Pago hasta 3 cuotas sin interés
Clase Ejecutiva UC

Herramientas de Simulación

Clase Ejecutiva UC
Virtual

$2.792.846
+ IVA
*Precio Orientativo
Importe original en CLP:
$578.000

Información importante

Tipología Curso
Metodología Virtual
Inicio Fechas a escoger
  • Curso
  • Virtual
  • Inicio:
    Fechas a escoger
Descripción

Las herramientas de simulación de procesos de toma de decisiones es una metodología que ha estado disponible a nivel internacional por más de 50 años. Sin embargo, su aplicación en el ámbito de las instituciones y empresas a nivel nacional ha sido escasa.

Adicionalmente, en los últimos años se han generado tecnologías de captura y análisis de grandes volúmenes de información que facilitan tremendamente la formulación de estos modelos. A ello se agregan las grandes capacidades computacionales existentes, que permiten resolver muchos de estos modelos en pocos segundos; esto permite desarrollar una gran capacidad de análisis del problema y de comparación de distintos escenarios.

El objetivo del curso de Herramientas de Simulación es ilustrar, mediante casos reales, el impacto que pueden tener los modelos matemáticos en el apoyo a la toma de decisiones en el ámbito industrial. Se discutirán casos de modelos de programación lineal y no lineal para la optimización de decisiones en problemas complejos, como también modelos de simulación en sistemas sujetos a incertidumbre.

En consideración de lo anterior este curso pretende entregar la fundamentación teórica y práctica que permita al estudiante comprender los conceptos fundamentales y pasos que recomienda la literatura especializada.

Objetivo: Se espera que los alumnos al finalizar el curso queden capacitados para evaluar posibles áreas de mejora en las unidades que trabajan, en las cuales podrán lograr mayor competitividad y mejor uso en los recursos.

Información importante
¿Qué objetivos tiene esta formación?

Reconocer el impacto que pueden tener los modelos matemáticos en el apoyo a la toma de decisiones en el ámbito industrial.

Discutir casos de modelos de programación lineal y no lineal para la optimización de decisiones en problemas complejos, como también modelos de simulación en sistemas sujetos a incertidumbre.

Analizar modelos desarrollados con otros paradigmas de optimización, como por ejemplo programación dinámica en escenarios determinísticos y en escenarios sujeto a incertidumbre.

Evaluar el proceso de desarrollo en una aplicación de este tipo de modelos en la práctica y se ilustrara el impacto económico que estos modelos pueden tener sobre la organización involucrada.

¿Qué pasará tras pedir información?

El centro se pondrá en contacto contigo, una vez envíes tus datos a través del formulario.

Ubicación

Inicio

Online

Inicio

Fechas a escoger Matrícula abierta

¿Qué aprendes en este curso?

Proceso de producción
Optimización industrial
Producción
Simulación
Toma de decisiones
Algoritmos
Programación lineal
aplicaciones
Planificacion
Programación
Gestión
MODELOS
Cadenas de Markov
Variables continuas

Programa académico

Contenidos


Introducción a las Herramientas de Simulación

Introducción al contenido del curso: Herramientas de Simulación
El proceso de modelamiento
Introducción modelos de programación lineal: explicación gráfica del algoritmo Simplex
Análisis de un caso: Herramienta de planificación hecha a la medida

Algoritmo Simplex

Introducción al algoritmo Simplex
Descripción detallada del algoritmo Simplex
Modelo de programación lineal con variables continuas
Modelo de programación lineal con variables enteras

Planificación de la Producción

Problema de producción óptima
Caso: Análisis del proceso de planificación de producción previa
Estructura de la nueva herramienta desarrollada para la organización
Impactos positivos en la gestión posterior a la implementación

Algoritmos de programación con variables enteras

Algoritmos para resolución de problemas de programación entera
El algoritmo de Branch and Bound
La técnica de planos cortantes
Ejemplos de modelos con variables binarias

Modelos estocásticos para la toma de decisiones

Introducción al Modelo de Poisson
Representación de llegadas de entidades a sistemas; características y aplicaciones
El modelo de Cadenas de Markov
Características y desarrollo de un ejemplo de Cadenas de Markov aplicado

Modelo de Simulación en tiempo discreto

Los elementos de un modelo de simulación
Variables de estado, eventos, medidas de desempeño, variables aleatorias de input y de output
Análisis de resultados; réplicas de un modelo, intervalos de confianza
Análisis detallado de un ejemplo simple

Análisis de un caso real

Presentación del caso abordado: mantención de camiones
Análisis de solución óptima propuesta al caso
Estructura del modelo de simulación desarrollado
Medidas de desempeño; variables aleatorias de input y de output; estrategia de validación del modelo
Resultados y lecciones obtenidos del modelo aplicado

Aplicación de Big-Data y Machine Learning en la Optimización

Introducción al Big Data
Machine Learning
Análisis de ejemplos claves
La conexión de herramientas modernas con los modelos de optimización