CURSO DE FUNDAMENTOS DE LA CIENCIA DE DATOS Y ESTADÍSTICA APLICADA A LA BANCA Y FINANZAS

Docente

Nombre del docente

Fecha de inicio

Horarios

Fecha de finalizacion

Docentes Expertos

¿Qué aprenderás en este curso?

Dominar conceptos estadísticos clave y su aplicación directa en el análisis financiero y bancario. Aplicar técnicas de probabilidad, inferencia y correlación para medir y gestionar el riesgo. Usar Python, R y SQL en el flujo completo del análisis de datos financieros (limpieza, visualización, modelado). Realizar simulaciones, pruebas de hipótesis y regresiones aplicadas a portafolios, tasas de interés y riesgo crediticio.

Publico objetivo

Este curso está dirigido a:
- Analistas financieros, economistas y profesionales bancarios que buscan actualizarse en ciencia de datos aplicada.
- Estudiantes y egresados de carreras relacionadas con finanzas, economía, estadística o ingeniería.
- Profesionales interesados en migrar hacia roles de data analyst, credit risk analyst o data scientist en el sector financiero.
- Consultores y gestores que requieren aplicar estadística para tomar decisiones basadas en datos en entornos económicos.

Resultados esperados

Modulo I

Introducción a la Ciencia de Datos en Finanzas

Importancia: detección de fraudes, análisis de riesgos, predicciones de mercado.
Flujo de trabajo: recolección, limpieza, EDA, modelado y validación.
Herramientas: Python, R, SQL; roles clave (Data Scientist, Financial Analyst).

Modulo II

Fundamentos de Estadística Financiera

Medidas descriptivas: media, varianza, desviación estándar, percentiles.
Distribuciones: normal, log-normal, t-Student; simulación de precios y riesgos.
Visualización: histogramas, diagramas de caja, gráficos de dispersión.

Modulo III

Probabilidad y Riesgo Financiero

Probabilidad condicional y aplicación al análisis de riesgos crediticios.
Teorema de Bayes: evaluación de crédito y detección de fraude.
Medición del riesgo: VaR, simulaciones Monte Carlo.

Modulo IV

Correlación y Dependencia

Correlación: diversificación de portafolios y relaciones entre activos.
Covarianza: matrices y su uso en portafolios.
Dependencia no lineal: correlaciones de Spearman y Kendall.

Modulo V

Inferencia Estadística en Finanzas

Pruebas de hipótesis: comparación de rendimientos de activos.
Intervalos de confianza: proyecciones financieras.
Regresión lineal: modelado de relaciones entre variables (ej. tasas y rendimientos).

Modulo VI

Modulo VII

Modulo VIII

Modulo IX

Modulo X

Modulo XI

Modulo XII

"Este programa me ayudó a fortalecer mi investigación con herramientas estadísticas y de inteligencia artificial. Es práctico, completo y totalmente aplicable a tesis y proyectos académicos."

"Gracias a este programa, logré estructurar mi tesis doctoral con un enfoque metodológico sólido. Las herramientas de inteligencia artificial que aprendí me ayudaron a analizar grandes volúmenes de datos de forma eficiente."

"La combinación entre estadística aplicada e IA fue justo lo que necesitaba para llevar mis investigaciones al siguiente nivel. Recomiendo esta especialización a todo investigador serio."

"El programa no solo me dio conocimientos técnicos, también me enseñó a aplicarlos en el contexto real de mi tesis. ¡Una inversión totalmente valiosa!"

"Aprendí a utilizar metodologías científicas rigurosas junto con herramientas prácticas de IA, lo que ha mejorado significativamente la calidad de mis reportes y modelos."