Diplomado en Análisis Espacial de Datos

Descripción del Diplomado.

El Diplomado en Análisis Espacial de Datos ofrece una formación avanzada y aplicada en ciencia de datos geoespaciales, integrando de manera única en América del Sur lenguajes de programación como R y Python, bases de datos espaciales (PostGIS/SQL) y tecnologías de código abierto como QGIS, bajo un enfoque cuantitativo, reproducible y alineado con las demandas actuales del mercado laboral.

Diseñado para profesionales que buscan ir más allá del uso tradicional de los SIG, este programa entrega las competencias necesarias para analizar fenómenos complejos en múltiples escalas espaciotemporales, modelar patrones espaciales, evaluar dependencia y autocorrelación espacial y desarrollar modelos predictivos y explicativos, combinando estadística espacial, econometría y machine learning aplicado al territorio.

El diplomado se distingue por su énfasis en la interoperabilidad de herramientas, el uso de datos abiertos y grandes volúmenes de información geoespacial, y la aplicación de buenas prácticas en validación de modelos, visualización y comunicación de resultados, aspectos clave para la toma de decisiones basada en evidencia. Su enfoque práctico permite a los participantes enfrentar problemas reales en ámbitos como movilidad, planificación urbana, seguridad, mercado de suelo y análisis socioespacial.

A través de clases completamente online y un aprendizaje orientado a proyectos, los estudiantes aprenderán de un cuerpo académico de excelencia, compuesto por especialistas con amplia experiencia en investigación aplicada y en el desarrollo de proyectos en sectores públicos y privados.

Al finalizar el programa, los egresados estarán preparados para liderar y participar activamente en proyectos de análisis territorial avanzado, aportando soluciones innovadoras en áreas como urbanismo, transporte, gestión de recursos, consultoría y políticas públicas. En un período de cinco meses, este diplomado te permitirá transformar datos espaciales en conocimiento estratégico y decisiones con impacto real.

Objetivo general del programa.

Proporcionar a profesionales una formación avanzada, aplicada e interdisciplinaria en análisis espacial de datos, integrando programación en R y Python, bases de datos espaciales y tecnologías de código abierto, para analizar, modelar y comunicar fenómenos espaciales complejos en múltiples escalas espaciotemporales, apoyando la toma de decisiones estratégicas basada en evidencia en distintos sectores productivos y de políticas públicas.

Objetivos específicos

Al finalizar el diplomado, el/la estudiante será capaz de:

Desarrollar competencias técnicas avanzadas en programación con R y Python, integrando herramientas de código abierto como QGIS, GeoDa y bases de datos espaciales (PostGIS/SQL), para la gestión, análisis y visualización reproducible de datos geoespaciales.

Comprender y aplicar fundamentos teóricos y metodológicos del análisis espacial, incluyendo dependencia y autocorrelación espacial, exploración de datos espaciales (ESDA), econometría espacial y modelos estadísticos avanzados, considerando distintas escalas territoriales.

Diseñar, implementar y evaluar modelos explicativos y predictivos espaciales, incorporando técnicas de machine learning y econometría espacial, así como criterios de validación, diagnóstico y comparación de modelos.

Resolver problemas complejos del territorio mediante el uso de datos geolocalizados, integrando metodologías cuantitativas y herramientas tecnológicas en proyectos aplicados e interdisciplinarios en áreas como movilidad, planificación urbana, seguridad y mercado de suelo.

Comunicar eficazmente resultados del análisis espacial, utilizando visualizaciones, cartografía y narrativas basadas en datos, para apoyar procesos de toma de decisiones estratégicas en contextos públicos y privados.

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 para Ciencia de Datos. (30,0 horas)

Objetivo del módulo: Nivelar y fortalecer las competencias de los participantes en los lenguajes de programación R y Python, estableciendo un flujo de trabajo moderno, reproducible y orientado al análisis de datos, que sirva como base para el análisis y modelado de información geoespacial en los módulos posteriores.

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

1.1. Diferencia entre lo cualitativo y lo cuantitativo en la era del Big Data.

1.2. El flujo de investigación reproducible:

1.3. Estructura de un proyecto de Ciencia de Datos: De la pregunta de investigación a la validación de hipótesis.

1.4. Presentación de la información y ética de datos: Comparabilidad y transparencia.

1.5. Importancia del espacio (La Primera Ley de la Geografía) en el análisis de datos masivos.

1.6. Casos de uso: Ejemplos de éxito en industria y gobierno.

2. Nivelación en R. (12,0 horas)

2.1. Introducción al lenguaje R y su ecosistema: RStudio y Proyectos (.Rproj).

2.2. Objetos, tipos de datos, vectores y Dataframes.

2.3. Instalación de paquetes y gestión de librerías (CRAN).

2.4. Importación y exportación eficiente: Desde CSV/Excel a formatos modernos (RDS, Parquet).

2.5. Manipulación y limpieza de datos: El ecosistema Tidyverse (dplyr, tidyr, pipe operator).

2.6. Visualización gramatical de datos: Librería ggplot2.

2.7. Estadísticas descriptivas y exploratorias en R.

3. Nivelación en Python. (12,0 horas)

3.1. Introducción a la programación con Python: Entornos interactivos (Jupyter Notebooks, Google Colab) y scripts.

3.2. Conceptos básicos: Variables, listas, diccionarios y control de flujo.

3.3. El stack científico: NumPy (álgebra matricial) y Matplotlib (gráficos básicos).

3.4. Gestión de datos tabulares con Pandas: Series y DataFrames.

3.5. Ingesta y limpieza de datos: Lectura de múltiples formatos y manejo de valores nulos (NaN).

3.6. Visualización estadística moderna: Seaborn y Pandas plotting.

Módulo 1. Infraestructura Geoespacial y Bases de Datos. (42,0 horas)

Objetivo del módulo: Desarrollar competencias en ingeniería de datos espaciales, integrando bases de datos geográficas (PostGIS/SQL), automatización con R y Python y visualización en QGIS mediante flujos de trabajo modernos y reproducibles.

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

1.1. Fundamentos de Geocomputación y estructura sf.

1.2. Ingeniería de Datos Vectorial: Formatos modernos (GeoPackage).

1.3. Manejo de Datos Raster con terra.

1.4. Operaciones Geométricas y Espaciales.

1.5. Geoprocesamiento Vectorial (Buffers, intersecciones).

1.6. Cartografía Reproducible con ggplot2.

1.7. Datos Abiertos (osmdata).

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

2.1. Entornos virtuales y el Ecosistema Geo-Python (GeoPandas).

2.2. Interoperabilidad y Big Data (Parquet).

2.3. Wrangling Espacial y limpieza de geometrías.

2.4. Indexación y Consultas Espaciales.

2.5. Visualización Exploratoria interactiva.

2.6. Acceso a Fuentes Remotas (APIs).

3. Integración QGIS, SQL y PostGIS (12,0 horas)

3.1. Introducción y Nivelación en QGIS.

Exploración de la interfaz gráfica y configuración inicial de proyectos (Sistemas de Coordenadas).
Gestión de fuentes de datos: Carga de información vectorial y raster conexión a servicios web (WMS/WFS).
Diseño y comunicación cartográfica: Simbología avanzada, etiquetado y creación de composiciones de mapa (Layouts) profesionales.

3.2. Fundamentos de Bases de Datos Espaciales (PostgreSQL/PostGIS)

Transición del archivo plano (Shapefile) a la Base de Datos: Ventajas en integridad, concurrencia y volumen.
Instalación, configuración y gestión de conexiones a PostgreSQL.
Estrategias de importación de datos masivos espaciales a la base de datos.

3.3. SQL Espacial: Consultas y Análisis en Base de Datos

Sintaxis SQL básica para filtrado y selección de atributos.
Funciones espaciales esenciales: Creación de geometrías y análisis de proximidad (ST_Buffer, ST_Distance).
Predicados espaciales para relaciones topológicas (ST_Intersects, ST_Contains, ST_Within) ejecutados directamente en el motor de base de datos.

3.4. La Triangulación del Flujo de Trabajo (GIS + DB + Code)

QGIS como cliente SQL: Visualización dinámica, edición y gestión de capas alojadas en PostGIS en tiempo real.
Introducción a la automatización en QGIS: Uso básico de la consola de Python integrada para tareas repetitivas.

3.5. Ejercicio Integrador de Infraestructura

Ejecución de un flujo de trabajo End-to-End: Ingesta de datos brutos, procesamiento analítico mediante consultas SQL, Visualización y composición del mapa final en QGIS.

 

Módulo 2. Modelado Espacial Avanzado: Econometría y Machine Learning (39,0 horas)

Objetivo del módulo: Desarrollar las competencias necesarias para el análisis y construcción de modelos espaciales, integrando inferencia estadística, econometría espacial y algoritmos de machine learning aplicados a datos geoespaciales.

1. Fundamentos de Inferencia y Estadística Espacial (18,0 horas)

1.1. Nivelación Inferencia Estadística para Ciencia de Datos.

Fundamentos: Población vs. Muestra y el concepto de Error Estándar.
Pruebas de Hipótesis: Formulación de Hipótesis Nula y Alternativa.
Significancia Estadística: El P-valor, interpretación correcta (y peligros) del umbral 0.05. Intervalos de Confianza y Distribución Normal (Gaussiana).
Relevancia: La base matemática para discriminar si un patrón espacial es real o aleatorio.

1.2. Estadística Espacial: Conceptos y Alcances

Definición y diferenciación de la estadística clásica.
¿Qué hace "especial" a lo espacial? Los problemas de Dependencia Espacial y No-Estacionariedad.

1.3. Análisis Exploratorio de Datos Espaciales (AEDE / ESDA)

Técnicas de visualización estadística: Boxplots e Histogramas vinculados a mapas.
Mapas de distribución y cuantiles.

1.4. Análisis de Patrones Puntuales

Medidas centrográficas (Centro medio, Elipse de desviación estándar).
Test de Vecino Más Cercano y Función K de Ripley (Análisis de aleatoriedad vs. agrupamiento).

1.5. Autocorrelación Espacial (La Primera Ley de Tobler)

Autocorrelación Global (I de Moran): Medición estadística del grado de agrupación en todo el mapa.
Autocorrelación Local (LISA): Mapas de clústeres significativos (High-High, Low-Low) y detección de outliers espaciales.

1.6. Clustering y Machine Learning No Supervisado

DBSCAN: Detección de clústeres basada en densidad (superando las limitaciones de K-Means en datos espaciales).
ST-DBSCAN: Detección de conglomerados espacio-temporales.

Puntos Calientes Emergentes (Emerging Hot Spots): Análisis de tendencias temporales (nuevos focos vs. focos persistentes vs. focos esporádicos).

2. Modelos Predictivos espacial: Econometría espacial (15,0 horas)

2.1. Introducción al Modelado Supervisado

Definición de Variables Dependientes e Independientes.
Diferenciación conceptual: Correlación vs. Causalidad.

2.2. Regresión Lineal (OLS) y Diagnóstico

Regresión Múltiple Ordinaria (MCO).
Análisis de Residuos: Comprobación de supuestos (Homocedasticidad, Normalidad y Linealidad).
Diagnóstico Espacial: Cálculo del I de Moran de los residuos para detectar variables omitidas o estructuras espaciales no capturadas.

2.3. Econometría Espacial (Modelos Explicativos)

Matriz de Pesos Espaciales: Definiciones por Contigüidad (Reina/Torre) y por Distancia (k-vecinos, umbral).
Modelos SAR (Lag Espacial): Capturando el efecto de contagio o derrame.
Modelos SEM (Error Espacial): Corrección de errores espacialmente correlacionados.
GWR (Regresión Geográficamente Ponderada): Modelado de la heterogeneidad espacial (parámetros que varían localmente).

3. Machine Learning Supervisado y modelos predictivos. (6 horas)

3.1 Introducción a la No-Linealidad en el espacio.

Árboles de Decisión (CART): Algoritmos de partición recursiva y visualización de reglas de decisión.
Random Forest Espacial: Uso de ensambles para maximizar la precisión predictiva.
Importancia de Variables (Feature Importance): Métricas para determinar qué variables del entorno predicen mejor el fenómeno.

3.2 Taller de Evaluación de Modelos.

Comparación directa: Evaluación de métricas de desempeño R2, RMSE, MAE entre un modelo GWR y un modelo Random Forest.
Debate Técnico: Criterios para la selección de modelos (Interpretabilidad de coeficientes vs. Precisión).

Módulo 3. Aplicaciones de Ciencia de Datos Espaciales en Estudios Urbanos (18,0 horas)

Objetivo: Aplicar conceptos de ciencia de datos, estadística y programación al análisis de problemáticas urbanas reales, desarrollando soluciones analíticas basadas en datos. 

1. Aplicaciones a la Movilidad y Transporte

Análisis de flujos y matrices origen-destino.
Procesamiento de datos de movimiento y trazabilidad.
Accesibilidad y análisis de redes de transporte.

2. Aplicaciones a la Seguridad y Salud Urbana (Criminalidad y Accidentes)

Detección de patrones de concentración delictual o accidentabilidad.
Modelamiento de factores de riesgo en el entorno urbano.
Análisis predictivo de zonas críticas (Hotspots).

3. Aplicaciones a la Localización Óptima y Mercado de Suelo

Modelos de valoración inmobiliaria (Precios de suelo y vivienda).
Técnicas de optimización para la localización de servicios y equipamientos.
Análisis multicriterio espacial para la toma de decisiones.

4. Taller de Comunicación de Resultados (Storytelling)

Estrategias para la visualización efectiva de datos complejos.
Desarrollo de reportes dinámicos y paneles interactivos (Dashboards).
Presentación de proyectos finales con enfoque en la toma de decisiones. 

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 teóricas y prácticas son 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:

129 horas cronológicas.

Coordinador Académico
Dr©. 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.