Admisión abierta 2026-2027Rellenar solicitud

Máster en Ingeniería de Series Temporales, Señales y Detección de Anomalías

Máster online de 1900 h: 12 módulos y 120 submódulos, de «Naturaleza de las anomalías» a «Trabajo Fin de Máster», pasando por «Análisis espectral y tiempo-frecuencia».

Mapa del programa · pulsa un módulo
Módulo 1 · Naturaleza de las anomalías
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Naturaleza de las anomalías

Saldrás manejando anomalías puntuales, contextuales y colectivas, novedad, valores atípicos y cambios de régimen y anomalías en series univariantes y multivariantes. Es lo que se trabaja en «Naturaleza de las anomalías», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Métodos estadísticos clásicos

Saldrás manejando puntuaciones z y métodos robustos con MAD, gráficos de control Shewhart y gráficos CUSUM y EWMA. Es lo que se trabaja en «Métodos estadísticos clásicos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Métodos basados en distancia y densidad

Saldrás manejando vecinos más próximos y distancia k-NN, factor local de anomalía LOF y isolation Forest y árboles de aislamiento. Es lo que se trabaja en «Métodos basados en distancia y densidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Análisis espectral y tiempo-frecuencia

Saldrás manejando espectros y bandas características, transformada de Fourier de tiempo corto y wavelets continuas y discretas. Es lo que se trabaja en «Análisis espectral y tiempo-frecuencia», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Explicación y diagnóstico

Saldrás manejando atribución de anomalías a variables, contribuciones en PCA y T² y SHAP para detectores. Es lo que se trabaja en «Explicación y diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Aplicaciones sectoriales

Saldrás manejando ciberseguridad e intrusiones de red, fraude en transacciones y monitorización de infraestructuras. Es lo que se trabaja en «Aplicaciones sectoriales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Caracterizar los distintos tipos de anomalías en series temporales.
  • 02Preprocesar señales de sensores para su análisis.
  • 03Aplicar métodos estadísticos y de detección de cambios.
  • 04Desarrollar detectores basados en aprendizaje profundo.
  • 05Evaluar detectores con métricas adecuadas por evento.
  • 06Explicar y priorizar anomalías para su diagnóstico.
  • 07Desplegar sistemas de detección en tiempo real.

Plan de estudios

12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.

1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos

Naturaleza de las anomalías

1.1Anomalías puntuales, contextuales y colectivas
1.2Novedad, valores atípicos y cambios de régimen
1.3Anomalías en series univariantes y multivariantes
1.4Etiquetado escaso y aprendizaje no supervisado
1.5Coste de falsos positivos y negativos
1.6Casos en industria, finanzas y redes
1.7Taxonomía de métodos de detección
1.8Conjuntos de datos de referencia
1.9Problemas de evaluación en la literatura
1.10Caso práctico: definición del problema en una red eléctrica
Módulo 2 de 12 · 10 submódulos

Preprocesado de series y señales

2.1Valores faltantes e imputación temporal
2.2Remuestreo y alineación de sensores
2.3Eliminación de tendencia y estacionalidad
2.4Filtrado de ruido
2.5Normalización por régimen operativo
2.6Segmentación de series
2.7Representaciones simbólicas SAX
2.8Reducción de dimensionalidad
2.9Detección de sensores congelados y saturados
2.10Laboratorio: limpieza de datos de sensores de planta
Módulo 3 de 12 · 10 submódulos

Métodos estadísticos clásicos

3.1Puntuaciones z y métodos robustos con MAD
3.2Gráficos de control Shewhart
3.3Gráficos CUSUM y EWMA
3.4Residuos de modelos ARIMA
3.5Descomposición STL y residuos
3.6Pruebas de Grubbs y ESD generalizada
3.7Control estadístico multivariante
3.8Análisis de componentes principales y estadísticos Q
3.9Supuestos y limitaciones
3.10Práctica: detección con CUSUM en una línea de proceso
Módulo 4 de 12 · 10 submódulos

Detección de cambios

4.1Detección de puntos de cambio fuera de línea
4.2Algoritmo PELT y segmentación binaria
4.3Métodos bayesianos en línea
4.4Prueba de razón de verosimilitud
4.5Cambios en media, varianza y espectro
4.6Detección de deriva de sensores
4.7Penalizaciones y selección de modelo
4.8Cambios en series multivariantes
4.9Validación de puntos de cambio
4.10Laboratorio: puntos de cambio con la librería ruptures
Módulo 5 de 12 · 10 submódulos

Métodos basados en distancia y densidad

5.1Vecinos más próximos y distancia k-NN
5.2Factor local de anomalía LOF
5.3Isolation Forest y árboles de aislamiento
5.4One-Class SVM con núcleos gaussianos
5.5Matrix Profile y discords
5.6Agrupamiento con DBSCAN
5.7Distancias DTW entre subsecuencias
5.8Escalabilidad a grandes volúmenes
5.9Selección de hiperparámetros sin etiquetas
5.10Práctica: Matrix Profile para anomalías en ECG
Módulo 6 de 12 · 10 submódulos

Aprendizaje profundo para anomalías

6.1Autoencoders y error de reconstrucción
6.2Autoencoders variacionales y probabilidad de reconstrucción
6.3LSTM de predicción y error residual
6.4Redes generativas adversarias
6.5Transformers para anomalías
6.6Redes de grafos para sensores interrelacionados
6.7Aprendizaje contrastivo para representaciones normales
6.8Puntuación y umbralización
6.9Robustez frente a contaminación de entrenamiento
6.10Laboratorio: autoencoder LSTM sobre telemetría
Módulo 7 de 12 · 10 submódulos

Análisis espectral y tiempo-frecuencia

7.1Espectros y bandas características
7.2Transformada de Fourier de tiempo corto
7.3Wavelets continuas y discretas
7.4Descomposición en modos empíricos
7.5Análisis de envolvente
7.6Cepstrum y detección de periodicidades
7.7Coherencia entre canales
7.8Características espectrales para detectores
7.9Firmas de fallo en maquinaria
7.10Taller: detección espectral de fallos en rodamientos
Módulo 8 de 12 · 10 submódulos

Evaluación y umbralización

8.1Métricas punto a punto frente a por evento
8.2Precisión, exhaustividad y F1 ajustada
8.3Curvas ROC y PR
8.4Métricas de rango y tiempo de detección
8.5Selección de umbrales sin etiquetas
8.6Teoría de valores extremos para umbrales
8.7Validación con anomalías inyectadas
8.8Comparación justa de métodos
8.9Interpretación para expertos de dominio
8.10Práctica: protocolo de evaluación sobre benchmark público
Módulo 9 de 12 · 10 submódulos

Explicación y diagnóstico

9.1Atribución de anomalías a variables
9.2Contribuciones en PCA y T²
9.3SHAP para detectores
9.4Clasificación de tipos de anomalía
9.5Del aviso al diagnóstico
9.6Reglas expertas y sistemas híbridos
9.7Bucle de realimentación con operadores
9.8Gestión de alarmas según ISA-18.2
9.9Racionalización de alarmas
9.10Caso práctico: priorización de alarmas en una planta química
Módulo 10 de 12 · 10 submódulos

Despliegue en tiempo real

10.1Detección en línea y streaming
10.2Ventanas deslizantes y latencia
10.3Actualización incremental de modelos
10.4Deriva de concepto en detectores
10.5Integración con SCADA y sistemas de alarma
10.6Detección en el borde
10.7Arquitectura de servicios de detección
10.8Monitorización del detector
10.9Pruebas con datos repetidos
10.10Taller: servicio de detección en streaming
Módulo 11 de 12 · 10 submódulos

Aplicaciones sectoriales

11.1Ciberseguridad e intrusiones de red
11.2Fraude en transacciones
11.3Monitorización de infraestructuras
11.4Salud y señales fisiológicas
11.5Calidad en procesos industriales
11.6Telemetría de satélites y aeronaves
11.7Redes de distribución de agua
11.8Monitorización de salud estructural en puentes
11.9Lecciones de proyectos reales
11.10Caso práctico: detección de fugas en red de agua
Módulo 12 de 12 · 10 submódulos

Trabajo Fin de Máster

12.1Definición del caso y los datos
12.2Análisis exploratorio de las señales
12.3Preprocesado y características
12.4Comparación de detectores
12.5Umbralización y evaluación
12.6Explicación de anomalías
12.7Propuesta de despliegue
12.8Conclusiones y recomendaciones de despliegue
12.9Memoria del TFM
12.10Defensa ante tribunal

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Conjuntos de datos de referencia
Módulo 1 · Naturaleza de las anomalías
Descomposición STL y residuos
Módulo 3 · Métodos estadísticos clásicos
Factor local de anomalía LOF
Módulo 5 · Métodos basados en distancia y densidad
Firmas de fallo en maquinaria
Módulo 7 · Análisis espectral y tiempo-frecuencia
Reglas expertas y sistemas híbridos
Módulo 9 · Explicación y diagnóstico

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ANSI/ISA-18.2IEC 62682ISO 7870-2ISO 13379-1ISO 17359ISO 16079-2Reglamento (UE) 2016/679 (RGPD)

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Científico de datos de series temporales
Ingeniero de procesamiento de señales
Analista de monitorización de procesos
Ingeniero de fiabilidad
Analista de ciberseguridad con IA
Ingeniero de alarmas de control

Para quién es

Científico de datos de series temporales
Ingeniero de procesamiento de señales
Analista de monitorización de procesos
Ingeniero de fiabilidad
Analista de ciberseguridad con IA
Ingeniero de alarmas de control
Titulados en ingeniería o ciencias que busquen entrar en industria de procesos

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Cómo estructurar un pipeline de datos para series temporales de sensores · Del laboratorio de prototipos a la serie cero: industrializar productos Deep Tech · Visión por computador en movilidad: de la detección al seguimiento robusto.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es Python con PyOD, ruptures, STUMPY, MATLAB Signal Processing Toolbox, Merlion, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de detección de fallos en señales de vibración, identificación de fraude en transacciones, detección de fugas en redes de distribución. La evaluación es continua por módulo más el TFM final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Naturaleza de las anomalías» y cierra con «Trabajo Fin de Máster».

Se trabajan ANSI/ISA-18.2, IEC 62682, ISO 7870-2, ISO 13379-1, ISO 17359 y ISO 16079-2.

Los perfiles más directos son Científico de datos de series temporales, Ingeniero de procesamiento de señales, Analista de monitorización de procesos, Ingeniero de fiabilidad y Analista de ciberseguridad con IA.

En un pago son 3.864 €, sobre una tarifa de 4.830 €. A plazos, una entrada de 1.926 € y 12 cuotas de 242 €, 4.830 € en total, sin intereses: lo mismo que la tarifa.

Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con Python con PyOD, ruptures, STUMPY, MATLAB Signal Processing Toolbox, Merlion. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el Trabajo Fin de Máster. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 21 de diciembre de 20263.864 € Matricularme
Contactar con Seium
Pago al contado3.864 €ahorras 966 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.