TEMARIO Inicio < Previo | Próximo >
El Diplomado en Estadística Avanzada, Modelos Predictivos y Aprendizaje Automático ofrece una formación especializada en la aplicación de métodos estadísticos, técnicas de modelamiento matemático y algoritmos de inteligencia artificial para el análisis de información y la predicción de resultados.
El programa integra estadística inferencial avanzada, análisis multivariado, regresión, series temporales, aprendizaje supervisado y no supervisado, evaluación de modelos predictivos y fundamentos de aprendizaje profundo.
Asimismo, desarrolla competencias para identificar patrones, estimar relaciones entre variables, construir modelos de predicción, evaluar su precisión y transformar grandes conjuntos de datos en información útil para la toma de decisiones.
Su enfoque combina fundamentos matemáticos y estadísticos con aplicaciones prácticas mediante herramientas computacionales como Python, R y bibliotecas especializadas de análisis de datos y aprendizaje automático.
El diplomado está orientado a profesionales interesados en desarrollar soluciones predictivas en economía, finanzas, administración, salud, educación, ingeniería, investigación científica y gestión pública.
Las organizaciones necesitan comprender no solamente lo que ocurrió en sus procesos, sino también identificar tendencias y anticipar posibles resultados futuros.
La estadística avanzada permite estudiar relaciones complejas entre variables, evaluar hipótesis y desarrollar modelos cuantitativos. Por su parte, el aprendizaje automático proporciona algoritmos capaces de reconocer patrones y generar predicciones a partir de datos.
La integración de estas disciplinas resulta especialmente útil para pronosticar demanda, analizar riesgos, detectar anomalías, segmentar poblaciones y evaluar escenarios.
Este diplomado proporciona herramientas para desarrollar modelos predictivos con criterios de rigor estadístico, validación técnica, interpretación y responsabilidad en el uso de los datos.
Desarrollar competencias estadísticas, matemáticas y computacionales para diseñar, implementar, evaluar e interpretar modelos predictivos mediante técnicas de estadística avanzada y aprendizaje automático, utilizando herramientas informáticas que permitan analizar información compleja y apoyar la toma de decisiones basada en evidencia.
Dirigido a profesionales y estudiantes de estadística, economía, ingeniería, informática, administración, finanzas, investigación científica, salud, educación, gestión pública y otras especialidades vinculadas con el análisis cuantitativo.
También está orientado a analistas de datos, investigadores, responsables de inteligencia empresarial y profesionales interesados en incorporar técnicas predictivas a sus actividades.
Se recomienda contar con conocimientos básicos de estadística y manejo de hojas de cálculo. La experiencia previa en programación es conveniente, aunque el programa incluye actividades de nivelación y aplicación progresiva.
Al finalizar el diplomado, el participante estará en condiciones de:
Aplicar métodos avanzados de análisis estadístico.
Preparar y transformar datos para modelamiento predictivo.
Seleccionar técnicas de regresión y análisis multivariado.
Construir modelos para variables continuas y categóricas.
Analizar tendencias y desarrollar pronósticos de series temporales.
Implementar algoritmos de aprendizaje supervisado.
Aplicar técnicas de agrupamiento y reducción de dimensionalidad.
Evaluar el desempeño y la capacidad de generalización de modelos.
Identificar problemas de sobreajuste, sesgo y fuga de información.
Interpretar resultados mediante herramientas de explicabilidad.
Aplicar principios de ética y protección de datos.
Desarrollar proyectos integrales de análisis predictivo.
CAPÍTULO 1. INTRODUCCIÓN A LA ESTADÍSTICA AVANZADA
1.1.1. Evolución y aplicaciones de los métodos estadísticos avanzados
1.1.2. Estadística inferencial, modelamiento y predicción
1.1.3. Aplicaciones del análisis predictivo en diferentes sectores
CAPÍTULO 2. FUNDAMENTOS DE ANALÍTICA DE DATOS
1.2.1. Analítica descriptiva, diagnóstica, predictiva y prescriptiva
1.2.2. Ciclo de vida de los proyectos analíticos
1.2.3. Identificación de problemas susceptibles de modelamiento
CAPÍTULO 3. BASES MATEMÁTICAS DEL MODELAMIENTO
1.3.1. Álgebra lineal aplicada a matrices de datos
1.3.2. Funciones, derivadas y optimización matemática
1.3.3. Fundamentos de cálculo matricial y operaciones vectoriales
CAPÍTULO 4. INTRODUCCIÓN A MODELOS PREDICTIVOS
1.4.1. Concepto y características de un modelo predictivo
1.4.2. Variables predictoras y variables objetivo
1.4.3. Diferencias entre explicación estadística y predicción
CAPÍTULO 1. FUNDAMENTOS DE PROBABILIDAD AVANZADA
2.1.1. Probabilidad condicional e independencia
2.1.2. Teorema de Bayes y actualización de probabilidades
2.1.3. Esperanza, varianza y covarianza de variables aleatorias
CAPÍTULO 2. DISTRIBUCIONES DE PROBABILIDAD
2.2.1. Distribuciones discretas y continuas
2.2.2. Distribuciones conjuntas y marginales
2.2.3. Distribuciones condicionales y sus aplicaciones
CAPÍTULO 3. ESTIMACIÓN ESTADÍSTICA
2.3.1. Propiedades de los estimadores estadísticos
2.3.2. Estimación por máxima verosimilitud
2.3.3. Intervalos de confianza y métodos de remuestreo
CAPÍTULO 4. INFERENCIA Y CONTRASTACIÓN AVANZADA
2.4.1. Pruebas de hipótesis y funciones de verosimilitud
2.4.2. Potencia estadística y tamaño del efecto
2.4.3. Corrección por comparaciones múltiples
CAPÍTULO 1. CALIDAD Y ESTRUCTURA DE DATOS
3.1.1. Evaluación de integridad y consistencia de conjuntos de datos
3.1.2. Identificación de valores faltantes y patrones de ausencia
3.1.3. Detección de registros duplicados e inconsistencias
CAPÍTULO 2. TRANSFORMACIÓN DE VARIABLES
3.2.1. Estandarización y normalización de datos
3.2.2. Transformaciones logarítmicas y de potencia
3.2.3. Codificación de variables categóricas
CAPÍTULO 3. ANÁLISIS EXPLORATORIO AVANZADO
3.3.1. Evaluación de distribuciones y asimetrías
3.3.2. Análisis de correlaciones y dependencias
3.3.3. Identificación de valores atípicos multivariados
CAPÍTULO 4. INGENIERÍA DE CARACTERÍSTICAS
3.4.1. Creación de variables derivadas
3.4.2. Selección y reducción de características
3.4.3. Prevención de fuga de información durante el procesamiento
CAPÍTULO 1. FUNDAMENTOS DE REGRESIÓN LINEAL
4.1.1. Modelo de regresión lineal simple
4.1.2. Modelo de regresión lineal múltiple
4.1.3. Estimación mediante mínimos cuadrados ordinarios
CAPÍTULO 2. EVALUACIÓN DE SUPUESTOS
4.2.1. Linealidad y especificación funcional
4.2.2. Homocedasticidad y análisis de residuos
4.2.3. Independencia de errores y multicolinealidad
CAPÍTULO 3. REGRESIÓN AVANZADA
4.3.1. Modelos con interacciones entre variables
4.3.2. Regresión polinómica y transformaciones no lineales
4.3.3. Regresión Ridge, Lasso y Elastic Net
CAPÍTULO 4. DIAGNÓSTICO E INTERPRETACIÓN
4.4.1. Identificación de observaciones influyentes
4.4.2. Evaluación del ajuste y errores de predicción
4.4.3. Interpretación de coeficientes y limitaciones del modelo
CAPÍTULO 1. FUNDAMENTOS DE MODELOS LINEALES GENERALIZADOS
5.1.1. Componentes de un modelo lineal generalizado
5.1.2. Funciones de enlace y distribuciones de respuesta
5.1.3. Estimación e interpretación de parámetros
CAPÍTULO 2. REGRESIÓN LOGÍSTICA
5.2.1. Regresión logística binaria
5.2.2. Interpretación de probabilidades y odds ratios
5.2.3. Evaluación de calibración y discriminación
CAPÍTULO 3. MODELOS PARA DATOS DE CONTEO
5.3.1. Regresión de Poisson
5.3.2. Sobredispersión y regresión binomial negativa
5.3.3. Interpretación de razones de tasas y predicciones
CAPÍTULO 4. SELECCIÓN Y EVALUACIÓN DE MODELOS
5.4.1. Criterios de información AIC y BIC
5.4.2. Análisis de residuos y diagnóstico de ajuste
5.4.3. Comparación de modelos y evaluación de estabilidad
CAPÍTULO 1. FUNDAMENTOS DEL ANÁLISIS MULTIVARIADO
6.1.1. Concepto y aplicaciones de técnicas multivariadas
6.1.2. Matrices de covarianza y correlación
6.1.3. Distancias y similitudes entre observaciones
CAPÍTULO 2. ANÁLISIS DE COMPONENTES PRINCIPALES
6.2.1. Fundamentos del análisis de componentes principales
6.2.2. Selección del número de componentes
6.2.3. Interpretación de cargas y puntuaciones factoriales
CAPÍTULO 3. ANÁLISIS FACTORIAL
6.3.1. Fundamentos del análisis factorial exploratorio
6.3.2. Métodos de extracción y rotación de factores
6.3.3. Evaluación de adecuación e interpretación de resultados
CAPÍTULO 4. TÉCNICAS COMPLEMENTARIAS DE DIMENSIONALIDAD
6.4.1. Análisis discriminante y clasificación estadística
6.4.2. Introducción a t-SNE y UMAP para visualización
6.4.3. Selección de técnicas según objetivos y estructura de datos
CAPÍTULO 1. FUNDAMENTOS DE SERIES TEMPORALES
7.1.1. Concepto y componentes de una serie temporal
7.1.2. Tendencia, estacionalidad y variaciones irregulares
7.1.3. Estacionariedad y transformaciones de series
CAPÍTULO 2. ANÁLISIS DE DEPENDENCIA TEMPORAL
7.2.1. Función de autocorrelación
7.2.2. Función de autocorrelación parcial
7.2.3. Identificación de patrones de dependencia temporal
CAPÍTULO 3. MODELOS CLÁSICOS DE PRONÓSTICO
7.3.1. Promedios móviles y suavizamiento exponencial
7.3.2. Modelos autorregresivos y de medias móviles
7.3.3. Modelos ARIMA y SARIMA
CAPÍTULO 4. EVALUACIÓN DE PRONÓSTICOS
7.4.1. Separación temporal de entrenamiento y prueba
7.4.2. Indicadores MAE, RMSE y errores porcentuales
7.4.3. Construcción e interpretación de intervalos de predicción
CAPÍTULO 1. FUNDAMENTOS DE APRENDIZAJE SUPERVISADO
8.1.1. Concepto y objetivos del aprendizaje supervisado
8.1.2. Problemas de clasificación y regresión
8.1.3. Entrenamiento, validación y prueba de modelos
CAPÍTULO 2. ALGORITMOS DE CLASIFICACIÓN
8.2.1. Árboles de decisión
8.2.2. Algoritmo de vecinos más cercanos
8.2.3. Máquinas de vectores de soporte
CAPÍTULO 3. ALGORITMOS DE REGRESIÓN PREDICTIVA
8.3.1. Árboles de regresión
8.3.2. Bosques aleatorios para predicción
8.3.3. Métodos de boosting para regresión
CAPÍTULO 4. EVALUACIÓN DE MODELOS SUPERVISADOS
8.4.1. Matriz de confusión y métricas de clasificación
8.4.2. Curvas ROC y precisión-recall
8.4.3. Evaluación de errores y capacidad de generalización
CAPÍTULO 1. FUNDAMENTOS DE APRENDIZAJE NO SUPERVISADO
9.1.1. Concepto y objetivos del aprendizaje no supervisado
9.1.2. Diferencias entre clasificación y agrupamiento
9.1.3. Aplicaciones de segmentación y detección de patrones
CAPÍTULO 2. ALGORITMOS DE AGRUPAMIENTO
9.2.1. Algoritmo k-means
9.2.2. Agrupamiento jerárquico
9.2.3. Algoritmo DBSCAN
CAPÍTULO 3. EVALUACIÓN DE CONGLOMERADOS
9.3.1. Selección del número de grupos
9.3.2. Coeficiente de silueta y métricas internas
9.3.3. Interpretación y caracterización de segmentos
CAPÍTULO 4. DETECCIÓN DE ANOMALÍAS
9.4.1. Fundamentos de identificación de observaciones anómalas
9.4.2. Métodos basados en densidad y aislamiento
9.4.3. Aplicaciones en detección de riesgos y comportamientos inusuales
CAPÍTULO 1. FUNDAMENTOS DE REDES NEURONALES
10.1.1. Concepto y evolución de las redes neuronales artificiales
10.1.2. Neuronas artificiales y funciones de activación
10.1.3. Arquitectura de redes multicapa
CAPÍTULO 2. ENTRENAMIENTO DE REDES NEURONALES
10.2.1. Funciones de pérdida y optimización
10.2.2. Algoritmo de retropropagación del error
10.2.3. Descenso de gradiente y optimizadores adaptativos
CAPÍTULO 3. ARQUITECTURAS DE APRENDIZAJE PROFUNDO
10.3.1. Redes neuronales densas
10.3.2. Introducción a redes convolucionales
10.3.3. Introducción a redes recurrentes y modelos secuenciales
CAPÍTULO 4. IMPLEMENTACIÓN Y EVALUACIÓN
10.4.1. Construcción de modelos básicos con bibliotecas especializadas
10.4.2. Regularización, abandono de unidades y parada temprana
10.4.3. Evaluación del desempeño y limitaciones de redes neuronales
CAPÍTULO 1. OPTIMIZACIÓN DE MODELOS
11.1.1. Búsqueda de hiperparámetros
11.1.2. Validación cruzada y selección de modelos
11.1.3. Prevención de sobreajuste y subajuste
CAPÍTULO 2. INTERPRETABILIDAD Y EXPLICABILIDAD
11.2.1. Importancia de variables en modelos predictivos
11.2.2. Interpretación mediante valores SHAP
11.2.3. Explicaciones locales y globales de predicciones
CAPÍTULO 3. ÉTICA Y RESPONSABILIDAD ALGORÍTMICA
11.3.1. Identificación de sesgos en datos y modelos
11.3.2. Equidad, transparencia y rendición de cuentas
11.3.3. Privacidad y protección de datos personales
CAPÍTULO 4. IMPLEMENTACIÓN Y MONITOREO DE MODELOS
11.4.1. Documentación y reproducibilidad de experimentos
11.4.2. Detección de cambios en datos y deterioro del desempeño
11.4.3. Principios de mantenimiento y gobernanza de modelos predictivos
CAPÍTULO 1. FORMULACIÓN DEL PROYECTO PREDICTIVO
12.1.1. Identificación de un problema de predicción
12.1.2. Definición de objetivos, variables y métricas
12.1.3. Selección de fuentes y planificación metodológica
CAPÍTULO 2. PREPARACIÓN Y MODELAMIENTO DE DATOS
12.2.1. Limpieza, transformación e ingeniería de características
12.2.2. Selección de algoritmos estadísticos y predictivos
12.2.3. Entrenamiento y ajuste de modelos
CAPÍTULO 3. VALIDACIÓN E INTERPRETACIÓN DE RESULTADOS
12.3.1. Evaluación del desempeño con datos no utilizados en entrenamiento
12.3.2. Interpretación de predicciones y análisis de errores
12.3.3. Evaluación de riesgos, sesgos y limitaciones del modelo
CAPÍTULO 4. PROYECTO INTEGRADOR FINAL
12.4.1. Desarrollo de una solución predictiva aplicada
12.4.2. Elaboración del informe técnico y documentación metodológica
12.4.3. Presentación y sustentación del proyecto integrador