El Diplomado está compuesto por cursos del área analítica cuantitativa de la malla curricular del Magíster en Ingeniería Industrial UC (MII UC). Está dirigido a profesionales con experiencia laboral interesados en adquirir herramientas metodológicas para analizar y modelar de problemas complejos en las organizaciones, especialmente aquellos relacionados con la optimización de procesos en entornos con incertidumbre.
Durante el Diplomado, se abordarán distintas herramientas y técnicas para modelar y optimizar procesos de toma de decisiones en contextos inciertos. Los estudiantes adquirirán herramientas analíticas que les permitirán solucionar problemas complejos en gestión dentro 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 en específico 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.
Objetivos 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.
Se recomienda:
- Buen nivel de comprensión de inglés, que permita leer y entender textos en el idioma.
Al final del curso podrás:
- Resolver a través del paradigma de la optimización problemas de toma de decisiones que se presentan en los diversos ámbitos de la gestión de diversas organizaciones.
- Capacitar para la formulación de modelos de optimización para la toma de decisiones, pero también un entendimiento de las metodologías de resolución, especialmente en el caso de la programación lineal y problemas relacionados.
- Resolver modelos de optimización aplicando herramientas de software.
Contenidos:
- Introducción
• Conceptos generales de optimización y su importancia dentro de la investigación operacional.
• Ejemplos de modelos importantes y codificaciones en Excel y otros.
- Programación lineal
• Propiedades geométricas.
• Resolución de problemas de programación lineal.
• El concepto de dualidad y su importancia.
• Análisis de sensibilidad.
- Programación entera
• Geometría y complejidad de los problemas de optimización discreta.
• Métodos de resolución de problemas enteros.
- Problemas en estructuras de redes y grafos
• Problemas de flujo a costo mínimo y problemas de transporte.
• Problemas de flujo máximo.
• Problemas de ruta más corta.
• Otros problemas importantes en redes y grafos.
- Programación dinámica
• Modelos clásicos de programación dinámica.
• El principio de optimalidad.
- Otros temas (en función del tiempo)
• Heurísticas.
• Tendencias y desafíos de la optimización actual.
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:
- Comprender los principales trade-offs en la gestión de la cadena de suministros.
- Aplicar los conceptos del curso en el análisis y toma de decisiones.
Contenidos:
- Introducción a la gestión logística y de la cadena de suministro
- Logística estratégica
- Decisiones críticas en logística e inventarios.
- Diseño y configuración de redes de distribución: producto/proceso/cadena
- Análisis de configuraciones.
- Coordinación en la cadena de suministros: hacia el alineamiento.
- Efecto Látigo en las cadenas de abastecimiento. El juego de la cerveza
- Centros de distribución: decisiones estratégicas y optimizando las operaciones.
- Logística moderna: riesgo, logística internacional, alianzas estratégicas, outsourcing (3PL), tecnologías y tendencias.
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.
Nota: * Para cursar el Diplomado se debe aprobar el proceso de postulación al MII UC.
Ph.D. en Organizaciones, Estrategia, Emprendimiento y Tecnología, Stanford University. Licenciado en Ciencias de la Ingeniería e Ingeniero Civil Industrial, UC.
Director de la Plataforma de Gestión de Innovación de DICTUC. Profesor asociado del Departamento de Ingeniería Industrial y de Sistemas y director del Magíster en Ingeniería Industrial de la UC. Cofundador del think tank Innovation Factory y de Yx Wireless S.A., compañía líder en Latinoamérica en su sector.
Doctorado en Investigación Operacional, Georgia Institute of Technology, EEUU. Ingeniero Civil Matemático, Universidad de Chile. Profesor del Departamento de Ingeniería Industrial y de Sistemas de la Escuela de Ingeniería UC.
PhD in Industrial Engineering, University of Toronto. Magíster en Ciencias de la Ingeniería e Ingeniero Civil Industrial, UC. Profesora asistente del Departamento de Ingeniería Industrial y de Sistemas UC.
Magíster en Ciencias de la Ingeniería e Ingeniero Civil Industrial, UC.
Líneas de investigación: investigación de operaciones, ciencia de datos, sistemas de energía, con énfasis en optimización y modelación estocástica, y sus aplicaciones en planificación energética, operación de sistemas eléctricos de potencia, integración de energías renovables, redes inteligentes, y resiliencia.
Ph.D. y Master of Science in Engineering, Georgia Institute of Technology. Magíster en Ciencias de la Ingeniería e Ingeniero Agrónomo, UC. Profesor Asociado del Departamento de Ingeniería Industrial y de Sistemas de la Escuela de Ingeniería UC. Especialidad en cadenas silvo agroalimentarias, gestión de operaciones, logística, modelos cuantitativos aplicados a sistemas biológicos, optimización.
Ph.D. Universidad de Cornell, Estados Unidos, en el área de Investigación Operacional. Ingeniero Civil Matemático, Universidad de Chile. Profesor en la UC desde 1998 y fue Profesor Visitante en el Sloan School of Management del Instituto Tecnológico de Massachusetts (MIT). Profesor Titular del Departamento Ingeniería Industrial y de Sistemas de la Escuela de Ingeniería UC.
¿Te gusta esta publicación?
Comparte esta publicación
