Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Modelowanie, symulacja i prognozowanie
Tok studiów:
2016/2017
Kod:
ZZIP-2-102-ZJ-s
Wydział:
Zarządzania
Poziom studiów:
Studia II stopnia
Specjalność:
Zarządzanie jakością
Kierunek:
Zarządzanie i Inżynieria Produkcji
Semestr:
1
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Stacjonarne
Osoba odpowiedzialna:
Kiluk Sebastian (skiluk@zarz.agh.edu.pl)
Osoby prowadzące:
dr Skalna Iwona (skalna@agh.edu.pl)
Stawowy Adam (astawowy@zarz.agh.edu.pl)
dr inż. Pełech-Pilichowski Tomasz (tomek@agh.edu.pl)
Kiluk Sebastian (skiluk@zarz.agh.edu.pl)
Duda Jan Tadeusz (jtduda@zarz.agh.edu.pl)
dr inż. Opiła Janusz (jmo@agh.edu.pl)
Krótka charakterystyka modułu

Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń)
Wiedza
M_W001 Umie wyjaśniać rolę prognozowania i symulacji w procesach podejmowania decyzji gospodarczych i inżynierskich. Potrafi definiować podstawy epistemologiczne prognozowania. Potrafi klasyfikować zadania prognozowania w zależności od złożoności oddziaływań otoczenia, horyzontu predykcji i konsekwencji błędów prognoz. Potrafi przywoływać zasady prognozowania eksperckiego i matematycznego. Potrafi rozpoznawać silne i słabe strony tych podejść i ich komplementarność. Umie wymieniać metody prognozowania matematycznego oraz symulacji procesów technologicznych i stochastycznych, z uwzględnieniem potrzeb zarządzania i inżynierii produkcji. ZIP2A_W15, ZIP2A_W11, ZIP2A_W05 Udział w dyskusji,
Egzamin,
Aktywność na zajęciach
M_W002 Potrafi klasyfikować zadania modelowania procesów w zależności od celu modelowania. Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych, rozumie ich ograniczenia i zakres stosowalności. Zna zasady redukcji złożoności modelu i linearyzacji. Zna zasady planowania eksperymentów. Zna zasady komputerowej symulacji dynamiki procesów. ZIP2A_W15, ZIP2A_W11, ZIP2A_W05, ZIP2A_W02 Udział w dyskusji,
Kolokwium,
Aktywność na zajęciach
Umiejętności
M_U001 Potrafi wybierać metodę prognozowania stosownie do specyfiki zadania. Umie zapisywać formuły predyktora, potrafi wybierać dane oraz narzędzia numeryczne do ich identyfikacji i praktycznego wykorzystania. Potrafi używać biegle podstawowe narzędzia prognozowania szeregów czasowych. Potrafi oceniać wiarygodność wyników prognozowania oraz ryzyko prognozy. Umie stosować symulacyjne metody analizy niepewności planów produkcyjnych. ZIP2A_U16, ZIP2A_U01, ZIP2A_U06, ZIP2A_U02, ZIP2A_U09, ZIP2A_U07, ZIP2A_U17 Wykonanie ćwiczeń laboratoryjnych,
Udział w dyskusji,
Egzamin,
Aktywność na zajęciach
M_U002 Umie zbudować model teoretyczny prostego procesu ciągłego i sformułować zadanie jego identyfikacji. Potrafi dobrać strukturę modelu regresyjnego i posługiwać się biegle metodą analizy regresji. Umie wykorzystać pakiety obliczeniowe do identyfikacji współczynników nieliniowego modelu matematycznego. Potrafi ocenić istotność parametrów. Umie wykorzystać pakiety obliczeniowe do symulacji procesów. ZIP2A_U01, ZIP2A_U18, ZIP2A_U06 Wykonanie ćwiczeń laboratoryjnych,
Udział w dyskusji,
Kolokwium,
Aktywność na zajęciach
Kompetencje społeczne
M_K001 Umie rozpoznać złożoności uwarunkowań zadań prognozowania. Rozumie potrzebę poszerzania wiedzy o tych uwarunkowaniach i współdziałania w zespołach interdyscyplinarnych przy formułowaniu prognoz o poważnych konsekwencjach ekonomicznych lub/i społecznych. Potrafi podkreślać odpowiedzialności prognosty za formułowane takich prognoz. Potrafi analizować korzyści z wykorzystania technik matematycznych i narzędzi numerycznych do prognozowania w przedsiębiorstwie. ZIP2A_K03, ZIP2A_K02, ZIP2A_K04 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach
M_K002 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych procesów do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. Rozumie potrzebę stałego poszerzania wiedzy technologicznej dla budowania modeli procesów i doskonalenia umiejętności posługiwania się nowymi narzędziami komputerowymi ZIP2A_K03, ZIP2A_K01 Wykonanie ćwiczeń,
Udział w dyskusji,
Aktywność na zajęciach
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
M_W001 Umie wyjaśniać rolę prognozowania i symulacji w procesach podejmowania decyzji gospodarczych i inżynierskich. Potrafi definiować podstawy epistemologiczne prognozowania. Potrafi klasyfikować zadania prognozowania w zależności od złożoności oddziaływań otoczenia, horyzontu predykcji i konsekwencji błędów prognoz. Potrafi przywoływać zasady prognozowania eksperckiego i matematycznego. Potrafi rozpoznawać silne i słabe strony tych podejść i ich komplementarność. Umie wymieniać metody prognozowania matematycznego oraz symulacji procesów technologicznych i stochastycznych, z uwzględnieniem potrzeb zarządzania i inżynierii produkcji. + - + + - - - - - - -
M_W002 Potrafi klasyfikować zadania modelowania procesów w zależności od celu modelowania. Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych, rozumie ich ograniczenia i zakres stosowalności. Zna zasady redukcji złożoności modelu i linearyzacji. Zna zasady planowania eksperymentów. Zna zasady komputerowej symulacji dynamiki procesów. + - + + - - - - - - -
Umiejętności
M_U001 Potrafi wybierać metodę prognozowania stosownie do specyfiki zadania. Umie zapisywać formuły predyktora, potrafi wybierać dane oraz narzędzia numeryczne do ich identyfikacji i praktycznego wykorzystania. Potrafi używać biegle podstawowe narzędzia prognozowania szeregów czasowych. Potrafi oceniać wiarygodność wyników prognozowania oraz ryzyko prognozy. Umie stosować symulacyjne metody analizy niepewności planów produkcyjnych. + - + + - - - - - - -
M_U002 Umie zbudować model teoretyczny prostego procesu ciągłego i sformułować zadanie jego identyfikacji. Potrafi dobrać strukturę modelu regresyjnego i posługiwać się biegle metodą analizy regresji. Umie wykorzystać pakiety obliczeniowe do identyfikacji współczynników nieliniowego modelu matematycznego. Potrafi ocenić istotność parametrów. Umie wykorzystać pakiety obliczeniowe do symulacji procesów. - - + + - - - - - - -
Kompetencje społeczne
M_K001 Umie rozpoznać złożoności uwarunkowań zadań prognozowania. Rozumie potrzebę poszerzania wiedzy o tych uwarunkowaniach i współdziałania w zespołach interdyscyplinarnych przy formułowaniu prognoz o poważnych konsekwencjach ekonomicznych lub/i społecznych. Potrafi podkreślać odpowiedzialności prognosty za formułowane takich prognoz. Potrafi analizować korzyści z wykorzystania technik matematycznych i narzędzi numerycznych do prognozowania w przedsiębiorstwie. - - + - - - - - - - -
M_K002 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych procesów do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. Rozumie potrzebę stałego poszerzania wiedzy technologicznej dla budowania modeli procesów i doskonalenia umiejętności posługiwania się nowymi narzędziami komputerowymi - - - + - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

1. Prognozowanie matematyczne i eksperckie: podstawy epistemologiczne narzędzia formalne, założenia prognostyczne, cele prognozowania, Wykorzystanie prognoz w sterowaniu i zarządzaniu produkcją
2. Modele ekonometryczne w prognozowaniu.
3. Zasady prognozowania szeregów czasowych. Modele tendencji rozwojowej w prognozowaniu – istota prognozowania przez ekstrapolację. Prognozowanie szeregów czasowych z tendencją i wahaniami sezonowymi. Istota metod adaptacyjnych: wygładzanie wykładnicze (modele: Holta, Wintersa, Holta-Wintersa, modele harmoniczne), model trendu pełzającego.
4. Prognozowanie szeregów czasowych z wykorzystaniem modeli dynamicznych ARMA, ARIMA oraz ARMAX i ARIMAX: założenia, modele matematyczne, ocena jakości prognoz, wpływ długości horyzontu prognozy.
5. Zagadnienia prognozowania przez analogie (rodzaje, kryteria podobieństwa, zmienne wiodące i naśladujące)
6. Metoda Monte Carlo – cele, założenia, uwarunkowania czasowe i numeryczne, interpretacja wyników.
7. Zasady symulacji procesów ciągłych, narzędzia numeryczne symulacji, uwarunkowania wiarygodności wyników.
8. Zasady symulacji procesów dyskretnych i procesów masowej obsługi: narzędzia numeryczne symulacji, uwarunkowania wiarygodności wyników.
9. Symulacyjna analiza niepewności planów produkcyjnych – analiza scenariuszy w warunkach niepewności informacji.
10.Pojęcie procesu i jego otoczenia, klasyfikacja procesów (ciągłe/dyskretne, dynamiczne/statyczne, stacjonarne/niestacjonarne), stany równowagowe i przebiegi przejściowe. Model matematyczny procesu i kryteria oceny jego jakości, cel modelowania jako punkt wyjścia do konstrukcji modelu, specyfikacja zmiennych wejściowych, wyjściowych i stanu procesu.
11.Modele fenomenologiczne: zasady zachowania i ich wykorzystanie do konstrukcji modeli w przestrzeni stanu, znaczenie wiedzy dziedzinowej, zasady redukcji złożoności modelu fenomenologicznego. Identyfikacji parametrów modelu teoretycznego. Linearyzacja modeli w przestrzeni stanu, modele liniowe w dziedzinie czasu i częstotliwości. Typowe człony dynamiczne – inercyjne, oscylacyjne, minimalno- i nieminimalnofazowe.
12.Modele statystyczne (wejścia/wyjścia) – metoda czarnej skrzynki: zakres zastosowań metod statystycznych, zasady doboru zmiennych wejściowych, metody redukcji liczby wejść (analiza komponentów głównych). Regresja liniowa – założenia, ograniczenia zastosowań, analiza istotności statystycznej wejść. Zastosowanie regresji liniowej do identyfikacji modeli nieliniowych linearyzowanych – zasady i ograniczenia. Regresja nieliniowa – problemy identyfikacji.
13.Regresja dynamiczna – modele ARMA, ARIMA, i ARMAX i ARIMAX – problemy budowy i identyfikacji.
14.Zastosowanie sztucznych sieci neuronowych do budowy modeli statycznych i dynamicznych – zakres zastosowań i ograniczenia: sieci neuronowe, ich rodzaje i sposoby wykorzystania do modelowania procesów.

Ćwiczenia laboratoryjne:

1.Zapoznanie się z narzędziami modelowania i prognozowania pakietu EXCEL i MATLAB.
2.Rozwiązywanie przykładowych zadań modelowania i prognozowania jednoczynnikowego w pakietach EXCEL, STATGRAF i MATLAB.
3.Przygotowanie danych do wariantowego prognozowania zależności ekonometrycznych w pakiecie MATLAB i STATGRAF – analiza wyników.
4.Badanie właściwości modeli regresyjnych liniowych na przykładzie modeli statycznych wielomianowych, z wykorzystaniem prostego skryptu przygotowanego przez studenta w środowisku MATLAB (analiza efektów złego uwarunkowania modelu, poziomu zakłóceń, nadparametryzacji, określenie przedziałów ufności).
5.Zapoznanie się z metodami algorytmicznego doboru struktury modelu (metoda odrzucania i dołączania) z wykorzystanie skryptu przygotowanego przez prowadzącego zajęcia. Budowa prostego modelu dynamicznego ARMA.

Ćwiczenia projektowe:

1.Sprawdzenie wiadomości z zakresu statystycznych modeli procesów ekonomicznych statycznych i dynamicznych, jedno i wielorównaniowych, liniowych i nieliniowych. Analiza konsekwencji linearyzacji modeli nieliniowych. Estymacja przedziałowa i inne metody oceny jakości prognoz.
2.Sprawdzenie wiadomości z zakresu prostych metod prognozowania szeregów czasowych – wpływ horyzontu predykcji na jakość prognoz ekstrapolacyjnych.
Formalna reprezentacja składowych cyklicznych.
3.Istota metod adaptacyjnych i ich porównanie z metodami tendencji rozwojowej. Zasady wygładzania wykładniczego (modele: Browna, Holta, Wintersa). Model trendu pełzającego z wagami harmonicznymi
Sprawdzenie wiadomości z zakresu zasad prognozowania na podstawie modeli dynamicznych Dyskusja wad i zalet modeli ARMA, ARMAX i ARiMAX.
4.Dyskusja zagadnień prognozowania przez analogie (rodzaje, kryteria podobieństwa, zmienne wiodące i naśladujące).
5.Formułowanie zadań symulacji zjawisk. Zasady symulacji deterministycznej i metod Monte Carlo. Konstruowanie scenariuszy, kryteria oceny wiarygodności wyników symulacji. Sprawdzenie wiadomości z zakresu heurystycznych metod prognozowania.

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 130 godz
Punkty ECTS za moduł 5 ECTS
Udział w wykładach 28 godz
Udział w ćwiczeniach projektowych 14 godz
Udział w ćwiczeniach laboratoryjnych 14 godz
Przygotowanie do zajęć 28 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Wykonanie projektu 14 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

Ocena końcowa wystawiana jest przez prowadzącego wykład jako średnia z ćwiczeń z wagą 0.25 (uśredniona ocena z odpowiedzi ustnych), z laboratorium z wagą 0.3 i z egzaminu końcowego testowego (waga 0.45).
Ocenę zaokrągla się zależnie od obecności na wykładach, z możliwością podniesienia (maks. o 1.0) na podstawie dodatkowego kolokwium ustnego.

Wymagania wstępne i dodatkowe:

Statystyka (statystyczne analizy danych, regresja, wnioskowanie statystyczne), matematyka (analiza matematyczna, rachunek macierzowy, równania różniczkowe), technologie informacyjne (podstawowe algorytmy obliczeniowe, umiejętność programowania prostych aplikacji numerycznych), komputerowe wspomaganie prac inżynierskich (umiejętność biegłego posługiwania się pakietami oprogramowania do złożonych obliczeń inżynierskich i analiz statystycznych). Wiedza ogólna z zakresu fizyki, znajomość podstawowych metod statystyki matematycznej i algebry, umiejętność programowania w środowisku MATLAB

Zalecana literatura i pomoce naukowe:

Literatura podstawowa:
1. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych, PWN, Warszawa 1983.
2. Dittmann P.: Prognozowanie w przedsiębiorstwie. Metody i ich zastosowanie, Oficyna Ekonomiczna, Kraków 2004.
3. Duda J.T.: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego, WND AGH, Kraków 2003.
4. Nowak E. (red.): Prognozowanie gospodarcze. Metody, modele, zastosowania, przykłady. Placet 1998.
5. Duda J.T: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. WND AGH, Kraków 2003
6. Mańczak K., Nachorski M.: Komputerowa identyfikacja obiektów dynamicznych. Warszawa, PWN, 1981
7. Tadeusiewicz R.: Sieci neuronowe: Warszawa, WNT, 1997.
8. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych. PWN, Warszawa, 1983
Zasoby internetowe:
materiały pomocnicze do zajęć (manuskrypt opracowania wykładowcy nt. metod statystycznych modelowania procesów)
Literatura uzupełniająca:
1. Duda J.T.: Materiały dydaktyczne nt. wykorzystania metod statystycznych w prognozowaniu (dwa dokumenty elektroniczne udostępniane na życzenie drogą elektroniczną).
2. Dudek-Dyduch E.: Systemy informatyczne zarządzania. WND AGH, Kraków 2002.
3. Mańczak K., Nachorski M.: Komputerowa identyfikacja obiektów dynamicznych, PWN, Warszawa 1981.

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Dynamic classification system in large-scale supervision of energy efficiency in buildings / S. KILUK // Applied Energy ; ISSN 0306-2619. — 2014 vol. 132, s. 1–14.

Informacje dodatkowe:

Brak