Métodos cualitativos y cuantativos para los negocios

Evaluar el comportamiento probabilístico y la calidad de los datos de negocio para gestionar la organización y el procesamiento de información en la toma de decisiones.

Desarrollar modelos predictivos y de clasificación utilizando algoritmos de aprendizaje supervisado y redes neuronales para la resolución de
problemas complejos de negocio.

Aplicar técnicas de bibliometría y procesamiento de lenguaje natural (NLP) para extraer inteligencia estratégica de grandes volúmenes de
literatura científica y datos no estructurados.

Diseñar tableros de decisión que integren
métodos estadísticos, machine learning y minería de texto para fundamentar la toma
de decisiones estratégicas.

Métodos cuantitativos y cualitativos para los negocios

Teoría de la probabilidad y variables aleatorias:

• Concepto de Función de Densidad de Probabilidad y Función de Distribución
  Acumulada Momentos Estadísticos.
• Cálculo e interpretación económica de la esperanza
  (media), varianza y asimetría.
• Familias de distribuciones:
  • Discretas: Bernoulli, Binomial y Poisson.
  • Continuas: Normal (Teorema del Límite Central), Exponencial y Gamma.

Inferencia estadística:

• Pruebas de Hipótesis: Lema de Neyman-Pearson y la razón de verosimilitud.
• Intervalos de Confianza y Bootstrap: Métodos de remuestreo para inferencia
  no paramétrica.

Aprendizaje supervisado (Regresión y clasificación):

• Modelos lineales.
• Arboles y ensembles: Information Gain y la Impureza de Gini.
• Redes neuronales (Perceptrón Multicapa – MLP):
• Arquitectura Feedforward: Capas ocultas, pesos y sesgos
• Funciones de activación no lineales: ReLU, Sigmoid, Tanh.
• Optimización: Algoritmo de Backpropagation y Descenso de Gradiente.

Aprendizaje no supervisado:

• Clustering: K-Means y DBSCAN (basado en densidad).
• Reducción de Dimensionalidad Lineal: PCA (descomposición en valores
  propios de la matriz de covarianza).
• Evaluación de modelos (Curvas ROC y AUC, Validación Cruzada (K-Fold Cross Validation) para estimar el error de generalización.
• Métricas de error: RMSE, MAE, F1-Score.

Bibliometría y Mapeo Científico (Bibliometrix/R:

• Análisis de redes: Redes de co-citación, acoplamiento bibliográfico y
  colaboración científica.
• Estructura conceptual: Generación e interpretación de Mapas Temáticos
  (Temas motores, nicho, emergentes y decadentes) mediante Análisis de
  Correspondencia Múltiple (MCA).

Análisis de Sentimiento con BERT (Transformers):

• Fundamentos de Transformers: Del mecanismo de atención a la
  arquitectura BERT.
• Implementación de modelos pre-entrenados: Uso de la librería
  transformers de Hugging Face para cargar modelos BERT multilingües.
• LLMs locales y análisis de contexto: Despliegue de LLMs Open Source: Ejecución de modelos como Llama 3,
  Mistral u otros.