Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage
Decision-Analysis, Modellbasierte Entscheidungsunterstützung mit einem Fokus auf mathematische Modelle, Simulation vs. mathematische Modelle, Modellierungsprozess, Modellierungssprachen (GAMS), Optimierungsmodelle, Produktivitäts- und Effizienzmessung Warteschlangenmodelle, Netzwerkplanungs- und graphentheoretische Modelle, Intertemporale und stochastische Optimierung
Die Inhalte werden in Vorträgen vorgestellt und in begleitenden Übungen von Studierenden erarbeitet. Zusätzlich werden in Hausarbeiten Fallbeispiele sowie Kleinprojekten eigenständig beziehungsweise in Gruppen erarbeitet.
Der theoretische Hintergrund wird durch zwei bis drei schriftliche Test geprüft. Um die Fähigkeiten zu übernehmen, erarbeiten die Studierenden Beispiele und Fallstudien sowohl im Unterricht als auch zu Hause.
Es ist empfohnen, dass Studierende mit Matrizen rechnen, elementare Funktionen diskutieren , den Satz von Bayes anwenden, bedingte Wahrscheinlichkeiten erklären, mit Algorithmen experimentieren und Programmiercodes bearbeiten und benutzen können.