Diplomado Avanzado en Gestión de operaciones

Estudia en la Universidad N°1 de habla hispana en Latinoamérica 2024 por QS World University Rankings

Acerca del programa:

Obtén las habilidades necesarias para potenciar la gestión de procesos en cualquier industria, aprovechando herramientas de optimización y simulación respaldadas por avanzadas técnicas matemáticas. ¡Eleva tu carrera profesional y lidera el camino hacia la excelencia operativa!

El Diplomado Avanzado en Gestión de operaciones ofrece la opción de continuar los estudios y postular al Magíster en Ingeniería Industrial (MII), cumpliendo con los requisitos de admisión y aprobación de los cursos.

Diplomado Avanzado en Gestión de operaciones UC

Dirigido a:

El Diplomado Avanzado en Gestión de operaciones 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.


Jefe de Programa

Michael Leatherbee

Ph.D. en Emprendimiento, Tecnología, Estrategia y Organización. Management Science and Engineering Stanford University, California, EEUU e Ingeniero Civil Industrial con mención en Hidráulica 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.
linkedin

Equipo Docente

keyboard_arrow_down

Gustavo Angulo

Ingeniero Civil Matemático de la Universidad de Chile, Ph.D. en Investigación Operacional en Georgia Institute of Technology, EEUU. Profesor asistente del Departamento de Ingeniería Industrial y de Sistemas UC.

Margarita Castro

Profesor asistente del Departamento de Ingeniería Industrial y de Sistemas UC. Ingeniero Civil Industrial y Magíster en Ciencias de la Ingeniería UC. PhD in Industrial Engineering, University of Toronto

Mathias Klapp

Ingeniero Civil Industrial de la UC, Ph.D. en Investigación Operacional en Georgia Institute of Technology, EEUU. Profesor asistente del Departamento de Ingeniería Industrial y de Sistemas y del Departamento de Transporte y Logística UC.

Álvaro Lorca

Profesor asociado del Departamento de Ingeniería Industrial y de Sistemas UC y del Departamento de Ingeniería Eléctrica UC. Ingeniero Civil Industrial UC, Magíster en Ciencias de la Ingeniería U y Ph.D. en Investigación Operacional en Georgia Institute of Technology, EEUU.

Alejandro Mac Cawley

Profesor asociado del Departamento de Ingeniería Industrial y de Sistemas, de la Escuela de Ingeniería en la UC en Santiago, Chile. Es Ph.D. y MSc. en Investigación de Operaciones del Georgia Institute of Technology e Ingeniero Agrónomo de la UC. Sus intereses de investigación se centran en la aplicación de técnicas de Investigación Operativa a sistemas basados en recursos naturales y salud con un enfoque en la coordinación de la cadena de suministro, planificación de producción, producción ajustada, industria 4.0, Lean, sistemas de apoyo a la decisión y confiabilidad.

* EP (Educación Profesional) de la Escuela de Ingeniería se reserva el derecho de reemplazar, en caso de fuerza mayor, a él o los profesores indicados en este programa; y de asignar al docente que dicta el programa según disponibilidad de los profesores.

Descripción

Curso 1: Modelos de decisión bajo incertidumbre.

Nombre en inglés: Decision models under uncertainty

Sigla VRA: IND3300

Docentes: Margarita Castro y Álvaro Lorca

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin Prerrequisitos

Horas totales: 90 | Horas directas: 24 |Horas indirectas: 66

Descripción del curso

Este curso presenta los fundamentos de la toma de decisiones en contextos de incertidumbre. Se cubren temas asociados a probabilidades elementales, Cadenas de Markov en tiempo discreto, Cadenas de Markov en tiempo continuo, sistemas de espera, series de tiempo, optimización bajo incertidumbre, y ciencia de datos. Además, se discuten diversas aplicaciones y casos de estudio para ilustrar y profundizar los conceptos presentados. Al finalizar el curso, los alumnos serán capaces de analizar sistemas en contextos de incertidumbre y diseñar modelos de toma de decisiones bajo incertidumbre.

Resultados de aprendizaje

  1. Comprender diferentes conceptos asociados a la representación de procesos sujetos a incertidumbre.
  2. Analizar distintos sistemas en contextos de incertidumbre.
  3. 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

Estrategias Metodológicas:

  • Clases expositivas.
  • Cápsulas.
  • Estudio de casos.
  • Uso de softwares.

Estrategias Evaluativas:

  • Tarea 1: 25%
  • Tarea 2: 25%
  • Tarea 3: 25%
  • Examen Final: 25%


Curso 2: Modelos de simulación.

Nombre en inglés: Simulation models.

Sigla VRA: IND3730

Docente: Mathias Klapp

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin Prerrequisitos

Horas totales: 90 | Horas directas: 24 |Horas indirectas: 66

Descripción del curso

La simulación computacional de sistemas y procesos es una herramienta exitosa y fuertemente utilizada en el análisis de Operaciones. Se ha constituido en un método para asistir y optimizar procesos de toma de decisión en diversos ámbitos al permitir experimentar a bajo costo sobre un modelo sin necesidad de intervenir en la realidad. El curso tiene un enfoque metodológico – práctico presentando al alumno los conceptos y teoría fundamental asociada a simulación computacional, desarrollando talleres de software de simulación y analizando aplicaciones relacionadas con procesos de atención a clientes, gestión de colas y sistemas de manejo de tareas. El alumno, al finalizar el curso, dispondrá de herramientas suficientes para poder liderar el desarrollo de un proyecto de simulación en su ambiente de trabajo.

Resultados de aprendizaje:

  1. Comprender la estructura de un modelo de simulación y sus elementos.
  2. Visualizar la necesidad por un modelo de simulación y estimar su potencial valor agregado.
  3. Representar problemas reales a través de un modelo de simulación.
  4. Conocer las técnicas básicas de análisis y ajuste de variables de entrada.
  5. Conocer las técnicas básicas de análisis, estimación y validación de variables de salida.
  6. Manejar en software de simulación (SIMIO) y ser capaz de ejecutar rutinas básicas.
  7. Entender cómo optimizar un proceso de toma de decisiones basándose en simulación.
  8. 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)

Estrategias Metodológicas:

  • Clases expositivas.
  • Cápsulas.
  • Estudio de casos.
  • Uso de software.

Estrategias Evaluativas:

  • Tareas: 60%
  • Presentación de artículo: 10%
  • Examen: 30%

 

Curso 3: Taller de optimización y decisiones.

Nombre en inglés: Optimization and decisions workshop.

Sigla VRA: IND3810

Docente: Gustavo Angulo

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin Prerrequisitos

Horas totales: 90 | Horas directas: 24 |Horas indirectas: 66

Descripción del curso

Este curso está diseñado para poner en práctica los conocimientos adquiridos en el área de Optimización, a través del modelamiento e implementación computacional de problemas de diversas áreas de aplicación.

Resultados de aprendizaje

  1. Profundizar en las metodologías de modelamiento y resolución computacional de problemas de optimización.
  2. 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

Estrategias Metodológicas:

  • Cátedra
  • Cápsulas
  • Casos de estudio.
  • Taller computacional.

Estrategias Evaluativas:

  • Tareas :60%
  • Proyecto :40%

 

Curso 4: IND3750 Gestión de operaciones avanzada.

Nombre en inglés: IND3750 Advanced operations management.

Sigla VRA: IND3750

Docente: Jorge Vera

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin Prerrequisitos

Horas totales: 90 | Horas directas: 24 |Horas indirectas: 66

Descripción del curso

Este curso tiene por objetivo revisar y profundizar conceptos que han sido objeto de estudio intenso en los últimos años en el área de Gestión de Operaciones. Estos se orientan fundamentalmente al ámbito de la gestión integrada de la cadena de suministros, incluyendo el manejo de la variabilidad, análisis de los efectos de la incertidumbre, toma de decisiones bajo incertidumbre, conceptos de enfoques “Pull” y “Lean” y enfoques ágiles, y el impacto de los conceptos de “Data Science”, Inteligencia Artificial y relacionados, en el área de Gestión de Operaciones, entre otros.

Resultados del aprendizaje

  1. Integrar soluciones sofisticadas para las empresas modernas que enfrentan mercados cada vez más competitivos.
  2. 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 que se estudiarán a través de una selección de artículos (papers) de revistas académicas y clases expositivas, además del trabajo adicional de los estudiantes, son, entre otros: 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.

Estrategias Metodológicas:

  • Lecturas y presentación de casos de estudio.
  • Discusión grupal.
  • Preparación de informes.
  • Cápsulas.

Estrategias Evaluativas:

  • Presentación de artículos: 45%
  • Evaluación de pares por presentación: 15%
  • Ensayos reflexivos: 20%
  • Foros de discusión: 20%

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.


Objetivos de Aprendizaje

  1. Realizar un proceso de toma de decisiones en contextos de incertidumbre, aplicando técnicas y herramientas cuantitativas avanzadas.
  2. Identificar problemas de toma de decisiones en organizaciones, en los que herramientas y modelos de optimización pueden ser aplicados.
  3. Diseñar mejoras en los procesos clave de las organizaciones, a través de la simulación de situaciones y problemas reales.
  4. Implementar soluciones sofisticadas, con base en la formulación y aplicación de modelos al interior de la organización.

Requisitos Aprobación

Los cursos que conforman el diplomado tienen la siguiente ponderación:

  • Curso: IND3300 Modelos de decisión bajo incertidumbre: 25%
  • Curso: IND3730 Modelos de simulación: 25%
  • Curso: IND3810 Taller de optimización y decisiones: 25%
  • Curso: IND3750 Gestión de operaciones avanzada: 25%

Los alumnos deberán ser aprobados de acuerdo los criterios que establezca la unidad académica:

  • Calificación mínima de todos los cursos 4.0 en su promedio ponderado.
  • En caso de postular e ingresar al MII, para que los cursos del Diplomado sean convalidables, se debe tener como mínimo un promedio ponderado acumulado de 5,0.
  • Toda inasistencia debe ser comunicada al profesor con copia a Coordinación del MII. Faltar a tres clases implica perder 10 décimas del promedio final, y faltar a cuatro o más clases implica reprobar el curso. Para ser considerado/a presente se debe estar en sala o conectado/a al menos al 75% de la clase.     

El alumno que no cumpla con estas exigencias reprueba automáticamente sin posibilidad de ningún tipo de certificación.

Los resultados de las evaluaciones serán expresados en notas, en escala de 1,0 a 7,0 con un decimal, sin perjuicio que la Unidad pueda aplicar otra escala adicional.

Para aprobar un Diplomado o Programa de Formación o Especialización, se requiere la aprobación de todos los cursos que lo conforman y, en los casos que corresponda, de otros requisitos que indique el programa académico.

El estudiante será reprobado en un curso o actividad del Programa cuando hubiere obtenido como nota final una calificación inferior a cuatro (4,0). 

Los alumnos que aprueben las exigencias del programa recibirán un certificado de aprobación digital otorgado por la Pontificia Universidad Católica de Chile 

*En caso de que un alumno repruebe algún curso, las condiciones serán las establecidas por el Magíster para todos sus alumnos, independiente de si son de Educación Continua o de Postgrado.

Proceso de Admisión

Las personas interesadas deberán completar la ficha de postulación que se encuentra al costado derecho de esta página web y enviar los siguientes documentos al momento de la postulación o de manera posterior a la coordinación a cargo: 

  • Fotocopia Carnet de Identidad.
  • Fotocopia simple del Certificado de Título 
  • Curriculum Vitae actualizado.

Cualquier información adicional o inquietud podrás escribir al correo programas@ing.puc.cl.

VACANTES: 7

Con el objetivo de brindar las condiciones de infraestructura necesaria y la asistencia adecuada al inicio y durante las clases para personas con discapacidad: Física o motriz, Sensorial (Visual o auditiva) u otra, los invitamos a informarlo. 

El postular no asegura el cupo, una vez inscrito o aceptado en el programa se debe pagar el valor completo de la actividad para estar matriculado.

No se tramitarán postulaciones incompletas.

Puedes revisar aquí más información importante sobre el proceso de admisión y matrícula


¿Te parece interesante este programa?

No