Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante desarrollará una comprensión sólida de los fundamentos gerenciales y los modelos de liderazgo en entornos de alta tecnología, diferenciando dirección, gerencia y liderazgo y aplicando marcos estratégicos como el liderazgo situacional. Actuará como catalizador de la transformación digital, promoviendo una cultura orientada a los datos (Data Driven Culture) y gestionando la complejidad ética de los equipos técnicos.
Asimismo, adquirirá competencias en comunicación gerencial y persuasión efectiva, dominando la escucha activa, la retroalimentación constructiva y el storytelling de datos para influir en ejecutivos y partes interesadas no técnicas. Aplicará negociación colaborativa y estilos de manejo de conflictos (Thomas-Kilmann) para fortalecer la cohesión y funcionalidad del equipo.
Finalmente, el estudiante optimizará la productividad personal y grupal mediante gestión del tiempo y priorización (Principio de Pareto y Matriz de Eisenhower), y ejercerá delegación estratégica. Desarrollará liderazgo de equipos de alto rendimiento, fomentando la seguridad psicológica, aplicando mentoring y coaching, y diseñando planes de desarrollo profesional para prevenir el burnout en el sector de TI.
Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante dominará los fundamentos cognitivos y perceptuales de la visualización de datos, aplicando la Teoría de la Percepción Visual Humana (Gestalt) y las variables visuales de Jacques Bertin para reducir la carga cognitiva, minimizar el desorden gráfico y asegurar claridad, precisión y accesibilidad, mediante el uso adecuado de color, jerarquía visual y tipográfica.
Asimismo, desarrollará la competencia para seleccionar y aplicar tipologías gráficas según la estructura de los datos (univariados, multivariados, correlaciones y geoespaciales) e integrar visualizaciones en narrativas de datos (storytelling) claras y persuasivas. Adaptará el lenguaje y la estructura narrativa para comunicar hallazgos, incertidumbre estadística y recomendaciones a audiencias técnicas y no técnicas, bajo principios éticos y de representación honesta.
Finalmente, el estudiante diseñará e implementará soluciones de Inteligencia de Negocios, construyendo dashboards interactivos en plataformas como Tableau o Power BI, definiendo KPIs, habilitando filtros y drill-down, y aplicando layouts efectivos. Optimizará el rendimiento y despliegue de las soluciones, garantizando su usabilidad y validación en contextos profesionales.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante comprenderá de manera metodológica el Análisis Exploratorio de Datos (AED), diferenciándolo de la estadística descriptiva tradicional y la prueba de hipótesis. Será capaz de ejecutar el ciclo completo del AED, desde la ingesta y perfilamiento de datos hasta el análisis univariado, aplicando escalas de medición, métricas de tendencia central y dispersión, y visualizaciones como histogramas y diagramas de caja.
Asimismo, desarrollará competencias técnicas para el diagnóstico y saneamiento de datos, identificando y tratando valores faltantes según su taxonomía (MCAR, MAR, NMAR), gestionando valores atípicos y observaciones influyentes, y aplicando técnicas avanzadas de limpieza y estandarización. En el análisis multivariado, interpretará coeficientes de correlación paramétricos y no paramétricos y utilizará visualizaciones complejas para comprender la estructura de asociación entre variables.
Finalmente, el estudiante integrará los hallazgos del AED como base para el modelado, aplicando transformaciones de datos (escalado y codificación) y técnicas exploratorias de reducción de dimensionalidad como el Análisis de Componentes Principales (PCA). Elaborará un informe ejecutivo que documente la calidad de los datos, los patrones identificados y las decisiones de limpieza, comunicando resultados de forma efectiva a audiencias técnicas y ejecutivas.
Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante comprenderá los fundamentos de la Geometría Analítica del Espacio y del cálculo de funciones de varias variables, incluyendo el manejo de vectores en ℝⁿ, el análisis de superficies cuádricas, y la determinación de dominios, límites y continuidad, como base para la modelación de sistemas físicos y de ingeniería.
Asimismo, desarrollará competencias en Diferenciación Multivariable, calculando e interpretando derivadas parciales, el diferencial total, el gradiente (∇f) y las derivadas direccionales, así como aplicando la regla de la cadena y la matriz Hessiana para analizar el comportamiento local y las tasas de cambio en múltiples dimensiones.
Finalmente, el estudiante resolverá problemas de optimización multivariable, con y sin restricciones, mediante el criterio de la segunda derivada y los Multiplicadores de Lagrange, comprendiendo su interpretación geométrica y económica. Aplicará estos fundamentos al Descenso del Gradiente, y complementará su formación con el uso del Jacobiano y la integración múltiple (Teorema de Fubini) para el cálculo de volúmenes y cambios de coordenadas, fortaleciendo su base matemática para la Ciencia de Datos y la Ingeniería.
Fines de Aprendizaje o Formación
El estudiante desarrollará una comprensión sólida de los fundamentos del pensamiento crítico, distinguiendo opinión, creencia, conocimiento y evidencia, y fortaleciendo habilidades clave como la interpretación, el análisis, la inferencia lógica y la evaluación crítica de la información. Asimismo, cultivará una disposición intelectual ética, basada en la autonomía de juicio, la humildad intelectual y el rigor profesional.
Como competencia central, el alumno aplicará la lógica formal e informal para la evaluación de argumentos, identificando la estructura argumentativa, los tipos de razonamiento (deductivo, inductivo y abductivo) y la calidad de la evidencia en términos de relevancia, suficiencia y credibilidad. Además, será capaz de identificar y refutar falacias no formales, así como de reconocer y mitigar sesgos cognitivos y barreras psicológicas que afectan la racionalidad.
Finalmente, el estudiante aplicará metodologías sistémicas para la resolución de problemas complejos, formulando correctamente problemas y utilizando marcos de análisis estructurado (PDCA) y herramientas causales como el Diagrama de Ishikawa y los cinco porqués, con el fin de generar soluciones innovadoras y viables, integrando pensamiento lateral, análisis de riesgos y toma de decisiones informada en contextos de incertidumbre.
Fines de Aprendizaje o Formación
El estudiante desarrollará una comprensión sólida de la lógica inferencial, dominando las distribuciones de muestreo y el Teorema Central del Límite (TCL). Será capaz de seleccionar métodos de muestreo probabilístico, estimar parámetros poblacionales (media, proporción y varianza) y construir e interpretar intervalos de confianza, incluyendo la determinación del tamaño muestral.
Como competencia central, el alumno aplicará pruebas de hipótesis estadísticas, formulando correctamente las hipótesis nula y alternativa, interpretando el valor p y tomando decisiones informadas, minimizando errores Tipo I y Tipo II. Asimismo, utilizará el Análisis de Varianza (ANOVA) de uno y dos factores, realizando comparaciones post-hoc y seleccionando alternativas no paramétricas cuando los supuestos no se cumplan.
Finalmente, el estudiante será capaz de construir y evaluar modelos predictivos, mediante el análisis de correlación y la regresión lineal simple y múltiple, interpretando coeficientes y diagnósticos del modelo a través del análisis de residuales, para generar pronósticos confiables e intervalos de predicción, distinguiendo claramente causalidad y asociación estadística.