ANÁLISIS DE DATOS

TEMARIO Inicio < Previo | Próximo >

DIPLOMADO EN ANÁLISIS DE DATOS

ABCDiplomados | Temario académico integral

Duración: 12 meses Carga académica: 1,200 horas Créditos: 48 Modalidad: Virtual Estructura: 12 módulos, 48 capítulos y 144 temas.

PRESENTACIÓN

El Diplomado en Análisis de Datos proporciona una formación especializada en los fundamentos, métodos, herramientas y técnicas utilizados para recopilar, procesar, analizar, interpretar y comunicar información cuantitativa y cualitativa, con el propósito de respaldar la toma de decisiones en organizaciones públicas y privadas.

El programa integra estadística aplicada, programación con Python, bases de datos SQL, análisis exploratorio, visualización de información, inteligencia de negocios, modelamiento predictivo, aprendizaje automático e inteligencia artificial aplicada al análisis de datos.

Su enfoque combina el rigor metodológico con aplicaciones profesionales, promoviendo competencias para transformar datos en información confiable, identificar patrones, evaluar resultados y formular recomendaciones sustentadas en evidencia.

OBJETIVO GENERAL

Desarrollar competencias técnicas, analíticas y metodológicas para gestionar y analizar datos mediante herramientas estadísticas, computacionales y de inteligencia de negocios, generando información relevante para la solución de problemas y la toma de decisiones estratégicas.

MÓDULO 01: FUNDAMENTOS DEL ANÁLISIS DE DATOS

CAPÍTULO 1.1. INTRODUCCIÓN AL ANÁLISIS DE DATOS

1.1.1. Concepto, evolución e importancia del análisis de datos.
1.1.2. Tipos de análisis: descriptivo, diagnóstico, predictivo y prescriptivo.
1.1.3. Aplicaciones del análisis de datos en sectores profesionales.

CAPÍTULO 1.2. NATURALEZA Y ESTRUCTURA DE LOS DATOS

1.2.1. Datos estructurados, semiestructurados y no estructurados.
1.2.2. Variables, escalas de medición y tipos de información.
1.2.3. Fuentes de datos y criterios para evaluar su confiabilidad.

CAPÍTULO 1.3. PROCESO ANALÍTICO Y METODOLOGÍA

1.3.1. Etapas del ciclo de vida de un proyecto de análisis de datos.
1.3.2. Formulación de problemas, preguntas analíticas e hipótesis.
1.3.3. Metodologías CRISP-DM y enfoques de trabajo analítico.

CAPÍTULO 1.4. ENTORNO PROFESIONAL DEL ANALISTA DE DATOS

1.4.1. Competencias, funciones y responsabilidades del analista.
1.4.2. Ecosistema de herramientas y tecnologías analíticas.
1.4.3. Ética, privacidad y uso responsable de la información.

MÓDULO 02: ESTADÍSTICA DESCRIPTIVA APLICADA AL ANÁLISIS DE DATOS

CAPÍTULO 2.1. FUNDAMENTOS ESTADÍSTICOS

2.1.1. Población, muestra, parámetros y estadísticos.
2.1.2. Muestreo probabilístico y no probabilístico.
2.1.3. Organización de datos y distribuciones de frecuencia.

CAPÍTULO 2.2. MEDIDAS ESTADÍSTICAS DESCRIPTIVAS

2.2.1. Medidas de tendencia central: media, mediana y moda.
2.2.2. Medidas de dispersión: varianza, desviación estándar y coeficiente de variación.
2.2.3. Medidas de posición, asimetría y curtosis.

CAPÍTULO 2.3. REPRESENTACIÓN Y EXPLORACIÓN ESTADÍSTICA

2.3.1. Tablas estadísticas y distribuciones agrupadas.
2.3.2. Histogramas, diagramas de caja y gráficos de dispersión.
2.3.3. Identificación de valores atípicos y patrones de distribución.

CAPÍTULO 2.4. ANÁLISIS ESTADÍSTICO APLICADO

2.4.1. Comparación descriptiva entre grupos y segmentos.
2.4.2. Covarianza, correlación y relaciones entre variables.
2.4.3. Interpretación de indicadores estadísticos para decisiones profesionales.

MÓDULO 03: GESTIÓN Y PREPARACIÓN DE DATOS CON EXCEL

CAPÍTULO 3.1. ORGANIZACIÓN DE DATOS EN HOJAS DE CÁLCULO

3.1.1. Estructuración de bases de datos tabulares en Excel.
3.1.2. Formatos, tipos de datos y validación de registros.
3.1.3. Referencias, tablas estructuradas y administración de rangos.

CAPÍTULO 3.2. FUNCIONES PARA EL ANÁLISIS DE DATOS

3.2.1. Funciones lógicas, condicionales y de búsqueda.
3.2.2. Funciones estadísticas, matemáticas y de agregación.
3.2.3. Funciones de texto, fechas y transformación de información.

CAPÍTULO 3.3. DEPURACIÓN Y TRANSFORMACIÓN DE DATOS

3.3.1. Detección y tratamiento de registros duplicados.
3.3.2. Normalización de formatos y corrección de inconsistencias.
3.3.3. Importación, limpieza y transformación mediante Power Query.

CAPÍTULO 3.4. ANÁLISIS Y REPORTES EN EXCEL

3.4.1. Tablas dinámicas y segmentación de información.
3.4.2. Gráficos dinámicos e indicadores de desempeño.
3.4.3. Elaboración de reportes analíticos y paneles interactivos.

MÓDULO 04: PROGRAMACIÓN CON PYTHON PARA EL ANÁLISIS DE DATOS

CAPÍTULO 4.1. FUNDAMENTOS DE PROGRAMACIÓN EN PYTHON

4.1.1. Instalación, entornos de trabajo y cuadernos Jupyter.
4.1.2. Variables, tipos de datos, operadores y expresiones.
4.1.3. Estructuras condicionales, ciclos y funciones.

CAPÍTULO 4.2. ESTRUCTURAS Y MANIPULACIÓN DE DATOS

4.2.1. Listas, tuplas, diccionarios y conjuntos.
4.2.2. Lectura y escritura de archivos CSV, JSON y Excel.
4.2.3. Manejo de errores, módulos y organización del código.

CAPÍTULO 4.3. COMPUTACIÓN NUMÉRICA CON NUMPY

4.3.1. Arreglos multidimensionales y operaciones vectorizadas.
4.3.2. Indexación, filtrado y transformación de matrices.
4.3.3. Operaciones estadísticas y cálculo numérico eficiente.

CAPÍTULO 4.4. MANIPULACIÓN DE DATOS CON PANDAS

4.4.1. Estructuras Series y DataFrame.
4.4.2. Selección, filtrado, agrupación y agregación de registros.
4.4.3. Combinación, transformación y exportación de conjuntos de datos.

MÓDULO 05: BASES DE DATOS Y CONSULTAS SQL

CAPÍTULO 5.1. FUNDAMENTOS DE BASES DE DATOS

5.1.1. Sistemas gestores de bases de datos y arquitectura relacional.
5.1.2. Entidades, atributos, relaciones y claves.
5.1.3. Modelamiento entidad-relación y normalización de datos.

CAPÍTULO 5.2. CONSULTAS Y RECUPERACIÓN DE INFORMACIÓN

5.2.1. Instrucciones SELECT, WHERE y ORDER BY.
5.2.2. Operadores, expresiones y funciones SQL.
5.2.3. Agrupaciones mediante GROUP BY, HAVING y funciones agregadas.

CAPÍTULO 5.3. CONSULTAS RELACIONALES AVANZADAS

5.3.1. Combinación de tablas mediante INNER JOIN y OUTER JOIN.
5.3.2. Subconsultas y expresiones de tabla comunes (CTE).
5.3.3. Funciones de ventana y análisis de registros relacionados.

CAPÍTULO 5.4. GESTIÓN DE DATOS PARA PROYECTOS ANALÍTICOS

5.4.1. Creación y modificación de tablas, vistas e índices.
5.4.2. Integridad de datos, transacciones y control de acceso.
5.4.3. Optimización de consultas y extracción de datos para análisis.

MÓDULO 06: LIMPIEZA, TRANSFORMACIÓN Y CALIDAD DE DATOS

CAPÍTULO 6.1. EVALUACIÓN DE LA CALIDAD DE DATOS

6.1.1. Dimensiones de calidad: exactitud, integridad, consistencia y actualidad.
6.1.2. Perfilamiento de datos e identificación de anomalías.
6.1.3. Reglas de validación y métricas de calidad.

CAPÍTULO 6.2. TÉCNICAS DE LIMPIEZA DE DATOS

6.2.1. Tratamiento de valores faltantes y registros incompletos.
6.2.2. Detección y tratamiento de duplicados y valores atípicos.
6.2.3. Corrección de errores, inconsistencias y formatos heterogéneos.

CAPÍTULO 6.3. TRANSFORMACIÓN Y PREPROCESAMIENTO

6.3.1. Escalamiento, normalización y estandarización de variables.
6.3.2. Codificación de variables categóricas y creación de atributos.
6.3.3. Integración, agregación y reestructuración de conjuntos de datos.

CAPÍTULO 6.4. AUTOMATIZACIÓN DE PROCESOS DE PREPARACIÓN

6.4.1. Fundamentos de procesos ETL y ELT.
6.4.2. Construcción de flujos reproducibles de transformación.
6.4.3. Documentación, trazabilidad y control de calidad del procesamiento.

MÓDULO 07: ANÁLISIS EXPLORATORIO Y VISUALIZACIÓN DE DATOS

CAPÍTULO 7.1. METODOLOGÍA DEL ANÁLISIS EXPLORATORIO

7.1.1. Objetivos, alcance y estrategias del análisis exploratorio de datos.
7.1.2. Exploración univariada, bivariada y multivariada.
7.1.3. Identificación de patrones, relaciones y anomalías.

CAPÍTULO 7.2. VISUALIZACIÓN ESTADÍSTICA CON PYTHON

7.2.1. Construcción de gráficos mediante Matplotlib.
7.2.2. Visualización estadística con Seaborn.
7.2.3. Gráficos interactivos mediante Plotly.

CAPÍTULO 7.3. PRINCIPIOS DE VISUALIZACIÓN EFECTIVA

7.3.1. Percepción visual, selección de gráficos y codificación de información.
7.3.2. Diseño de visualizaciones comparativas, temporales y de distribución.
7.3.3. Prevención de distorsiones y errores de interpretación gráfica.

CAPÍTULO 7.4. COMUNICACIÓN DE RESULTADOS ANALÍTICOS

7.4.1. Narrativa de datos y construcción de mensajes analíticos.
7.4.2. Visualización orientada a públicos técnicos y directivos.
7.4.3. Elaboración de informes exploratorios con hallazgos y recomendaciones.

MÓDULO 08: ESTADÍSTICA INFERENCIAL Y ANÁLISIS DE HIPÓTESIS

CAPÍTULO 8.1. PROBABILIDAD Y DISTRIBUCIONES ESTADÍSTICAS

8.1.1. Fundamentos de probabilidad y eventos aleatorios.
8.1.2. Variables aleatorias y distribuciones de probabilidad.
8.1.3. Distribuciones binomial, normal, t de Student y chi-cuadrado.

CAPÍTULO 8.2. ESTIMACIÓN ESTADÍSTICA

8.2.1. Distribuciones muestrales y teorema central del límite.
8.2.2. Estimación puntual e intervalos de confianza.
8.2.3. Error muestral, precisión y determinación del tamaño de muestra.

CAPÍTULO 8.3. CONTRASTE DE HIPÓTESIS

8.3.1. Hipótesis nula y alternativa, nivel de significancia y valor p.
8.3.2. Pruebas paramétricas para medias y proporciones.
8.3.3. Pruebas no paramétricas y análisis de independencia.

CAPÍTULO 8.4. COMPARACIÓN Y RELACIÓN ENTRE VARIABLES

8.4.1. Análisis de varianza (ANOVA) y comparaciones múltiples.
8.4.2. Regresión lineal simple y múltiple con fines inferenciales.
8.4.3. Supuestos estadísticos, tamaños del efecto y evaluación de resultados.

MÓDULO 09: INTELIGENCIA DE NEGOCIOS Y POWER BI

CAPÍTULO 9.1. FUNDAMENTOS DE BUSINESS INTELLIGENCE

9.1.1. Concepto, arquitectura y componentes de inteligencia de negocios.
9.1.2. Almacenes de datos, data marts y modelamiento dimensional.
9.1.3. Indicadores clave de desempeño (KPI) y métricas de gestión.

CAPÍTULO 9.2. MODELAMIENTO DE DATOS EN POWER BI

9.2.1. Conexión e importación de fuentes mediante Power BI Desktop.
9.2.2. Diseño de modelos estrella y relaciones entre tablas.
9.2.3. Tablas de hechos, dimensiones y calendarios analíticos.

CAPÍTULO 9.3. CÁLCULOS ANALÍTICOS CON DAX

9.3.1. Medidas, columnas calculadas y contexto de evaluación.
9.3.2. Funciones CALCULATE, FILTER e iteradores.
9.3.3. Inteligencia de tiempo y construcción de indicadores dinámicos.

CAPÍTULO 9.4. DISEÑO Y PUBLICACIÓN DE DASHBOARDS

9.4.1. Diseño de informes interactivos y visualizaciones ejecutivas.
9.4.2. Segmentadores, navegación y análisis de detalle.
9.4.3. Publicación, actualización, distribución y seguridad de informes.

MÓDULO 10: MODELAMIENTO PREDICTIVO Y APRENDIZAJE AUTOMÁTICO

CAPÍTULO 10.1. FUNDAMENTOS DEL APRENDIZAJE AUTOMÁTICO

10.1.1. Conceptos, aplicaciones y tipos de aprendizaje automático.
10.1.2. Preparación de datos y partición en entrenamiento, validación y prueba.
10.1.3. Sobreajuste, subajuste y estrategias de validación cruzada.

CAPÍTULO 10.2. MODELOS DE REGRESIÓN PREDICTIVA

10.2.1. Regresión lineal regularizada y selección de características.
10.2.2. Árboles de regresión y métodos de ensamble.
10.2.3. Evaluación mediante MAE, MSE, RMSE y R².

CAPÍTULO 10.3. MODELOS DE CLASIFICACIÓN

10.3.1. Regresión logística y árboles de decisión.
10.3.2. Bosques aleatorios y métodos de boosting.
10.3.3. Matriz de confusión, precisión, sensibilidad, F1 y curva ROC.

CAPÍTULO 10.4. APRENDIZAJE NO SUPERVISADO

10.4.1. Segmentación de datos mediante K-means y clustering jerárquico.
10.4.2. Reducción de dimensionalidad mediante análisis de componentes principales.
10.4.3. Evaluación, interpretación y aplicación de agrupamientos.

MÓDULO 11: ANÁLISIS AVANZADO DE DATOS E INTELIGENCIA ARTIFICIAL

CAPÍTULO 11.1. ANÁLISIS DE SERIES TEMPORALES

11.1.1. Componentes temporales: tendencia, estacionalidad y ciclos.
11.1.2. Estacionariedad, autocorrelación y descomposición de series.
11.1.3. Pronósticos mediante suavizamiento exponencial y modelos ARIMA.

CAPÍTULO 11.2. ANÁLISIS DE TEXTO Y DATOS NO ESTRUCTURADOS

11.2.1. Fundamentos del procesamiento del lenguaje natural (NLP).
11.2.2. Tokenización, vectorización y representación numérica de textos.
11.2.3. Clasificación de textos y análisis de sentimientos.

CAPÍTULO 11.3. INTELIGENCIA ARTIFICIAL GENERATIVA PARA ANALISTAS

11.3.1. Modelos de lenguaje y aplicaciones en el análisis de datos.
11.3.2. Ingeniería de instrucciones para consultas, programación y exploración analítica.
11.3.3. Validación de resultados generados por IA, sesgos y protección de datos.

CAPÍTULO 11.4. INTERPRETABILIDAD Y ANÁLISIS RESPONSABLE

11.4.1. Interpretabilidad de modelos y técnicas de explicabilidad.
11.4.2. Detección de sesgos, evaluación de equidad y riesgos algorítmicos.
11.4.3. Monitoreo del desempeño y deriva de datos y modelos.

MÓDULO 12: PROYECTOS INTEGRALES DE ANÁLISIS DE DATOS Y TOMA DE DECISIONES

CAPÍTULO 12.1. FORMULACIÓN DEL PROYECTO ANALÍTICO

12.1.1. Identificación del problema y diagnóstico de necesidades de información.
12.1.2. Definición de objetivos, alcance y criterios de éxito.
12.1.3. Diseño metodológico, cronograma y entregables del proyecto.

CAPÍTULO 12.2. DESARROLLO DE LA SOLUCIÓN ANALÍTICA

12.2.1. Obtención, integración y preparación de datos reales.
12.2.2. Aplicación de técnicas estadísticas y modelos analíticos.
12.2.3. Validación de resultados, reproducibilidad y control de calidad.

CAPÍTULO 12.3. EVALUACIÓN Y TOMA DE DECISIONES

12.3.1. Interpretación de hallazgos y evaluación de indicadores.
12.3.2. Análisis de escenarios, riesgos e incertidumbre.
12.3.3. Formulación de recomendaciones y propuestas de mejora.

CAPÍTULO 12.4. PRESENTACIÓN Y SUSTENTACIÓN DEL PROYECTO FINAL

12.4.1. Elaboración del informe técnico y documentación de resultados.
12.4.2. Diseño de un dashboard ejecutivo y presentación de hallazgos.
12.4.3. Sustentación del proyecto integral y evaluación de su aplicabilidad profesional.

PERFIL DEL EGRESADO

Al finalizar el Diplomado en Análisis de Datos, el participante estará en capacidad de:

Gestionar, depurar y transformar conjuntos de datos provenientes de diversas fuentes.
Aplicar técnicas estadísticas descriptivas e inferenciales para interpretar información.
Utilizar Excel, Python, SQL y Power BI en proyectos de análisis de datos.
Diseñar visualizaciones, indicadores y dashboards para el seguimiento del desempeño organizacional.
Construir y evaluar modelos predictivos mediante técnicas de aprendizaje automático.
Aplicar herramientas de inteligencia artificial para optimizar procesos analíticos, verificando sus resultados.
Formular recomendaciones técnicas y estratégicas basadas en evidencia.
Desarrollar proyectos integrales de análisis de datos con criterios de calidad, reproducibilidad, ética y responsabilidad profesional.

💰 Precio Normal:

Matrícula: 120 soles
Mensualidades: 120 soles
Certificación: 240 soles

🔥 Oferta Especial por Inscripción Grupal (2 o más):

Matrícula: 100 soles
Mensualidades: 100 soles
Certificación: 240 soles