Convocatoria · directora general de Función Pública: Técnico en ciencia de datos en Navarra 2025: plazas sin número en las bases, plazo cerrado.

Parte 1.–Informática

1. Tema 1
   Bases de datos relacionales Principios de los sistemas de gestión de bases de datos relacionalesEl modelo relacional · Representación de BBDD mediante diagramas entidad-relación · +4 apartados

   Bases de datos relacionales Principios de los sistemas de gestión de bases de datos relacionales. El modelo relacional. Representación de BBDD mediante diagramas entidad-relación. El lenguaje SQL. Bases de datos no relacionales. Fundamentos: el teorema CAP, el principio BASE. Tipos de bases de datos no relacionales. Ver resumen

2. Tema 2
   Entornos de desarrollo integrados (IDEs)Sistemas de gestión de código fuente: principios básicos y herramientas (git) · +1 apartado

   Entornos de desarrollo integrados (IDEs). Sistemas de gestión de código fuente: principios básicos y herramientas (git). Sistemas de integración continua: fundamentos de la integración continua y herramientas. Ver resumen

3. Tema 3
   Lenguajes de programación Python (pandas, numpy) y R (R Studio)Tablas (dataframes), vectores, listas, arrays y funciones · Recodificación de variables · +3 apartados

   Lenguajes de programación Python (pandas, numpy) y R (R Studio). Tablas (dataframes), vectores, listas, arrays y funciones. Recodificación de variables. Agregación y filtrado de datos. Unión de ficheros. Importación y exportación de datos. Ver resumen

4. Tema 4
   Tecnologías y sistemas de explotación de datos: Inteligencia de negocio: data warehouse, data martBig Data: captura, análisis, transformación, almacenamiento y explotación de conjuntos masivos de datos: data lake, data lakehouse, data fabric, data mesh · +3 apartados

   Tecnologías y sistemas de explotación de datos: Inteligencia de negocio: data warehouse, data mart. Big Data: captura, análisis, transformación, almacenamiento y explotación de conjuntos masivos de datos: data lake, data lakehouse, data fabric, data mesh. Ecosistema Hadoop y Apache Spark (RDD, análisis en memoria). Procesamiento batch y Streaming. Arquitecturas Big data (arquitectura lambda). Ver resumen

5. Tema 5
   Ciencia de datosCiclo de vida de un proyecto de aprendizaje maquina (machine learning) · MLops · +6 apartados

   Ciencia de datos. Ciclo de vida de un proyecto de aprendizaje maquina (machine learning). MLops. Herramientas y lenguajes. Bias-Variance Trade-Off. Estructura de un proyecto de aprendizaje máquina. Aprendizaje profundo (deep learning): transfer learning (aprendizaje por transferencia). Redes neuronales. Regularización y optimización. Ver resumen

Parte 2.–Estadística Oficial

1. Tema 6
   Ideas básicas sobre estimación en muestreo probabilísticoDiseño muestral · Probabilidades de inclusión · +7 apartados

   Ideas básicas sobre estimación en muestreo probabilístico. Diseño muestral. Probabilidades de inclusión. La noción de estadístico. Indicadores de pertenencia a la muestra. Estimadores y sus propiedades básicas. El estimador Horvitz-Thompson (estimador π) y sus propiedades. Muestreo con reemplazamiento. Efecto de diseño. Intervalos de confianza. Ver resumen

2. Tema 7
   Estimación insesgada en diseños muestrales sobre unidades elementalesMuestreo de Bernoulli: definición, estimadores, varianza y estimador de la varianza · +1 apartado

   Estimación insesgada en diseños muestrales sobre unidades elementales. Muestreo de Bernoulli: definición, estimadores, varianza y estimador de la varianza. Muestreo aleatorio simple: sin y con reemplazamiento: definición, estimadores, varianza y estimador de la varianza. Ver resumen

3. Tema 8
   Introducción a la depuración e imputación de datos estadísticosDepuración e imputación de datos estadísticos en el proceso estadístico · Datos, errores, datos ausentes y controles (edits) · +6 apartados

   Introducción a la depuración e imputación de datos estadísticos. Depuración e imputación de datos estadísticos en el proceso estadístico. Datos, errores, datos ausentes y controles (edits). Métodos básicos para la depuración e imputación de datos estadísticos. Estrategia de depuración e imputación. El enfoque de imputación completa. El enfoque combinado. El enfoque de reponderación completa. Imputación por reglas estadísticas. Ver resumen

4. Tema 9
   Secreto estadísticoConceptos y definiciones: Control del secreto estadístico, datos tabulares, microdatos, riesgo y utilidad · +1 apartado

   Secreto estadístico. Conceptos y definiciones: Control del secreto estadístico, datos tabulares, microdatos, riesgo y utilidad. Un enfoque para el control del secreto estadístico: por qué la protección de la confidencialidad es importante, características clave y usos de los datos, riesgos contra los que la protección es necesaria, métodos de control del secreto, implementación. Ver resumen

5. Tema 10
   Difusión de datos: Presentación de estadísticasIntroducción · Transmitir el mensaje · +8 apartados

   Difusión de datos: Presentación de estadísticas. Introducción. Transmitir el mensaje. Visualización de las estadísticas. Tablas. Gráficos. Mapas. Técnicas de visualización emergentes. Cuestiones de accesibilidad. Power BI. Datawrapper. Ver resumen

6. Tema 11
   Metadatos de la producción estadísticaIntroducción al GSBPM · El modelo · +7 apartados

   Metadatos de la producción estadística. Introducción al GSBPM. El modelo. Relaciones con otros modelos y estándares. Niveles 1 y 2 del GSBPM. Descripciones de fases y subprocesos. Procesos generales. Otros usos del GSBPM. Puntos de vista del negocio y de la tecnología de la información. SDMX, DDI y otros estándares. Ver resumen

7. Tema 12
   Estrategia del datoGobierno del dato, gestión del dato y gestión de la calidad del dato · +1 apartado

   Estrategia del dato. Gobierno del dato, gestión del dato y gestión de la calidad del dato. Tecnologías y estándares para descripción de catálogos y conjuntos de datos: semánticas y ontologías. Ver resumen

Parte 3.–Modelización estadística y sistemas predictivos

1. Tema 13
   Estimación puntualIntroducción · Métodos para encontrar estimadores: método de los momentos, estimadores máximo-verosímiles, estimadores de Bayes, estimadores invariantes · +1 apartado

   Estimación puntual. Introducción. Métodos para encontrar estimadores: método de los momentos, estimadores máximo-verosímiles, estimadores de Bayes, estimadores invariantes. Métodos para evaluar estimadores: error cuadrático medio, estimadores insesgados óptimos, suficiencia e insesgadez, optimalidad de la función de pérdida. Ver resumen

2. Tema 14
   Modelos lineales: mínimos cuadradosIntroducción · Ajuste del modelo de mínimos cuadrados · +4 apartados

   Modelos lineales: mínimos cuadrados. Introducción. Ajuste del modelo de mínimos cuadrados. Proyecciones de datos sobre el modelo de espacios. Resumen de la variabilidad en un modelo lineal. Residuos, apalancamiento (leverage) e influencia. Optimalidad de mínimos cuadrados y de mínimos cuadrados generalizados. Ver resumen

3. Tema 15
   Modelos lineales: Inferencia EstadísticaTeoría de la distribución para variables normales y no normales · Tests de significación para modelos lineales normales y no normales · +2 apartados

   Modelos lineales: Inferencia Estadística. Teoría de la distribución para variables normales y no normales. Tests de significación para modelos lineales normales y no normales. Intervalos de confianza e intervalos de predicción para modelos lineales normales y no normales. Comparaciones múltiples: Bonferroni, Tukey y métodos FDR. Ver resumen

4. Tema 16
   Análisis de componentes principalesIntroducción · Planteamiento del problema · +11 apartados

   Análisis de componentes principales. Introducción. Planteamiento del problema. Cálculo de las componentes. Propiedades de las componentes. Análisis normado o con correlaciones. Interpretación de las componentes. Análisis discriminante. Introducción. Clasificación entre dos poblaciones. Generalización para varias poblaciones normales. Poblaciones desconocidas (caso general). Variables canónicas discriminantes. Discriminación cuadrática. Ver resumen

5. Tema 17
   Procesos estocásticos estacionariosSeries temporales · Procesos estocásticos estacionarios en sentido estricto y débil · +5 apartados

   Procesos estocásticos estacionarios. Series temporales. Procesos estocásticos estacionarios en sentido estricto y débil. Medias, varianzas y autocovarianzas, ergodicidad. Ruido blanco. El espectro y su estimación. Procesos AR y MA. Procesos ARIMA y SARIMA. Ver resumen