28 DE JUNIO
SABADOS Y DOMINGOS DE 5PM A 7 PM, HORARIO PERU.
Este programa está diseñado meticulosamente para profesionales, tanto del sector público como privado, que trabajan activamente con datos, indicadores, riesgos y buscan optimizar la toma de decisiones estratégicas:
Especialistas en Análisis y Finanzas: Economistas, analistas financieros, data analysts, consultores e investigadores.
Líderes de Gestión y Estrategia: Ingenieros, administradores, contadores y profesionales enfocados en la inteligencia de negocios.
Ámbito Académico y Público: Docentes, investigadores y funcionarios públicos orientados al diseño y evaluación de políticas públicas.
Al finalizar la formación, el participante habrá alcanzado el siguiente perfil de egreso:
Portafolio Profesional: Sólida carpeta de modelos econométricos, scripts reproducibles, reportes ejecutivos y dashboards listos para su aplicación inmediata en el mercado laboral.
Eficiencia con IA: Capacidad de integrar asistentes de IA para acelerar la programación, optimizar la interpretación de datos y redactar conclusiones técnicas eficientes.
Dominio Multi-software: Fluidez avanzada para transitar entre hojas de cálculo (Excel), entornos estadísticos (Stata, RStudio), lenguajes de programación (Python, SQL) y plataformas cloud o de visualización (Power BI, BigQuery, Tableau).
Resumen: Nivelación y fortalecimiento de las bases matemáticas indispensables para construir y optimizar funciones económicas aplicadas a la toma de decisiones.
Lo que se va a aprender: Álgebra lineal aplicada (matrices y modelo de Leontief) , cálculo diferencial (costos, ingresos, productividad marginal y elasticidades) y optimización económica con y sin restricciones mediante el método de Lagrange.
Herramientas: Excel, Python, ChatGPT y Copilot.
Resumen: Desarrollo de competencias para la ingesta, limpieza, exploración e interpretación inferencial de bases de datos con el fin de generar evidencia estratégica útil.
Lo que se va a aprender: Gestión y preparación de datos (depuración, tratamiento de valores faltantes y outliers) , estadística descriptiva aplicada (tendencia central, dispersión y correlación) e inferencia estadística (pruebas de hipótesis y análisis del p valor).
Herramientas: Excel, RStudio, Python, Power BI y asistentes de IA.
Resumen: Introducción a la modelación econométrica básica, centrada en la estimación e interpretación de relaciones lineales entre variables económicas y empresariales.
Lo que se va a aprender: Estimación por Mínimos Cuadrados Ordinarios (MCO), validación de supuestos clásicos, diagnóstico de errores, interpretación ejecutiva de coeficientes y elasticidades en modelos lineales.
Herramientas: Stata, RStudio y Python.
Resumen: Modelado de datos que combinan dimensiones transversales y temporales (empresas, hogares o países a lo largo del tiempo) para capturar heterogeneidad no observada.
Lo que se va a aprender: Modelos de efectos fijos, efectos aleatorios, regresiones para variables dependientes limitadas (Logit, Probit) y estructuras complejas de datos de panel (Panel Data).
Herramientas: Stata y RStudio.
Resumen: Análisis riguroso de variables macroeconómicas y financieras a lo largo del tiempo para identificar tendencias, ciclos y relaciones de equilibrio a largo plazo.
Lo que se va a aprender: Modelos autoregresivos e integrados (ARIMA), Vectores Autoregresivos (VAR), pruebas de raíces unitarias, cointegración y vectores de corrección de errores (VEC).
Herramientas: Stata, RStudio y Python.
Resumen: Incorporación de información previa y distribuciones de probabilidad avanzadas para la estimación de parámetros económicos complejos bajo un enfoque bayesiano.
Lo que se va a aprender: Fundamentos de la econometría bayesiana, simulación computacional de parámetros, inferencia avanzada y especificación de modelos estructurales aplicados a la economía.
Herramientas: RStudio y Python.
Resumen: Diseño de metodologías cuantitativas de frontera para aislar variables externas y medir el efecto real y causal de programas, proyectos o políticas.
Lo que se va a aprender: Experimentos Aleatorios Controlados ($RCTs$), Diferencia en Diferencias ($DID$), Diseños de Regresión Discontinua ($RDD$), Variables Instrumentales, Emparejamiento por Puntaje de Propensión ($PSM$), Event Study y Control Sintético.
Herramientas: Stata, RStudio y Python.
Resumen: Aplicación de herramientas estadísticas para analizar mercados financieros, modelar la variabilidad de activos y gestionar riesgos financieros corporativos.
Lo que se va a aprender: Modelos de heterocedasticidad condicional autorregresiva (ARCH/GARCH), modelación de retornos financieros y simulación de dinámicas de precios de mercado.
Herramientas: RStudio y Python.
Resumen: Cuantificación avanzada del riesgo de mercado y evaluación de la resiliencia de portafolios de inversión ante choques económicos drásticos.
Lo que se va a aprender: Cálculo de Valor en Riesgo ($VaR$), Expected Shortfall, técnicas de validación retrospectiva (backtesting), simulaciones de estrés (stress testing) y optimización de portafolios.
Herramientas: Python y RStudio.
Resumen: Implementación de algoritmos avanzados de aprendizaje automático supervisado y no supervisado para optimizar la capacidad de predicción de la organización.
Lo que se va a aprender: Modelos de ensamble (Random Forest, XGBoost), Redes Neuronales y aprendizaje profundo (Deep Learning con arquitecturas LSTM para series temporales) y algoritmos del entorno de la ciencia de datos.
Herramientas: Python, TensorFlow y Keras.
Resumen: Integración final de la automatización inteligente, la gestión masiva de datos y el diseño visual interactivo para una comunicación analítica de nivel ejecutivo.
Lo que se va a aprender: Consultas y gestión de bases de datos con SQL y BigQuery ; analítica automatizada con Prophet ; ingeniería de prompts con ChatGPT y Copilot para código y reportes ; y diseño de dashboards ejecutivos interactivos mediante Power BI y Tableau.
Herramientas: Python, SQL, BigQuery, Power BI, Tableau, ChatGPT y Copilot.
Resumen: Nivelación y fortalecimiento de las bases matemáticas indispensables para construir y optimizar funciones económicas aplicadas a la toma de decisiones.
Lo que se va a aprender: Álgebra lineal aplicada (matrices y modelo de Leontief) , cálculo diferencial (costos, ingresos, productividad marginal y elasticidades) y optimización económica con y sin restricciones mediante el método de Lagrange.
Herramientas: Excel, Python, ChatGPT y Copilot.
Resumen: Desarrollo de competencias para la ingesta, limpieza, exploración e interpretación inferencial de bases de datos con el fin de generar evidencia estratégica útil.
Lo que se va a aprender: Gestión y preparación de datos (depuración, tratamiento de valores faltantes y outliers) , estadística descriptiva aplicada (tendencia central, dispersión y correlación) e inferencia estadística (pruebas de hipótesis y análisis del p valor).
Herramientas: Excel, RStudio, Python, Power BI y asistentes de IA.
Resumen: Introducción a la modelación econométrica básica, centrada en la estimación e interpretación de relaciones lineales entre variables económicas y empresariales.
Lo que se va a aprender: Estimación por Mínimos Cuadrados Ordinarios (MCO), validación de supuestos clásicos, diagnóstico de errores, interpretación ejecutiva de coeficientes y elasticidades en modelos lineales.
Herramientas: Stata, RStudio y Python.
Resumen: Modelado de datos que combinan dimensiones transversales y temporales (empresas, hogares o países a lo largo del tiempo) para capturar heterogeneidad no observada.
Lo que se va a aprender: Modelos de efectos fijos, efectos aleatorios, regresiones para variables dependientes limitadas (Logit, Probit) y estructuras complejas de datos de panel (Panel Data).
Herramientas: Stata y RStudio.
Resumen: Análisis riguroso de variables macroeconómicas y financieras a lo largo del tiempo para identificar tendencias, ciclos y relaciones de equilibrio a largo plazo.
Lo que se va a aprender: Modelos autoregresivos e integrados (ARIMA), Vectores Autoregresivos (VAR), pruebas de raíces unitarias, cointegración y vectores de corrección de errores (VEC).
Herramientas: Stata, RStudio y Python.
Resumen: Incorporación de información previa y distribuciones de probabilidad avanzadas para la estimación de parámetros económicos complejos bajo un enfoque bayesiano.
Lo que se va a aprender: Fundamentos de la econometría bayesiana, simulación computacional de parámetros, inferencia avanzada y especificación de modelos estructurales aplicados a la economía.
Herramientas: RStudio y Python.
Resumen: Diseño de metodologías cuantitativas de frontera para aislar variables externas y medir el efecto real y causal de programas, proyectos o políticas.
Lo que se va a aprender: Experimentos Aleatorios Controlados ($RCTs$), Diferencia en Diferencias ($DID$), Diseños de Regresión Discontinua ($RDD$), Variables Instrumentales, Emparejamiento por Puntaje de Propensión ($PSM$), Event Study y Control Sintético.
Herramientas: Stata, RStudio y Python.
Resumen: Aplicación de herramientas estadísticas para analizar mercados financieros, modelar la variabilidad de activos y gestionar riesgos financieros corporativos.
Lo que se va a aprender: Modelos de heterocedasticidad condicional autorregresiva (ARCH/GARCH), modelación de retornos financieros y simulación de dinámicas de precios de mercado.
Herramientas: RStudio y Python.
Resumen: Cuantificación avanzada del riesgo de mercado y evaluación de la resiliencia de portafolios de inversión ante choques económicos drásticos.
Lo que se va a aprender: Cálculo de Valor en Riesgo ($VaR$), Expected Shortfall, técnicas de validación retrospectiva (backtesting), simulaciones de estrés (stress testing) y optimización de portafolios.
Herramientas: Python y RStudio.
Resumen: Implementación de algoritmos avanzados de aprendizaje automático supervisado y no supervisado para optimizar la capacidad de predicción de la organización.
Lo que se va a aprender: Modelos de ensamble (Random Forest, XGBoost), Redes Neuronales y aprendizaje profundo (Deep Learning con arquitecturas LSTM para series temporales) y algoritmos del entorno de la ciencia de datos.
Herramientas: Python, TensorFlow y Keras.
Resumen: Integración final de la automatización inteligente, la gestión masiva de datos y el diseño visual interactivo para una comunicación analítica de nivel ejecutivo.
Lo que se va a aprender: Consultas y gestión de bases de datos con SQL y BigQuery ; analítica automatizada con Prophet ; ingeniería de prompts con ChatGPT y Copilot para código y reportes ; y diseño de dashboards ejecutivos interactivos mediante Power BI y Tableau.
Herramientas: Python, SQL, BigQuery, Power BI, Tableau, ChatGPT y Copilot.
