Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Nombre de la carrera
2. Fundamentación
En las últimas dos décadas, las innovaciones en el campo de la información y la tecnología han
revolucionado el estudio social, la gestión y la política contemporáneos. Los avances en la
capacidad computacional han sido acompañados por una expansión nunca antes vista en cuanto
a la cantidad de información disponible. Cada día se producen y diseminan cientos de miles de
datos creando demandas de almacenamiento, procesamiento, minado e interpretación nunca
antes vistas.
Grandes compañías están minando datos para capitalizarse, estudios de abogados están
minando datos para diseñar sus estrategias legales y muchos Estados han incorporado políticas
de distribución de datos abiertos que requieren la administración de bases masivas de datos.
Para poder afrontar estos grandes volúmenes de información es indispensable formar recursos
humanos capacitados para poder administrar y gestionar toda esta información y,
simultáneamente, poder diseñar políticas que tengan impacto real en el territorio.
1Microtargeting es una metodología vinculada a la mercadotecnia que tiene como objetivo influir en las decisiones
del público. Consiste en la gestión de enormes cantidades de datos, en los que se buscan patrones comunes
mediante criterios de selección que consideran inclinaciones, intereses, preocupaciones, situación socio económica,
nivel educacional, franja etaria, etc. con el objeto de crear segmentaciones del conjunto total. Las personas de cada
uno de estos subconjuntos serán las destinatarias de mensajes diseñados a su medida, con un alto grado de
personalización, logrando así un incremento en el impacto y la respuesta esperada.
1
En las Ciencias Sociales, estas nuevas demandas de información están llevando a cambios
significativos en la investigación y la enseñanza universitaria. Centros de investigación como el
Institute for Quantitative Social Science de la Universidad de Harvard, el Laboratorio de
Información y Lingüística Computacional de la Universidad de Maryland o el Harvard-MIT Data
Lab, están entrenando nuevas generaciones de investigadores en el manejo de datos y de
teorías de información, capacitando a sus estudiantes de grado y post-grado para aprovechar
esta nueva disponibilidad de datos. Estos institutos y/o centros están siendo creados como
socios estratégicos de las universidades, concentrando capital técnico y teórico que apoya y
expande la tarea académica de las distintas unidades que investigan el acontecer social.
La gestión por evidencia es un modelo gerencial que incorpora las capacidades predictivas de la
ciencia de datos en el proceso de tomada decisiones, planificación, implementación y
administración públicas o privadas (Shepherd, 2007). A diferencia de los modelos gerenciales
tradicionales de planificación por objetivos y gestión por resultados que independizaban entre si
los procesos de elaboración y aplicación de políticas, la gestión por evidencia incorpora el
desempeño futuro de las intervenciones proyectadas permitiendo su ajuste o descarte eventual.
En este sentido el proceso de toma decisiones y la gestión de los bienes públicos o privados
basados en la evidencia posibilita anticipar los resultados de las políticas y permite su
corrección, reorientación o transformación de manera constante a lo largo de todo el ciclo de la
política (Imran, Sumra y Majeed, 2019).
2
la inteligencia territorial permite avanzar, no solo en el análisis de datos espaciales para la
resolución de problemas de gestión territorial y marketing geográfico sino además, en la
simulación y experimentación de escenarios de políticas y en el desarrollo de bienes y servicios
de base local, a través de la predicción inteligente de impactos alternativos, el cumplimiento de
metas, la obtención de resultados y la satisfacción de poblaciones objetivo (Miller, 2009; Smith,
2014; Barnes y Wilson, 2014).
A diferencia del conocimiento provisto por los saberes asociados al paradigma analítico
(cartesiano) basados en la argumentación deductiva causal, el paradigma digital se orienta a la
producción de conocimiento predictivo que permite el descubrimiento de objetos y procesos
reales o artificiales simulando sus características y comportamiento a fin de conocer sus
propiedades sistémicas. Frente a la escasez de datos que caracterizaba la ciencia pre-digital, la
cual promovió el desarrollo de la estadística inferencial, la ciencia digital predictiva cuenta con la
ventaja de una abundancia y calidad inusitada de datos, que sumada al desarrollo de las
capacidades de cómputo y calculo (en software y hardware) permite reproducir las condiciones
empíricas de los fenómenos bajo análisis o estudio (Harris, O’Sullivan et Al., 2017).
para comprender la realidad más allá del proceso computacional en sí, y quizás mejor que los enfoques analíticos
tradicionales (Harvey; 2009 en: Spatial Analysis. Fotheringham y Rogerson –Comp–, Sage: Londres).
3
con la necesidad de conocer el contexto político e institucional donde se lleva adelante la gestión
territorial del Estado y de las empresas.
3. Objetivos de la carrera
3Los procesos de enseñanza y de aprendizaje se considerarán dentro del espectro de las estrategias de resolución
de problemas (Pozo,1997) y de los estudios de caso (Wasserman, 1999); ambos, centrados en la gestión territorial
concreta, basada en la evidencia empírica, en la conceptualización y en la interpretación teórica del Estado, del
mercado, de la gestión y las políticas en contextos democráticos.
4
4. Características de la Carrera
4.2 Denominación del título a otorgar: Técnico Universitario en Gestión por Evidencia e
Inteligencia Territorial
4.6 Asignación horaria total de la carrera (en horas reloj): 1.412 horas.
5
• Participar en equipos de trabajo y proyectos donde el uso de técnicas en gestión por
evidencia e inteligencia territorial sean determinantes.
• Asesorar a equipos técnicos, políticos y empresariales en la implementación de modelos
de intervención y gestión inteligente del territorio, la minería de datos y la predicción de
problemáticas, necesidades y comportamientos geográficos.
• Participar en equipos multidisciplinarios que aborden las diversas problemáticas de la
planificación, implementación y gestión de políticas públicas y/o privadas en el territorio.
• Participar y colaborar en la formación de recursos humanos, tanto en el ámbito
universitario-científico como en otros espacios de la vida publica.
7. Requisitos de ingreso
El ingreso es directo con certificación del nivel secundario acreditado4, y/o estar comprendido en
el artículo 7°de la Ley de Educación Superior N° 24521 y su modificación artículo 4° de la Ley
27204.
Por último, un Trabajo de Integración Final (TIF) que constituye requisito obligatorio para poder
obtener la graduación y será de elaboración individual. En este trabajo final, a partir de estudios
de casos los y las alumnos/as tendrán que evidenciar el manejo y uso pertinente de la técnicas
incorporadas y trabajadas a lo largo de la cursada.
1. CICLO INTRODUCTORIO
4 Observación: para ingresar a la Tecnicatura no es necesario poseer conocimientos específico. Todos los
contenidos serán abordados desde el nivel introductorio.
6
1.1. HERRAMIENTAS CUANTITATIVAS PARA LA CIENCIA DE DATOS
Objetivos: Adquirir habilidades para el planteamiento formal de problemas. Capacitar en la
lectura, confección y análisis de gráficos. Introducir al manejo fundamentos cuantitativos.
Nociones preliminares para la confección de cartografía.
Conjunto de asignaturas destinadas a brindar una sólida formación teórica que vincule al Estado,
el gobierno, los procesos políticos contemporáneos con la problemática del desarrollo territorial,
la gestión por evidencia y la inteligencia de datos espaciales.
Formación Introductoria:
Formación teórica-práctica:
7
3. INTELIGENCIA TERRITORIAL Y ANALÍTICA ESPACIAL
Conjunto de asignaturas que permitan obtener una formación integrada entre matemática
aplicada, estadística computacional, análisis espacial, sistemas de información geográficos y
ciencia de datos espaciales, a través de su aplicación empírica en diferentes escenarios y
problemáticas territoriales.
Formación introductoria:
Formación teórico-práctica
3.6. GEOCOMPUTACIÓN
Objetivos: Comprender las diferencias entre la ciencia GIS tradicional y la geocomputación.
Profundizar en el conocimiento de los modelos de regresión lineal con ponderación geográfica
globales y locales. Introducir en el análisis de la autocorrelación espacial. Generar superficies de
densidad de variables puntuales y analizar datos puntuales interpolados. Diseñar modelos de
análisis espacio-temporales.
8
3.8. TALLER: GEOCOMPUTACIÓN Y GESTIÓN POR EVIDENCIA
Objetivos: Analizar estudios de casos concretos y modelizar soluciones a las problemáticas
abordadas combinando la geocomputación y la gestión por evidencia (basada en grandes
volúmenes de datos).
Formación introductoria
Formación teórico-práctica
9
5. TRABAJO DE INTEGRACIÓN FINAL
Para poder graduarse será necesario la elaboración de un Trabajo de Integración Final (TIF) de
elaboración individual. Las condiciones y pautas para su elaboración y defensa serán
establecidas en el reglamento específico que establezca la carrera. Para la realización del TIF se
asignará 100 horas de trabajo autónomo, con la posibilidad de cumplimiento a través de
encuentros presenciales o vía remota.
10
10. Régimen de Cursado por Año y Cuatrimestre
Primer Cuatrimestre
Asignatura hs semanales hs totales
1.1 Herramientas Cuantitativas para la Ciencia de Datos 4 64
1.2 Elementos de Programación 7 112
2.1 Territorio y Políticas Públicas 4 64
2.2 Teoría del Estado 3 48
Horas Total Primer Cuatrimestre 288
Segundo Cuatrimestre
Asignatura hs semanales hs totales
1.3 Programación y Bases de Datos 4 64
3.1 Inteligencia Territorial 3 48
3.2 Ciencia de Datos Espaciales I 7 112
4.1 Gestión por Evidencia 4 64
Horas Total Segundo Cuatrimestre 288
Tercer Cuatrimestre
Asignatura hs semanales hs totales
2.3 Organizaciones Públicas y Privadas 4 64
3.3 Ciencia de Datos Espaciales II 4 64
3.4 Estadística Computacional 4 64
4.2 Diseño de Políticas Basadas en Evidencia 4 64
Horas Total Tercer Cuatrimestre 256
Cuarto Cuatrimestre
Asignatura hs semanales hs totales
3.5 Geomática e Infraestructura de Datos Espaciales 4 64
3.6 Geocomputación 6 96
4.3 Sistemas de Monitoreo de Políticas Basadas en la Evidencia 4 64
4.4 Evaluación de Impacto de Políticas Basadas en la Evidencia 4 64
Horas Total Cuarto Cuatrimestre 288
Quinto Cuatrimestre
Asignatura hs semanales hs totales
3.7 Aplicaciones Espaciales de Inteligencia Artificial 4 64
3.8 Taller: Geocomputación y Gestión por Evidencia 4 64
4.5 Taller: Gestión por Evidencia e Inteligencia Territorial 4 64
Horas Total Cuarto Cuatrimestre 192
A continuación, se desarrollan los contenidos mínimos de cada una de las instancias curriculares
organizadas por campo formativo.
11
1. CICLO INTRODUCTORIO
12
territorio y democracia. El Estado como actor y como arena de conflicto. Las relaciones entre
Estado, sociedad y mercado. Estado y ciudadanía. Estructura y organización del Estado.
13
3.4. ESTADÍSTICA COMPUTACIONAL
Estadísticos de posición y de dispersión. Espacio muestral. Probabilidad. Reglas. Variables
aleatorias. Distribuciones de probabilidad. Distribuciones continuas y discretas. Distribución
acumulada y densidad. Familia de distribuciones. Generación de números aleatorios. Esperanza,
varianza y momentos. Distribución empírica. Convergencia. Ley de los grandes números.
Teorema central del límite. Distribuciones bivariadas. Cálculo de intervalos de confianza. Test de
hipótesis. Correlación y regresión lineal simple y múltiple. Modelos lineales generalizados -
Métodos de Remuestreo: Bootstrap y Permutaciones.
3.6. GEOCOMPUTACIÓN
Introducción a la estadística espacial. Dependencia espacial y autocorrelación. Matrices de
contigüidad y proximidad espacial. Estimación de superficies de densidad de Kernel. Estadísticos
I de Moran, C de Geary. Modelos SAR y modelos CAR. Pruebas de Mantel. Métodos del vecino
más cercano. La función K de Ripley. Aleatoriedad espacial completa. Modelos globales de
regresión lineal (error y retardo espacial). Modelos locales de regresión con ponderación
geográfica (GWR). Correlograma y semivariograma. Elaboración de modelos de datos
geoestadísticos. Kriging. Análisis espacio-temporal. Modelos lineales generalizados con
ponderación geográfica. Modelos de interacción espacial. Simulación espacial.
14
regresivos con ponderación geográfica, modelos de interacción espacial y/o de simulación
espacial.
15
4.5. TALLER: GESTIÓN POR EVIDENCIA E INTELIGENCIA TERRITORIAL
Formulación de preguntas para identificar problemas y soluciones y la evaluación de resultado
de una práctica o decisión de la gestión de las estrategias de las gerencias públicas y/o privadas
a través de la aplicación de modelos de análisis espacial mediante el uso de la big data.
16