Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Wspomaganie decyzji w warunkach ryzyka
Koordynator przedmiotu:
dr inż. Adam Artur Krzemienowski
Status przedmiotu:
Fakultatywny dowolnego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Przedmioty techniczne - zaawansowane
Kod przedmiotu:
WDWR
Semestr nominalny:
4 / rok ak. 2015/2016
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Bilans nakładu pracy przeciętnego studenta obejmuje: - udział w wykładach: 15 x 2 godz. = 30 godz., - przygotowanie do kolejnych wykładów i realizacji projektu (przejrzenie materiałów z wykładu i dodatkowej literatury, próba rozwiązania miniproblemów sformułowanych na wykładzie): 7 godz. - udział w konsultacjach związanych z realizacją projektu: 3 x 1 godz. = 3 godz. (zakładamy, że student korzysta średnio z konsultacji 3 razy w semestrze), - realizacja zadań projektowych: 45 godz. (obejmuje także przygotowanie sprawozdania), - przygotowanie do I kolokwium (rozwiązanie zadań przedkolokwialnych, udział w konsultacjach przedkolokwialnych): 10 godz. + 2 godz. = 12 godz. - przygotowanie do II kolokwium (rozwiązanie zadań przedkolokwialnych, udział w konsultacjach przedkolokwialnych): 10 godz. + 2 godz. = 12 godz. Łączny nakład pracy studenta wynosi: 30 + 7 + 3 + 45 + 10 + 10 = 115 godz., co odpowiada ok. 4 punktom ECTS.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
3
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt15h
  • Lekcje komputerowe0h
Wymagania wstępne:
POPTY - podstawy optymalizacji i wspomagania decyzji
Limit liczby studentów:
60
Cel przedmiotu:
Wykład wprowadza w metodologię wyboru w warunkach niepewności i ryzyka. Celem wykładu jest przedstawienie nowoczesnych metodologii i technik wspomagania decyzji w warunkach ryzyka ze szczególnym uwzględnieniem interaktywnych technik programowania wielokryterialnego. Wykład koncentruje się na scenariuszowym przedstawieniu niepewności, co jest zgodne ze współczesną metodologią modelowania złożonych problemów. Umożliwia to stosowanie prostego aparatu z zakresu rachunku prawdopodobieństwa i jednocześnie bliższe powiązanie metodologii z klasyczną (deterministyczną) optymalizacją.
Treści kształcenia:
Strukturalizacja problemów decyzyjnych w warunkach niepewności: źródła niepewności wyników; scenariusze jako możliwe realizacje wyniku; wynik jako rozkład wartości, zmienna losowa, wartość oczekiwana, niepewność a ryzyko; drzewa decyzyjne i ich analiza; wartość informacji; modelowanie preferencji i wspomaganie decyzji; najprostsze kryteria wyboru. Wielokryterialne modele wyboru w warunkach niepewności: wybór w warunkach niepewności jako wybór loterii o ustalonej liczbie losów; wielokryterialny model wyboru loterii, dominacja i efektywność symetryczna; techniki generacji rozwiązań symetrycznie efektywnych i modelowanie preferencji, porządkowa średnia ważona (OWA) i techniki jej implementacji; wybór w warunkach niepewności jako wybór zmiennej losowej; dominacja stochastyczna rzędu pierwszego, model wielokryterialny, oczekiwana użyteczność. Miary ryzyka: miary dyspersji jako miary ryzyka, wariancja i odchylenie standardowe, odchylenie maksymalne, odchylenie przeciętne, średnia różnica; niesymetryczne miary ryzyka, odchylenia jednostronne; progowe miary ryzyka. Dwukryterialne modele wyboru z unikaniem ryzyka: maksymalizacja wartości oczekiwanej i minimalizacja miary ryzyka, analiza graficzna; stosowanie różnych miar ryzyka, ograniczona zgodność z maksymalizacją wyników i unikaniem ryzyka, liniowość modeli opartych na odchyleniu maksymalnym lub przeciętnym i średniej różnicy, związki z klasycznymi metodami optymalizacji portfela inwestycyjnego. Wielokryterialne modele wyboru z unikaniem ryzyka: modelowanie awersji do ryzyka; wielokryterialny model wyboru loterii, dominacja i efektywność wyrównująca; techniki generacji rozwiązań wyrównująco efektywnych i modelowanie preferencji, wybór zmiennej losowej; dominacja stochastyczna rzędu drugiego, model wielokryterialny, oczekiwana użyteczność.
Metody oceny:
Przedmiot jest zaliczany na podstawie na podstawie kolokwiów i projektu.Ocena końcowa jest określona jako średnia ważona ocen z w/w części z wagami odpowiednio 60% i 40%.
Egzamin:
nie
Literatura:
Literatura podstawowa Ogryczak, W., Wspomaganie decyzji w warunkach ryzyka, preskrypt, 2002. Literatura uzupełniająca Clemen, R.T., Making Hard Decisions: An Introduction to Decision Analysis, PWS-KENT, 1990. Charette, R.N., Software Engineering Risk Analysis and Management, McGraw-Hill, 1989
Witryna www przedmiotu:
http://eres.elka.pw.edu.pl/eres/wwersje$.startup?Z_ID_PRZEDMIOTU=WDWR&Z_NR_WERSJI=2&Z_CHK=36773
Uwagi:
osobą odpowiedzialną powinien być: dr inż. Adam Artur Krzemienowski

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt WDWR-W01
ma podstawową wiedzę z zakresu teorii decyzji w warunkach niepewności
Weryfikacja: kolokwium
Powiązane efekty kierunkowe: K_W08
Powiązane efekty obszarowe: T2A_W07
Efekt WDWR-W02
ma uporządkowaną wiedzę na temat analitycznych modeli dla wspomagania decyzji w warunkach niepewności i ryzyka
Weryfikacja: kolokwium
Powiązane efekty kierunkowe: K_W08
Powiązane efekty obszarowe: T2A_W07
Efekt WDWR-W03
ma uporządkowaną wiedzę z zakresu metod wspomagania decyzji w warunkach ryzyka ze szczególnym uwzględnieniem metod interaktywnych
Weryfikacja: kolokwium
Powiązane efekty kierunkowe: K_W04, K_W08
Powiązane efekty obszarowe: T2A_W02, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt WDWR-U01
umie budować modele decyzyjne uwzględniające niepewność i ryzyko
Weryfikacja: zadanie projektowe, kolokwium
Powiązane efekty kierunkowe: K_U01, K_U07
Powiązane efekty obszarowe: T2A_U01, T2A_U10
Efekt WDWR-U02
umie projektować procedury efektywnego modelowania i identyfikacji preferencji decydenta odnośnie ryzyka w komputerowym wspomaganiu decyzji
Weryfikacja: zadanie projektowe
Powiązane efekty kierunkowe: K_U01, K_U07
Powiązane efekty obszarowe: T2A_U01, T2A_U10