910 887 138
Presentación Temario Metodología Titulación
Presentación
El Máster en Tratamiento de Datos y Análisis Estadísticos con SPSS está diseñado para tener una visión exhaustiva en el campo del análisis de datos y la estadística, integrando conocimientos esenciales para el manejo y explotación de grandes volúmenes de información. En un mundo donde la capacidad de analizar datos es crucial para la toma de decisiones informadas, este máster cubre desde los fundamentos matemáticos y estadísticos hasta técnicas avanzadas en el uso de herramientas como SPSS, pero también en Excel, R y Python. Además, aborda tecnologías emergentes como Big Data, con un enfoque en el ecosistema Hadoop y bases de datos NoSQL, además de la minería de datos y el machine learning preparando para enfrentar los retos actuales del análisis de datos.
Para qué te prepara
El Máster en Tratamiento de Datos y Análisis Estadísticos con SPSS te permite realizar análisis avanzados de datos con herramientas como SPSS, R y Python. Podrás enfrentar la gestión y análisis de grandes volúmenes de datos, aplicando técnicas de minería de datos, machine learning y Big Data. Además, podrás diseñar y ejecutar proyectos de análisis de datos, desde la recolección y procesamiento hasta la interpretación y presentación de resultados.
Objetivos
  • Dominar fundamentos matemáticos y estadísticos esenciales.
  • Manejar bases de datos relacionales y NoSQL.
  • Aplicar técnicas avanzadas de análisis de datos en SPSS.
  • Desarrollar modelos de machine learning y minería de datos.
  • Utilizar herramientas de Big Data como Hadoop y MongoDB.
  • Implementar análisis descriptivos y predictivos en R y Python.
  • Diseñar y presentar informes analíticos efectivos.
A quién va dirigido
Este Máster en Tratamiento de Datos y Análisis Estadísticos con SPSS está dirigido a profesionales de diversas disciplinas, como economía, informática, ciencias sociales, ingeniería y ciencias naturales, que deseen especializarse en análisis de datos y estadísticas, así como a aquellas personas interesadas en desarrollar habilidades en Big Data y machine learning.
Salidas Profesionales
Gracias a este Máster en Tratamiento de Datos y Análisis Estadísticos con SPSS podrás trabajar en áreas como el análisis de datos, ciencia de datos, consultoría en Big Data, ingeniería de datos, análisis de mercados y especialista en inteligencia de negocios. Podrás trabajar en sectores como la banca, telecomunicaciones, salud, consultoría, investigación académica y tecnología.
Metodología
Aprendizaje 100% online
Campus virtual
Equipo docente especializado
Centro del estudiante
Temario
  1. Números naturales y enteros
  2. Números racionales
  3. Números reales
  4. Números índices
  5. Logaritmos
  6. Progresiones geométricas
  1. Conceptos básicos del álgebra
  2. Polinomios
  3. Introducción a las ecuaciones
  4. Matrices
  5. Determinante de una matriz
  6. Sistemas de ecuaciones
  7. Sistemas de inecuaciones
  1. Introducción, concepto y funciones de la estadística
  2. Estadística descriptiva
  3. Estadística inferencial
  4. Medición y escalas de medida
  5. Variables: clasificación y notación
  6. Distribución de frecuencias
  7. Representaciones gráficas
  8. Propiedades de la distribución de frecuencias
  9. Medidas de posición
  10. Medidas de dispersión
  11. Medidas de forma
  12. Curva de Lorenz, coeficiente de Gini e índice de Theil
  1. Introducción a la probabilidad
  2. Definición axiomática de probabilidad: Kolmogorov
  3. Teorema de Bayes
  4. Combinatoria
  1. Introducción: función y características
  2. Límites y continuidad
  3. Derivada de una función
  4. Integrales
  1. Vectores
  2. Lugares geométricos dados por ecuaciones de primer grado
  3. Lugares geométricos dados por ecuaciones de segundo grado
  4. Ángulos, proyecciones, distancias en el espacio y puntos simétricos
  1. Medidas de posición
  2. Medidas de dispersión
  3. Medidas de forma
  4. Curva de Lorenz, coeficiente de Gini e índice de Theil
  1. Introducción al Teorema Central del Límite
  2. Aproximación normal a la distribución binomial
  3. Teorema Central del Límite de Laplace
  4. Teorema Central del Límite y primeras demostraciones rigurosas
  5. Generalizaciones del Teorema Central del Límite
  1. El muestreo aleatorio simple o irrestrictamente aleatorio
  2. Muestreo aleatorio estratificado
  3. Los estimadores indirectos: razón y regresión
  4. El muestreo aleatorio por conglomerados
  5. Muestreo polietápico
  6. Muestreo aleatorio sistemático
  7. Muestreo sistemático replicado
  8. La técnica de las submuestras interpenetrantes
  1. Qué es una distribución muestral
  2. Distribución muestral del estadístico media
  3. Distribución muestral del estadístico proporción
  1. Método de máxima verosimilitud
  2. Método de los momentos
  3. Relación entre el método de máxima verosimilitud y el de los momentos
  4. Propiedades deseables para un estimador paramétrico
  1. Introducción a las hipótesis estadísticas
  2. Contraste de hipótesis
  3. Contraste de hipótesis paramétrico
  4. Tipologías de error
  5. Contrastes no paramétricos
  1. Modelos de medidas repetidas
  1. Introducción a los modelos de regresión
  2. Modelos de regresión: aplicabilidad
  3. Variables a introducir en el modelo de regresión
  4. Construcción del modelo de regresión
  5. Modelo de regresión lineal
  6. Modelo de regresión logística
  7. Factores de confusión
  8. Interpretación de los resultados de los modelos de regresión
  1. Estadística no paramétrica. Conceptos básicos
  2. Características de las pruebas
  3. Ventajas y desventajas del uso de métodos no paramétricos
  4. Identificación de las diferentes pruebas no paramétricas
  1. Recogida de datos provenientes de diferentes fuentes de información en tablas de valores
  2. Técnicas elementales de recogida de datos (encuesta, observación, medición)
  3. Tablas de doble entrada y tablas de frecuencia
  4. Representación gráfica de los datos. Formas de representar la información: tipos de gráficos estadísticos (diagrama de barras, pictogramas, polígono de frecuencias, diagrama de sectores)
  5. Obtención y utilización de información para la realización de gráficos y tablas de datos relativos a objetos, fenómenos y situaciones del entorno
  6. Medidas de centralización: media aritmética, moda, mediana y rango
  7. Valoración de la importancia de analizar críticamente las informaciones que se presentan a través de gráficos estadísticos
  8. Carácter aleatorio de algunas experiencias
  9. Presencia del azar en la vida cotidiana. Estimación del grado de probabilidad de un suceso
  10. Formulación y comprobación a nivel intuitivo de conjeturas sobre el comportamiento de fenómenos aleatorios sencillos
  1. Tipos de datos
  2. Introducción de datos
  3. Referencias a celdillas
  4. Presentación
  1. Datos de partida
  2. Totalizar y resumir
  3. Filtrar y agrupar los datos
  4. Tablas dinámicas
  5. Tablas de datos
  1. Configuración de herramientas de análisis
  2. Tablas con variables
  3. Funciones para hacer pronósticos
  4. Simulación de escenarios
  5. Persecución de objetivos
  6. La herramienta Solver
  7. Otras herramientas de análisis de datos
  1. Generación de gráficos
  2. Inserción de minigráficos
  3. Personalización de máximos y mínimos
  4. Inserción de formas
  5. Imágenes
  6. Elementos gráficos e interactividad
  7. SmartArt
  1. Relaciones y valores lógicos
  2. Toma de decisiones
  3. Anidación de expresiones y decisiones
  4. Operaciones condicionales
  5. Selección de valores de una lista
  1. Manipulación de referencias
  2. Búsqueda y selección de datos
  3. Transponer tablas
  1. ¿Qué es Big Data?
  2. La era de las grandes cantidades de información. Historia del big data
  3. La importancia de almacenar y extraer información
  4. Big Data enfocado a los negocios
  5. Open Data
  6. Información pública
  7. IoT (Internet of Things-Internet de las cosas)
  1. Definición y relevancia de la selección de las fuentes de datos
  2. Naturaleza de las fuentes de datos Big Data
  1. Definición, Beneficios y Características
  2. Ejemplo de uso de Open Data
  1. Diagnóstico inicial
  2. Diseño del proyecto
  3. Proceso de implementación
  4. Monitorización y control del proyecto
  5. Responsable y recursos disponibles
  6. Calendarización
  7. Alcance y valoración económica del proyecto
  1. ¿Qué es Hadoop? Relación con Big Data
  2. Instalación y configuración de infraestructura y ecosistema Hadoop
  3. Sistema de archivos HDFS
  4. MapReduce con Hadoop
  5. Apache Hive
  6. Apache Hue
  7. Apache Spark
  1. ¿Qué es Weka?
  2. Técnicas de Data Mining en Weka
  3. Interfaces de Weka
  4. Selección de atributos
  1. ¿Qué es la ciencia de datos?
  2. Herramientas necesarias para el científico de datos
  3. Data Science & Cloud Computing
  1. Introducción
  2. El modelo relacional
  3. Lenguaje de consulta SQL
  4. MySQL Una base de datos relacional
  1. ¿Qué es una base de datos NoSQL?
  2. Bases de datos Relaciones Vs Bases de datos NoSQL
  3. Tipo de Bases de datos NoSQL Teorema de CAP
  4. Sistemas de Bases de datos NoSQL
  1. ¿Qué es MongoDB?
  2. Funcionamiento y usos de MongoDB
  3. Primeros pasos con MongoDB: Instalación y Shell de comandos
  4. Creando nuestra primera base de datos NoSQL: Modelo e inserción de datos
  5. Actualización de datos en MongoDB: Sentencias set y update
  6. Trabajando con índices en MongoDB para optimización de datos
  7. Consulta de datos en MongoDB
  1. Introducción a Python
  2. ¿Qué necesitas?
  3. Librerías para el análisis de datos en Python
  4. MongoDB, Hadoop y Python Dream Team del Big Data
  1. Introducción a R
  2. ¿Qué necesitas?
  3. Tipos de datos
  4. Estadística Descriptiva y Predictiva con R
  5. Integración de R en Hadoop
  1. Obtención y limpieza de los datos (ETL)
  2. Inferencia estadística
  3. Modelos de regresión
  4. Pruebas de hipótesis
  1. Inteligencia Analítica de negocios
  2. La teoría de grafos y el análisis de redes sociales
  3. Presentación de resultados
  1. Minería de datos
  2. ¿Qué podemos hacer con data Mining?
  3. ¿Qué usos puede tener el data Mining?
  4. Metodología de la minería de datos
  5. Algunas técnicas estadísticas utilizadas en data mining
  6. Árboles de decisión
  7. Reglas de inducción
  8. Redes Bayesanas
  9. Algoritmos Genéticos
  1. Ciclo data mining
  2. Minería de Textos y Web Mining
  3. Data mining y marketing
  1. Introducción a la inteligencia artificial
  2. Historia
  3. La importancia de la IA
  1. Algoritmos aplicados a la inteligencia artificial
  1. Relación entre inteligencia artificial y big data
  2. IA y Big Data combinados
  3. El papel del Big Data en IA
  4. Tecnologías de IA que se están utilizando con Big Data
  1. Sistemas expertos
  2. Estructura de un sistema experto
  3. Inferencia: Tipos
  4. Fases de construcción de un sistema
  5. Rendimiento y mejoras
  6. Dominios de aplicación
  7. Creación de un sistema experto en C#
  8. Añadir incertidumbre y probabilidades
  1. Introducción
  2. Clasificación de algoritmos de aprendizaje automático
  3. Ejemplos de aprendizaje automático
  4. Diferencias entre el aprendizaje automático y el aprendizaje profundo
  5. Tipos de algoritmos de aprendizaje automático
  6. El futuro del aprendizaje automático
  1. Introducción
  2. Algoritmos
  1. Introducción
  2. Filtrado colaborativo
  3. Clusterización
  4. Sistemas de recomendación híbridos
  1. Clasificadores
  2. Algoritmos
  1. Componentes
  2. Aprendizaje
  1. Introducción
  2. El proceso de paso de DSS a IDSS
  3. Casos de aplicación
  1. Aspectos introductorios a la Estadística
  2. Concepto y funciones de la Estadística
  3. Medición y escalas de medida
  4. Variables: clasificación y notación
  5. Distribución de frecuencias
  6. Representaciones gráficas
  7. Propiedades de la distribución de frecuencias
  1. Estadística descriptiva
  2. Estadística inferencial
  1. Medidas de tendencia central
  2. La media
  3. La mediana
  4. La moda
  5. Medidas de posición
  6. Medidas de variabilidad
  7. Índice de Asimetría de Pearson
  8. Puntuaciones típicas
  1. Introducción al análisis conjunto de variables
  2. Asociación entre dos variables cualitativas
  3. Correlación entre dos variables cuantitativas
  4. Regresión lineal
  1. Conceptos previos de probabilidad
  2. Variables discretas de probabilidad
  3. Distribuciones discretas de probabilidad
  4. Distribución Normal
  5. Distribuciones asociadas a la distribución Normal
  1. Introducción
  2. Cómo crear un archivo
  3. Definir variables
  4. Variables y datos
  5. Tipos de variables
  6. Recodificar variables
  7. Calcular una nueva variable
  8. Ordenar casos
  9. Seleccionar casos
  1. Introducción
  2. Análisis de frecuencias
  3. Tabla de correlaciones
  4. Diagramas de dispersión
  5. Covarianza
  6. Coeficiente de correlación
  7. Matriz de correlaciones
  8. Contraste de medias
Titulación
Titulación Expedida por EDUCA BUSINESS SCHOOL como Escuela de Negocios Acreditada para la Impartición de Formación Superior de Postgrado, con Validez Profesional a Nivel Internacional
INFÓRMATE SIN COMPROMISO

Cargando...

Se envió su solicitud correctamente.

Completa los campos obligatorios.

¡

Entidades colaboradoras

Logo Educa Logo educa edtech
Logo QS
Aviso Legal Política de Privacidad Condiciones de matriculación Política de Cookies Canal de denuncias