fbpx
22/03/2019

Diplomado Ciencias de Datos para Negocios con Software R

Número de Registro Oficial

17DAP60520
Secretaría de Educación del Estado de Morelos (SEEM)

Modalidad Online más plataforma educativa de apoyo

Clases online: Sábados de 8:30 am 10:30 am
+ Trabajo en plataforma 24/7 (material, vídeos complementarios, libros, biblioteca, conferencias...)
%cocid%Todas las clases que se tengan son grabadas y se suben a su espacio académico para su retroalimentación

Plataforma educativa de apoyo

A cada estudiante se asigna un usuario y contraseña para la obtención de vídeos y material de estudio complementario para su retroalimentación en nuestra plataforma 24/7

Duración

200 hrs.

Inicio

24 de junio de 2023

Concluye

25 de noviembre de 2023

Inscribirse

Primer paso:

  • Llenar su solicitud de registro

Segundo Paso:

Una vez que hayamos recibido su solicitud de inscripción le confirmaremos que hemos recibido su solicitud, y recibirá a su correo la información para realizar el pago, así como los datos que le vamos a solicitar para quedar oficialmente inscrito:  

  1. Copia de credencial de elector o identificación oficial
  2. CURP actualizada
  3. Copia de cédula profesional de licenciatura, Maestría o Doctorado o Copia de Titulo en su caso (Mínimo Nivel Licenciatura) 

*Nota: Un mes posterior del inicio del diplomado deberá enviar 3 fotografías tamaño diploma, con las especificaciones que se le indicarán vía correo electrónico de la Administración de Colegio Científico de Datos.

Tercer paso:

Deberá realizar el pago de inscripción de $1,000.00 MXN para quedar formalmente inscrito al Diplomado, una vez realizado el pago, favor de enviarlo al correo administracion@cocid.mx o a cocid.direccion@gmail.com 

Costo

  • Inscripción: $1000.00 MXN
  • Costo: El diplomado tiene un costo de $15,000 MXN (Costo general)
 20% de descuento Al pagar su inscripción antes del 26 de mayo de 2023

10% de descuento Al pagar su inscripción del 27 de mayo al 9 de Junio
 

Forma de pago.

  • En una sola exhibición
  • En 5 pagos diferido a través de  Depósito o Transferencia bancaria.
  • Hasta 6 pagos diferidos a través de PayPal

Calendario de pagos.

  1. Al 20 de junio
  2. Del 1 al 5 agosto
  3. Del 1 al 5 de septiembre
  4. Del 1 al 5 de octubre
  5. Del 1 al 5 de noviembre

Depósito o transferencia

BBVA
PROMOTORA DE FORMACIÓN ASML, S.C.

Cuenta 0113456544
Clabe interbancaria 012542001134565445

Si tiene cuenta de Paypal, puede realizar el pago dando click sobre el botón.

Procedimiento:

  1. Damos click sobre la opción enviar
  2. Coloca la cantidad a pagar y coloque de favor su nombre y el nombre de diplomado.
  3. Damos continuar y elegimos la opción a meses a diferir.

INFORMACIÓN GENERAL

Objetivo

Adquirir la habilidad para analizar e interpretar la información econométrica, de Big Data y trabajar bases de datos con cubos OLAP con software R para predecir resultados efectivos y tomar decisiones acertadas económicas, financieras y empresariales.

Dirigido a:

Licenciados en general, maestros, doctores e investigadores, economistas, administrativos, relacionistas públicos, gestores de calidad, actuarios, contadores, directivos y todas aquellas áreas y/o personal ejecutivo o directivo relacionadas con la empresa y sus ámbitos económicos y financieros

¿Qué conseguirá?

1.-Estudiar la descriptiva avanzada de empleados y clientes,
2. Relacionar la concentración de salarios y ventas,
3. Conocer el rendimiento de ventas de un producto,
4. Clasificar empleados en función de su rendimiento de ventas,
5. Estudiar la calificación de una empresa por los clientes,
6. Clasificar las oficinas por ganancias,
7. Clasificar ganancias vs. gastos en publicidad,
8. Estudiar la diferenciación y apuesta avanzada por carteras de inversión,
9. Diversificar la inversión,
10. Racionalizar las tareas de los empleados,
11. Diferenciar entre PIBs.
12. Relacionar las tareas de empleados y ventas,
13. Estudiar las ganancias vs. gastos diferenciados,
14. Relacionar de forma avanzada activos financieros en bolsa,
15. Realizar previsiones avanzadas de ganancias por activos financieros,
16. Realizar previsiones de ventas en función de tasas,
17. Seleccionar empleados por previsión de ventas,
18. Realizar búsqueda de personal nuevo en función de previsiones de ventas,
19. Relacionar activos financieros,
20. Diversificar de forma avanzada la inversión en activos financieros,
21. Estudiar la supervivencia de productos en el mercado,
22. Realizar previsiones de ventas de un producto,
23. Realizar previsiones de ganancias de activos bursátiles.
24. Estudiar de forma avanzada encuestas de calidad al cliente,
25. Estudiar la efectividad de programas de marketing en ventas de productos,
26. Clasificar y seleccionar empleados en función del tiempo de cierre de ventas,
27. Cambiar de puestos a empleados en función de su rendimiento.
28. Trabajar BIG DATA.
29. Crear tablas dinámicas.
30. Trabajar cubos OLAP.
31. Realizar operaciones con cubos OLAP.

Material proporcionado

  • Temario Oficial en PDF

Estadística Aplicada y Avanzada Financiera, Empresarial y de Negocios. Software R. Autor/editor: Tomás Alberto Salmerón Enciso. pp: 600. ISBN: 978-84-608-7288-7 DEP. LEGAL: GR-680-2016

  • Bases de datos propias.
  • Software R.
  • Paquetes adicionales para técnicas avanzadas.
  • Guía Didáctica.
  • Material complementario en R.
  • Más de 50 clases grabadas.
  • Acceso a multitud de material de licencia libre en R en Biblioteca Virtual de COCID

Temario

Módulo 1. Econometría y diseño de investigación
TEMA 1. INTRODUCCIÓN A LA ECONOMETRÍA.

TEMA 2. FUNDAMENTOS Y BASES EMPÍRICAS.

TEMA 3. ELECCIÓN DEL TEMA, OBJETIVOS E HIPÓTESIS.

TEMA 4. MUESTREOS, TIPOS, DATOS Y CONTROLES.

Módulo 2. Empleados, ventas y carteras de inversión
TEMA 1. R SOFTWARE.
1.1.- Descripción.
1.2.- Historia.
1.3.- Características
1.4.- Instalación
1.5.- Formatos.
1.6.- Transponer datos de hoja de cálculo.
1.7.- Cargado de archivos.
1.8.- Trabajo de bases de datos.

TEMA 2. ESTADÍSTICA DESCRIPTIVA I.
2.1.- Gráficos de barras.
2.2.- Gráficos de sectores.
2.3.- Histograma.
2.4.- Nubes de puntos.
2.5.- Gráficos de cajas.
2.6.- Gráficos para tablas de doble entrada.
2.7.- Conclusión.

TEMA 3. ESTADÍSTICA DESCRIPTIVA II.
3.1.- Medidas de posición y dispersión.
3.1.1.- Media.
3.1.2.- Mediana.
3.1.3.- Cuasivarianza.
3.1.4.- Cuasidesviación típica.
3.1.5.- Cuantiles.
3.1.6.- Resumen.
3.2.- La distribución normal.
3.3.- Medidas para investigación.
3.4.- Conclusión.

TEMA 4. PRUEBAS NO PARAMÉTRICAS.
4.1.- Test de Wilcoxon.
4.2.- Test de Wilcoxon – Mann-Whitney.
4.3.- Test de Kolmogorov – Smirnov.
4.4.- Test de Kruskal – Wallis.
4.5.- Conclusión.

TEMA 5. CHI-CUADRADO Y T DE STUDENT.
5.1.- Chi- cuadrado de Pearson.
5.1.1.- Introducción.
5.1.2.- Formulación.
5.1.3.- Resolución con R.
5.1.4.- Conclusión.
5.2.- T-Student.
5.2.1.- Distribución t-Student.
5.2.3.- conclusión.

TEMA 6. ANÁLISIS DE VARIANZA. DISEÑO COMPLETAMENTE ALEATORIZADO.
6.1.- Un factor clásico. HSD Tukey.
6.2.- Un factor robusto. HSD Tukey.
6.3.- Dos factores clásico.
6.4.- Dos factores robusto.

TEMA 7. ANÁLISIS DE VARIANZA. MEDIDAS REPETIDAS.
7.1.- Introducción.
7.2.- Formulación.
7.3.- Análisis de Varianza. Medidas Repetidas con R.
7.4.- Conclusión.

TEMA 8. REGRESIÓN Y CORRELACIÓN LINEAL SIMPLES.
8.1.- Regresión lineal simple.
8.1.1.- Introducción.
8.1.2.- Modelo.
8.1.3.- Contraste.
8.1.4.- Tabla de análisis de varianza.
8.1.5.- Regresión con R.
8.1.6.- Conclusión.
8.2.- Correlación simple.
8.2.1.- Introducción.
8.2.2.- Coeficiente de correlación de Pearson.
8.2.3.- Correlación lineal con R.
8.2.4.- Conclusión.

TEMA 9. REGRESIÓN MÚLTIPLE.
9.1.- Modelo.
9.2.- Contraste de la regresión lineal múltiple.
9.3.- Tabla de análisis de la varianza para la regresión lineal múltiple.
9.4.- Estimación de la varianza común.
9.5.- Contraste de hipótesis sobre los coeficientes de regresión.
9.6.- Regresión múltiple con R.
9.7.- Selección secuencial de variables por pasos.

TEMA 10. CORRELACIÓN MÚLTIPLE.
10.1.- Introducción.
10.2.- Cálculo con R.
10.3.- Representaciones gráficas.
10.4.- Conclusión.

Módulo 3. Ganancias y gastos, previsión de ventas y activos bursátiles
TEMA 1. TÉCNICAS ACTUALES EN REGRESIÓN. TRATAMIENTO DE DATOS ANÓMALOS.
1.1.- Introducción.
1.2.- Bibliotecas.
1.3.- Formulación.
1.4.- Ejemplo completo:
1.4.1.- Regresión lineal por mínimos cuadrados.
1.4.2.- Técnicas actuales en Regresión (tratamiento de datos anómalos).
1.4.2.1.- Recta de Huber.
1.4.2.2.- LTS-Least Trimmed Squares.
1.4.2.3.- LMS-Least Median of Squares.
1.4.2.4.- Recta MM.
1.5.- Conclusión.

TEMA 2. REGRESIÓN POISSON.
2.1.- Introducción.
2.2.- Cálculo con R.
2.3.- Conclusión.

TEMA 3. MODELOS DE REGRESIÓN LOGÍSTICA. LOGIT Y PROBIT.
3.1.- Introducción.
3.2.- Modelos logit y probit.
3.3.- Modelos de regresión logit con R.
3.4.- Modelos de regresión probit con R.
3.5.- Conclusión.

 

 

TEMA 4. REGRESIÓN SUAVIZADA.
4.1.- Introducción.
4.2.- Formulación.
4.3.- Regresión suavizada con R.
4.4.- Conclusión.

TEMA 5. REGRESIÓN MÚLTIPLE ROBUSTA.
5.1.- Introducción.
5.2.- Regresión de Huber.
5.3.- Regresión múltiple robusta de Huber.
5.4.- MM-estimadores.
5.5.- Regresión múltiple M-estimadores.
5.6.- Conclusión.

TEMA 6. CORRELACIÓN SIMPLE Y MÚLTIPLE ROBUSTAS.
6.1.- Introducción.
6.2.- Correlación robusta para dos variables.
6.2.1.- Correlación de porcentaje ajustado.
6.2.2.- Correlación winsorizada.
6.2.3.- M-estimadores de Goldberg e Iglewicz.
6.3.- Correlación robusta para p variables.
6.3.1.- Correlación de porcentaje ajustado entre p variables.
6.3.2.- Correlación winsorizada entre p variables.
6.4.- Conclusión.

TEMA 7. MODELOS LINEALES GENERALIZADOS UNIVARIANTES.
7.1.- Desarrollo.
7.2.- Conclusión.

TEMA 8. MODELOS LINEALES MIXTOS GENERALIZADOS. DISEÑO POR BLOQUES ALEATORIOS.
8.1.- Introducción.
8.2.- Formulación.
8.3.- Modelos lineales generalizados y mixtos generalizados con R. Diseño por bloques aleatorios.
8.4.- Conclusión.

TEMA 9. ÁRBOLES DE REGRESIÓN Y CLASIFICACIÓN (CARTS).
9.1.- Introducción.
9.2.- Árboles de regresión con R.
9.3.- Prunned o podado del Árbol.
9.4.- Árboles de clasificación con R.
9.5.- Conclusión.

TEMA 10. MODELOS ADITIVOS GENERALIZADOS GAM.
10.1.- Introducción.
10.2.- Formulación.
10.3.- Modelos GAM con R.
10.4.- Conclusión.

TEMA 11. ANÁLISIS DE SUPERVIVENCIA.
11.1.- Introducción.
11.2.- Cálculo completo en R. Uno y dos grupos.

TEMA 12. MODELOS SARIMA DE SERIES TEMPORALES.
12.1.- Introducción.
12.2.- Objetivos y usos en las diferentes ciencias.
12.3.- Paquetes a instalar en R.
12.4.- Bibliotecas a abrir en R.
12.5.- Cómo introducir los datos en R.
12.6.- Ejemplo completo:
12.6.1.- Cálculo con R.
12.6.2.- Filtrado lineal.
12.6.3.- Modelos SARIMA:
12.6.3.1.- Identificación del modelo.
12.6.3.2.- Estimación de los parámetros.
12.6.3.3.- Diagnosis.
12.6.3.4.- Predicción.
12.6.3.5.- Test de serie estacionaria.
12.6.4.- Cointegración de Series.
12.7.- Conclusión.

TEMA 13. PARÁMETROS GRÁFICOS.
13.1.- Gráfico plot. Función legend.
13.2.- Recta de regresión.
13.3.- Histograma.
13.4.- Gráfico de cajas.
13.5.- Gráficos de barras con barras de error.

Módulo 4. Calidad al cliente y marketing

TEMA 1. ANÁLISIS DE CORRESPONDENCIAS.
1.1.- Introducción.
1.2.- Análisis de correspondencias bidimensional con R.
1.3.- Análisis de correspondencias múltiple con R.
1.4.- Conclusión.

TEMA 2. ANÁLISIS FACTORIAL.
2.1.- Introducción.
2.2.- Formulación.
2.3.- Análisis factorial con R.
2.4.- Conclusión.

TEMA 3. ANÁLISIS DE COMPONENTES PRINCIPALES.
3.1.- Introducción.
3.2.- Formulación.
3.3.- Análisis de componentes principales con R.
3.4.- Representaciones gráficas
3.5.- Conclusión.

TEMA 4. ANÁLISIS DISCRIMINANTE.
4.1.- Introducción.
4.2.- Formulación.
4.3.- Análisis discriminante con R.
4.4.- Validación cruzada.
4.5.- Método de los k vecinos más próximos.
4.6.- Método de los k vecinos más próximos. Validación cruzada.
4.7.- Análisis discriminante. K grupos y clasificación desconocida.
4.8.- Conclusión.

TEMA 5. ESCALADO MULTIDIMENSIONAL.
5.1.- Introducción.
5.2.- Formulación.
5.3.- Escalado multidimensional con R. Métrico y no métrico.
5.4.- Cálculo de matrices.
5.5.- Conclusión.

TEMA 6. ANÁLISIS CLUSTERS.
6.1.- Introducción.
6.2.- Formulación.
6.3.- Análisis clusters con R.
6.4.- Elección del número de clusters.
6.5.- Conclusión.

Módulo 5. Herramientas ETL: Big Data y Cubos OLAP.
Tema 1. TRABAJO DE BIG DATA Y CUBOS OLAP.
1.1.- OLAP (On-Line Analytical Processing – Procesamiento analítico en línea)
1.1.1.- Los Cubos OLAP
1-.1.2.- Gestores de bases de datos con OLAP
1.1.3.- Hechos y dimensiones
1.1.4.- Operaciones OLAP
1.1.4.1.- «Rebanada»
1.1.4.2.- «Dados»
1.1.4.3.- Enrollar
1.1.4.4.- Profundizar
1.1.4.5.- Pivote

Mtro. Tomás Alberto Salmerón Enciso

Maestro en Técnicas Actuales de Estadística Aplicada, con una Especialización en Técnicas Robustas y Avanzadas de Estadística Aplicada y Licenciado en Psicopedagogía por la Universidad Nacional de Educación a Distancia (UNED – Madrid, España –). Trabajó para el Dpto. de Protección de Cultivos del Instituto de Formación Agraria y Pesquera de Andalucía (IFAPA – Gobierno de Andalucía, España) desarrollando la tarea de asesor en estadística e investigación. Realizó estudios en colaboración con el Comisionado de Energía de la Unión Europea y sus políticas Medioambientales en el año 2014. Especialista en software R, ha realizado publicaciones y desarrollado varios libros de estadística avanzada con software R y temarios para universidades como el Máster de Estadística Aplicada con Software R de la Universidad Rey Juan Carlos de Madrid (España). Actualmente, radica en México, donde es Director de Colegio Científico de Datos, imparte formación de posgrado en estadística avanzada con R para universidades, es asistente de investigación y estadística para proyectos CONACYT, consultor externo para lel Fondo de Población de las Naciones Unidas en México y expone en congresos nacionales e internacionales.

Encuéntranos en nuestras redes sociales