∫ f(x)dx = F(x) + C

dy/dx = lim[h→0] (f(x+h)-f(x))/h

P(X = k) = λᵏe⁻λ/k!

Y = β₀ + β₁X₁ + β₂X₂ + ε

Cursos Especializados en Arequipa

Domina Matemáticas y Programación

Cálculo en Una Variable • Django Python • Análisis de Datos R/Python • Java Spring Boot • Estadística • Machine Learning

Cálculo Diferencial e Integral

Django & Análisis con Python

Control Estadístico en R

Java Spring Boot Enterprise

Para Carreras de:

Administración Contabilidad Medicina Ingenierías Agroindustrial Matemática Estadística

Explorar Cursos Consulta Gratis

Cálculo en Una Variable

Desde límites hasta aplicaciones avanzadas con métodos computacionales

lim[x→a] f(x) = L ∫ uᵛ dx = uᵛ - ∫ vᵈᵘ/dx dx

Intermedio-Avanzado

14 horas

Curso Estrella

Cálculo Diferencial e Integral Completo

Domina todos los conceptos fundamentales con aplicaciones en administración, medicina e ingeniería.

Límites y Continuidad

Límites laterales y bilaterales Teoremas de límites Límites infinitos y al infinito Continuidad y discontinuidades Teorema del valor intermedio Límites trigonométricos

Derivadas y Aplicaciones

Definición por límites Reglas de derivación Regla de la cadena Derivación implícita Máximos y mínimos absolutos Criterio de la primera derivada Criterio de la segunda derivada Problemas de optimización Razones de cambio relacionadas Análisis de funciones

Integrales y Técnicas

Antiderivadas básicas Teorema fundamental del cálculo Integración por sustitución Integración por partes Fracciones parciales Sustitución trigonométrica Integrales impropias Área entre curvas Volúmenes de revolución Aplicaciones en física

Aplicaciones Profesionales

Costos marginales (Administración) Farmacocinética (Medicina) Optimización de procesos (Ingeniería) Modelos de crecimiento poblacional Análisis de elasticidad (Economía) Curvas de aprendizaje

Herramientas Incluidas:

Calculadora gráfica

Python (SymPy)

GeoGebra

R (plotly)

Python: Django & Análisis de Datos

Desarrollo web con Django y análisis estadístico con Pandas, NumPy y Matplotlib

from django.shortcuts import render
from django.http import JsonResponse
from .models import DataModel

class DataAPIView(APIView):
    def get(self, request):
        data = DataModel.objects.all()
        return JsonResponse(data)

Intermedio

13 horas

Framework

Django Framework Completo

Desarrollo de aplicaciones web robustas con arquitectura MVC y APIs REST.

Configuración y Arquitectura

settings.py avanzado DATABASES configuración MIDDLEWARE personalizado Estructura de proyectos Apps modulares URLs y routing

Modelos y ORM

Models avanzados Relaciones ForeignKey ManyToMany fields Migrations complejas QuerySets optimizados Agregaciones y anotaciones

Views y Templates

Class-Based Views Generic Views Template inheritance Context processors Forms avanzados Validación personalizada

Autenticación y Seguridad

User authentication Permissions y grupos CSRF protection JWT tokens OAuth2 integration Security best practices

S/499

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Análisis exploratorio
df = pd.read_csv('datos.csv')
df.describe()
df.groupby('categoria').agg({
    'ventas': ['mean', 'sum', 'std']
})

Básico-Avanzado

12 horas

Análisis de Datos con Python

Pandas, NumPy, Matplotlib y Seaborn para análisis estadístico completo.

Pandas Avanzado

DataFrames y Series Indexing y slicing GroupBy operations Merge, join, concatenate Pivot tables Manejo de fechas (datetime) Limpieza de datos Outliers detection

Visualización de Datos

Matplotlib básico y avanzado Seaborn statistical plots Plotly interactivo Gráficos de distribución Heatmaps y correlograms Time series plots

NumPy Científico

Arrays multidimensionales Broadcasting Linear algebra Statistical functions Random number generation Performance optimization

S/579

Análisis de Datos para Camiones Eléctricos

Python aplicado al análisis predictivo en transporte pesado y minería

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor

# Análisis de datos por segundo
df = pd.read_csv('camion_datos.csv')
df['timestamp'] = pd.to_datetime(df['timestamp'])

# Predicción de voltaje
model = RandomForestRegressor()
model.fit(X_train, y_train)
voltage_pred = model.predict(X_test)

Intermedio

12 horas

Análisis de Datos Predictivos para Camiones Eléctricos

Aprende Python aplicado al análisis de datos operacionales en tiempo real para el sector minero y transporte pesado.

Fundamentos y Lectura de Datos

Introducción a Python Lectura de CSV con Pandas Estructuras de datos básicas Datos por segundo

Análisis Estadístico

Estadística descriptiva Detección de outliers Agrupación por turno/unidad Análisis de variabilidad

Visualización de Datos

Gráficos de líneas temporales Histogramas y distribuciones Curvas de voltaje y temperatura Dashboards interactivos

Modelos Predictivos

Regresión lineal Árboles de decisión Predicción de variables continuas Evaluación de modelos

Dirigido a:

Técnicos: Sector minero y transporte

Ingenieros: Mantenimiento predictivo

Operadores: Maquinaria pesada

S/1,000

Ver Curso Completo

R: Control Estadístico y Análisis

Estadística descriptiva e inferencial con R para todas las carreras

# Estadística descriptiva
library(dplyr)
library(ggplot2)

datos %>%
  group_by(categoria) %>%
  summarise(
    media = mean(valor),
    mediana = median(valor),
    desv_std = sd(valor),
    cv = sd(valor)/mean(valor)*100
  )

Básico-Intermedio

13 horas

Fundamental

Estadística Descriptiva e Inferencial en R

Desde tablas de frecuencia hasta pruebas de hipótesis avanzadas.

Estadística Descriptiva

Tablas de frecuencia Medidas de tendencia central Medidas de dispersión Cuartiles y percentiles Coeficiente de variación Análisis de simetría Datos agrupados y no agrupados Histogramas y boxplots

Distribuciones de Probabilidad

Distribución Normal Distribución Binomial Distribución Poisson Distribución Chi-cuadrado Distribución t-Student Distribución F Teorema del límite central QQ-plots y normalidad

Estadística Inferencial

Intervalos de confianza Pruebas de hipótesis Prueba t de una muestra Prueba t de dos muestras Prueba Chi-cuadrado ANOVA de un factor Pruebas no paramétricas Tamaño de muestra

Regresión y Correlación

Correlación de Pearson Regresión lineal simple Regresión múltiple Diagnósticos de regresión R² y R² ajustado Predicción e intervalos Variables dummy Selección de variables

Aplicaciones por Carrera:

Administración: Análisis de ventas, control de calidad

Medicina: Ensayos clínicos, epidemiología

Ingeniería: Control de procesos, Six Sigma

S/449

# Control estadístico de procesos
library(qcc)
library(SixSigma)

# Gráfico de control X-barra
qcc(data, type="xbar", 
    title="Control de Medias")

# Capacidad del proceso
capability <- qcc.capability(data, 
    spec.limits=c(LSL, USL))
print(capability)

Avanzado

12 horas

Control Calidad

Control Estadístico de Procesos en R

Six Sigma, gráficos de control y mejora continua para industria.

Gráficos de Control

Gráficos X-barra y R Gráficos X-barra y S Gráficos de individuales Gráficos p y np Gráficos c y u CUSUM y EWMA Límites de control Patrones no aleatorios

Capacidad de Procesos

Índices Cp y Cpk Índices Pp y Ppk Capacidad a corto plazo Capacidad a largo plazo Estudios de capacidad Análisis de tolerancias

Metodología Six Sigma

DMAIC methodology Análisis de causas raíz Design of Experiments MSA (Measurement System Analysis) Poka-yoke implementation Lean Six Sigma

S/529

Java Spring Boot Enterprise

Desarrollo backend profesional con arquitectura en capas y microservicios

@RestController
@RequestMapping("/api/v1")
@CrossOrigin(origins = "*")
public class DataController {
    
    @Autowired
    private DataService dataService;
    
    @GetMapping("/data")
    public ResponseEntity<List<DataDTO>> 
        getAllData() {
        return ResponseEntity.ok(
            dataService.findAll()
        );
    }

Intermedio-Avanzado

14 horas

Enterprise

Spring Boot: Desarrollo Backend Completo

Arquitectura en capas, APIs REST, seguridad y deployment profesional.

Arquitectura en Capas

Controller Layer Service Layer Repository Layer Model/Entity Layer DTO Pattern Dependency Injection Bean Configuration Component Scan

Configuración Avanzada

application.properties application.yml Profile configuration Environment variables Custom properties Configuration classes

pom.xml y Dependencies

Spring Boot Starters Web, JPA, Security DevTools configuration Testing dependencies Maven plugins Version management

JPA y Base de Datos

Entity annotations @OneToMany, @ManyToOne @ManyToMany relationships JpaRepository methods Custom queries @Query Native SQL queries Pagination and Sorting Database migrations

Spring Security

Authentication Authorization JWT implementation Role-based access Method security CORS configuration

APIs REST y Microservicios

RESTful design HTTP methods Status codes Exception handling API versioning Service discovery Circuit breaker API Gateway

Proyecto Final: Sistema de Gestión Empresarial

Gestión de usuarios y roles

Dashboard con métricas

Módulo de facturación

Control de inventarios

S/649

Machine Learning con Python

Algoritmos de aprendizaje automático aplicados a problemas reales

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# Preparar datos
X_train, X_test, y_train, y_test = 
    train_test_split(X, y, test_size=0.2)

# Entrenar modelo
rf = RandomForestClassifier(n_estimators=100)
rf.fit(X_train, y_train)

# Evaluar
predictions = rf.predict(X_test)
print(classification_report(y_test, predictions))

Intermedio-Avanzado

14 horas

Inteligencia Artificial

Machine Learning: Desde Fundamentos hasta Aplicaciones

Scikit-learn, TensorFlow y proyectos reales en diferentes industrias.

Algoritmos Supervisados

Regresión Lineal y Logística Árboles de Decisión Random Forest Support Vector Machines K-Nearest Neighbors Naive Bayes Gradient Boosting XGBoost

Algoritmos No Supervisados

K-Means Clustering Hierarchical Clustering DBSCAN PCA (Análisis de Componentes) t-SNE Association Rules

Evaluación y Optimización

Métricas de clasificación Métricas de regresión Validación cruzada Grid Search Random Search Curvas de aprendizaje Feature selection Hyperparameter tuning

Proyectos por Industria

Predicción de ventas (Retail) Diagnóstico médico (Salud) Detección de fraudes (Finanzas) Recomendaciones (E-commerce) Mantenimiento predictivo (Industria) Análisis de sentimientos (Marketing)

S/799

Lo que Dicen Nuestros Estudiantes

Más de 500 profesionales han transformado su carrera

"El curso de Cálculo me ayudó muchísimo en Ingeniería Industrial. Las aplicaciones en optimización de procesos fueron increíbles."

María González Ing. Industrial - UCSM

"Python para análisis de datos cambió mi forma de trabajar en administración. Ahora automatizo reportes que antes me tomaban días."

Carlos Mendoza Administración - UTP

"Excelente el curso de Spring Boot. Conseguí trabajo como desarrollador backend gracias a los proyectos que desarrollamos."

Ana Quispe Ing. Sistemas - UNSA

Domina Matemáticas y Programación

Para Carreras de:

Nuestro Catálogo Especializado

Cálculo en Una Variable

Cálculo Diferencial e Integral Completo

Límites y Continuidad

Derivadas y Aplicaciones

Integrales y Técnicas

Aplicaciones Profesionales

Herramientas Incluidas:

Python: Django & Análisis de Datos

Django Framework Completo

Configuración y Arquitectura

Modelos y ORM

Views y Templates

Autenticación y Seguridad

Análisis de Datos con Python

Pandas Avanzado

Visualización de Datos

NumPy Científico

Análisis de Datos para Camiones Eléctricos

Análisis de Datos Predictivos para Camiones Eléctricos

Fundamentos y Lectura de Datos

Análisis Estadístico

Visualización de Datos

Modelos Predictivos

Dirigido a:

R: Control Estadístico y Análisis

Estadística Descriptiva e Inferencial en R

Estadística Descriptiva

Distribuciones de Probabilidad

Estadística Inferencial

Regresión y Correlación

Aplicaciones por Carrera:

Control Estadístico de Procesos en R

Gráficos de Control

Capacidad de Procesos

Metodología Six Sigma

Java Spring Boot Enterprise

Spring Boot: Desarrollo Backend Completo

Arquitectura en Capas

Configuración Avanzada

pom.xml y Dependencies

JPA y Base de Datos

Spring Security

APIs REST y Microservicios

Proyecto Final: Sistema de Gestión Empresarial

Machine Learning con Python

Machine Learning: Desde Fundamentos hasta Aplicaciones

Algoritmos Supervisados

Algoritmos No Supervisados

Evaluación y Optimización

Proyectos por Industria

Lo que Dicen Nuestros Estudiantes

¿Listo para Potenciar tu Carrera?