Diplomado en Análisis Espacial de Datos

Descripción del Diplomado.

El Diplomado en Análisis Espacial de Datos es el único en América del Sur que combina el aprendizaje de lenguajes de programación como R y Python con tecnologías de código abierto como QGIS y GeoDa, preparándote para enfrentar los desafíos del análisis de datos geoespaciales en un entorno laboral altamente competitivo.

Diseñado para profesionales que buscan dominar las herramientas más demandadas en el mercado, este programa te ofrece una formación integral para analizar fenómenos complejos en diversas escalas espaciotemporales, modelar patrones espaciales y crear soluciones innovadoras basadas en datos. A través de clases completamente online y un enfoque práctico, aprenderás directamente de un cuerpo académico de excelencia, compuesto por expertos que han liderado proyectos en movilidad, planificación urbana y análisis socioespacial.

Los egresados de este diplomado estarán preparados para liderar proyectos en sectores clave como la planificación urbana, la gestión de recursos naturales, el transporte y la seguridad, entre otros que requieran soluciones innovadoras y toma de decisiones basadas en datos.

En cinco meses, adquirirás las competencias para destacar en sectores como transporte, urbanismo, consultoría y más. Prepárate para transformar datos en decisiones estratégicas que generen impacto.

 

Objetivo general del programa.

Proporcionar a los profesionales una formación integral y práctica en análisis espacial de datos, utilizando herramientas de programación y tecnologías de código abierto, para abordar fenómenos complejos en diversas escalas espaciotemporales y apoyar la toma de decisiones estratégicas basadas en datos en diversos sectores.

 

Objetivos específicos

•Desarrollar competencias técnicas en programación con R y Python, junto con el uso de tecnologías de código abierto como QGIS y GeoDa, para el manejo, análisis y visualización de datos geoespaciales.

•Comprender y aplicar conceptos clave del análisis espacial y la econometría espacial, incluyendo la medición de efectos espaciales, la autocorrelación y los modelos estadísticos avanzados en diversas escalas.

•Utilizar herramientas tecnológicas y metodologías avanzadas para resolver problemas prácticos en sectores clave mediante el análisis de datos geolocalizados y su integración en proyectos interdisciplinarios.

•Aplicar los conocimientos adquiridos en proyectos prácticos, desarrollando soluciones innovadoras basadas en datos para la toma de decisiones estratégicas en diversos sectores.

Dirigido a

Profesionales y Licenciados provenientes desde distintas áreas del conocimiento como Ingeniería, Geografía, Arquitectura, Urbanismo, Geología, Economía, Estadística, Ciencias Básicas, u otras áreas disciplinares a fines a la Ciencia de Datos Espacial, quienes requieran en aprender, ampliar y profundizar en los conocimientos sobre el tratamiento de datos geolocalizados.

Contenidos.

Los contenidos se organizan en cuatro módulos de aprendizaje, con objetivos independientes.

Módulo 0: Nivelación en R y Python. (30,0 horas)

Objetivo del módulo: Nivelar a los participantes en leguajes de programación: R y Python.

1. Introducción al análisis espacial cuantitativo (6,0 horas)

• 1.1.Diferencia entre los cualitativo y lo cuantitativo
• 1.2.Flujo de la investigación basado en datos (diferencias entre R / Python y Excel). Ventajas: Replicabilidad, Trazabilidad, Orden.
• 1.3.Estructura de un proyecto: Pregunta / motivación. ¿Cuándo mi hipótesis es valida?
• 1.4.Presentación de la información: Comparabilidad.
• 1.5.Importancia del espacio para el analisis de datos
• 1.6.Casos de usos.

2. Nivelación en R. (12,0 horas)

• 2.1 Introducción al lenguaje R y su IDE RStudio.
• 2.2 Objetos, tipo de datos y dataframe en R.
• 2.3 Instalación de paquetes y ejecución de librerías en R.2.4
• Importar y exportar bases de datos en distintos formatos. CSV, EXCEL, SAV, DAT, TXT.
• 2.5 Ordenar y depurar bases de datos. Librería DPLYR.
• 2.6 Visualización en R: librería GGPLOT2.
• 2.7 Estadísticas descriptivas en R.

3. Nivelación en Python. (12,0 horas)

• 3.1 Introducción a la programación con Python: IDE, Colab, Jupyter notebook.
• 3.2 Conceptos básicos utilizados en Python.
• 3.3 librerías NumPy, Matplotlib, y Pandas.
• 3.4 Importar y exportar bases de datos en distintos formatos. CSV, EXCEL, SAV, DAT, TXT.
• 3.5 Estadísticas descriptivas. Librería Pandas.
• 3.6 Visualización de resultados.

Módulo 1. Herramientas de programación para el análisis espacial. (39,0 horas)

Objetivo del módulo: Entregar herramientas de programación en los distintos programas orientados al manejo de base de datos espacial. Al mismo tiempo permitir su integración con los Sistemas de Información Geográfica.

1. R para el Análisis de datos Espaciales. (12,0 horas)

• 1.1 Elementos cartográficos: Sistemas de referencias, capas vectoriales y raster, Usos y Datum.
• 1.2 Importar y exportar archivos en formatos: Shape, JSON. Librerías SF, SP, LEFLEAT.
• 1.3 Obtención de datos geo – posicionados.
• 1.4 Manipulación de datos geo – posicionados.
• 1.5 Cálculo de zonas de influencias.
• 1.6 Unión de otros datos espaciales.
• 1.7 Análisis avanzados de mapas.
• 1.8 Obteniendo datos desde Open Street Map.

2. Python para el análisis de datos Espaciales. (15,0 horas)

• 2.1 Importar y exportar archivos en formatos: Shape, JSON. Librería geopandas.
• 2.2 Obtención de datos geo – posicionados.
• 2.3 Manipulación de datos geo – posicionados.
• 2.4 Visualización de datos espaciales.
• 2.5 Obteniendo datos desde otras fuentes de información.

3. Integración QGIS con Python y RStudio para análisis espacial. (12,0 horas)

• 3.1 Análisis espacial con PyQGIS.
• 3.2 Introducción, Python en el entorno, carga de capas en Qgis.
• 3.3 Manejo de cartografía vectorial y raster.
• 3.4 Análisis espacial y geoprocesamientos en Qgis.
• 3.5 Composición y salidas gráficas.
• 3.6 Análisis espacial con R.
• 3.7 Introducción, R en el entorno, carga de capas en Qgis.
• 3.8 Manejo de cartografía vectorial y raster.
• 3.9 Análisis espacial y geoprocesamientos en Qgis.
• 3.10 Creación de cartografías web en R (Lefleat).

 

Módulo 2. Conceptos y procedimientos en el análisis espacial (33,0 horas)

Objetivo del módulo: Entregar conceptos, procedimientos e indicadores para el análisis y el desarrollo de modelos espaciales.

1. Estadística Espacial. (15,0 horas)

• 1.1 ¿Qué es la Estadística Espacial? y ¿Cuáles son sus ventajas, alcances y limitaciones? 1.2 Análisis exploratorio de datos espaciales AEDE
• 1.3 Introducción al análisis exploratorio de datos espaciales
• 1.4 Gráficos y técnicas para el AEDE.
• 1.5 Estadística espacial en el análisis de patrones.
• 1.6 Medidas de distribución centrográficas.
• 1.7 Autocorrelación espacial.
• 1.8 Análisis de conglomerados y conglomerados espaciales
• 1.9 Relaciones entre variables geográficas.
• 1.10 Introducción al análisis de regresión
• 1.11 Regresión Múltiple Ordinaria. Multiple Ordinary less square. 1.12 Regresión Múltiple con componente espacial
• 1.13 Regresión Geográficamente Ponderada
• 1.14 Análisis cartográfico de clúster espacio – temporales
• 1.15 Análisis de puntos calientes emergentes (emerging hot)
• 1.16 Conglomerados Espacio - temporales

2. Econometría espacial. (18,0 horas)

• 2.1 ¿Qué es la econometría espacial? ¿cuáles son sus alcances y limitaciones?
• 2.2 El análisis de regresión como punto de partida.
• 2.3 La asimetría en las relaciones espaciales
• 2.4 Modelización explicita del espacio
• 2.5 Efecto espacial: Autocorrelación y heterogeneidad espacial.
• 2.6 Problemas en la estimación por MCO
• 2.7 Expresión formal de los efectos espaciales: operadores de desfase espacial, matrices de contigüidad espacial, matrices de ponderadores espaciales.
• 2.8 Estimaciones de los modelos.
• 2.9 Casos de estudios: preguntas y problemas. 

Módulo 3. Aplicaciones de las ciencias de datos espaciales en estudios urbanos. (18,0 horas)

Objetivo: Aplicar conceptos y procedimientos de la ciencia de datos espacial a fenómenos que se producen en el ambiente urbano.

• 1. Aplicaciones a la movilidad.
• 2. Aplicaciones al transporte.
• 3. Aplicaciones a la criminalidad.
• 4. Aplicaciones a los accidentes.
• 5. Aplicaciones en la localización óptima. 
•  

Requisitos de postulación

• Estar en posesión del grado académico de licenciado o título profesional equivalente en cualquier área afín al análisis de datos espaciales.
• Carta dirigida al coordinador del programa, explicando las motivaciones para cursar el diplomado y cómo esperan aplicarlo en su desarrollo profesional.
• Aunque el programa incluye un módulo de nivelación, se recomienda tener conocimientos básicos en manejo de bases de datos, estadística descriptiva y programación, idealmente con herramientas como Excel, STATA, R o Python. 

Metodología.

Las clases serán teóricas y prácticas, impartidas 100% online a través de la plataforma Zoom, con un enfoque dinámico y participativo. Los participantes tendrán acceso a recursos de aprendizaje audiovisual, guías de trabajo diseñadas por los docentes y actividades individuales y grupales orientadas a resolver problemas reales.

La metodología fomenta la interacción y reflexión activa entre los participantes, promoviendo un aprendizaje colaborativo. Este enfoque permite conectar los fundamentos teóricos con aplicaciones prácticas, garantizando una experiencia formativa integral y directamente aplicable a desafíos profesionales.

Evaluaciones.

Cada profesor realizará evaluaciones sumativas de acuerdo con el estado de avance de sus respectivos contenidos. De todos modos, la nota mínima de aprobación de cada curso, así como de su respectivo módulo es 4.0 en una escala de 1.0 a 7,0.

Por su parte, se consideran dos requisitos para obtener la certificación del diplomado:

(1) Tener aprobado todos los cursos y módulos respectivos, y

(2) Asistencia mínima del 75%. 

Duración:

Aproximadamente cinco meses, 120 horas cronológicas.

Coordinador Académico
Cristian Escobedo Catalán.
Profesor full time en Facultad de Arquitectura y Urbanismo, U de Chile.

Cuerpo Académico.

Cristián Escobedo Catalán
Geógrafo, U de Chile. Magíster en Política Pública, U de Chile. Ph. D© en Geografía, Universidad Complutense de Madrid, España. Profesor full time en Facultad de Arquitectura y Urbanismo, Universidad de Chile. Investigador en Laboratorio tGIS, Departamento de Geografía, Universidad Complutense de Madrid, España. Especializado en movilidad, análisis espacial, estadística y econometría espacial, y Tecnología de la Información Geográfica.

Valeria Ulloa Escandor
Geógrafa, Universidad de Chile. MSc en Ciudades Inteligentes y Sostenibles, Smart Cities, Universidad Complutense de Madrid. Data Scientist en Entel Ocean. Experta en Tecnología de la Información Geográfica, movilidad urbana y análisis espacial.

Pablo Olivares Castillo
Geógrafo, Pontificia Universidad Católica de Chile. Diplomado en Gestión para la Reducción del Riesgo de Desastre, Universidad de Chile. Profesor Externo en Escuela de Diseño, Universidad Adolfo Ibáñez. Digital Developer Senior en Entel Ocean Anteriormente se desempeñó como Geógrafo, Investigador, Coordinador de Proyectos y encargado de plataforma digital en el Centro de Inteligencia Territorial de la Universidad Adolfo Ibáñez.

Christian Belmar Castro
Académico Facultad de Economía & Negocios, Universidad de Chile. Ph.D en Economía, FEN – U. de Chile. Especialista en Análisis Económico y Evaluación Social. Magíster © Desarrollo Económico y Comercio Internacional. Evaluador y medición de Rentabilidad social en Centros de Excelencia. Consultor Externo, División de Competitividad e Innovación. Banco Interamericano de Desarrollo. Investigador Asociado Centro de Microdatos, U. de Chile / CIETIV – Argentina. Asesor en Sostenibilidad, Planificación estratégica y Desarrollo de Comunidades. Docente a nivel de postgrado y pregrado en cátedras afines.

Tomas Cox Oettinger
Arquitecto U. de Chile. Diplomado en Tasaciones Inmobiliarias, U. de Chile. Magíster en Geografía y Geomática, U. Católica de Chile. Doctor en Ingeniería en Transporte y Logística, U. Católica de Chile. Su área de interés académica se centra en la experimentación con modelos y herramientas digitales para el análisis cuantitativo de fenómenos urbanos (accesibilidad, mercado inmobiliario), aplicados en docencia e investigación. Su tesis doctoral se enfoca en el modelamiento matemático de comportamientos heterogéneos en las decisiones de localización urbana. En la FAU enseña en sus cursos sobre el uso de Sistemas de Información Geográfica, aplicados a datos urbanos (Censo, Catastro SII), como una forma de analizar barrios a escala de manzana en sus dimensiones demográficas y construidas. Ha centrado su práctica profesional en la consultoría sobre valor de suelo y mercado inmobiliario.