Metody optymalizacji decyzji menedżerskich

ekonomia i finanse

podstawowy

EM2_U04, EM2_U10, EM2_K09

Podstawy algebry liniowej

Przekazanie podstawowej wiedzy i nabycie przez studentów umiejętności i kompetencji z zakresu metod optymalizacji decyzji menedżerskich które będą użyteczne w przyszłej pracy zawodowej. Przedstawiona będzie cel i istota optymalizacji decyzji menedzerskich, metody programowania liniowego, zagadnienia transportowego oraz metodę planowania PERT.

- Wprowadzenie do badań operacyjnych

- Zastosowania programowania liniowego

- Formułowanie liniowego programu optymalizacyjnego, postać kanoniczna i

standardowa programu liniowego

Metoda graficzna

Metoda simpleks

- Dualny problem i jego ekonomiczna interpretacja

- Zagadnienie transportowe

- Planowanie i harmonogramowanie projektów: tworzenie diagramu PERT

1.Sikora W. (red.): Badania operacyjne, Polskie Wydawnictwo Ekonomiczne, Warszawa 2008.

2.Trzaskalik T.: Wprowadzenie do badań operacyjnych z komputerem, Polskie Wydawnictwo Ekonomiczne, Warszawa 2008.

3.Gajda J., Kucharski A.: Badania operacyjne. Metody i zastosowania, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2008.

4.Lipiec-Zajchowska M.: Wspomaganie procesów decyzyjnych. Tom III. Badania operacyjne, Wydawnictwo C.H. Beck, Warszawa 2003

Wiedza - Zna i rozumie:

Student definiuje i opisuje problemy z zakresu programowania liniowego

Umiejętności - Potrafi:

Student rozwiązuje problemy optymalizacyjneprzy doborze odpowiednich metod , weryfikuje i interpretuje uzyskane wyniki i podejmuje na ich podstawie decyzje

Kompetencje - Jest gotów do:

Student rozwija umiejętności analityczne w zakresie wykorzystania technik optymalizacyjnych przy podjęciu decyzji menedzerskich

Chętnie współpracuje z innymi i groupa ma świadomość wpływu swojego wkładu w dyskucji na temat optymalizacji decyzji menedzerskich różnego rodzaju.

Nakłady studenta:

Aktywność studencka Nakład pracy studenta w godzinach

udział w laboratoriach 16

przygotowanie do dyskusji międzygrupowych 10

konsultacja 5

czas na napisanie pracy międzygrupowych 10

czas na samoocenę pracy międzygrupowej 5

przygotowanie do egzanu 10

CAŁKOWITA LICZBA GODZIN 56

LICZBA PUNKTÓW ECTS 100 godzin / 30 (25) godzin ≈ 2

Kryteria oceny końcowej:

Na ocenę końcową składa się praca w grupach i egzamin końcowy pisemny.

Ocena końcowa obejmuje ocenę z egzaminu pisemnego (45%) i ocenę z samooceny pracy międzygrupowej (55%).

10 pkt - ocena: 5.0

8-9 pkt - ocena: 4,5

7-8 pkt - ocena: 4.0

6-7 pkt - ocena: 3,5

5-6 pkt - ocena: 3.0

poniżej 5 pkt - ocena: 2,0

2 – niedostateczna- Student nie dostarczył pracy lub praca nie jest jego niezależnym osiągnięciem, jest chaotyczna w

odniesieniu do różnych koncepcji metod optymalizacji decyzji menedżerskich. Student nie rozumie podstawowych pojęć związanych

z analityką Big Data i unika dyskusji związanych z kwestiami Big Data

3 – dostateczna- Student udowadnia, że rozumie podstawowe pojęcia Big Data w różnych aspektach związanych z analityką

biznesową i eksploracją danych pokazaną na wykładzie. Może wizualizować dane statystyczne za pomocą oprogramowania

omówionego podczas wykładów. Nadal wykazuje trudności z empiryczną stroną Big Data w odniesieniu do technik

eksploracji danych. Student ma podstawowe spostrzeżenia związane z koncepcjami i wizualizacją Big Data. Nie opanowuje

technik obliczeniowych, ale uznaje ich przydatność. Byłby gotów zwiększyć wiedzę i umiejętności do celów zawodowych.

4 – dobra- Student wykonał dobrą pracę i prawidłowo określił problemy i pozycje. Jest w stanie wybrać i zastosować

odpowiednie metody ilościowe w zależności od rodzaju problemu. Student inicjuje dyskusje związane z zagadnieniami Big

Data i rozumie różne raporty prezentowane przez inżynierów danych w dziedzinie analityki biznesowej lub ekonomicznej.

5 -bardzo dobra- Student wykonał dobrą pracę i poprawnie określił problemy i pozycje. Jest w stanie wybrać i zastosować

odpowiednie metody ilościowe w zależności od rodzaju problemu. Potrafi odpowiednio zinterpretować rozwiązanie i pokazać,

aby nawiązywać do literatury zaproponowanej w sylabusie. Student inicjuje dyskusje związane z zagadnieniami Big Data,

może wybrać i skutecznie zastosować techniki obliczeniowe do rozwiązywania problemów w analityce biznesowej i rozumie

implikacje Big Data w biznesie i może umieścić je w szerszym kontekście codziennego życia.