MIAD
1
, 'f/ t
Maestría
,.,
,1 ,/4,., en Inteligencia Analítica de
,. ; ./ 1/-' ... Datos
f]
, # /1 ¡_
1
Optimización para la Toma de Decisiones
PROGRAMA DEL CURSO
Optimización para la Toma de Decisiones - 202412
1
Optimización para la Toma de Decisiones
Generalidades
del curso
Datos generales del curso
▪ Tipo de programa: Posgrados-Maestría en Inteligencia Analítica de Datos
▪ Nombre del curso: Optimización para la Toma de Decisiones
▪ Código del curso: MIID-4204
▪ Cantidad créditos del curso: 2
▪ Facultad o Departamento: Departamento Ingeniería Industrial
▪ Periodo académico: 2024-12
▪ Horario sesión sincrónica: martes 17:30-19:00 (GMT -5)
Equipo docente
Profesor a cargo
Nombre profesor (a): Astrid Xiomara Rodríguez
Correo electrónico: [email protected]
Líder de Tutores
Nombre profesor (a): Daniel Yamín
Correo electrónico: [email protected]
Tutores
o Nombre profesor (a): Mauricio Ricardo Delgado
Correo electrónico: [email protected]
o Nombre profesor (a): Nicole Ramírez
Correo electrónico: [email protected]
o Nombre profesor (a): Nicolás Guerrero Ayala
Correo electrónico: [email protected]
o Nombre profesor (a): Andrés Rueda López
Correo electrónico: [email protected]
o Nombre profesor (a): Katherine Quiroga
Correo electrónico: [email protected]
o Nombre profesor (a): Felipe Sanabria
Correo electrónico: [email protected]
*Recuerda que el canal de comunicación e inquietudes al equipo docente o a la coordinación del programa es a
través del correo [email protected] , los correos personales no son un canal de comunicación
oficial.
2
Optimización para la Toma de Decisiones
Horarios de atención a estudiantes
Horario 1: viernes 17:30 – 18:30 (GMT -5 Bogotá, Colombia)
Horario 2: sábado 11:00 – 12:00 (GMT -5 Bogotá, Colombia)
Introducción al curso
Optimización para la Toma de Decisiones
Descripción del curso
El módulo presenta técnicas de modelado en optimización lineal. De forma complementaria, el curso
busca desarrollar en el estudiante habilidades de implementación de los modelos en software
especializado de optimización (e. g. Python+PuLP, MS-Excel).
Objetivos de aprendizaje
Al finalizar el módulo, se espera que el estudiante esté en capacidad de:
1. Identificar procesos susceptibles de ser mejorados a través de las técnicas de optimización.
2. Formular rigurosamente un problema de optimización a partir de una problemática real.
3. Implementar y resolver un modelo de optimización utilizando herramientas computacionales. En
particular, el estudiante estará en capacidad de utilizar software especializado de optimización desde
Python y MS-Excel (Solver).
4. Analizar, interpretar y comunicar apropiadamente los resultados de un modelo de optimización.
Competencias a desarrollar
A continuación, se describen las competencias del programa que busca desarrollar este curso en
particular.
1. Tecnologías de información: hacer uso de herramientas computacionales y tecnológicas para
manipular datos, gestionar el desarrollo y validación de modelos, así como la presentación efectiva
de sus resultados.
a. Identificar las particularidades y propósito de diferentes lenguajes de programación,
paquetes de software, servicios tecnológicos disponibles en el contexto de análisis de datos y
el modelaje matemático.
3
Optimización para la Toma de Decisiones
b. Extraer, transformar y cargar datos de diversas fuentes estructuradas y no-estructuradas
c. Resolver modelos de analítica descriptiva, predictiva y prescriptiva.
d. Desarrollar o utilizar herramientas que permitan traducir las soluciones de los modelos al
contexto de las necesidades de la organización (reportes, visualización, dashboards, entre
otros).
2. Modelos matemáticos: desarrollar modelos matemáticos para análisis de datos según su propósito,
pertinencia y limitaciones en el contexto de un problema de negocio.
a. Formular modelos matemáticos a partir de problemas de negocio con el fin de obtener
soluciones numéricas que den lugar a análisis que agreguen valor.
b. Identificar y aprovechar oportunidades de aplicación de técnicas avanzadas de machine
learning para beneficio de las organizaciones.
c. Comprender y comunicar los supuestos, limitaciones técnicas y consecuencias éticas de la
formulación e implementación de modelos matemáticos con datos reales.
Contenido de la asignatura
El curso tiene una duración total de 8 semanas y, en cada una de estas, se ocupará de los siguientes
temas:
SEMANA CONTENIDO
1 Introducción a la optimización
Solución y escalamiento de modelos de
2
optimización
3 Optimización con variables discretas
Restricciones comunes de modelado en
4
optimización: inventarios y suavización
5 Estrategias de optimización multiobjetivo
Estrategias de balanceo en optimización:
6
funciones min-max
7 Optimización basada en redes
8 Problemas de cubrimiento
Metodología
El estudiante deberá desarrollar un conjunto de actividades a lo largo de cada semana, las cuales se
describen a continuación:
o Deberá preparar por su cuenta los temas asignados, para lo cual contará con videos y lecturas
seleccionadas.
4
Optimización para la Toma de Decisiones
o Podrá resolver sus dudas en el canal de Slack en el hilo asignado para tal fin y con horarios específicos
de respuesta.
o Podrá asistir a la sesión sincrónica que estará a cargo del equipo del curso donde se harán precisiones
sobre los temas de la semana anterior.
o La evaluación del curso se centrará en los quices (cuestionarios) y las prácticas computacionales.
Todas las actividades serán evaluadas de forma individual.
Herramientas y requerimientos tecnológicos
o MS-Excel: instalado en el computador o accediendo a este software a través de
https://nukakvirtual.uniandes.edu.co.
o Python: durante el curso se desarrollarán prácticas computacionales en Jupyter Notebook usando la
plataforma de Coursera. Las prácticas ya tendrán todos los paquetes necesarios instalados.
Criterios de evaluación y aspectos académicos
Como estrategia de evaluación se realizarán actividades tanto formativas como sumativas a nivel
individual y grupal. Semanalmente se realizará un cuestionario/quiz (individual). A partir de la segunda
semana se realizarán prácticas computacionales. En la segunda semana dicho laboratorio computacional
será individual. A partir de la tercera semana, el laboratorio computacional también será individual, pero
habrá unos grupos de discusión de tres, máximo 4, estudiantes. Estas actividades buscan medir el nivel
de comprensión logrado.
En la siguiente tabla se presentan las actividades calificables/sumativas, la semana en que aparecen, y el
porcentaje de calificación en relación con la nota total del curso. Todas las actividades serán entregadas
de manera individual.
PORCENTAJE DE
TIPO DE
SEMANA NOMBRE DE LA ACTIVIDAD CALIFICACIÓN
ENTREGA
ASIGNADO
1 Quiz: introducción a la optimización Individual 3.75%
Quiz: optimización lineal e indexación Individual 3.75%
2
Práctica computacional: mezcla de canales digitales Individual 10%
Quiz: variables enteras y binarias Individual 3.75%
3 Práctica computacional: selección y programación de
Individual 10%
proyectos I
Quiz: restricciones comunes en formulación Individual 3.75%
4 Práctica computacional: selección y programación de
Individual 10%
proyectos II
Quiz: estrategias de optimización multiobjetivo Individual 3.75%
5
Práctica computacional: localización de depósitos Individual 10%
Quiz: estrategias de balanceo en optimización Individual 3.75%
6
Práctica computacional: problema de balance (min-max) Individual 10%
7 Quiz: optimización basada en redes Individual 3.75%
5
Optimización para la Toma de Decisiones
Práctica computacional: optimización de un portafolio de
Individual 10%
servicios
Quiz: problemas de cubrimiento Individual 3.75%
8
Práctica computacional: programación de turnos Individual 10%
TOTAL 100%
Consideraciones
o Fechas importantes: consultar el portal de registro.
o Parámetros de calificación de actividades académicas:
o Las actividades serán calificadas de forma automática por la plataforma de Coursera. Sin
embargo, algunas prácticas computacionales tendrán retroalimentación por parte de los
tutores del curso.
o Todas las actividades (prácticas computacionales y cuestionarios) tienen disponibles un
único envío.
o No se habilitarán más envíos para las prácticas computacionales ni para los cuestionarios
bajo ninguna circunstancia.
o No se recibirán actividades por fuera de la fecha establecida.
o Tanto las prácticas computacionales como los cuestionarios vencerán el lunes siguiente de
la semana correspondiente a las 23:59 (GMT -5 Bogotá, Colombia).
o Los cuestionarios tienen un límite de tiempo desde el momento en el que se inician a
resolver. Asegúrate de hacerlos en un espacio apropiado y sin ruido, y con el tiempo
suficiente.
o Grupos de discusión y apoyo: serán de tres (3) o cuatro (4) estudiantes. Los grupos serán
seleccionados por los estudiantes. Cada integrante del grupo debe hacer un envío de la solución de
la actividad (la nota es individual). Además, cada integrante tendrá solamente un intento para
hacer este envío.
o Reclamos: Las solicitudes de revisión de nota se deben hacer por escrito vía Salesforce, respetando
el máximo plazo establecido por el reglamento general de estudiantes de maestría (Art. 62).
*Recuerda que, de acuerdo al nuevo reglamento de estudiantes de maestrías, todo estudiante que desee formular
un reclamo sobre la calificación de cualquier evaluación o sobre la nota definitiva del curso deberá dirigirlo por escrito
y debidamente sustentado al profesor responsable de la materia, dentro de los cuatro (4) días hábiles siguientes a
aquel en que se dan a conocer las calificaciones en cuestión. El profesor dispone de cinco (5) días hábiles para resolver
el reclamo formulado.
o Política de aproximación de notas:
o Para aprobar el curso la nota ponderada total debe ser superior o igual a 3.00.
o La nota definitiva del curso se aproximará a 2 decimales dentro de la escala numérica entre
1.50 y 5.00. En caso de no cumplir la regla anterior, la nota definitiva será el mínimo entre
1.50 y la nota aproximada a dos decimales.
6
Optimización para la Toma de Decisiones
Conocimientos previos requeridos para tomar el curso
Para tomar el curso se requiere el manejo básico del lenguaje de programación Python, el uso de Jupyter
Notebook y MS-Excel. Dentro del curso no habrá nivelación en cuanto al manejo de estas herramientas
computacionales.
Relevancia del curso y conexión con los demás cursos del programa
Este curso enseña herramientas útiles para resolver situaciones problemáticas haciendo uso de modelos
prescriptivos de analítica. Con estos modelos, se pueden prescribir una serie de acciones que ayudarán a
llevar un sistema o proceso a un estado mejorado o deseado. El curso articula tres pilares de la analítica:
los problemas de negocio, los modelos matemáticos y los datos y la programación.
Dado el componente computacional intrínseco de la optimización, este curso está estrechamente
relacionado con el Laboratorio Computacional de Analytics (MT1). Además, al ser la optimización una
poderosa herramienta para tomar decisiones y prescribir acciones para alcanzar un estado mejorado o
deseado, este curso es fundamental para el Proyecto Aplicado en Analítica de Datos.
© - Derechos Reservados: la presente obra, y en general todos los contenidos del curso, se encuentran protegidos por las normas
internacionales y nacionales vigentes sobre propiedad Intelectual, por lo tanto su utilización parcial o total, reproducción,
comunicación pública, transformación, distribución, alquiler, préstamo público e importación, total o parcial, en todo o en parte, en
formato impreso o digital y en cualquier formato conocido o por conocer, se encuentran prohibidos, y solo serán lícitos en la medida
en que se cuente con la autorización previa y expresa por escrito de la Universidad de los Andes.
De igual manera, la utilización de la imagen de las personas, docentes o estudiantes, sin su previa autorización está expresamente
prohibida. En caso de incumplirse con lo mencionado, se procederá de conformidad con los reglamentos y políticas de la
universidad, sin perjuicio de las demás acciones legales aplicables.
Bibliografía
La bibliografía es de referencia y para complementar de forma autónoma el proceso de aprendizaje de
los estudiantes.
• R. Rardin. Optimization in Operations Research. Prentice Hall. 1998.
• C. Guéret, C. Prins & M. Sevaux. Applications of optimization with Xpress-MP. Dash Optimization.
2002.
• H. P. Williams. Model building in mathematical modeling. John Wiley & Sons. 2013.
• R. Ahuja, T. Magnanti & J. Orlin. Network Flows: Theory, algorithms, and applications. Prentice Hall.
1993.
• Centro para la Optimización y Probabilidad Aplicada (COPA). Repositorio de Optimización.
https://copa-uniandes.github.io/optimizacion/intro.html
• Artículos:
o Medaglia A. L. (2021) Lessons from Latin America for sustainable, healthier cities, ISE teams
create solutions for recreation, traffic, pollution problems. ISE Magazine, Vol. 53, num. 11.
Disponible en: http://wwwprof.uniandes.edu.co/~amedagli/ftp/Medaglia-
LessonsSustainableHealthierCities-ISEMagazine-Nov-2021.pdf
7
