Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Root Cause Analytics y Diagnóstico Basado en Datos

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Análisis de causa raíz clásico» a «Proyecto de root cause analytics», pasando por «Inferencia causal para diagnóstico».

Mapa del programa · pulsa un módulo
Módulo 1 · Análisis de causa raíz clásico
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

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

Análisis de causa raíz clásico

Saldrás manejando definición de problema y síntoma, metodología 8D orientada a datos y diagramas de Ishikawa. Es lo que se trabaja en «Análisis de causa raíz clásico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Preparación de datos para diagnóstico

Saldrás manejando unión de datos de proceso, calidad y mantenimiento, alineación temporal y retardos de proceso y genealogía de lotes. Es lo que se trabaja en «Preparación de datos para diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Análisis estadístico exploratorio

Saldrás manejando estratificación y comparación de grupos, pruebas t, ANOVA y no paramétricas y correlación y correlación parcial. Es lo que se trabaja en «Análisis estadístico exploratorio», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Inferencia causal para diagnóstico

Saldrás manejando correlación frente a causalidad, grafos causales del proceso y descubrimiento causal con PC y GES. Es lo que se trabaja en «Inferencia causal para diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Diagnóstico de series y eventos

Saldrás manejando diagnóstico de alarmas en cascada, análisis de secuencias de eventos y detección de puntos de cambio. Es lo que se trabaja en «Diagnóstico de series y eventos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Operacionalización del diagnóstico

Saldrás manejando flujo de trabajo de diagnóstico guiado, integración con sistemas de calidad y CAPA y cuadros de mando de diagnóstico. Es lo que se trabaja en «Operacionalización del diagnóstico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Aplicar metodologías clásicas de análisis de causa raíz.
  • 02Construir conjuntos de datos de diagnóstico integrando múltiples fuentes.
  • 03Utilizar estadística multivariante para localizar fuentes de variación.
  • 04Interpretar modelos de aprendizaje automático con SHAP y técnicas afines.
  • 05Aplicar inferencia y descubrimiento causal a datos de proceso.
  • 06Diagnosticar fallos en series temporales y secuencias de eventos.
  • 07Integrar el diagnóstico basado en datos en el sistema de calidad.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Análisis de causa raíz clásico

1.1Definición de problema y síntoma
1.2Metodología 8D orientada a datos
1.3Diagramas de Ishikawa
1.4Método de los 5 porqués
1.5Análisis de árbol de fallos
1.6Análisis de problemas de Kepner-Tregoe
1.7Análisis de barreras
1.8Sesgos cognitivos en el diagnóstico
1.9Límites del análisis cualitativo
1.10Taller: 8D de una reclamación de cliente
Módulo 2 de 8 · 10 submódulos

Preparación de datos para diagnóstico

2.1Unión de datos de proceso, calidad y mantenimiento
2.2Alineación temporal y retardos de proceso
2.3Genealogía de lotes
2.4Agregación por unidad de producción
2.5Tratamiento de variables censuradas
2.6Selección del periodo de análisis
2.7Normalización por producto y receta
2.8Calidad y sesgos de los datos
2.9Documentación del conjunto de análisis
2.10Práctica: dataset de diagnóstico con genealogía de lotes
Módulo 3 de 8 · 10 submódulos

Análisis estadístico exploratorio

3.1Estratificación y comparación de grupos
3.2Pruebas t, ANOVA y no paramétricas
3.3Correlación y correlación parcial
3.4Gráficos multi-vari de fuentes de variación
3.5Análisis de componentes de variación
3.6Análisis de componentes principales
3.7Regresión PLS para procesos
3.8Contribuciones al T² y SPE
3.9Interpretación con conocimiento de proceso
3.10Laboratorio: diagnóstico multivariante con PCA
Módulo 4 de 8 · 10 submódulos

Aprendizaje automático explicable

4.1Árboles de decisión interpretables
4.2Random forest e importancia por permutación
4.3Gradient boosting para diagnóstico
4.4Valores SHAP y su interpretación
4.5Dependencia parcial y curvas ICE
4.6Reglas de asociación y minería de patrones
4.7Detección de subgrupos
4.8Riesgos de correlaciones espurias
4.9Validación de hipótesis generadas
4.10Práctica: explicación SHAP de un modelo de defectos
Módulo 5 de 8 · 10 submódulos

Inferencia causal para diagnóstico

5.1Correlación frente a causalidad
5.2Grafos causales del proceso
5.3Descubrimiento causal con PC y GES
5.4Causalidad de Granger en series
5.5Transfer entropy entre variables
5.6Contrafactuales y atribución causal
5.7Integración de conocimiento experto
5.8Experimentos de confirmación
5.9Limitaciones y supuestos
5.10Caso práctico: grafo causal de un horno continuo
Módulo 6 de 8 · 10 submódulos

Diagnóstico de series y eventos

6.1Diagnóstico de alarmas en cascada
6.2Análisis de secuencias de eventos
6.3Detección de puntos de cambio
6.4Alineamiento dinámico temporal (DTW)
6.5Comparación de lotes buenos y malos
6.6Huellas de fallo en series
6.7Grafos de conocimiento de fallos
6.8Diagnóstico basado en casos
6.9Herramientas de búsqueda de patrones
6.10Laboratorio: comparación de lotes con DTW
Módulo 7 de 8 · 10 submódulos

Operacionalización del diagnóstico

7.1Flujo de trabajo de diagnóstico guiado
7.2Integración con sistemas de calidad y CAPA
7.3Cuadros de mando de diagnóstico
7.4Colaboración entre analistas e ingenieros
7.5Base de conocimiento de causas
7.6Automatización de informes
7.7Medición del tiempo de resolución
7.8Gestión del cambio en equipos de calidad
7.9Responsabilidad en las conclusiones del diagnóstico
7.10Taller: flujo de diagnóstico guiado para planta
Módulo 8 de 8 · 10 submódulos

Proyecto de root cause analytics

8.1Definición del problema
8.2Construcción del dataset
8.3Análisis exploratorio del caso de calidad
8.4Modelos explicables del caso de calidad
8.5Análisis causal del caso de calidad
8.6Hipótesis de causa raíz
8.7Verificación y acciones
8.8Lecciones aprendidas del caso de calidad
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.

Definición de problema y síntoma
Módulo 1 · Análisis de causa raíz clásico
Calidad y sesgos de los datos
Módulo 2 · Preparación de datos para diagnóstico
Análisis de componentes de variación
Módulo 3 · Análisis estadístico exploratorio
Random forest e importancia por permutación
Módulo 4 · Aprendizaje automático explicable
Limitaciones y supuestos
Módulo 5 · Inferencia causal para diagnóstico

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

IEC 62740:2015 (Análisis de causa raíz)IEC 61025:2006 (Análisis por árbol de fallos)IATF 16949:2016 (Calidad en automoción)ISO 9001:2015 (Sistemas de gestión de la calidad)ISO 13053-1 (Seis Sigma: metodología DMAIC)ISA-18.2 (Gestión de alarmas en industrias de proceso)

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.

Ingeniero de calidad
Científico de datos industrial
Ingeniero de procesos
Analista de mejora continua
Ingeniero de fiabilidad
Responsable de resolución de problemas

Para quién es

Ingeniero de calidad
Científico de datos industrial
Ingeniero de procesos
Analista de mejora continua
Ingeniero de fiabilidad
Responsable de resolución de problemas
Titulados en ingeniería o ciencias que busquen entrar en química

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Ingeniería de Baterías EV: Diagnóstico, Módulos y Segunda Vida · Motores fueraborda: mantenimiento, diagnóstico y averías más frecuentes · Qué Hace Realmente un Ingeniero de Datos en Motorsport y por Dónde Empezar.

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 (Movilidad) · 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 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·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 scikit-learn y SHAP, JMP, SIMCA (Sartorius), causal-learn, Minitab, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de análisis multivariante de lotes buenos y malos, descubrimiento causal en datos de proceso, verificación experimental de hipótesis de causa raíz. La evaluación es continua por módulo más el proyecto integrador final.

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

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Análisis de causa raíz clásico» y cierra con «Proyecto de root cause analytics».

Se trabajan IEC 62740:2015 (Análisis de causa raíz), IEC 61025:2006 (Análisis por árbol de fallos), IATF 16949:2016 (Calidad en automoción), ISO 9001:2015 (Sistemas de gestión de la calidad), ISO 13053-1 (Seis Sigma: metodología DMAIC) y ISA-18.2 (Gestión de alarmas en industrias de proceso).

Los perfiles más directos son Ingeniero de calidad, Científico de datos industrial, Ingeniero de procesos, Analista de mejora continua y Ingeniero de fiabilidad.

En un pago son 1.432 €, sobre una tarifa de 1.790 €. A plazos, una entrada de 716 € y 6 cuotas de 179 €, 1.790 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con Python con scikit-learn y SHAP, JMP, SIMCA (Sartorius), causal-learn, Minitab. 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 proyecto integrador. 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: 22 de diciembre de 20261.432 € Matricularme
Contactar con Seium
Pago al contado1.432 €ahorras 358 €
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.