Guía docente de la asignatura
(6616) LABORATORIO DE OPTIMIZACIÓN

Curso académico 2025/2026

  1. Identificación

    1. De la asignatura

      Curso Académico
      2025/2026
      Titulación
      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura
      LABORATORIO DE OPTIMIZACIÓN
      Código
      6616
      Curso
      CUARTO
      Carácter
      OPTATIVA
      Número de grupos
      1
      Créditos ECTS
      4.5
      Estimación del volumen de trabajo
      112.5
      Organización temporal
      2º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2025/2026
      Titulación

      GRADO EN CIENCIA E INGENIERÍA DE DATOS

      Nombre de la asignatura LABORATORIO DE OPTIMIZACIÓN
      Código 6616
      Curso CUARTO
      Carácter OPTATIVA
      Número de grupos 1
      Créditos ECTS 4.5
      Estimación del volumen de trabajo 112.5
      Organización temporal 2º Cuatrimestre
      Idiomas en que se imparte Español
    2. Del profesorado: Equipo docente

      • FERNANDEZ HERNANDEZ, JOSE Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 Coordinador de la asignatura

        Categoría

        CATEDRATICOS DE UNIVERSIDAD

        Área

        ESTADÍSTICA E INVESTIGACIÓN OPERATIVA

        Departamento

        ESTADÍSTICA E INVESTIGACIÓN OPERATIVA

        Correo electrónico / Página web / Tutoría electrónica

        josefdez@um.es https://www.um.es/geloca/gio/josemain.html Tutoría electrónica:

        Teléfono, horario y lugar de atención al alumnado

      • PULIDO CAYUELA, MANUEL ANDRES Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        PROFESORES TITULARES DE UNIVERSIDAD

        Área

        ESTADÍSTICA E INVESTIGACIÓN OPERATIVA

        Departamento

        ESTADÍSTICA E INVESTIGACIÓN OPERATIVA

        Correo electrónico / Página web / Tutoría electrónica

        mpulido@um.es Tutoría electrónica:

        Teléfono, horario y lugar de atención al alumnado

  2. Presentación

    El objetivo general de esta asignatura es conseguir que el estudiante sea capaz de afrontar un problema de optimización real (de empresas, de otras ciencias,.) formularlo apropiadamente, dar una solución (aunque sea aproximada) y contrastar e interpretar la solución obtenida.

    Aunque habrá un pequeño número de clases teóricas, la mayor parte de la docencia se realizará de manera práctica, y se impartirá con ayuda del ordenador. Utilizando una serie de ejemplos de modelos concretos, desarrollados por los profesores, se ofrecerá una colección de proyectos a trabajar por los estudiantes de forma individual. También habrá que resolver problemas de más envergadura en grupos reducidos, que deberán ser defendidos públicamente.

    El carácter eminentemente práctico y el protagonismo del estudiante en esta materia en la que se trata de trabajar la competencia de "modelización de problemas de optimización" concretos más que introducir nuevos contenidos, hace que el desarrollo de la materia se realice fundamentalmente en base a "proyectos" a realizar por los estudiantes individualmente y en grupo bajo la supervisión directa de los profesores responsables de la materia.

    Se estudiarán modelos de Investigación Operativa aplicados a la resolución de problemas que se presentan en la industria, en la administración pública, en logística y en otros sectores, como por ejemplo, modelos de transporte, asignación de recursos, optimización en redes, rutas, localización de centros de servicio, secuenciación de tareas, empaquetamiento óptimo, entre otros.

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      No constan

    2. Requisitos

      No constan

    3. Recomendaciones

      Haber superado Optimización I y Optimización II.

      Tener conocimientos de Python.

  4. Competencias

    1. Competencias básicas

      • CB1: Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio
      • CB2: Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
      • CB3: Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
      • CB4: Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
      • CB5: Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

    2. Competencias de la titulación

      • CG1: Conocer y aplicar la analítica de datos y técnicas estadísticas apropiadas para descubrir nuevas relaciones en los datos y realizar aportaciones a procesos de las organizaciones, así como apoyar en la toma de decisiones.
      • CG4: Capacidad para aplicar los métodos generales de la ciencia e ingeniería de datos en los tipos de datos de dominios específicos, así como en la presentación de los datos, el modelado de datos y procesos, los roles organizacionales y las relaciones entre estos.
      • CG6: Ser capaz de buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
      • CE19: Desarrollar y guiar proyectos de explotación de los datos, incluyendo la planificación del proyecto, el diseño de la experimentación, la recolección de los datos y su manejo.
      • CE28: Capacidad para la modelización matemática, implementación algorítmica y resolución de problemas de optimización relacionados con la ciencia de datos.
      • CE31: Conocimiento de herramientas informáticas en el campo del análisis de los datos y modelización estadística, y capacidad para seleccionar las más adecuadas para la resolución de los diferentes problemas.

    3. Competencias transversales y de materia

      • CM1. odelización e implementación de un problema de optimización

  5. Contenidos

    1. Teoría

      Tema 1: Revisión de problemas de optimización uni-objetivo

      Tema 2: Optimización multi-objetivo

      Tema 3: Programación por metas

    2. Prácticas

      • Práctica 1: Introducción a los lenguajes de modelización algebraica

        ¿Qué es un lenguaje de modelización algebraica? Pros y contras.

      • Práctica 2: Introducción a AMPL

        Las primeras sesiones se dedicarán a la introducción al lenguaje AMPL. Formulaciones básicas. Conjuntos, parámetros, variables, objetivos. Lectura y escritura de datos. Solvers.

        Relacionado con:
        • Tema 1: Revisión de problemas de optimización uni-objetivo
      • Práctica 3: Formulación en AMPL de modelos clásicos

        Se aplicarán los conceptos introducidos en la práctica 1 para abordar la formulación e implementación de modelos clásicos como el modelo del transporte, modelo de asignación, modelos de flujo máximo, localización discreta, modelo de la mochila, modelo del viajante de comercio, etc.

        Relacionado con:
        • Tema 1: Revisión de problemas de optimización uni-objetivo
      • Práctica 4: Scripts

        Se introducirán comandos que nos permitirán formatear la salida por pantalla y automátizar determinados procesos en el procedimiento de resolución, lo que nos permitirá, entre otras cosas, resolver problemas de programación multiobjetivo y de programación por metas.

        Relacionado con:
        • Tema 2: Optimización multi-objetivo
        • Tema 3: Programación por metas

  6. Actividades Formativas

    Actividad Formativa Metodología Horas Presencialidad
    AF1: Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor. También se contemplan las sesiones informativas sobre el desarrollo del trabajo de fin de grado o prácticas externas. 15.0 100.0
    AF2: Seminarios y actividades de aula: Exposición, análisis y debate dentro del contexto de aplicaciones específicas de contenidos teóricos, así como planteamiento y resolución de ejercicios y casos prácticos en el aula, tanto al grupo completo como en grupos reducidos. También se contemplan conferencias, debates y seminarios temáticos. 4.0 100.0
    AF3: Prácticas de laboratorio: Ejercicios y resolución de problemas, aprendizaje orientado a proyectos, estudio de casos, exposición y discusión de trabajos, simulaciones y/o prácticas con ordenadores, generalmente desarrolladas en grupos reducidos. 14.0 100.0
    AF4: Trabajo autónomo del alumno: Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, búsquedas de información, sistematización de contenidos, elaboración de informes o estudio para la elaboración de casos entre otras actividades. 67.5 0.0
    AF5: Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor. 12.0 100.0
    Totales 112,50

  7. Horario de la asignatura

    https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2025-26#horarios

  8. Sistemas de Evaluación

    Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    SE3 Procedimientos de observación del trabajo del estudiante: Registros de participación, de realización de actividades, cumplimiento de plazos, participación en foros, informes de seguimiento del trabajo fin de grado y registros sobre el desarrollo de las prácticas externas. 5.0
    SE4 Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría. 95.0

  9. Fechas de exámenes

    https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2025-26#examenes

  10. Resultados del Aprendizaje

    1. Ser capaz de identificar y describir matemáticamente un problema de otras ciencias, estructurar la información disponible y seleccionar un modelo matemático adecuado.
    2. Analizar y resolver de forma exacta o aproximada modelos matemáticos de optimización sencillos.
    3. Contrastar la solución a un problema, obtenida en base a un modelo matemático, en términos de su ajuste a los datos reales del problema.
    4. Usar software para resolver problemas de optimización.
  11. Bibliografía

  12. Observaciones

    Convocatoria ordinaria (=mayo)

    A lo largo de la asignatura se deberá realizar:

    1. Dos trabajos individuales, cada uno de los cuales vale un 20% de la nota.
    2. Un trabajo grupal: 30% de la nota.
    3. Exposición y defensa del trabajo grupal: 30%

    Para aprobar la asignatura por evaluación continua (trabajos individuales, grupales y exposición), el estudiante debe obtener una calificación global igual o superior a 5 y obtener al menos un 4 sobre 10 en el apartado de "exposición y defensa del trabajo grupal".

    En caso de no aprobar por evaluación continua, las calificaciones obtenidas durante el curso no se tendrán en cuenta y la calificación final del estudiante será la obtenida en el examen final práctico, en la que deberá formular y resolver con AMPL problemas de optimización.

    Convocatorias extra-ordinarias (=diciembre/enero y junio/julio)

    Las calificaciones obtenidas durante el curso no se tendrán en cuenta y la calificación final del estudiante será la obtenida en el examen final práctico, en la que deberá formular y resolver con AMPL problemas de optimización.

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.

    REGLAMENTO DE EVALUACIÓN DE ESTUDIANTES

    El artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) prevé que "salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global".

    Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".