Diplomado en Optimización de procesos y simulación (MII)

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 a cabalidad 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.
– Elementos básicos de un modelo de simulación.
– Breve repaso de probabilidad y estadística.
– Análisis de variables de entrada y ajuste de distribuciones.
– Etapas del proceso de desarrollo de un proyecto de simulación.
– Herramientas de validación y verificación de un modelo.
– Generación de variables aleatorias.
– Introducción a software de simulación (SIMIO).
– Análisis de variables de salida de un modelo de simulación.
– Comparación de configuraciones alternativas de un sistema.
– Herramientas de optimización-simulación en simulación.

Al final del curso podrás:
- Adquirir capacidades y conocimientos que permitan integrar soluciones sofisticadas para las empresas modernas que enfrentan mercados cada vez más competitivos.
- Entender y revisar literatura especializada del área y presentar una visión propia de los temas a tratar.

Contenidos:
- Revenue Management.
- Pricing dinámico e inventarios dinámicos.
- Gestión de la cadena de abastecimientos.
- Modelamiento de la variabilidad y toma de decisiones bajo incertidumbre.
- “Lean Production”.

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:
- Aprender técnicas y herramientas cuantitativas que se utilizan en gestión, con la finalidad de poder realizar un proceso de toma de decisiones más informado.

Contenidos:
- Análisis de decisión: Introducción de los árboles de decisión y su respectiva metodología.

- Conceptos de probabilidades: Variables aleatorias, distribuciones de probabilidades discretas y continuas, media y varianza de una distribución; correlación entre variables; probabilidad condicional.

- Técnicas de análisis de datos:
• Muestreo estadístico – toma de muestras aleatorias, estadísticos de la muestra, intervalos de confianza.
• Simulación – modelos de simulación basados en generadores de números aleatorios.
• Regresiones – modelos lineales como métodos predictivos.

- Modelamiento Técnicas de Optimización: el concepto de modelo; formulación de problemas prácticos de toma de decisiones en base a modelos de optimización; el concepto de algoritmo, herramientas básicas de programación lineal, programación no lineal y programación discreta; conceptos económicos asociados a la solución óptima de un problema.

Al final del curso podrás:
- Introducir el paradigma de la optimización para la resolución de problemas de toma de decisiones que se presentan en los diversos ámbitos de la gestión de empresas.
- Desarrollar una capacidad sólida para la formulación de modelos de optimización para la toma de decisiones.
- Comprender las metodologías de resolución de problemas de optimización, especialmente en el caso de la programación lineal y problemas relacionados.
- Adquirir capacidades de usar software computacional para la modelación y resolución de problemas.

Contenidos:
- Introducción.
• Conceptos generales de optimización y su importancia dentro de la investigación operacional. Ejemplos de modelos importantes.
• Ejemplos de modelos importantes y codificaciones en Excel.

- Programación lineal.
• Propiedades geométricas.
• Resolución de problemas de Programación Lineal.
• Dualidad.
• 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.

- Optimización no lineal.
• Visión básica de modelos no lineales y su resolución.

Al final del curso podrás:
- Identificar las distintas componentes de un sistema productivo y poder realizar un diagnóstico de la situación actual de una organización, desde el punto de vista de sus operaciones.
- Estructurar modelos de cada uno de los procesos involucrados y también en forma global para todo el sistema, definiendo adecuadamente los parámetros y costos relevantes, y al mismo tiempo ser capaz de juzgar críticamente su aplicabilidad.
- Determinar y cuantificar los “trade-off” a los cuales se encuentran enfrentados los sistemas productivos
- Ser capaz de plantear soluciones realistas que repercutan en una mayor competitividad de un sistema productivo.
- Estar en condiciones de establecer e integrar los distintos componentes de un sistema productivo.

Contenidos:
- Operaciones como fuente de ventaja competitiva.
• Visión de procesos y TOC.

- Las operaciones como procesos y BPM.
• Modelos de pronósticos.

- Modelos de pronósticos
- Inventarios: gestión y control.

- Planificación de la producción / programación de la producción.
• Planificación de corto plazo.

- Programación de proyectos.
• Diseño de servicios y procesos.

- Diseño de productos.
• Lean y discusión caso “Toyota”.

- TQM, Six Sigma y control estadístico de procesos.
• Calidad en servicios.

- Análisis del caso “Zara”.
• Tópicos avanzados en gestión de operaciones.