Модели и методы принятия решений лекции: Произошла ошибка - Управленческое образование

Содержание

Лекция Модели и методы принятия решений Глоссарий

Лекция «Модели и методы принятия решений»

Глоссарий Наука управления Модель Теория игр Модель теории очередей Модель управления запасами Модель линейного программирования Имитационное моделирование Экономический анализ Анализ безубыточности Платёжная матрица Дерево решений Прогнозирование Анализ временных рядов Каузальное (причинно-следственное) моделирование Общественное мнение Модель ожиданий потребителей Модель экспертных оценок

1. Понятие и типы моделей Модель- представление объекта, системы или идеи в некоторой форме, отличной от самой целостности. Характеристика модели l l Упрощает реальную жизненную ситуацию, к которой применяется определённая модель Повышает способность руководителя к пониманию и разрешению возникающих перед ним проблем Помогает руководителю совместить свой опыт и способности к суждению с опытом и суждением экспертов Моделирование – процесс построения модели Причины, обуславливающие использование модели: — Естественная сложность многих организационных ситуаций Невозможность проведения экспериментов в реальной жизни Ориентация руководства на будущие

2. 2

3. Моделирование l Процесс построения модели: Постановка задачи Построение модели, отбор фактов влияющих на результат Проверка модели на Достоверность (достоверность Модели и достоверность фактора) Применение модели Обновление модели

4. Моделирование Общие проблемы моделирования: 1)Недостоверные исходные допущения. Точность модели зависит от точности исходных допущений или предложений l 2)Информационные определения – ограниченные возможности в получении точной информации по проблеме l 3)Страх пользователей. Руководители, которым предназначена модель, могут не вполне понимать получаемые с помощью модели результаты и потому боятся её применять l 4)Слабые использования на практике. Основные причины неиспользования моделей – недостаток знаний и сопротивление переменам l 5)Высокая стоимость. Выгоды от использования модели должны с избытком оправдывать её стоимость. При установлении издержек на моделировании руководству следует учитывать затраты времени на построение модели и сбор информации, расходы и время на обучение, стоимость обработки и хранения информации.

5. Модели науки управления 1 Теория игр 2 Модель Теории очередей 8 Методы прогнозирования 7 Дерево решений Модели науки управления 3 Модель Линейного программирования 4 Модель Управления запасами 6 Экономический анализ 5 Имитационное моделирование

6. Модели науки управления l 1) Теория игр – метод моделирования оценки взаимодействия принятого решения на конкурентов. В бизнесе игровые модели используются для прогнозирования реакции конкурентов на изменение цен, новые кампании поддержке сбыта, предложения дополнительного обслуживания, модификацию и освоение новой продукции. Если, например, с помощью теории игр руководство устанавливает, что при повышении цен конкуренты не сделают того же, оно, вероятно должно отказаться от этого шага, чтобы не попасть в невыгодное положение в конкурентной борьбе. Теория игр полезна, когда требуется определить наиболее важные и требующие учета факторы в ситуации принятия решений в условиях конкурентной борьбы.

7. Модели науки управления 2) Модель теории очередей (модель оптимального обслуживания) используется для определения оптимального числа каналов обслуживания по отношению к потребности в них. К ситуациям, в которых модель теории очередей может быть полезна, следует отнести звонки людей в авиакомпанию для резервирования места для получения информации, ожидание в очереди на машинную обработку данных, мастеров по ремонту оборудования, очередь грузовиков под разгрузку на склад, ожидание клиентами банка свободного кассира. Принципиальная проблема заключается в уравновешивание на дополнительные каналы обслуживания (больше людей для разгрузки грузовиков, больше кассиров, больше клерков, занимающихся предварительной продажей билетов на самолёт) и потерь от обслуживания на уровне ниже оптимального (грузовики не могут сделать лишнюю из-за задержки под разгрузкой, потребители уходят в другой банк или обращаются к другой авиакомпании из-за медленного обслуживания).

8. Модели науки управления l 3) Модель управления запасами используется для определения времени размещения заказов на ресурсы и их количества, а также массы готовой продукции на складах. Любая организация должна поддерживать некоторый уровень запасов во избежание задержек на производстве и в сбыте. Для сухой очистки требуется поставка необходимого количества химикатов, для больницы лекарств, для производственной фирмы – сырья и деталей, а также определённый задел незавершённого производства и запас готовой продукции. Цель данной модели —сведение к минимуму отрицательных последствий накопления запасов, что выражается в издержках на размещение заказов, на хранение, а также потери, связанные с недостаточным уровнем запасов.

9. Модели науки управления l 4) Модель линейного управления применяют для определения оптимального способа распределения дефицитных ресурсов при наличии конкурирующих потребностей. Варианты применения линейного программирования: — определение оптимального ассортимента продукции — определение оптимального технического маршрута изготовления изделия — определение оптимального местонахождения нового завода — календарное планирование транспорта — распределение рабочих и т.

д.

10. Модели науки управления l 5) Имитационное моделирование – процесс создания модели и её экспериментальное применение для определения изменений реальной ситуации. Главная идея имитации состоит в использовании некоего устройства для имитации реальной системы для того, чтобы исследовать и понять её свойства, поведение и характеристики. Специалисты по производству и финансам могут разработать модели, позволяющие имитировать ожидаемый прирост производительности и прибылей в результате применения новой технологии или изменение состава рабочей силы. Специалист по маркетингу может создавать модели для имитации ожидаемого объёма сбыта в связи с изменением цен или рекламы продукции. Имитация используется в ситуациях, слишком сложных для математических методов типа линейного программирования.

11. Модели науки управления l 6) Экономический анализ вбирает в себя почти все методы оценки издержек и экономических выгод, а также относительной рентабельности деятельности предприятия. Тактичная «экономическая» модель основана на анализе безубыточности. Вычисление точки безубыточности позволяет сразу увидеть, будет ли проект прибыльным, как запланировано, и каков примерный уровень риска. Анализ безубыточности – метод применения решений с определением точки, в которой общий доход уравнивается с суммарными издержками, т. е. предприятие становится прибыльным. BSV=FC/P-VC где BSV – точка безубыточности P – цена за единицу продукции FC – постоянные издержки VC – переменные издержки на единицу продукции

12. Модели науки управления l 7) Дерево решений – это схематическое представление проблемы принятия решений, которое даёт руководителю возможность учесть различные направления действий, соотнести с ними финансовые результаты, скорректировать их в соответствии с приписанной им вероятностью, а затем сравнить альтернативы. Этот метод можно использовать в применении к сложным ситуациям, когда результат принимаемого решения влияет на последующие.

13. Модели науки управления l 8) Методы прогнозирования – методы, в которых используется как накопительный в прошлом опыт, так и текущие допущения насчёт будущего с целью его определения. Прогнозирование используется для выявления альтернатив и их вероятности. К количественным методам прогнозирования относятся анализ временных рядов и каузальное (причинно-следственное) моделирование. Под качественными методами понимаются мнение жюри, совокупное мнение сбытовиков и метод экспертных оценок.

Модели и методы принятия решений

4. Модели и методы принятия решений.

4.1. Организационные решения.

Человека можно назвать менеджером тогда, когда он принимает организационные решения и реализует их через других людей, учитывая при этом их собственные цели и интересы. Принятие решения, как и обмен информацией, является основной составляющей любой управленческой деятельности.

Решение — это выбор наиболее приемлемой альтернативы из возможного многообразия вариантов.

Организационное решение — это выбор, который делает руководитель, чтобы выполнить свои обязанности, определенные его должностью. Цель организационного решения — обеспечение последовательного движения организации к намеченным целям.

Организационные решения бывают запрограммированными и незапрограммированными. Запрограммированными решениями являются те, которые сопутствуют получению результата, и определены некоторой, уже отработанной последовательностью шагов, решений или действий. Незапрограммированные решения — те, которые возникают вследствие новой необычной ситуации.

Компромисс — соглашение, достигнутое путем приемлемых взаимных уступок.

Интуитивное решение — выбор, сделанный только на основе ощущения, озарения.

Решения, основанные на суждениях — это выбор, основанный на знаниях или в соответствии с накопленным опытом.

Теория принятия решений

Вопросы к зачету

Материалы занятий

Тема 1.

Моделирование проблемной ситуации.

Лекция 1. Решения. Математическая теория принятия решений. Процесс принятия решений. Модель проблемной ситуации (постановка задачи принятия решений). Классификация задач принятия решений. Участники процесса принятия решений.

Семинар 1. Построение модели проблемной ситуации. Идти на семинар или нет. Поступление в вуз. Выбор номинантов на премию Оскар. Кредитный скоринг. Социальный менеджмент.

Дополнительный материал. А. Румянцев. Скоринговые системы: наука помогает бизнесу.

Тема 2. Описание предпочтений.

Лекция 2. Описание предпочтений для построения модели проблемной ситуации. Ранжирование. Задание функции предпочтительности. Задание функции выбора. Построение отношения предпочтения. Оценка по критериям. Взаимосвязь различных видов описания предпочтений.

Семинар 2. Введение в дискретную математику. Множества и операции над ними. Бинарные отношения и их свойства. Графы. Любовный треугольник. Родословная. Социальная сеть. Отношение предпочтения.

Дополнительный материал. Сологуб Г.Б. Элементы дискретной математики.

Тема 3. Формальная модель выбора.

Лекция 3. Формальная модель выбора. Характеристические свойства функций выбора. Наследование. Константность. Независимость от отбрасывания отвергнутых вариантов. Прямое и обратное условия Кондорсе.

Семинар 3. Задачи выбора. Принцип Кондорсе. Задача (выбор приза из оставшихся, выбор фильма в многозальном кинотеатре). Парнодоминантный выбор. Применение принципа Кондорсе. Эквивалентное описание парнодоминантного выбора отношением предпочтения, его графом и матрицей. Продолжение предпочтения по транзитивности. Механизм опроса лица, принимающего решение. Уточнение и исправление противоречий.

Дополнительный материал. Милов Л.Т. Лекция №6 по ТПР.

Лекция 4. Принцип Кондорсе. Критерии существования и единственности решения в задачах выбора. Механизм попарных предпочтений и механизм попарных блокировок. Матричное и графовое правила выбора. Обработка умолчаний и противоречий.

Дополнительный материал. Милов Л.Т. Лекция №10 по ТПР.

Семинар 4. Задача педагогического оценивания. Построение отношения предпочтения. Граф и матрица предпочтения. Задание функции предпочтительности. Перешкалирование оценок. Учет и анализ мнения нескольких экспертов. Применение методов экспертного оценивания в банковской сфере.

Дополнительный материал. В. И. Михеев. Моделирование и методы теории измерений в педагогике. 2-е изд. М.: УРСС, 2004.

Тема 4. Функция полезности.

Лекция 5. Функция полезности. Определение. Виды методов построения. Метод главного критерия и метод обобщенного критерия. Виды свёрток. Аддитивная функция полезности. Независимость по предпочтению. Теорема Дебре.

Семинар 5. Функция полезности в экономике. Определение функции полезности. Закон убывающей полезности. Предельная полезность. Карта кривых безразличия. Задача определения оптимального набора потребления. Предельная норма замещения. Кривая «доход – потребление». Кривая «цена – потребление». Анализ ситуаций.

Дополнительный материал. Б.С. Малышев. Теория предельной полезности (потребитель на рынке товаров и услуг). Благовещенск, 1999.

Лекция 6. Построение аддитивной функции полезности. Утверждение Леонтьева-Гормана. Проверка на независимость по предпочтению. Методы построения функции полезности. Шаговый метод совместного шкалирования. Метод половинного деления.

Семинар 6. Моделирование экономических ситуаций. Функция полезности с полным взаимодополнением благ. ФП с полным взаимозамещением благ. Функция полезности Кобба-Дугласа. Применение функции полезности для анализа деятельности страховых компаний (вероятность банкротства, кривая безразличия «риск-доходность» для страховой компании, критерий достаточного капитала). Анализ функции полезности ипотечного кредита для домашних хозяйств (модель, кластеризация, использование).

Дополнительные материалы. Данилов Н. Н., Иноземцева Л. П. Основы математической экономики. Р. Сушко, А. Ретинский. Сотрудничество банков и страховых компаний. Недосекин А.О. Анализ функции полезности ипотечного кредита для российского домашнего хозяйства.

Тема 5. Принятие решений в условиях риска.

Лекция 7. Принятие решений в условиях риска. Отношение стохастического доминирования. Принципы: гарантированного результата, среднего результата, кучности результата. Лотерея, выигрыши. Склонность к риску. Функция полезности по фон Нейману и Моргенштерну.

Семинар 7. Методы формирования вопросов (ЗПР в условиях риска). Лотерея . Смесь вариантов. Симплекс. Функция полезности по фон Нейману и Моргенштерну. Ожидаемая полезность. Параметрическое оценивание квадратичной функции полезности, точность построения. Методики опроса для нахождения двухпараметрической квадратичной функции полезности.

Дополнительный материал. О.Ю. Воробьев, Е.А. Сорокин. Построение сиcтемы предпочтений индивидуума: два метода формирования вопросов.

Лекция 8. Построение функции полезности по фон Нейману и Моргенштерну. Правило замены, правило свёртывания. Базовая лотерея. Достоверный эквивалент и средний результат лотереи. Характеристика отношения к риску. Метод 5-ти точек (Кини и Райфа).

Тема 6. Психологический подход к задачам выбора.

Лекция 9. Психологический подход к задачам выбора. Бихейвиоризм и когнитивная психология. Модели памяти. Эвристики и ошибки оценивания. Психологическая корректность методов принятия решений.

Семинар 8. Психологические аспекты принятия решений. Психологические и физиологические исследования по мышлению и принятию решений. Аксиомы предпочтения в модели фон Неймана и Моргенштерна. Функция полезности по фон Нейману и Моргенштерну и её нелинейные обобщения. Эвристики и смещение оценок. Preference reversal phenomenon (несоответствие предпочтения лотерей и достоверных эквивалентов). Reference point phenomenon («эпидемия», зависимость предпочтений от контекста и формулировки постановки задачи). Критерии психологической корректности методов принятия решений.

Дополнительный материал. Некрасов А.А. Лекция 1. Неопределенность.

Тема 7. Задачи группового выбора.

Лекция 10. Задачи группового выбора. Процедура голосования. Процедуры голосования типов «упорядочение-упорядочение» и «выбор-выбор» и применяющиеся в них принципы согласования.

Семинар 9. Задачи группового выбора типов «упорядочение-упорядочение» и «выбор-выбор». Коллективный выбор учебной группой формы аттестации. Различие результатов выборов при применении различных правил голосования. Достоинства и недостатки принципов согласования, основанных на упорядочении вариантов. Определение членами жюри списка победителей в соревновании. Достоинства и недостатки принципов согласования, основанных на количественных (балльных) оценках вариантов. Методология разработки Agile, Scrum poker, коллективное оценивание заданий.

Лекция 11. Процедуры голосования типов «упорядочение-выбор». Правила голосования с подсчетом очков. Правило Кондорсе. Состоятельные по Кондорсе правила. Нормативные свойства правил голосования. Манипулируемость принципов согласования.

Семинар 10. Задачи группового выбора типа «У-В». Большинству нравится наименее предпочтительный для большинства, по Борда и во втором туре по относительному большинству выбирается не победитель по Кондорсе. Отсутствует победитель по Кондорсе (нетранзитивность), победители по Борда, Копленду, Симпсону и относительному большинству различаются. Эффект удаления несущественных вариантов для Борда и относительного большинства. Эффект добавления мнимой альтернативы для Борда и ОБ. Согласование мнений экспертов, оценщиков, тестировщиков.

Дополнительный материал. Др. Джеймс Мак-Кэффри. Групповое определение в тестировании программного обеспечения.

Тема 8. Качественные методы принятия решений.

Лекция 12. Общие черты неструктуризованных проблем. Требования к качественным методам принятия решений. Метод ЗАПРОС. Постановка задачи. Опорные ситуации и их списки векторных оценок. Проверки на корректность.

Лекция 13. Задача ординальной классификации. Метод ОРКЛАСС. Идея метода. Процедура опроса. Информативность векторной оценки.

Модели принятия решений | Расширенный список литературы

СПИСОК ЛИТЕРАТУРЫ

1. Труды ИСА РАН: Математические модели социально-экономических процессов. Методы принятия решений. Численные методы решения. Экономические и социокультурные проблемы информационного общества. Управление рисками и безопасностью / Под ред. С.В. Емельянова. — М.: Красанд, 2013. — 124 c.
2. Бережная, Е.В. Методы и модели принятия управленческих решений: Учебное пособие / Е.В. Бережная, В.И. Бережной. — М.: Инфра-М, 2016. — 384 c.
3. Киселева, И.А. Коммерческие банки: Модели и информационные технологии в процедурах принятия решений / И.А. Киселева. — М.: УРСС, 2002. — 400 c.
4. Мадера, А.Г. Количественные методы разработки и принятия решений в менеджменте: Компьютерное моделирование в Microsoft Excel. Практикум / А.Г. Мадера. — М.: Ленанд, 2019. — 120 c.
5. Мендель, А.В. Модели принятия решений: Учебное пособие / А.В. Мендель. — М.: Юнити, 2013. — 124 c.
6. Мендель, А.В. Модели принятия решений: Учебное пособие / А.В. Мендель. — М.: Юнити, 2013. — 463 c.
7. Мендель, А.В. Модели принятия решений: Учебное пособие / А.В. Мендель. — М.: Юнити, 2016. — 463 c.
8. Новоселов, А.Л. Модели и методы принятия решений в природопользовании: Учебное пособие / А.Л. Новоселов, И.Ю. Новоселова. — М.: Юнити, 2013. — 383 c.
9. Оклей, П.И. Экономико-математические методы и модели поддержки принятия решений при эксплуатации тепловых электростанций / П.И. Оклей. — М.: Ленанд, 2016. — 160 c.
10. Орлов, А.И. Организационно-экономическое моделирование: теория принятия решений: Учебник / А.И. Орлов. — М.: КноРус, 2013. — 576 c.
11. Орлов, А.И. Организационно-экономическое моделирование Теория принятия решений Учебник / А.И. Орлов. — М.: КноРус, 2011. — 568 c.
12. Орлов, А.И. Организационно-экономическое моделирование: теория принятия решений: Учебник / А.И. Орлов. — М.: КноРус, 2011. — 568 c.
13. Орлов, А.И. Организационно-экономическое моделирование: теория принятия решений.учебник / А.И. Орлов. — М.: КноРус, 2018. — 48 c.
14. Рубчинский, А.А. Методы и модели принятия управленческих решений: Учебник и практикум для академического бакалавриата / А.А. Рубчинский. — Люберцы: Юрайт, 2016. — 526 c.
15. Семенов, С.С. Методы и модели принятия решений в задачах оценки качества и технического уровня сложных технических систем / С.С. Семенов, Е.М. Воронов, А.В. Полтавский, А.В. Крянев. — М.: Ленанд, 2019. — 516 c.
16. Сернова, Н.В. Балансовые и оптимизационные модели принятия решений: Учебное пособие / Н.В. Сернова, В.М. Гордуновский. — М.: МГИМО, 2005. — 104 c.
17. Тарануха, Ю.В. Организационно-экономическое моделирование. Теория принятия решений / Ю.В. Тарануха, Д.Н. Земляков. — М. : КноРус, 2013. — 576 c.
18. Чернов, В.Г. Модели поддержки принятия решений в инвестиционной деятельности на основе аппарата нечетких множеств / В.Г. Чернов. — М.: ГЛТ, 2007. — 312 c.
19. Чернов, В.Г. Модели поддержки принятия решений в инвестиционной деятельности на основе аппарата нечетких множеств. / В.Г. Чернов. — М.: Горячая линия -Телеком , 2007. — 312 c.

Введение в принятие решений — модели агрегирования и принятия решений

Здравствуйте, в этом наборе лекций мы собираемся рассмотреть некоторые модели принятия решений. Итак, это модели того, как люди принимают решения и как они должны принимать решения, и мы собираемся сделать несколько типов. Мы создадим несколько моделей принятия решений по критериям, мы создадим несколько пространственных моделей и немного теории принятия решений в условиях неопределенности. Хорошо, это своего рода наброски. Теперь, когда мы думаем о моделях теории принятия решений, мы делаем это по двум причинам.Во-первых, это нормативно. Помните, как мы говорили о том, как модели могут помочь нам лучше мыслить? Ну, эти конкретные модели помогут нам сделать лучший выбор. Помните Поговорите о том, как они могут служить костылем. Они могут помочь нам там, где мы есть, из-за нашей ограниченной способности удерживать информацию модели могут нам помочь. Здесь явно будет так. Таким образом, эти модели будут полезны, потому что они помогут нам сделать лучший выбор. Кроме того, есть положительное измерение.Итак, социологи часто используют такого рода модели, чтобы попытаться предсказать выбор, который делают люди. Являются ли они политиками или бизнесменами, да, или даже целыми правительствами, вы можете использовать такого рода модели, чтобы выяснить, знаете ли, почему какой-то актер сделал тот выбор, который он или она сделали? Итак, вот о чем идет речь, и вы также можете обновить эти модели, как мы увидим. Итак, что я имею в виду под нормативным использованием [неразборчиво]? Ну подумай об этом, да? Итак, у вас есть все эти выборы: пойти ли в школу, какие инвестиции сделать, какую работу выбрать, даже хотите ли вы водить машину или летать куда-нибудь, верно? Так что вам предстоит сделать целый ряд выборов, и это может быть непросто.У них будет много измерений, и они могут быть сделаны в условиях неопределенности. Таким образом, эти модели помогут вам сделать лучший выбор, что же вам следует купить? У вас должна быть свадьба внутри или снаружи, верно? Все эти наборы вариантов, вы можете использовать эти модели, чтобы сделать их лучше. Положительно, да, я говорил об этом, вы можете помочь предсказать, что происходит, опять же, у вас есть какой-то политик, который делает политический выбор. Может быть, они выдвинут кандидатуру в Верховный суд. Вы хотите понять, почему они выбрали именно этого человека.Кандидат выбирает платформу. Вы можете использовать эти модели, чтобы понять, почему они выбрали эту платформу? Бизнес делает инвестиции, эти модели объяснят, вы знаете, почему они сделали инвестиции или, возможно, расскажут вам кое-что о том, как они оценивают ценность этих инвестиций. Итак, эти правильные модели можно использовать двумя способами: во-первых, чтобы помочь вам сделать выбор, и во-вторых, чтобы понять выбор других. Теперь мы собираемся сделать два широких класса моделей. К первой относятся модели многокритериального выбора.Так что здесь есть много измерений, и вы пытаетесь сопоставить одну альтернативу с другой. Второй тип будет вероятностным, когда в мире есть некоторая неопределенность, вы не уверены, как это будет разворачиваться, и поэтому вам нужно решить, хорошо, как мне сбалансировать риски и вознаграждение. . Позвольте мне объяснить это немного, и тогда мы начнем. Итак, предположим, вы покупаете машину. Вы можете смотреть на новый Ford Fusion, отличный автомобиль, или на Chevy Volt.К тому же отличная машина. И вы должны подумать, ладно, как мне их измерить, как мне решить, какой из этих двух я хочу купить. Правильно? Ну, один из способов сделать это — сказать: «Хорошо, вот набор критериев. Может быть, вы знаете, насколько удобные сиденья. Так что Форд выигрывает в этом вопросе, и, может быть, в этом пробеге больше миль на галлон, а может быть, у Шевроле больше миль на галлон. Итак, что вы можете сделать, так это то, что у вас есть все эти критерии, и вы можете выбрать автомобиль на основе этих критериев.В качестве альтернативы у вас может быть пространственная модель. Теперь в пространственной модели у вас может быть точка идеи. Таким образом, может быть [неразборчиво] пара параметров, одним из которых может быть, например, скорость движения автомобиля, скорость автомобиля. И еще может быть, насколько это удобно. [звук], так что давайте прямо. Комфорт. Вот, [звук]. Так что я мог бы хотеть подстричься так вроде в меру комфортно. Может быть, я не хочу чувствовать себя слишком комфортно, потому что я как бы засыпаю в машине. И, может быть, я не хочу, чтобы она была слишком быстрой, потому что мои сыновья скоро будут водить машину, а я хочу, чтобы машина была не такой быстрой.Итак, это моя идеальная точка, и я могу подумать о том, насколько далеко эти машины от моей идеальной точки? Так что это расстояние один и расстояние два, и я покупаю машину, которая ближе к моей идеальной точке. Так что это еще один способ, которым мы можем думать о принятии решений. Пространственно, с точки зрения расстояния между вами, вы знаете, насколько близко один продукт или одна политика ближе всего к моим идеальным предпочтениям. Хорошо? Тем не менее, такие варианты выбора вы наверняка знаете, если мы знаем все атрибуты автомобиля. Часто нам приходится делать выбор в условиях неопределенности.Где мы не знаем, знаете ли, как, черт возьми, что нас ждет в будущем. Так, например, я преподаю в Мичиганском университете. Отличная школа, многие хотят туда поступить. Но люди всегда спрашивают меня, должен ли мой сын или дочь поступать в Мичиган? И вы можете думать об этом как о выборе в условиях неопределенности. Правильно, потому что вы можете подать заявку или вы не можете подать заявку. Но если вы подаете заявку, то есть некоторая вероятность P, что вас примут, и некоторая вероятность минус P, что вас не примут.Так что это решение, я применяю. Или я не применяю, не применяю, на самом деле сводится к тому, что вы думаете о ценности P, а также к тому, как хорошо было бы быть принятым. Как сильно ты хочешь туда попасть. Таким образом, вы можете записать на эти деревья решений и решить, стоит ли оно того? Имеет ли смысл заполнять это заявление и платить регистрационный взнос? В дополнение к этому, как только вы получите эти деревья решений, мы покажем, как вы можете их использовать. Помните, одна из причин, по которой мы пишем модели, заключается в том, что они позволяют нам делать другие вещи.После того, как вы записали эти деревья решений, мы можем вычислить то, что называется ценностью информации. Ценность информации говорит нам о том, исчезла ли неопределенность. Чтобы кто-нибудь мог сказать нам, поедете ли вы в Мичиган, или сказать, будет ли дождь в день нашей свадьбы. Тогда мы сможем точно определить, сколько будет стоить эта информация. Так что это небольшой трюк, который мы можем сделать после того, как мы записали наше дерево решений, и это довольно крутая вещь. Итак, наброски.Ваше [неразборчиво] многокритериальное принятие решений, пространственные модели вкратце о вероятности, а затем мы перейдем к теории принятия решений и ценности информации. Давайте начнем, спасибо.

Конспекты лекций | данные, модели и решения | Sloan School of Management

1	Анализ решений I — Дело Кендалла Краба и Омара	На этом занятии мы знакомим с деревьями решений и методологией дерева решений с интуитивной точки зрения без какой-либо формальной теории вероятности.Эта простая для понимания модель помогает учащимся структурировать проблему принятия решения, а также помогает учащимся увидеть необходимость теории вероятности для моделирования неопределенности. Обсуждение в классе дела Кендалла Краба и Омара. Учащиеся готовят следующие вопросы: Какой выбор стоит перед Джеффом Дэниелсом? Каковы источники неопределенности в деле? Каковы последствия различных возможных исходов? Какой план действий вы бы порекомендовали Джеффу Дэниелсу?
2	Анализ решений II – Условные вероятности	На этом занятии мы рассмотрим законы вероятности, включая условную вероятность и арифметику условной вероятности. Мы используем таблицы вероятностей вместо формулы «Теорема Байеса», чтобы концепции были как можно более интуитивными. Обсуждение дела «Великие приложения Анн-Арбора» в классе.
3	Дискретные распределения вероятностей	Следующие три класса закладывают основу вероятностных распределений. Мы увидим, как данные можно охарактеризовать как наблюдаемые значения случайных величин, и изучим три важных распределения вероятностей: равномерное распределение, биномиальное распределение и нормальное распределение. На этом первом занятии мы рассмотрим дискретные случайные величины и распределения вероятностей, включая биномиальное распределение.
4	Непрерывные распределения вероятностей	Мы рассматриваем линейные функции случайной величины, ковариацию и корреляцию двух случайных величин и суммы случайных величин. Мы показываем, как эти концепции находят важное применение в финансах и операциях. Во второй части этого занятия мы вводим непрерывные случайные величины, функцию плотности вероятности и кумулятивную функцию распределения.Мы подробно рассмотрим непрерывное равномерное распределение и нормальное распределение, показав, как нормальное распределение возникает в моделях многих проблем управления.
5	Нормальное распределение	В этом классе мы продолжаем изучение нормального распределения. Мы рассмотрим суммы нормально распределенных случайных величин, а затем рассмотрим Центральную предельную теорему. Центральная предельная теорема указывает путь к статистическому выводу.
6	Моделирование I – Нежная чечевица	На этом занятии мы вернемся к построению и использованию моделей, в данном случае имитационных моделей, основанных на генераторах случайных чисел. Мы разрабатываем ключевые идеи моделирования с помощью прототипа задачи принятия управленческих решений, которая требует объединения различных случайных величин. Мы покажем, как создаются, используются и анализируются имитационные модели в контексте управления. Обсуждение в классе дела Нежной Чечевицы.
7	Модели регрессии I	Линейная регрессия введена как метод прогнозирования. Мы охватываем все основы простой и множественной линейной регрессии.
8	Моделирование II – дело о шлюзе Онтарио	Обсуждение дела о шлюзе Онтарио в классе. Учащиеся выполняют задание по моделированию анализа кейса, описанное в конце кейса, и передают меморандум руководству.
9	Модели регрессии II	Это второе из трех занятий по моделям линейной регрессии. Особое внимание уделяется тому, чтобы студенты научились оценивать и проверять регрессионную модель. Мы также обсудим предупреждения и проблемы, возникающие при использовании линейной регрессии, и рассмотрим методы расширенного регрессионного моделирования, такие как нелинейные преобразования и использование фиктивных переменных.
10	Регрессия в иллюстрациях	На этом занятии мы представляем примеры того, как кто-то занимается построением, решением и интерпретацией регрессионных моделей. Учащиеся готовят анализ двух регрессионных мини-примеров: «Прогнозирование расхода мазута на Oilplus » и «Компенсация руководителям» для обсуждения в классе.
11	Викторина	1,5-часовая викторина проводится в обычное время занятий. Викторина охватывает весь материал, который мы рассматривали до сих пор в курсе. Викторина будет закрытой книгой, заметки не допускаются. Учащиеся могут использовать калькулятор, не предназначенный для связи, но никакие устройства связи (мобильные телефоны, графические калькуляторы) не допускаются.Мы предоставляем лист формул, которые предварительно размещаются на веб-сайте курса перед викториной.
12	Введение в моделирование линейной оптимизации	На этом занятии мы рассмотрим основы линейной оптимизации, включая формулировки, ключевые понятия и графические методы решения. Мы разрабатываем основные концепции построения, решения и интерпретации решения модели линейной оптимизации. Мы также представляем учебный материал по использованию линейной оптимизации в электронной таблице.
13	Решение и анализ моделей линейной оптимизации	Мы рассмотрим методы компьютерного решения для линейной оптимизации, базовую чувствительность и экономический анализ модели линейной оптимизации, а также расширения линейной оптимизации и прикладное оптимизационное моделирование в целом. В дополнение к стандартным темам мы также уделяем внимание теневым ценам и важности анализа чувствительности модели линейной оптимизации в качестве дополнения к принятию обоснованных решений.В качестве дополнительной темы мы покажем, как моделировать неопределенность в линейной оптимизации, используя двухэтапную линейную оптимизацию в условиях неопределенности.
14	Дело Филатои Риунити: Управление производством	Обсуждение дела Филатои Риунити в классе. Мы увидим, как оценивать и интерпретировать результаты решения модели линейной оптимизации и использовать эту информацию для повышения информированности при принятии решений.
15	Введение в нелинейную оптимизацию	В этом классе мы сосредоточимся на расширении модели линейной оптимизации до нелинейной оптимизации, подчеркнув ключевые сходства и ключевые различия между моделями линейной и нелинейной оптимизации.Мы представляем учебный материал по решению нелинейной модели оптимизации в электронной таблице. Мы также уделяем внимание оптимизации портфеля как важному применению нелинейного оптимизационного моделирования в управлении.
16	Введение в дискретную оптимизацию	На этом занятии мы покажем, как возникает дискретная оптимизация при моделировании многих проблем управления. Мы фокусируемся на бинарной оптимизации, целочисленной оптимизации и моделях смешанно-целочисленной оптимизации.Мы представляем учебный материал по решению модели дискретной оптимизации в электронной таблице. Мы также показываем, как решаются задачи дискретной оптимизации, чтобы дать учащимся представление о потенциальных плюсах и минусах построения крупномасштабных моделей дискретной оптимизации.
17	Дело компании International Industries: Управление стратегическими инвестициями	Обсуждение дела компании International Industries в классе. Мы увидим, как «придать смысл» решению модели дискретной оптимизации и использовать эту модель для принятия более обоснованных и эффективных управленческих решений.
18	Интегративный кейс о финансовом кризисе	Обсуждение в классе интегративного кейса о финансовом кризисе «Ипотека денежного дерева в бедственном положении: оценка альтернативных вариантов финансирования». Мы увидим, как такое интегративное моделирование может прояснить и улучшить понимание и способность принимать лучшие управленческие решения.
19	Динамическая оптимизация для розничного ценообразования	На этом занятии рассматриваются модели динамической оптимизации, применение которых обширно: от ценообразования энергосистемы до управления доходами авиакомпаний, гостиниц, компаний по аренде автомобилей, розничного ценообразования и даже в том числе военное моделирование варгеймов. Мы проведем в классе обсуждение и анализ случая «Стратегии ценообразования для сумки для ноутбука Power-Pro MBA», и мы построим, а затем решим оптимизационную модель для определения оптимальных розничных цен.
20	Итоги и планы на будущее	На этом последнем занятии мы представим некоторые расширения концепций и инструментов моделирования, разработанных в ходе курса. Мы также обсудим возможные последующие занятия в Sloan и других местах на территории кампуса.И последнее, но не менее важное: мы зарезервируем часть этого занятия, чтобы дать рекомендации по подготовке к итоговому экзамену.
21	Обзор заключительного экзамена	Будет проведен один или два 3-часовых обзора курсов/экзаменов. Мы рассмотрим самые важные аспекты курса.
22	Заключительный экзамен	3-часовой выпускной экзамен охватывает все содержание курса.Экзамен будет закрытым, записи не допускаются. На экзамен можно взять с собой калькулятор. Вам также будут предоставлены три страницы формул, которые будут размещены на веб-сайте курса перед экзаменом.

AA228/CS238 | Принятие решений в условиях неопределенности

Описание

Этот курс знакомит с процессом принятия решений в условиях неопределенности с вычислительной точки зрения и дает обзор необходимых инструментов для построения автономных систем и систем поддержки принятия решений.После введения в вероятностные модели и теорию принятия решений курс будет охватывать вычислительные методы для решения задач принятия решений со стохастической динамикой, модельной неопределенностью и информацией о несовершенном состоянии. Темы включают байесовские сети, диаграммы влияния, динамическое программирование, обучение с подкреплением и частично наблюдаемые марковские процессы принятия решений. Приложения охватывают управление воздушным движением, системы авиационного наблюдения, автономные транспортные средства и роботизированное исследование планет.

Требования: базовая вероятность и свободное владение языком программирования высокого уровня.

Личное присутствие на курсе (включая лекции, проблемные сессии и экзамены) не требуется. Существует смесь часов личного и онлайн-офиса. Персонал курса примет студентов, которым, возможно, придется изолироваться из-за COVID-19.

Лекции

будут проходить по понедельникам и средам с 13:30 до 15:00 в NVIDIA Auditorium, начиная с 20 сентября 2021 года.Студенты могут присутствовать лично в прямом эфире, участвовать в прямом эфире или смотреть записи в автономном режиме. Зарегистрированные студенты, изучающие другой курс, предлагаемый в то же время, не являются проблемой. Видео (как в прямом эфире, так и в записи) доступны через Panopto, который связан с Canvas.

Курс также доступен для широкой публики в Стэнфордском центре профессионального развития.

Проект учебника служит официальным конспектом лекций.

Видеокамеры, расположенные в задней части зала, будут снимать презентации инструкторов на этом курсе. Для вашего удобства вы можете получить доступ к этим записям, войдя на сайт курса Canvas. Эти записи могут быть повторно использованы на других курсах Стэнфорда, просмотрены другими студентами, преподавателями или сотрудниками Стэнфорда или использованы для других образовательных и исследовательских целей. Обратите внимание, что хотя камеры и расположены с целью записи только инструктора, иногда часть вашего изображения или голоса может быть случайно захвачена.Если у вас есть вопросы, пожалуйста, свяжитесь с членом преподавательской группы.

Основные темы

Существует принципиальная математическая основа для определения рационального поведения.
Вычислительные методы, обсуждаемые в классе, могут привести к лучшим решениям, которые иногда противоречат интуиции.
Успешное применение этих принципов зависит от выбора представления и приближения.
Одни и те же вычислительные подходы могут применяться к очень разным областям приложений.

Результаты обучения

Вы получите широкое фундаментальное представление о математических моделях и методах решения для принятия решений (упражнения, три теста).
Вы сможете внедрять и расширять ключевые алгоритмы обучения и принятия решений (два проекта по программированию).
Вы сможете определить применение теории в этом курсе и сформулировать ее математически (предложение).
Вы получите глубокое понимание интересующей вас области и примените это к проблеме (окончательный проект).
Вы сможете критиковать подходы к решению проблем принятия решений (экспертная оценка).

Единицы

AA228 будет предлагаться для 3 или 4 единиц либо для письма, либо для кредита/без кредита. Студенты, регистрирующиеся на версию курса из 4 модулей, должны будут потратить не менее 30 дополнительных часов на расширение своего курсового проекта и подготовку статьи для представления на рецензируемую конференцию (фактическая подача не требуется). Разбивка оценок, указанная в разделе «Оценка», одинакова, независимо от того, принимается ли класс за 3 или 4 единицы.

Учебник

В этом году мы будем использовать проект нового учебника под названием Алгоритмы принятия решений. PDF-файлов с главами будут доступны по ходу курса. Отзывы о проекте приветствуются. Книга будет напечатана в 2022 году.

В предыдущие годы использовался предшественник этого учебника, который может служить дополнительным ресурсом, хотя новый проект учебника, как правило, представляет собой расширенный набор материалов, включенных: Mykel J. Kochenderfer, Принятие решений в условиях неопределенности: теория и применение , MIT Press , 2015.70 долларов США. Студенты Стэнфорда могут получить доступ к онлайн-копии здесь. Опечатки для более ранних изданий можно найти здесь.

Проблемные сеансы

Сессии задач

будут проходить в Zoom по вторникам в 13:30. Ссылки предоставляются через Canvas. Вы можете участвовать в прямом эфире или посмотреть записи позже. Чтобы найти записи, перейдите в Canvas, затем нажмите вкладку «Масштаб», а затем «Облачные записи». Некоторые проблемные сессии будут использоваться для проверки викторин. Пожалуйста, приносите свои вопросы!

Обсуждение

Дискуссии в классе проводятся на Ed.Вы должны быть автоматически зарегистрированы через Canvas.

Оценка

Проекты: 20%

0% Проект 0
10% Проект 1
10% Проект 2

Промежуточные сроки: 45%

0% Тест 0
15% Тест 1
15% Тест 2
15% Тест 3

Финальный проект: 35%

5 % Предложение
5 % Обновление статуса
20 % Бумага или видео
5 % Экспертная оценка

Оценки публикуются на Canvas.

Этот курс предлагается либо для письма, либо для кредита/без кредита. Если вы принимаете зачет/отсутствие зачета, зачет будет предоставлен учащимся, получившим оценку C- или выше (не менее 70% по курсу). Мы будем использовать стандартные разбивки в таблице ниже. Мы округлим дробные проценты в вашу пользу. Каждый год нескольким ученикам присуждается пятерка + после тщательного рассмотрения за демонстрацию мастерства, превышающего ожидаемое в этом классе; он не определяется исключительно на основе процента.

9000%

Lique	процент
A

A-		%
B +
B +	87-89%
B	83-86%


80-82%
C +
C +	77-79%
C	73-76%
C-	70-72 %
D +	D +	63-66%
D
D-	60-62%
F	0-59%

Просроченная политика

Все задания должны быть выполнены в 17:00 по пятницам .

Из-за непредвиденных событий, болезней, рабочих обязательств и т. д. 0% штраф на 72 часа (без вопросов) после каждого срока выполнения задания ( не викторины! ), после чего вы получаете 0 баллов . Обратите внимание, что более поздние заявки не будут претендовать на место в таблице лидеров программных проектов 1 и 2.

Тесты, отправленные с нарушением сроков, получат 0 баллов.

Студенты с ограниченными возможностями

Учащиеся, которым могут потребоваться академические приспособления из-за влияния инвалидности, должны подать запрос в Управление доступного образования (OAE).Профессиональные сотрудники рассмотрят запрос с необходимой документацией, порекомендуют разумные приспособления и подготовят Письмо о приспособлении для преподавателей, датированное текущим кварталом, в котором сделан запрос. Студенты должны связаться с OAE как можно скорее, поскольку для согласования условий проживания необходимо своевременное уведомление. OAE находится по адресу: 563 Salvatierra Walk (тел.: 650-723-1066, URL-адрес: https://oae.stanford.edu/).

Лекция ВТОРАЯ — Принятие решений. МОДЕЛИРОВАНИЕ И ПОДДЕРЖКА — ПРИНЯТИЕ РЕШЕНИЙ, СИСТЕМЫ, МОДЕЛИРОВАНИЕ И

ПРИНЯТИЕ РЕШЕНИЙ, СИСТЕМЫ, МОДЕЛИРОВАНИЕ И ПОДДЕРЖКА.

МОДЕЛЬ S Основной характеристикой системы поддержки принятия решений является включение по крайней мере

одной модели. Основная идея состоит в том, чтобы выполнить анализ DS S на модели реальности l

, а не на реальной системе. Модель l — это упрощенное представление или абстракция реальности.

Обычно его упрощают, потому что реальность слишком сложна для точного описания, а также потому, что

большая часть сложности на самом деле не имеет отношения к решению конкретной проблемы.Модели могут

представлять системы или проблемы с различной степенью абстракции. Y классифицируются,

, в зависимости от степени их абстракции, как иконические, аналоговые или математические.

ИКОНИЧЕСКАЯ (МАСШТАБНАЯ) МОДЕЛЬ S Иконическая модель Наименее абстрактный тип модели

представляет собой физическую копию системы, обычно в масштабе, отличном от оригинала. Культовая модель может быть

трехмерной, например, самолет, автомобиль, мост или производственная линия.

Фотографии представляют собой двухмерные модели в иконическом масштабе.

АНАЛОГОВАЯ МОДЕЛЬ S Аналоговая модель ведет себя как реальная система, но не выглядит

ей. Он более абстрактен, чем иконическая модель, и представляет собой символическое представление реальности.

Модели этого типа обычно представляют собой двумерные диаграммы или диаграммы. Это могут быть

физические модели, но форма модели

отличается от формы реальной системы. Некоторые примеры включают в себя:-

Организационные диаграммы, отображающие структуру, полномочия и ответственность

отношения

• Карты, на которых разные цвета обозначают объекты, такие как водоемы или горы

• Карты фондового рынка, отображающие

• Чертежи машины или дома

• Анимации, видеоролики и фильмы

МАТЕМАТИЧЕСКИЕ (КОЛИЧЕСТВЕННЫЕ) МОДЕЛИ

ЛЕКЦИЯ E ПРИНЯТИЕ РЕШЕНИЙ [COU]

ЛЕКЦИЯ E ПРИНЯТИЕ РЕШЕНИЙ [COU] C — ПРИНЯТИЕ РЕШЕНИЙ В ОРГАНИЗАЦИЯХ
ВВЕДЕНИЕ.

Менеджеры в организациях принимают решения и пронизывают все, что делает организация.

Решения — это средства, с помощью которых организации превращают идеи в действия и могут иметь как положительное, так и отрицательное влияние.

Условия, при которых принимаются решения в организациях, показаны на следующей диаграмме

Типы решений, принимаемых в организациях.
Выбор из набора альтернатив является решением. Принятие решений — это процесс определения альтернатив, оценки альтернатив и выбора альтернативы.
Организационные решения можно описать с точки зрения двух измерений:
независимо от того, запрограммированы они или нет, и
независимо от того, сделаны ли они в условиях уверенности, риска или неопределенности.

Запрограммированные и незапрограммированные решения.
Степень запрограммированности решений зависит от того, сколько раз подобные решения принимались в прошлом.
Запрограммированные решения — это решения, которые происходят в организации настолько часто, что для их принятия используются стандартизированные правила. Эти стандартизированные правила могут принимать форму руководств по принятию решений, стандартных рабочих процедур или контрольных списков. Запрограммированные решения помогают обеспечить плавное и последовательное выполнение задач.
Незапрограммированные решения — это решения, которые происходят в организации достаточно редко, и для их принятия нельзя использовать стандартные правила.При принятии незапрограммированных решений руководители должны полагаться на свой опыт и интуицию. Решения о новых продуктах или строительстве новых производственных мощностей являются примерами незапрограммированных решений.

Определенные, рискованные и неопределенные решения.
На следующем рисунке показано, как различать определенные, рискованные и неопределенные решения.

Если в момент принятия решения вероятен только один исход, то решение является определенным.Определенные решения являются «верными вещами». Организации редко принимают решения в условиях уверенности, хотя некоторые решения близки к этому.
Если на момент принятия решения известны вероятности нескольких альтернативных исходов, то решение является рискованным. Для рискованных решений возможны несколько различных исходов, и вероятность того, что каждый исход действительно произойдет, известна. Многие организационные решения принимаются в условиях риска.
Если в момент принятия решения. диапазон возможных исходов неизвестен и вероятность возникновения этих различных исходов неизвестна, решение является неопределенным.
Эти решения принимать труднее всего, потому что менеджеры не знают, какими могут быть результаты. Менеджеры делают это, потому что считают выбранный курс действий правильным. Менеджеры пытаются сделать неопределенные решения успешными, распределяя ресурсы организации.
ОТВЕТСТВЕННОСТЬ ЗА ПРИНЯТИЕ РЕШЕНИЙ.
Различные типы решений принимаются на разных уровнях организационной иерархии.
Как правило, топ-менеджеры принимают как незапрограммированные, так и рискованные и неопределенные решения.
Менеджерам среднего звена часто приходится преобразовывать незапрограммированные решения в запрограммированные и превращать рискованные решения в определенные.
Руководители низшего звена обычно принимают запрограммированные и определенные решения.
ПРОЦЕСС ПРИНЯТИЯ РЕШЕНИЙ.
Этапы процесса принятия решений включают выявление альтернатив, оценку альтернатив и выбор среди альтернатив. Классическая модель принятия решений обеспечивает логику для многих решений. Поведенческие аспекты принятия решений создают отклонения от этого подхода.
Модель рационального принятия решений.
Рациональное принятие решений заставляет человека, принимающего решение, сосредоточиться на фактах и логике и помогает защититься от неуместных предположений и ловушек.Подход направлен на;
Получить полную и точную информацию,
Устранение неопределенности
Рационально и логически оценивайте всю информацию.
Результатом этого процесса является принятие решения, которое лучше всего отвечает интересам организации
Шесть шагов классической модели принятия решений:
1. Признание необходимости принятия решения : Принятие решения необходимо, когда существует разрыв между фактическим состоянием организации и желаемым состоянием.
2. Диагностика проблемы : Диагностика позволяет менеджерам понять, почему существует разрыв между фактическим и желаемым состоянием. При диагностике проблемы менеджеры обычно собирают данные и информацию о каждом вероятном объяснении разрыва.
3. Разработка альтернатив : Только после определения причины проблемы организация может приступить к разработке альтернативных решений. Согласно классической теории принятия решений, необходимо изучить все возможные альтернативные решения.
4. Выбор альтернатив : Менеджеры должны решить, какие альтернативы реализовать. Оптимальные решения — это альтернативы, которые решают конкретную проблему наиболее полным образом, но с наименьшими затратами.
5. Реализация альтернатив : Реализация происходит, когда идеи и принципы, представленные в решении, фактически претворяются в жизнь членами организации.
6. Осуществление контроля и последующих действий : Классическое принятие решений завершается только тогда, когда организации осуществляют контроль и последующие действия.
ПОВЕДЕНЧЕСКИЕ АСПЕКТЫ ПРИНЯТИЯ РЕШЕНИЙ.
Классическая модель принятия решений очень логична, очень линейна в своем подходе. Ограничения возможностей обработки информации лицами, принимающими решения, иногда делают невозможным использование классической модели. Кроме того, на принятие решений в организациях часто влияют различные социальные и психологические явления.
Административная модель описывает, как на самом деле решения часто принимаются на основе предположений о том, что менеджеры обладают неполной и несовершенной информацией, ограничены ограниченной рациональностью и имеют тенденцию удовлетворяться при принятии решений.
1. Ограниченная рациональность описывает ограниченную способность лиц, принимающих решения, обрабатывать информацию. Большинство организационных решений принимаются в условиях ограниченной рациональности. В целом, чем сложнее решение или чем дольше известны последствия, тем больше лица, принимающие решения, ограничены ограниченной рациональностью.
2. Оптимизация – это поиск оптимальных решений. Удовлетворение — это поиск удовлетворительных решений. Обычно организации ищут не оптимальные решения, а удовлетворительные решения.Факторы затрат и времени учитываются, когда организации решают, удовлетворять или оптимизировать.
3. Три мощных социальных и психологических фактора ограничивают применение классического принятия решений в организациях.
Эскалация приверженности — это психологический процесс, при котором лица, принимающие решения, становятся все более приверженными выбранному ими курсу действий, даже когда неэффективность этого действия становится все более очевидной.
Организационная политика представляет собой набор индивидуальных или групповых действий, осуществляемых с целью приобретения, развития и использования власти для оказания влияния на результаты решений.
Управленческая интуиция — это способность лиц, принимающих решения, принимать успешные решения, опираясь на неполную, неубедительную и противоречивую информацию.
ГРУППОВОЕ ПРИНЯТИЕ РЕШЕНИЙ.
Любой процесс принятия решений, осуществляемый несколькими лицами, является групповым.
Преимущества группового принятия решений.
Количество доступной информации и опыта может быть увеличено путем вовлечения большего числа людей в процесс принятия решений.Групповое принятие решений имеет тенденцию генерировать больше альтернатив, что, возможно, позволяет организации больше оптимизировать. Коммуникация и понимание также улучшаются, когда используется групповое принятие решений. Это, в свою очередь, повышает вероятность того, что решение будет принято и поддержано.
Недостатки группового принятия решений.
Количество времени, необходимое для принятия группового решения, является большим недостатком. Групповое принятие решений также может привести к компромиссам, когда могут потребоваться решительные и решительные действия.Наконец, групповое принятие решений может стимулировать групповое мышление, явление, возникающее в группе, когда стремление членов группы к консенсусу и сплоченности перевешивает их желание принять наилучшее возможное решение.
МЕТОДЫ ГРУППОВОГО ПРИНЯТИЯ РЕШЕНИЙ.
Организации могут использовать несколько конкретных методов группового принятия решений.

Техника интерактивной группы
: Интерактивная группа – это группа, принимающая решения, члены которой открыто и свободно обсуждают, спорят или договариваются о наилучшей альтернативе.Это наименее структурированная из групповых техник.
Метод номинальной группы
: Номинальная группа более структурирована, чем взаимодействующая группа. Члены группы не разговаривают свободно друг с другом. Лидер группы облегчает процесс принятия решения, описывая ситуацию принятия решения и запрашивая мнение участников. Альтернативы ранжируются и выбирается решение.
Техника распределения ролей
: Подход, основанный на распределении ролей, находится между крайностями методов взаимодействия и номинальной группы.Две особенно важные роли — это адвокат дьявола и фасилитатор группы. Обязанность фасилитатора группы заключается в том, чтобы каждый член группы мог свободно выражать мнения, даже противоречивые, и чтобы ни один человек не доминировал в группе.
Группа Delphi
иногда используется для согласования мнений экспертов. Процедура Delphi запрашивает информацию у группы экспертов, которые вносят свой вклад индивидуально. Их мнения объединяются и «усредняются».» Эти результаты передаются экспертам, и процесс продолжается до тех пор, пока не будет найдено решение.
Эффективные лекции | Академия преподавания и обучения
Лекция — период непрерывного изложения инструктором — является одним из многих различных учебных занятий в классе, которые может использовать инструктор.Как и в случае любой учебной деятельности, решение читать лекцию должно быть результатом тщательного рассмотрения сильных сторон преподавателя, способностей студентов, характера материала курса, факторов окружающей среды и целей обучения.
Преимущества лекции
Лекции могут эффективно распространять фундаментальные знания
Преподаватели могут использовать лекции, чтобы помочь учащимся легко получить знания терминов, основных фактов и простых понятий. Лекции столь же эффективны, но не более эффективны, чем другие методы передачи простой информации (Bligh, 2000).
На лекциях студенты чувствуют себя комфортно
Метод лекций может соответствовать ожиданиям студентов в отношении ролей студента и учителя. Студенты иногда изначально сопротивляются «активному» обучению, что может свидетельствовать о большем комфорте в знакомом стиле лекций. Такое сопротивление часто связано с тем, что учащиеся предпочитают авторитетное, а не дискурсивное обучение, и может быть более выраженным у мужчин и менее опытных учащихся (Owens et al., 2017). Интересно, что более опытные студенты в больших классах могут предпочесть и ожидать лекций, предположительно из-за их предыдущего опыта работы в больших классах (Messineo et al., 2007). В то же время некоторые исследования демонстрируют общую «непопулярность» лекций среди студентов, особенно по сравнению с дискуссиями (Bligh, 2000).
Лекции обеспечивают контроль и согласованность
Поскольку лекция представляет собой монолог, ее содержание и темп полностью контролируются докладчиком. Это может быть преимуществом, когда необходимо предоставить важную информацию. Кроме того, метод лекций относительно не зависит от изменения размера класса; обучение последовательно в небольших или больших лекционных классах. Точно так же изменения в конфигурации комнаты, мебели и т. д., как правило, не влияют на лекции, если лектор не слишком полагается на технологии.
Лекции могут продемонстрировать академические навыки, методы и склонности
Лекция может быть способом моделирования отношений и поведения, которые ценит преподаватель, таких как тщательное взвешивание доказательств, представление аргументов и контраргументов, а также демонстрация того, как предмет имеет личное значение.
Ограничения лекции
Лекции рискуют потерять внимание студентов
Исследования «продолжительность концентрации внимания» учащихся противоречивы, отчасти потому, что нет согласованного определения «продолжительность концентрации внимания» или его индикаторов, а отчасти потому, что на внимание влияет так много переменных, что полностью контролируемые эксперименты невозможны. Но исследования ясно показывают, что неизменные визуальные, физические и слуховые стимулы отрицательно влияют на внимание, равно как и слишком высокие требования к рабочей памяти.В исследованиях наблюдается потеря внимания где-то от пяти до восемнадцати минут от начала лекции (если не принимать во внимание фазу «установки» на первой минуте), хотя несколько парадоксально, максимальный уровень концентрации может быть на 10-15 минутах от начала лекции. лекция. Как бы то ни было, исследования обычно обнаруживают, что на протяжении лекции все чаще происходят потери внимания. Основной эффект потери внимания заключается в том, что учащиеся будут замечать, а не в их способности вспоминать (Wilson and Korn, 2007).
Лекции обычно не стимулируют мышление высшего порядка (см. Таксономию Блума)
Блай утверждает, что дискуссия лучше, чем лекция, продвигает мысли, влияет на отношение и поведение и вызывает энтузиазм по поводу предмета. Если у студента уже нет склонности к «глубокому» обучению, ему или ей потребуется нечто большее, чем лекция, для обработки информации. (Следует отметить, что во многих исследованиях не удается различить, объясняют ли эти результаты сам метод лекций или просто плохих лекций .)
Лекции могут препятствовать вопросам
Это связано с мышлением более высокого порядка, поскольку вопросы являются частью критического анализа и оценки. Более того, без возможности задавать вопросы непонимание учащихся невозможно исправить. Соответственно, без взаимодействия с учителем учащиеся могут пропустить положительную обратную связь, что может повысить мотивацию и усилия учащихся. Кроме того, студенты высоко оценивают лекции при свободном общении между студентом и преподавателем (Sekhri, 2012).
На лекциях может быть представлено слишком много информации, нерелевантная информация и слишком быстро
Преподаватели могут предположить, что учащиеся усваивают информацию с той же скоростью, с какой преподаватели ее преподносят. Это может привести к тому, что вы будете говорить слишком быстро и давать слишком много информации. Исследования показывают, что студенты усваивают менее половины того, что говорит лектор, и в какой-то степени студенты узнают больше, когда им предоставляется меньше информации. Мышление высшего порядка особенно ухудшается из-за слишком быстрых лекций (Bligh, 2000).Преподаватели также должны осознавать возможность наложения «лишней когнитивной нагрузки», то есть задействования большего объема рабочей памяти, чем это необходимо для конкретной учебной цели. Это может замедлить обучение и затруднить понимание. Например, лектор может увеличить когнитивную нагрузку на студентов, используя более одного сложного или незнакомого термина для объяснения понятия или используя две формы представления (например, текст и диаграмму), в которых ни одна из форм не является самостоятельной или полностью понятной по своей сути. собственные (Chandler and Sweller, 1991).
Лекции могут игнорировать социальный аспект обучения
Традиционные лекции, как правило, не используют преимущества фундаментально социальной природы обучения. Люди учатся — и особенно развивают склонности — в социальных контекстах, и их мышление совершенствуется, когда они делятся своими мыслями с другими и получают обратную связь. Более активное социальное взаимодействие в классе также может повысить мотивацию к обучению, создать более высокие стандарты успеваемости и увеличить удержание учащихся (Astin, 2003; Brufee, 1999).
Инструменты для лекций
Визуальные эффекты
Визуальные инструменты могут улучшить лекции. Некоторые концепции легче передать или понять в визуальной форме. Визуальная презентация также может нарушить монотонность лекции, потенциально вернув внимание студентов. Технология слайдов презентации, такая как PowerPoint или Prezi, широко распространена, хотя ее следует использовать осторожно. Чтобы такая технология была полезной, не разговаривайте, пока учащиеся читают, и не заполняйте слайды слишком большим количеством текста, ненужной графикой или анимацией, которые могут отвлекать и подавлять. Еще одна причина не давать слишком много текста заключается в том, что учащиеся узнают больше, когда они должны концептуализировать и написать его самостоятельно, процесс, называемый «кодированием» (Bligh, 2000). Меловая или белая доска также могут быть полезны при условии, что почерк разборчив, организация ясна и вы не разговариваете во время письма. Некоторые предлагают при использовании доски создать организационную схему или схему на одной стороне (которая остается неотредактированной на протяжении всей лекции), а на другой стороне писать термины, определения и акценты.
Руководство по проведению лекций (раздаточные материалы)
Студентам будет легче понять и следовать лекциям, если у них есть раздаточный материал, содержащий план лекции или набор «частичных заметок», то есть раздаточный материал, содержащий ключевые термины или определения, отсутствующие для заполнения учащимися.
Лекции, которые стоит послушать…
Организованы
Представлять информацию в логической, четко изложенной структуре (хронология, тематически, проблема и решение, тезис и доказательство и т. д.).). Используйте словесные указатели (например, «вторая точка…»), подходящее повторение и резюме. Сбалансируйте общую информацию конкретными примерами. Чтобы усилить согласованность, свяжите новую информацию с существующей информацией.
Доставляются с подлинностью
Знайте свой материал достаточно хорошо, чтобы представить его с минимальными примечаниями. Это сообщает учащимся, что материал достаточно важен для вас, чтобы вы его усвоили, и гарантирует учащимся, что вы сможете ответить на их вопросы (т.е., что вы знаете больше, чем указано в ваших заметках). С практической точки зрения это позволяет вам устанавливать зрительный контакт со студентами, ходить по комнате и внимательно следить за реакцией студентов. Студенты более восприимчивы и могут узнать больше, когда лекторы «очеловечивают» себя, то есть они кажутся непринужденными, энергичными (но не нервными) и используют разговорную речь, самораскрытие и юмор, когда это уместно (Bligh, 2000). ).
Сопровождаются руководством и возможностью делать заметки,
Польза от лекции неотделима от возможности делать полезные заметки. Вы можете предложить краткое обсуждение в классе или раздаточный материал по ведению заметок (например, этот раздаточный материал от Университета Пердью). Убедитесь, что ваша лекция организована таким образом, чтобы студенты могли делать заметки. Делайте паузу после каждого основного пункта и сразу же повторяйте важные определения или списки. Ведение заметок также может быть возможностью стимулировать мышление более высокого уровня, например, попросив студентов записывать вопросы в свои заметки по мере их возникновения во время лекции или дав студентам время обобщить ряд моментов, прежде чем двигаться дальше.Наконец, поощряйте студентов просматривать свои записи после каждого занятия, а не рассматривать их только как инструмент для подготовки к экзамену.
Пригласительные вопросы
С первой лекции установите, что вы ожидаете вопросов, уделите им много времени и ответите на них вдумчиво и уважительно. Студенты с большей вероятностью будут задавать вопросы, если лектор делает паузу и задает вопросы не только в конце занятия, но и на протяжении всего занятия, особенно когда речь идет о сложных вопросах и перед тем, как перейти к новым темам. То, как задаются вопросы, также важно. Например, «Есть вопросы?» меньше шансов получить ответ, чем «какие вопросы у вас есть?» и когда инструктор не движется дальше, пока не будет задан хотя бы один вопрос (часто один вопрос вызывает другой). Еще лучше, когда преподаватель задает студентам конкретные, но открытые вопросы.
Запрашивать и реагировать на обратную связь
Читать лекции — это навык, который можно постоянно улучшать.Один из способов сделать это — собрать отзывы о своих лекциях, которые помогут оценить вашу работу. Это может включать в себя запись вашей лекции для последующего просмотра, наблюдение за коллегой (обратитесь по адресу [email protected], чтобы запланировать наблюдение за преподаванием) или получение отзывов студентов. Оценки студентов в конце курса могут быть полезны для будущих курсов, но не упускайте возможности улучшить свои навыки во время курса. Подумайте о регулярных формах «быстрой обратной связи», заполняемых учащимися после каждого занятия, в конце недели или перед каждым экзаменом. Вы также можете лучше размышлять о своем обучении, намеренно наблюдая за поведением учащихся, запрашивая просмотр заметок учащихся (чтобы увидеть, насколько хорошо заметки учащихся отражают лекцию) и просто сразу же отмечая, «что сработало» и «что не сработало». после каждой лекции.
Интерактивные лекции
Помимо приглашения задавать вопросы во время лекции, преподаватели могут делать много вещей в сочетании с лекцией, которые увеличивают участие студентов, улучшают память и тренируют мышление более высокого порядка.Рассмотрим эти Двадцать способов сделать лекции более активными, каждый из которых использовался как в очень больших, так и в малых разделах.
Каталожные номера
Астин, А. В. (2003). Что важно в колледже? Четыре критических года, пересмотренные . Сан-Франциско: Джосси-Басс.
Блай, Д. А. (2000). Какая польза от лекций? Сан-Франциско: Джосси-Басс.
Бруфи, К. А. (1999). Совместное обучение: высшее образование, взаимозависимость и власть знаний (2 ^и изд.). Балтимор: Издательство Университета Джона Хопкинса.
Банс, Д.М., Фленс, Э.А., и Нильс, К.Ю. (2010). Как долго учащиеся могут концентрировать внимание на уроке? Исследование снижения внимания учащихся с помощью кликеров. Journal of Chemical Education , 87 (12), 1438-1443.
Чандлер П. и Свеллер Дж. (1991). Теория когнитивной нагрузки и формат обучения. Познание и обучение , 8 , 293–332.
Сехри, К.(2012). Методики преподавания фармакологии: обзор восприятия и опыта студентов. Журнал образования и этики в стоматологии , 2 (1), 40-44.
Мессинео, М., Гейтер, Г., Ботт, Дж., и Ричи, К. (2007). Неопытные и опытные учащиеся ожидают активного обучения в больших классах. Преподавание в колледже , 55 (3), 125-133.
Уилсон, К., и Корн, Дж. Х. (2007). Внимание во время лекций: свыше десяти минут. Преподавание психологии , 34 (2), 85-89.

Введение в принятие решений и неопределенность • IMSI
Расписание семинаров (Модуль 1)
9:00-10:00 Александр Шапиро (Промышленная и системная инженерия Технологического института Джорджии
Название : Вычислительные подходы к решению многоэтапных стохастических программ
Abstract : С общей точки зрения, даже линейное многоэтапное стохастическое программирование (MSP) кажется трудновыполнимым с вычислительной точки зрения.Однако это не означает, что некоторые классы MPS не могут быть решены с разумными вычислительными затратами. В этом докладе мы обсудим некоторые последние достижения в вычислительных подходах к решению выпуклых задач MPS. В некоторых приложениях рассмотренные программы MSP имеют периодическое поведение. Мы показываем, что в таких случаях можно резко сократить количество этапов путем введения периодического аналога так называемых уравнений Беллмана, используемых в марковских процессах принятия решений и стохастическом оптимальном управлении. Кроме того, мы описываем прямо-дуальный вариант алгоритма типа секущей плоскости, примененный к построенным периодическим уравнениям Беллмана. Мы обсуждаем нейтральные к риску и не склонные к риску/устойчивые к распределению настройки, а также выборочную сложность дискретизации распределения соответствующего процесса случайных данных.
10:00 – 11:00 Даринка Денчева (математические науки, Технологический институт Стивенса)
Название : Субрегулярный ресурс в многоэтапной стохастической оптимизации
Abstract : Обсуждаются нелинейные многоэтапные задачи стохастической оптимизации в пространствах интегрируемых функций.Задачи могут включать нелинейную динамику и общие целевые функционалы с динамическими мерами риска как частный случай. Мы представляем анализ причинных операторов, описывающих динамику системы, и субдифференциала Кларка для штрафной функции, включающей такие операторы. Вводится понятие субрегулярного ресурса в нелинейной многоэтапной стохастической оптимизации и устанавливается субрегулярность получаемых систем в двух формулировках: со встроенной неантиципативностью и с явными ограничениями неантиципативности. Будут представлены условия оптимальности обеих формулировок и их соотношений. Это совместная работа с Анджеем Рущинским, Университет Рутгерса.
11:00-12:00 Игорь Чаленко (факультет математики, Иллинойский технологический институт)
Название : Адаптивно-робастный стохастический контроль
Abstract : Руководствуясь различными реальными проблемами, мы обсудим недавно разработанную методологию, называемую адаптивно-робастным управлением, для решения задачи стохастического управления с дискретным временем с учетом неопределенности модели, также известной как неопределенность Найта.Неопределенность возникает из-за того, что контроллер не знает истинного закона вероятности базовой модели, а знает только то, что он принадлежит к определенному семейству законов вероятности. Мы разрабатываем алгоритм обучения, который снижает неопределенность модели за счет постепенного изучения неизвестной системы. Одним из ключевых компонентов предлагаемой методологии является рекурсивное построение доверительных множеств для неизвестных параметров общего эргодического марковского процесса. Это, в частности, позволяет установить систему уравнений Беллмана, соответствующую исходной задаче стохастического управления.
Мы сравним эту структуру стохастического управления с некоторыми классическими методами стохастического управления, которые имеют дело с неопределенностью модели, такими как робастное управление, адаптивное управление, сильное робастное управление и байесовское адаптивное управление.
Наконец, мы применим предложенную структуру стохастического управления к классической финансовой задаче оптимального распределения портфеля. Мы обсудим как согласованные во времени, так и несогласованные во времени терминальные марковские задачи управления. Мы предлагаем алгоритм машинного обучения для численного решения некоторых из этих задач, таких как динамическая задача выбора портфеля по средней дисперсии Марковица с современным уклоном неопределенности модели.
12:00-1:00 Мерт Гурбузбалабан (факультет управленческих наук и информационных систем, Rutgers Business School)
Название : Ускорение импульса при случайном градиентном шуме: от выпуклой к невыпуклой оптимизации
Abstract : Для многих крупномасштабных задач оптимизации и машинного обучения методы первого порядка и их ускоренные варианты, основанные на импульсе, были ведущим подходом к вычислению решений с низкой и средней точностью из-за их дешевых итераций и слабой зависимости от размерность проблемы и размер данных. Несмотря на то, что методы ускоренного градиента (АГ) на основе импульса, предложенные Нестеровым для выпуклой оптимизации, сходится доказуемо быстрее, чем градиентный спуск (GD) в отсутствие шума, сравнение становится неясным в присутствии градиентного шума.
В первой части доклада мы сосредоточимся на методах GD и AG для минимизации выпуклых функций, когда градиент имеет случайные ошибки в виде аддитивного i.i.d. шум. Мы изучаем компромиссы между скоростью сходимости и устойчивостью к градиентным ошибкам при разработке алгоритма первого порядка.Наши результаты показывают, что AG может достигать ускорения, будучи более устойчивым к случайным ошибкам градиента. Наша структура также приводит к практическим алгоритмам, которые могут работать лучше, чем другие современные методы, в присутствии случайного градиентного шума.
Во второй части доклада мы сосредоточимся на невыпуклой оптимизации и изучим алгоритм стохастического градиента гамильтониана Монте-Карло (SGHMC), который является популярным вариантом стохастического градиента с импульсом, где добавляется контролируемый и правильно масштабированный гауссовский шум. к несмещенным оценкам градиента, чтобы направить их к глобальному минимуму.Мы получаем гарантии неасимптотической глобальной сходимости впервые для SGHMC как для задач оптимизации эмпирического риска, так и для задач оптимизации популяционного риска. Наши результаты показывают, что алгоритмы Монте-Карло, основанные на импульсе, могут привести к большей сложности итераций, а также производительности обобщения по сравнению с известными гарантиями для (обратимых) стандартных стохастических градиентных методов Монте-Карло Ланжевена, оправдывая использование импульса в контексте невыпуклого оптимизация и невыпуклое обучение дальше.
.