando levar a cabo o princípio de
Pareto (80% das consequências advêm de 20% das causas), isto é, há muitos problemas sem
importância diante de outros mais graves. Sua maior utilidade é a de permitir uma fácil visualização
e identificação das causas ou problemas mais importantes, possibilitando a concentração de
esforços sobre os mesmos. . A figura A1-12 apresenta um exemplo de diagrama de Pareto.
Figura A1-1244 – Exemplo de diagrama de Pareto

82
REFERÊNCIAS BIBLIOGRÁFICAS
ALTER S. Information Systems: a management perspective. Addison-Wesley Publishing Co.

Massachusetts, 1992.
BAAS S.M. and KWAKERNAAK H. Rating and raking of multi-aspect alternatives using fuzzy
sets, Automatica, 13, 1977, 47-58.
BOARIN S.H.P., MONTEIRO M.C., LEE, L.H. Implementação de programas de qualidade: um

Survey em empresas de grande porte no Brasil. Revista Gestão & Produção. v.13, n.2, p191-203,
2006.
BORDOGNA G., FEDRIZZI M., and PASSI G. A linguistic modeling of consensus in group
decision making based on OWA operators, IEEE Transactions on Systems, Man and Cybernetics,
A-27, 1997, 126-132.
CABRAL J.C. Organização e Gestão da Manutenção, dos conceitos à prática, Lidel, 6ª Edição,
2006.
CANHA L., EKEL P., QUEIROZ J., and SCHUFFNER NETO F. Models and methods of decision
making in fuzzy environment and their applications to power engineering problems, Numerical
Linear Algebra with Applications, 14, 2007, 369-390.
CHEN J.E. and OTTO K.N. Constructing membership functions using interpolation and
measurement theory, Fuzzy Sets and Systems, 73, 1995, 313-327.
CHEN S.J. and HWANG C.L. Fuzzy Multiple Attribute Decision Making: Methods and
Applications. Berlin/Heidelberg/New York: Springer-Verlag, 1992.
CHENG C. Simple fuzzy group decision making method, in Proceedings of the IEEE International
Conference Fuzzy Systems, Seoul, 2, 1999, II-910–II-915.
CHICLANA F., HERRERA F., and HERRERA-VIEDMA E. Integrating three representation

models in fuzzy multipurpose decision making based on fuzzy preference relations, Fuzzy Sets and
Systems, 97, 1998, 33-48.
CORRÊA H.L. e CORRÊA C.A. Administração de produção e de Operações. Manufatura e

serviços : uma abordagem estratégica. Ed. Compacta. São Paulo: Atlas, 2005. xxiv, 446p.
DUBOIS D. and PRADE H. Fuzzy Sets and Systems. Theory and Applications. New York:
Academic Press, 1980.
DRUCKER, P. “O futuro já chegou”. Revista Exame, ano 34, n.6, edição 710, p.112-126,
janeiro/2000.
EKEL P.Ya. Methods of decision making in fuzzy environment and their application, Nonlinear
Analysis: Theory, Methods and Applications, 47, 2001, 979-990.
EKEL P.Ya. and POPOV V. Fuzzy set theory and problems of the design and control of power
systems and subsystems, in Proceedings of the 4th IEEE Conference on Control Applications.
Albany, 1995, 46-51.
83
EKEL P.Ya., CARNEVALLI R.L.J., MENDONÇA NETA B.M., SOUZA D.L. de e PALHARES
R.M. Modelos e métodos de tomada de decisões em ambiente fuzzy e suas aplicações, em Anais do
XXXV Simpósio Brasileiro de Pesquisa Operacional. Natal, 2003, 980-990.
EKEL P.Ya. and TERRA L.D.B. Fuzzy preference relations: methods and power engineering
applications, OPSEARCH, 39, 2002, 34-45.
EVANS, P.B. & WURSTER, T.S. “Getting Real about virtual Commerce”. Harvard Business
Review, v.77, n.6, p.84-94, Nov./Dec. 1999.
FANG Z.P., MA J., and ZHANG Q. An approach to multiple attribute decision making based on
fuzzy preference information on alternatives, Fuzzy Sets and Systems, 131, 2002, 101-106.
FODOR J. and ROUBENS M. Fuzzy Preference Modelling and Multicriteria Decision Support.
Boston/Dordrecht/London: Kluwer Academic Publishers, 1994.
FREITAS G.C. Na direção de uma empresa inteligente, 10º Fórum SAP, São Paulo, 2006.
FRONTINI, M.A. A decision making model for investing in electronic business. Dissertation for
obtaining the degree of Master of Science in Management of technology. Massachusetts Institute of
Technology. 1999.
GOMES L.F.A.M., ARAYA M.C.G. e CARIGNANO C. Tomada de Decisões em Cenários

Complexos: Introdução aos Métodos Discretos do Apoio Multicritério à Decisão. São Paulo:
Thomson, 2004.
GOMES L.F.A.M., GOMES C.F.S. e ALMEIDA A.T. Tomada de Decisões Gerencial: Enfoque
Multicritério. São Paulo: Atlas, 2002.
GROOVER, M.P. Automação Industrial e Sistemas de Manufatura. 3a ed., São Paulo: PEARSON
BRASIL,2011. 581 p.
HABERKORN, E., OLIVEIRA, N.C. Teoria do ERP. 2. ed. rev. e ampl. São Paulo: Makron Books,
c1999. 304p.
HENDERSON, J.C. and VENKATRAMAN, N. “Strategic Alignment: Leveraging Information

Technology For Transforming Organizations”. IBM Systems Journal. v.32, n.1, p.4-16, 1993.
HERRERA F. and VIEDMA E.H. Linguistic decision analysis: steps for solving decision problems
under linguistic information, Fuzzy Sets and Systems, 115, 2000, 67-82.
HERRERA-VIEDMA E., HERRERA F., and CHICLANA F. A consensus model for multiperson
decision making with different preferences structures, IEEE Transactions on Systems, Man and
Cybernetics, A-32, 2002, 394-402.
HERRERA F., HERRERA-VIEDMA E., and VERDEGAY J.L. Direct approach processes in group
decision making using linguistic OWA operators, Fuzzy Sets and Systems, 79, 1996, 175–190.
HORIUCHI K. and TAMURA N. VSOP fuzzy numbers and their fuzzy ordering, Fuzzy Sets and
Systems, 93, 1998, 197-210.
84
HWANG C.L. and YOON K. Multiple Attribute Decision Making: Methods and Applications - A
State-of-the-Art Survey. Berlin: Springer-Verlag, 1981.
HWANG C.L. and MASUD A.S.M. Multiple Objective Decision Making: Methods and
Applications. Berlin: Springer-Verlag, 1979.
LEE E.S. and LI R.L. Comparison of fuzzy numbers based on the probability measure of fuzzy
events, Computers and Mathematics with Applications, 15, 1988, 887-896.
LU J., ZHANG G., RUAN D., and WU F. Multi-Objective Group Decision Making. London:
Imperial College Press, 2007.
KEEN, P.G.W. “Information Technology and The Management Theory: The Fusion Map”. IBM
Systems Journal, v.32, n.1, p.17-38, 1993.
KEENEY R. and RAIFA H. Decisions with Multiple Objectives: Preferences and Value Trade-offs.
New York/Santa Barbara/London: John Wiley & Sons, 1976.
LI D.F. and YANG J.B. Fuzzy linear programming technique for multiattribute group decision
making in fuzzy environments. Information Sciences, 158, 2004, 263-275.
MARTINS, V.; BREMER, C.F. Proposta de uma ferramenta de integração entre sistemas ERP-
SCADA: Caso Prático, In: Encontro nacional de Engenharria de Produção. Curitiba: Editora Anais,
2002.
MESA International. The Benefits of MES - A Report from the Field. Manufacturing Enterprise
Systems Association, Chandler, Arizona., 1997.
ORLOVSKI S.A. Decision-making with a fuzzy preference relation, Fuzzy Sets and Systems, 1,
1978, 155-167.
PEDRYCZ W. and GOMIDE F. An Introduction to Fuzzy Sets: Analysis and Design. Cambridge,
Massachusetts/London: MIT Press, 1998.
PORTER, M.E. “Strategy and the internet”. Harvard Business Review, v.79, n.1, p.63-78, March,
2001.
QUEIROZ, J.C.B. Modelos e métodos de tomada de decisão para apoio à gestão estratégica em
empresas, Tese de Doutorado. Belo Horizonte: Universidade Federal de Minas Gerais, 2009.
QUEIROZ, J.C.B. Integração de Sistemas, Apostila de Curso de Graduação, Rev. 2. Belo

Horizonte: Pontifícia Universidade Católica de Minas Gerais, 2012.
RAJ P.A. and KUMAR D.N., Ranking alternatives with fuzzy weights using maximizing set and
minimizing set. Fuzzy sets and Systems, 105, 1999, 365-375.
REIS R.V. Utilização do Balanced Scorecard para Auxiliar na Determinação da Participação dos
Funcionários nos Lucros ou Resultados das Empresas, Dissertação de Mestrado. Florianópolis:
Universidade Federal de Santa Catarina, 2001.
ROUBENS M. Choice Procedures in Fuzzy Multicriteria Decision Analysis Based on Pairwise

Comparisons. Liege: University of Liege, 1995.
85
SAATY T.L. Método de Análise Hierárquica. Rio de Janeiro: McGraw-Hill do Brasil, 1991.
SAATY T.L. Multicriteria Decision Making. The Analytical Hierarchy Process. Pittsburgh: RWS
Publications, 1990.
SENGUPTA K. Fuzzy preference and Orlovsky choice procedure, Fuzzy Sets and Systems, 93,
1998, 231-234.
SEO F. and SAKAWA M. Fuzzy multiattribute utility analysis for collective choice. IEEE
Transactions on Systems, Man and Cybernetics, 15, 1985, 45-53.
SIMON H.A. The New Science of Management Decision. Prentice Hall: Englewood, 1977.
SLOWINSKI R. (ed.) Fuzzy Sets in Decision Analysis, Operations Research and Statistics.
Boston/Dordrecht/London: Kluwer Academic Publishers, 1996.
SMITH G.M. Statistical Process Control and Quality Improvement, Prentice Hall; 5 edição, 2003.
TANINO T. On group decision making under fuzzy preferences, in Multiperson Decision Making
Models Using Fuzzy Sets and Possibility Theory. Boston: Kluwer, 1990, 172-175.
TONG M. and BONISSONE P.P. A linguistic aproach to decision making with fuzzy sets, IEEE
Transactions on Systems, Man and Cybernetics, 10, 1980, 716-723.
VINCKE P. Multicriteria Decision-Aid. New York/Chichester/Brisbane: John Wiley & Sons, 1992.
WANG J. and LIN Y.I., A fuzzy multicriteria group decision making approach to select
configuration items for software development, Fuzzy Sets and Systems, 134, 2003, 343-363.
WANG Y.M. and PARKAN C. A preemptive goal programming method for aggregating OWA
operator weights in group decision making, Information Sciences, 177, 2007, 1867-1877.
XU Z. On method for uncertain multiple attribute decision making problems with uncertain
multiplicative preference information on alternatives, Fuzzy Optimization and Decision Making, 4,
2005, 131-139.
YAGER R.R. Non-numeric multi-criteria multi-person decision making, Group Decision and
Negotiation, 2, 1993, 81-93.
YAGER R.R. On ordered weighted averaging aggregation operators in multicriteria decision

making, IEEE Transactions on Systems, Man and Cybernetics, 18, 1998, 183–190.
YAGER R.R. Generalized OWA aggregation operators. Fuzzy Optimization and Decision Making,
3, 2004, 93-107.

Apostila de Tecnologia Da Informacao AI OF20 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apostila de Tecnologia Da Informacao AI OF20 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Pós Graduação em Automação Industrial

Prof. Dr. Júlio Cesar Braz de Queiroz

1990/92 UNIVERSIDADE FEDERAL DE MINAS GERAIS

1984/89 UNIVERSIDADE FEDERAL DE ITAJUBÁ

1977/83 COLÉGIO LOYOLA

1971/76 INSTITUTO ZILAH FROTA

1978/1983 CURSOS DA LÍNGUA INGLESA

CARGA HORÁRIA TOTAL: 20 h-a

UNIDADE I – Sistemas Integrados de Automação e Informação

UNIDADE II – Tecnologia da Informação aplicada aos processos

UNIDADE III – TI nos Sistemas Produtivos

UNIDADE IV – Tomada de decisão

CORRÊA, Henrique L.; CORRÊA, Carlos A. Administração de produção e operações:

ARRUDA, Mauro; VERMULM, Roberto; HOLLANDA, Sandra. Inovação tecnológica no

GROOVER, Mikell P. Automation, production systems, and computer integrated

Aula Data Atividades Previstas

3 06/07 Utilização da informação em Sistemas Produtivos para monitoramento, controle,

UNIDADE IV – Processos de tomada de decisão

Avaliação Global, individual, com consulta, sobre todas as unidades

O conceito de Tecnologia da Informação (TI) é bastante abrangente e envolve além dos

Ao longo de sua trajetória, a TI passou de uma estrutura tradicional de suporte

Passado Presente Futuro

Figura 1: Evolução dos modos de atuação das empresas

fornecedores de dados dos processos produtivos para os Sistemas de Informação (GROOVER,

Este material pretende ampliar os conhecimentos dos profissionais de engenharia e áreas

O texto apresenta, no capítulo 2, uma rápida descrição da estrutura de sistemas integrados de

2. ESTRUTURA DE SISTEMAS INTEGRADOS

Sistemas integrados de informação e automação são comumente representados em camadas,

Figura 2 - A pirâmide de sistemas integrados

A representação piramidal é bastante eficiente para mostrar a divisão hierárquica dos

Figura 3 - Arquitetura de sistemas integrados

A seguir, é apresentada uma breve descrição das camadas presentes na figura 2.

2.1. Sistemas de Instrumentação

A primeira camada da pirâmide a partir da base é formada pelos Sistemas de

A figura 4 apresenta exemplos de componentes dessa camada:

Figura 4 – Exemplos de instrumentos industriais

2.2. Sistemas de Controle

Os Sistemas de Controle são constituídos, essencialmente, por “equipamentos inteligentes” e

Figura 5 – Relé microprocessado

Os controladores programáveis são computadores dedicados que executam diversas tarefas

Figura 6 – Modelos de controladores programáveis (a) Compacto (b) Modulares

Os controladores programáveis tem importância destacada em sistemas integrados, pois

2.3. Sistemas de Supervisão

Os Sistemas de Supervisão são responsáveis por desempenhar a interface entre usuário e

(a) (b) (c)

Os dispositivos mais simples, como as botoeiras, são limitados a indicar o estado de

2.4. Sistemas de Otimização

Figura 8 – Plataforma de Sistemas de Otimização

Sistemas de Otimização acessam as BDTR dos controladores programáveis para leitura e

2.5. Sistemas de Gestão da Informação

Os Sistemas de Gestão da Informação PIMS (Plant Information Management System)

Utilizam servidores de dados para hospedam bancos de dados temporais capazes de

Figura 9 – Arquitetura de um PIMS

2.6. Sistemas de Execução da Manufatura

Os Sistemas de Execução da Manufatura MES (Manufacturing Execution System) são

Figura 10 – Arquitetura de um PIMS

Utilizam computadores dedicados e softwares customizados ou módulos de software

2.7. Sistemas de Gestão Corporativa

Os sistemas de gestão corporativa são responsáveis por suportar a programação e a gestão da

Figura 11 – Arquitetura ERP

2.8. Caracterização de Dados e Sistemas

Em sistemas integrados de informação e automação, os dados são disponibilizados por

A distribuição funcional é apresentada na figura 12 e descrita a seguir: