El Diplomado está conformado por cursos avanzados del área analítica cuantitativa de la malla curricular del Magíster en Ingeniería Industrial UC (MII UC). Está orientado a profesionales con experiencia laboral que cuenten con una sólida formación cuantitativa y conocimientos previos en el área del Diplomado, interesados en profundizar en estos temas.
Se revisarán distintas herramientas y técnicas avanzadas que permiten modelar y mejorar los procesos de toma de decisiones en contextos de incertidumbre. Los/as estudiantes adquirirán herramientas analíticas sofisticadas que les permitirán innovar aplicando soluciones sofisticadas en la gestión de las organizaciones.
El Diplomado se compone de 4 cursos que se realizan durante un año, en formato bimestral, de acuerdo a la estructura del Magíster con 8 semanas de clases cada uno, más una donde se programa el examen o trabajo/actividad final del curso. El programa de cada curso contempla un total de 5 créditos UC, lo que incluye horas directas (clases sincrónicas presenciales o virtuales) y horas de trabajo autónomo o indirectas (horas de dedicación personal del alumno a la revisión de material escrito y audiovisual asincrónico, estudio individual y grupal, preparación de clases, pruebas, trabajos, proyectos o disertaciones, etc.). La organización de estas horas y las clases sincrónicas dependerá de cada curso y docente a cargo, en el marco de la estructura del Magíster en Ingeniería Industrial UC.
Dirigido a:
- Ingenieros Civiles, Ingenieros Industriales, Ingenieros Comerciales y otras profesiones afines interesados en temas de gestión, que cuenten con conocimientos previos en el área.
Resultados de aprendizaje:
- Realizar un proceso de toma de decisiones en contextos de incertidumbre, aplicando técnicas y herramientas cuantitativas avanzadas.
- Identificar problemas de toma de decisiones en organizaciones, en los que herramientas y modelos de optimización pueden ser aplicados.
- Diseñar mejoras en los procesos clave de las organizaciones, a través de la simulación de situaciones y problemas reales.
- Implementar soluciones sofisticadas, con base en la formulación y aplicación de modelos al interior de la organización.
Requisitos de ingreso:
- Grado académico de licenciado o título profesional universitario equivalente.
- Un mínimo de tres años de experiencia laboral.
- Haber cursado el Diplomado en Gestión de operaciones y logística UC, o proveer evidencia suficiente al Comité de Admisión del MII de que el postulante cuenta con las competencias y conocimientos necesarios.
Se recomienda:
- Buen nivel de comprensión de inglés, que permita leer y entender textos en el idioma.
Al final del curso podrás:
- Comprender diferentes conceptos asociados a la representación de procesos sujetos a incertidumbre.
- Analizar distintos sistemas en contextos de incertidumbre.
- Diseñar modelos de toma de decisiones bajo incertidumbre.
Contenidos:
- Introducción a la modelación estocástica
• Motivación.
• Conceptos básicos de probabilidades.
• Algunas distribuciones de probabilidades importantes.
• Simulación de Montecarlo.
• Concepto de proceso estocástico.
• Caso de estudio.
- Cadenas de Markov en tiempo discreto
• Definición y propiedades.
• Simulación del proceso estocástico.
• Clasificación de estados.
• Análisis de largo plazo.
• Caso de estudio.
- Cadenas de Markov en tiempo continuo
• La distribución exponencial.
• Definición y propiedades.
• Simulación del proceso estocástico.
• Análisis de largo plazo.
• Caso de estudio.
- Sistemas de espera
• Proceso Poisson.
• Indicadores de desempeño.
• La ecuación de Little.
• Sistemas M/M/c/K.
• Caso de estudio.
- Series de tiempo
• Conceptos básicos.
• Modelos autoregresivos unidimensionales.
• Variables aleatorias normales multivariadas.
• Modelos autoregresivos vectoriales.
• Estimación de parámetros.
• Predicción.
• Caso de estudio.
- Optimización bajo incertidumbre
• Conceptos básicos.
• El problema del vendedor de diarios.
• Optimización estocástica en dos etapas.
• Optimización robusta.
• Caso de estudio.
- Ciencia de datos.
• Conceptos básicos.
• Regresión lineal.
• Support vector machine.
• Clustering.
• Redes neuronales.
• Árboles de decisión.
• Caso de estudio.
Al final del curso podrás:
- Comprender la estructura de un modelo de simulación y sus elementos.
- Visualizar la necesidad por un modelo de simulación y estimar su potencial valor agregado.
- Representar problemas reales a través de un modelo de simulación.
- Conocer las técnicas básicas de análisis y ajuste de variables de entrada.
- Conocer las técnicas básicas de análisis, estimación y validación de variables de salida.
- Manejar en software de simulación (SIMIO) y ser capaz de ejecutar rutinas básicas.
- Entender cómo optimizar un proceso de toma de decisiones basándose en simulación.
- Planificar el desarrollo de un modelo de simulación.
Contenidos:
- Motivación e introducción a modelos de simulación.
- Etapas del proceso de desarrollo de un proyecto de simulación.
- Elementos básicos de un modelo de simulación.
- Análisis de variables de entrada y ajuste de distribuciones.
- Análisis de variables de salida de un modelo de simulación.
- Herramientas de validación y verificación de un modelo.
- Comparación de configuraciones alternativas de un sistema.
- Generación de variables aleatorias.
- Introducción a software de simulación (SIMIO).
- Herramientas de optimización-simulación y optimización dinámica (si alcanza tiempo).
Al final del curso podrás:
- Profundizar en las metodologías de modelamiento y resolución computacional de problemas de optimización.
- Aplicar técnicas avanzadas de modelamiento con variables enteras, incorporar manejo de incertidumbre en modelos de optimización, y utilizar software especializado de optimización.
Contenidos:
- Elementos básicos de optimización
• Construcción de modelos.
• Métodos de solución.
• Implementación computacional.
- Programación entera
• Formulaciones con variables binarias.
• Fortalecimiento y planos de corte.
• Comparación computacional.
- Optimización bajo incertidumbre
• Modelos de dos etapas con recurso.
• Restricciones probabilísticas.
• Aversión al riesgo.
• Implementación por escenarios.
Al final del curso podrás:
- Integrar soluciones sofisticadas para las empresas modernas que enfrentan mercados cada vez más competitivos.
- Analizar cómo los enfoques cuantitativos de la gestión de operaciones se unen a los conceptos modernos de gestión para lograr una organización más eficiente.
Contenidos:
Los temas se estudiarán a través de una selección de artículos (papers) de revistas académicas y clases expositivas, además del trabajo adicional de los estudiantes, algunos son: Gestión de la cadena de abastecimientos, modelamiento de la variabilidad y toma de decisiones bajo incertidumbre, “Lean Production”, “Analytics” en gestión de operaciones y otros relacionados, así como aplicaciones en organizaciones que incluyen manufactura “tradicional”, servicios, sistemas de salud, comercio electrónico, entre otras. El impacto reciente de metodologías del Big Data, Machine Learning e inteligencia artificial en operaciones, también será revisado.
Nota: * Para cursar el Diplomado se debe aprobar el proceso de postulación al MII UC.
¿Te gusta esta publicación?
Comparte esta publicación