Module also offered within study programmes:
General information:
Name:
Prognozowanie i symulacja w przedsiębiorstwie
Course of study:
2019/2020
Code:
GIPZ-2-206-LM-s
Faculty of:
Mining and Geoengineering
Study level:
Second-cycle studies
Specialty:
Lean Manufacturing
Field of study:
-
Semester:
2
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr inż. Napieraj Aneta (aneta.napieraj@agh.edu.pl)
Module summary

W ramach przedmiotu student zapoznaje się z metodami prognozowania wykorzystywanymi w przedsiębiorstwach. Ponadto zapoznaje się ze sposobami wykonania symulacji procesów w przedsiębiorstwie oraz ich weryfikacji.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence: is able to
M_K001 Student rozumie potrzebę ciągłego dokształcania się. Potrafi myśleć w sposób analityczny i kreatywny oraz pracować w zespole. IPZ2A_K01, IPZ2A_K02, IPZ2A_K03 Participation in a discussion,
Execution of laboratory classes
Skills: he can
M_U001 Student potrafi przygotować prognozę i symulację procesów w przedsiębiorstwie przy wykorzystaniu poznanych metod. IPZ2A_U04, IPZ2A_U01 Test
M_U002 Student potrafi wykorzystać programy komputerowe do prognozowania i symulacji procesów produkcyjnych. IPZ2A_U03, IPZ2A_U01 Activity during classes,
Test
Knowledge: he knows and understands
M_W001 Student ma podstawowa wiedzę z zakresu metod prognozowania i symulacji procesów w przedsiębiorstwie. IPZ2A_W04, IPZ2A_W02, IPZ2A_W01 Examination
M_W002 Student ma wiedzę na temat programów komputerowych wykorzystywanych w prognozowaniu i symyulacji procesów w przedsiębiorstwie. IPZ2A_W02 Examination
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
30 15 0 15 0 0 0 0 0 0 0 0
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Student rozumie potrzebę ciągłego dokształcania się. Potrafi myśleć w sposób analityczny i kreatywny oraz pracować w zespole. + - + - - - - - - - -
Skills
M_U001 Student potrafi przygotować prognozę i symulację procesów w przedsiębiorstwie przy wykorzystaniu poznanych metod. + - + - - - - - - - -
M_U002 Student potrafi wykorzystać programy komputerowe do prognozowania i symulacji procesów produkcyjnych. + - + - - - - - - - -
Knowledge
M_W001 Student ma podstawowa wiedzę z zakresu metod prognozowania i symulacji procesów w przedsiębiorstwie. + - - - - - - - - - -
M_W002 Student ma wiedzę na temat programów komputerowych wykorzystywanych w prognozowaniu i symyulacji procesów w przedsiębiorstwie. + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 57 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 h
Preparation for classes 15 h
Realization of independently performed tasks 10 h
Examination or Final test 1 h
Contact hours 1 h
Module content
Lectures (15h):
  1. Prognozowanie
    1. Pojęcia podstawowe z zakresu prognozowania w przedsiębiorstwie, prognozy ex post i ex ante oraz ich błędy.
    2. Prognozowanie z modeli strukturalnych
    3. Prognozowanie przy wykorzystaniu modeli niestrukturalnych:
    – prognozy z modeli naiwnych
    – modele filtracji w prognozowaniu
    – modele analizy szeregów czasowych
    4. Sieci neuronowe w prognozowaniu
    5. Przegląd najważniejszych rozkładów

    Symulacja
    1. Pojęcia podstawowe z zakresu symulacji
    2. Symulacja zdarzeń dyskretnych
    3. Symulacja modeli ciągłych
    – modele ekonometryczne
    – rozwiązania modeli ekonometrycznych
    – symulacja deterministyczna
    – przedziały ufności dla rozwiązań i mnożników
    4. Symulacja stochastyczna
    – zagadnienie oceny wiarygodności modeli
    – analiza wyników eksperymentu symulacyjnego
Laboratory classes (15h):

Studenci wykonują ćwiczenia obejmujące:
prognozy ex post i ex ante oraz ich błędy,
prognozy z modeli naiwnych
modele analizy szeregów czasowych
modele ekonometryczne
przedziały ufności dla rozwiązań i mnożników
zagadnienie oceny wiarygodności modeli
analiza wyników eksperymentu symulacyjnego

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Treści wykładu weryfikowane są zaliczeniem z ćwiczeń laboratoryjnych. Ocena z przedmiotu jest oceną z zaliczenia ćwiczeń laboratoryjnych.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu.
Method of calculating the final grade:

Ocena końcowa jest oceną z zaliczenia ćwiczeń laboratoryjnych.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Student wyrównuje zaległości powstałe wskutek absencji samodzielnie lub odrabiając zajęcia z inną grupą (pod warunkiem, że jest wolne stanowisko i omawiany jest ten sam temat).

Prerequisites and additional requirements:

Znajomość przedmiotów Matematyka I, Matematyka II, Statystyka.

Recommended literature and teaching resources:

1.Prognozowanie gospodarcze: metody i zastosowania / red. nauk. Maria Cieślak ; Warszawa: Wydaw. Naukowe PWN, 2004.
2.Prognozowanie w zarządzaniu przedsiębiorstwem/ red. nauk. Maria Cieślak; Wydawnictwo Akademii Ekonomicznej, Wrocław 1999.
3.Prognozowanie i symulacja a decyzje gospodarcze / Jan B. Gajda. Warszawa : Wydaw. C.H. Beck, 2001.
4.Prognozowanie w przedsiębiorstwie/ Paweł Dittman. Wyd. Oficyna ekonomiczna. Kraków 2003
5.Prognozowanie i symulacja / pod red. Władysława Milo. Łódź : Wydaw. Uniwersytetu Łódzkiego, 2002.
6.Snopkowski R.: „Symulacja stochastyczna” – UWND, Kraków 2007

Scientific publications of module course instructors related to the topic of the module:

Ryszard SNOPKOWSKI, Aneta NAPIERAJ, Method of the production cycle duration time modeling within hard coal longwall faces. Archives of Mining Sciences, 2012 vol. 57 no. 1, s. 121–138.
Edyta BRZYCHCZY, Marek KĘSEK, Aneta NAPIERAJ, Roman MAGDA, An expert system for underground coal mine planning. Gospodarka Surowcami Mineralnymi, 2017 vol. 33 iss. 2, s. 113–127.
Edyta BRZYCHCZY, Aneta NAPIERAJ, Marta SUKIENNIK, Evolutionary optimisation of coal production in underground mines. Zeszyty Naukowe, Politechnika Śląska, Organizacja i Zarządzanie, 2017 z. 100, s. 61–76.

Additional information:

Zaliczenie ćwiczeń laboratoryjnych może być uzyskane w terminie podstawowym i dwóch poprawkowych. Obecność na wykładach jest zalecana. Obecność na ćwiczeniach laboratoryjnych jest obowiązkowa.
Usprawiedliwiona nieobecność na ćwiczeniach laboratoryjnych może być odrobiona z inną grupą, ale tylko za zgodą prowadzącego i pod warunkiem, że realizowany jest ten sam temat i jest wolne miejsce przy stanowisku. W szczególnych przypadkach sposobem odrobienia usprawiedliwionej nieobecności na zajęciach może być napisanie referatu/opracowania na temat ustalony z prowadzącym zajęcia.