PLAN DE ESTUDIO: TECNICATURA UNIVERSITARIA EN GESTIÓN POR

EVIDENCIA E INTELIGENCIA TERRITORIAL

1. Nombre de la carrera

Tecnicatura Universitaria en Gestión por Evidencia e Inteligencia Territorial

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.

La integración de grandes volúmenes de datos en los procesos de gobierno y administración en

todas las escalas geográficas, han transformado profundamente las herramientas de análisis, los
perfiles de capacitación necesarios, los estándares de investigación, la gestión pública y
territorial.

En efecto, la existencia y disponibilidad de grandes bases de datos georreferenciadas de

carácter poblacional asociadas al desarrollo de la infraestructura de hardware y software
necesarias para su procesamiento y análisis; ha posibilitado la difusión de modelos de
intervención y gestión inteligente del territorio basados en el microtargeting1, la minería de datos
y la predicción de problemáticas, necesidades y comportamientos geográficos por medio del uso
intensivo de técnicas de aprendizaje automatizado.

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.

Esta verdadera revolución, basada en la sociedad del conocimiento y la información, no sólo

plantea serios desafíos de adaptación y desarrollo a las organizaciones públicas y privadas que
administran, gestionan y producen bienes y servicios en el territorio, sino que también supone la
necesidad de encarar una actualización en los perfiles de capacitación técnica y metodológica de
los agentes involucrados. Para poder dar cuenta eficazmente de esta problemática de
adaptación organizacional y técnico-metodológica, se debe incorporar entonces, en forma
simultánea, modelos de gestión territorial basados en el conocimiento y la información, con
estrategias de formación que integren la estadística computacional, la ciencia de datos
espaciales, la gestión y las lógicas institucionales que se dan en nuestras sociedades.

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).

La inteligencia territorial es el resultado de la aplicación de modelos predictivos digitales al

conocimiento, gestión e intervención del territorio, por medio de la utilización de técnicas de
minería de datos (data mining) y modelos de aprendizaje automatizado espaciales (machine
learning) aplicados a grandes bases de datos geográficos complejos (Big spatial data). Sobre la
base de los conocimientos desarrollados previamente por el análisis espacial y la ciencia de
sistemas de información geográfica (GIS Science), la geocomputación2 como soporte técnico de

2 La geocomputación se refiere a la aplicación de computadoras de alto rendimiento para explorar y analizar

representaciones digitales de la Tierra y fenómenos relacionados. La geocomputación se basa en la creencia de
que las técnicas computacionales son útiles para explicar y predecir fenómenos geográficos. Esto se debe a tres
razones: 1) asombrosos incrementos en el poder computacional que permiten nuevas formas de modelado, análisis
y simulación; 2) mayores capacidades para recolectar y almacenar datos geográficos, permitiendo representaciones
detalladas sin precedentes de fenómenos geográficos, y; 3) un postulado de que la computación es significativa

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).

La posibilidad de integrar gestión basada en la evidencia y la inteligencia territorial permite

vincular de manera efectiva la micro gestión local de las políticas con las estrategias y líneas de
acción generales de las gerencias públicas y privadas. Teniendo en cuenta que
aproximadamente el ochenta por ciento de los datos que se producen diariamente corresponden
a datos espaciales, las posibilidades de desarrollo y aplicación de la inteligencia territorial a la
gestión pública y privada, así como al gobierno del Estado resultan ser extraordinarias. La
posibilidad de calibrar localmente los proyectos de intervención global integrando en un solo
modelo gerencial las decisiones micro y macro, sumado a la construcción de modelos de
planificación secuenciales basados en la simulación geográfica de resultados y en la
experimentación de alternativas, permite ajustar localmente los procesos y los productos,
segmentar los efectores y volver inteligibles en forma anticipada los impactos territoriales de las
políticas que de otra forma quedarían opacados a lo largo de todo el proceso de gestión (Sui,
2014).

En este marco, la universidades deben tener un rol protagónico, tanto en la construcción y

formación de estos nuevos perfiles técnicos, como también en el desafío de pensar e impulsar
estrategias pedagógica de formación para los jóvenes nativos digitales, los cuales poseen un
vínculo con las tecnologías y el conocimiento distinto al de las generaciones que los anteceden.

En síntesis, esta propuesta de formación se basa en la enseñanza y el aprendizaje de saberes

técnicos operacionales: computacionales, analíticos y predictivos por medio de aplicaciones
teórico – prácticas; y también en incorporar conocimiento teórico para su problematización, junto

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

3.1 Objetivo General

Formar técnicos y técnicas capacitados/as para asistir en la solución de problemas complejos

de investigación aplicada, diseño de políticas públicas y gestión por evidencia en ámbitos donde
el territorio y el Estado sean determinantes 3 . Para ello, se formarán recursos humanos
capacitados en el manejo de herramientas analíticas y predictivas de geocomputación y ciencia
de datos.

3.2 Objetivo específicos

• Formar recursos humanos con capacidades de análisis en gestión por evidencia e

inteligencia territorial.
• Desarrollar las capacidades necesarias para asistir en la implementación de procesos de
trabajo y servicios gubernamentales con conocimientos que promuevan el uso y el
análisis de datos espaciales masivos.
• Desarrollar habilidades teóricas y prácticas en la administración y utilización de técnicas
de minería de datos (data mining), modelos de aprendizaje automatizado espaciales
(machine learning) aplicados a grandes bases de datos geográficos complejos (big
spacial data).
• Desarrollar habilidades teóricas y prácticas para asistir en la toma de decisiones en los
actuales contextos políticos y de mercado para la planificación, implementación,
evolución y administración de políticas públicas y/o privadas.
• Desarrollar capacidades teóricas y prácticas que posibiliten reflexionar sobre las nuevas
lógicas de organizaciones públicas y privadas que promuevan el uso de la gestión por
evidencia y la inteligencia territorial en las nuevas estrategias organizacionales.
• Formar competencias con capacidades para asistir en la planificación, coordinación y
elaboración de informes técnicos basado en el análisis de los datos en distintos tipos de
organizaciones.
• Formar capacidades para asesorar y llevar adelante estrategias basadas en el uso de la
inteligencia territorial en empresas, PyMEs u otro tipo de organizaciones.
• Concientizar y promover el uso de la gestión por evidencia y la inteligencia territorial
cómo modelo de gestión pública y modelo gerencial en el proceso de toma de
decisiones tanto en instituciones públicas como en privadas.

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

4.1 Nivel Pregrado.

4.2 Denominación del título a otorgar: Técnico Universitario en Gestión por Evidencia e
Inteligencia Territorial

4.3 Especificación de la modalidad: presencial

4.4 Localización de la propuesta: Sede Metropolitana y las diferentes unidades de apoyo

definidas en el SIED

4.5 Años de duración de la carrera: 2 años y medio (5 cuatrimestres)

4.6 Asignación horaria total de la carrera (en horas reloj): 1.412 horas.

5. Perfil del graduado/a

Los técnicos y técnicas universitarios/as en Gestión por Evidencia e Inteligencia Territorial

tendrán las siguientes capacidades:

• Conocimiento para el manejo de las tecnologías de la información y analítica espacial

para la gestión, administración y producción de bienes y servicios en el territorio.
• Manejo fluido de herramientas teóricas y prácticas para asistir en el diseño y en la
implementación de políticas públicas y/o privadas a partir de modelos predictivos.
• Habilidades para asesorar en modelos de políticas a partir de las especificidades de las
poblaciones objetivo y los efectores territoriales.
• Solvencia en la ejecución de tareas profesionales específicas involucradas en proyectos
donde el uso de la gestión por evidencia y la inteligencia territorial sean determinantes
• Comprensión de los desafíos, intereses, lógicas y procedimientos de la gestión de
políticas territoriales al interior de instituciones públicas y privadas.
• Habilidades para implementar nuevos modelos de gestión organizacionales basados en
la evidencia y la inteligencia territorial.
• Conocimiento sobre los procedimientos e intereses existentes al interior de las
instituciones públicas en contextos democráticos.

6. Alcances del título

Para el título de Tecnico/a Universitario/a en Gestión por Evidencia e Inteligencia Territorial se

entablecen los siguientes alcances:

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.

8. Diseño y organización curricular

La estructura curricular de la Tecnicatura Universitaria en Gestión por Evidencia e Inteligencia

Territorial está organizada a partir de un ciclo introductorio y tres áreas de conocimiento:

• Estado, Gobierno y Gestión Territorial,

• Inteligencia Territorial y Analítica Espacial, y
• Gestión por Evidencia y Big Data.

El área de conocimiento Estado, Gobierno y Gestión Territorial se estructura a partir de una

formación introductoria y una formación teórico-práctica (formación general). En cambio, el área
de Inteligencia Territorial y Analítica Espacial y Gestión por Evidencia y Big Data poseen una
formación introductoria, una formación teórico-práctica e incorporan talleres de estrategia en
resolución de problemas y estudios de casos.

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

Conjunto de asignaturas destinadas a brindar una introducción a ciertos conocimientos básicos

que servirán para el desarrollo de las materias posteriores.

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.

1.2. ELEMENTOS DE PROGRAMACIÓN

Objetivos: Brindar las bases de la resolución de problemas con el uso de algoritmos y lenguajes
de programación. Desarrollar habilidades en programación estructurada básica.

1.3. PROGRAMACIÓN Y BASES DE DATOS

Objetivos: Desarrollar habilidades de programación en relación al manejo de datos en memoria y
en archivos. Comprender las bases de datos relacionales. Manejar el lenguaje estructurado de
consultas. Administrar grandes volúmenes de bases de datos y bases de datos espaciales.

2. ESTADO, GOBIERNO Y GESTIÓN TERRITORIAL

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:

2.1. TERRITORIO Y POLÍTICAS PÚBLICAS

Objetivos: Brindar herramientas conceptuales para analizar y abordar problemáticas territoriales.
Introducir los principales elementos y conceptos teóricos para la comprensión del ciclo de las
políticas públicas.

Formación teórica-práctica:

2.2. TEORÍA DEL ESTADO

Objetivos: Identificar los principales hitos en la formación y consolidación del Estado. Adquirir los
principales conceptos para comprensión del rol del Estado como actor y mediador entre la
sociedad y el mercado.

2.3. ORGANIZACIONES PÚBLICAS Y PRIVADAS

Objetivos: Conocer las principales características, funciones y evolución de las organización
públicas y privadas. Abordar las principales teorías de las organización y modelos de toma de
decisiones.

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:

3.1. INTELIGENCIA TERRITORIAL

Objetivos: Introducir a la compresión de los conceptos vinculados al abordaje espacial y
territorial. Adquirir la capacidad de analizar los efectos contextuales que inciden en los procesos
espaciales y territoriales.

Formación teórico-práctica

3.2. CIENCIA DE DATOS ESPACIALES I

Objetivos: Adquirir capacidades de manejo en programación R para el uso y análisis de datos
espaciales. Técnicas de scrapping de datos de la web y redes sociales.

3.3. CIENCIA DE DATOS ESPACIALES II

Objetivos: Visualizar, analizar y procesar grandes volúmenes de datos espaciales.

3.4. ESTADÍSTICA COMPUTACIONAL

Objetivos: Analizar y graficar distribuciones de variables. Adquirir capacidad de plantear y
analizar modelos de correlación y regresión. Capacitar en los métodos de remuestreo.

3.5. GEOMÁTICA E INFRAESTRUCTURA DE DATOS ESPACIALES

Objetivos: Adquirir capacidad de manejo de bases de datos espaciales y de tecnologías de la
información geográfica (TIG). Administrar bases de datos espaciales a través del módulo
PostGis. Capacitar en el uso y aplicación de las infraestructuras de datos espaciales (IDE).

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.

3.7. APLICACIONES ESPACIALES DE INTELIGENCIA ARTIFICIAL

Objetivos: Introducir en el uso de modelos de aprendizaje automático. Capacitar en el diseño de
modelos de aprendizaje supervisado y de aprendizaje no supervisado.

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).

4. GESTIÓN POR EVIDENCIA Y BIG DATA

Conjunto de asignaturas y talleres teóricos prácticos destinados a la capacitación en la

formulación, planificación, ejecución de políticas y resolución de problemas de gestión pública
territorial, donde se vincule el procesamiento y análisis de grandes volúmenes de datos con los
procesos de toma de decisiones basados en la evidencia.

Formación introductoria

4.1. GESTIÓN POR EVIDENCIA

Objetivos: Proporcionar los conocimientos introductorios y competencias básica centradas en el
uso de la gestión por evidencia a través de un manejo consciente, explícito y juicioso de la
evidencia disponible sobre y dentro de las organizaciones para la toma de decisiones.

Formación teórico-práctica

4.2. DISEÑO DE POLÍTICAS BASADAS EN EVIDENCIA

Objetivos: Promover la tomar de decisiones en la gestión a partir de las herramientas provistas
por el análisis de grandes volúmenes de datos. Fomentar programas de políticas basadas en la
gestión por evidencias y en propuestas innovadoras a través del uso de grandes volúmenes de
datos.

4.3. SISTEMAS DE MONITOREO DE POLÍTICAS BASADAS EN LA EVIDENCIA

Objetivos: Capacitar y entrenar en el manejo de herramientas para el seguimiento de políticas en
tiempo real, originando mejoras a partir de la evaluación continua de resultados.

4.4. EVALUACIÓN DE IMPACTO DE POLÍTICAS BASADAS EN LA EVIDENCIA

Objetivos: Formar y entrar en la aplicación de herramientas para determinar el grado de
consecución de los objetivos de una política en función de la evidencia sobre de su impacto real.

4.5. TALLER: GESTIÓN POR EVIDENCIA E INTELIGENCIA TERRITORIAL

Objetivos: A partir del uso de la técnicas incorporadas para el diseño de políticas basadas en la
gestión por evidencia y la inteligencia territorial abordar problemáticas territoriales reales y
proponer líneas de acción que permitan vincular de manera efectiva la gestión de las políticas
con las estrategias y líneas de acción de las gerencias públicas y/o privadas.

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.

9. Estructura Curricular: Campo Formativo, Asignaturas, Horas Semanales y

Totales, Régimen de Cursado, Correlatividades y Modalidad
Campo Formativo Asignatura hs semanales hs totales Régimen de cursada Correlatividades Modalidad
1.1 Herramientas Cuantitativas para la Ciencia de Datos 4 64 Cuatrimestral
1- Ciclo introductorio 1.2 Elementos de Programación 7 112 Cuatrimestral
1.3 Programación y Bases de Datos 4 64 Cuatrimestral 1.2

2. Estado, Gobierno y 2.1 Territorio y Políticas Públicas 4 64 Cuatrimestral

Gestión Territorial 2.2 Teoría del Estado 3 48 Cuatrimestral
2.3 Organizaciones Públicas y Privadas 4 64 Cuatrimestral
3.1 Inteligencia Territorial 3 48 Cuatrimestral
3.2 Ciencia de Datos Espaciales I 7 112 Cuatrimestral 1.2
3.3 Ciencia de Datos Espaciales II 4 64 Cuatrimestral 3.2
3. Inteligencia
3.4 Estadística Computacional 4 64 Cuatrimestral 1.1 - 3.2 Presencial
Territorial y Analítica
3.5 Geomática e Infraestructura de Datos Espaciales 4 64 Cuatrimestral 1.3
Espacial
3.6 Geocomputación 6 96 Cuatrimestral 3.1 - 3.3
3.7 Aplicaciones Espaciales de Inteligencia Artificial 4 64 Cuatrimestral
3.8 Taller: Geocomputación y Gestión por Evidencia 4 64 Cuatrimestral
4.1 Gestión por Evidencia 4 64 Cuatrimestral
4. Gestión por 4.2 Diseño de Políticas Basadas en Evidencia 4 64 Cuatrimestral
Evidencia y Big Data 4.3 Sistemas de Monitoreo de Políticas Basadas en la Evidencia 4 64 Cuatrimestral
4.4 Evaluación de Impacto de Políticas Basadas en la Evidencia 4 64 Cuatrimestral
4.5 Taller: Gestión por evidencia e Inteligencia Territorial 4 64 Cuatrimestral

5. Trabajo de Aprobadas todas las

5. Trabajo de Integración Final (TIF) 100 Semi-presencial
Integración Final asignaturas

TOTAL HORAS TECNICATURA 1412

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

Trabajo Final de Integración (TIF) 100

TOTAL HORAS TECNICATURA 1412

11. Contenidos Mínimos

A continuación, se desarrollan los contenidos mínimos de cada una de las instancias curriculares
organizadas por campo formativo.

11
1. CICLO INTRODUCTORIO

1.1. HERRAMIENTAS CUANTITATIVAS PARA LA CIENCIA DE DATOS

Funciones: concepto y clasificación. Introducción a las funciones: funciones lineales,
exponenciales y logarítmicas. Matrices. Vectores. Sistemas de ecuaciones lineales.
Determinantes. Información geográfica: formatos, sistemas de coordenadas y proyecciones.
Gráficos para variables cualitativas y cuantitativas.

1.2. ELEMENTOS DE PROGRAMACIÓN

Pensamiento computacional: resolución de problemas con computadoras. Programación.
Conceptos de programación imperativa: Variables: tipos de datos básicos, asignación,
acumuladores. Operadores y expresiones lógicas. Alternativa condicional. Repetición: simple y
condicional. Primitivas, procedimientos y funciones con y sin parámetros. Entrada y salida de
datos Prácticas de programación: depuración (debugging) y verificación (testing).
Funcionamiento de los lenguajes de programación. Compilación e interpretación: código fuente
vs. código ejecutable. Propiedades del código: legibilidad.

1.3. PROGRAMACIÓN Y BASES DE DATOS

Estrategias de diseño e implementación de algoritmos. Programación modular. Estructuras de
datos en memoria: vectores y arreglos, operaciones básicas. Archivos de datos: conceptos,
operaciones básicas. Manejo de excepciones. Lenguaje Python y R. Bases de datos
relacionales: Tablas, columnas. Noción de relación. Noción de modelo de datos. Lectura de
Diagramas de Entidad-Relación. Clave primaria y clave foránea. Integridad referencial.
Elementos básicos del lenguaje SQL: creación, mantenimiento y consultas. Arquitectura
cliente/servidor. PostgreSQL y PostGis.

2. ESTADO, GOBIERNO Y GESTIÓN TERRITORIAL

2.1. TERRITORIO Y POLÍTICAS PÚBLICAS

El concepto de territorio y la problemática territorial. Elementos constitutivos e interrelaciones. La
multiescalaridad y multidimensionalidad del desarrollo territorial. Dinámicas económico-
territoriales. Desarrollo territorial y datos espaciales. La planificación del desarrollo territorial:
diagnóstico, metodología y big-data. El ciclo de las políticas públicas: agenda, formulación,
adopción, implementación y evaluación. Modelos y métodos para el análisis de las políticas
públicas. Políticas públicas e inteligencia de datos espaciales. Estado, políticas públicas,
territorio y mercado.

2.2. TEORÍA DEL ESTADO

El concepto de Estado. El Estado moderno y Estado contemporáneo. Enfoques para el estudio
del Estado. Estado absolutista, Estado liberal, Estados de bienestar, Estado regulador y Estado
neoliberal. La conformación de los Estados y el fortalecimiento de sus capacidades. Soberanía,

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.

2.3. ORGANIZACIONES PÚBLICAS Y PRIVADAS

La organización como objeto de estudio y en su contexto. Organizaciones públicas y privadas.
Conceptos básicos del cambio organizacional: causas, resistencias, modelos y estrategias de
cambio. Teorías de la organización. Evolución del pensamiento acerca del manejo de las
organizaciones: la organización como máquina, como organismo y como sistema. Nuevas
formas organizacionales: equipos ágiles, gestión de proyectos, datos y analítica de datos,
nuevos modelos de toma de decisiones. Cultura organizacional. Dinámica organizacional:
objetivos, funciones, procedimientos, recursos y productos.

3. INTELIGENCIA TERRITORIAL Y ANALÍTICA ESPACIAL

3.1. INTELIGENCIA TERRITORIAL

Nociones fundamentales. Geografía, territorio, lugar y región. Diferenciación geográfica y
determinación contextual. Relaciones espaciales y sociales. Big data y análisis espacial.
Dependencia espacial. Clusterización y autocorrelación espacial. Interacción espacial y
complejidad: flujos materiales y de información.

3.2. CIENCIA DE DATOS ESPACIALES I

Definiciones. Big Data, Ciencia de Datos, Datos Abiertos. Introducción a R, el lenguaje de
programación libre para análisis estadístico y representación visual de datos. Técnicas de data
wrangling, limpieza, cruce y transformación de grandes conjuntos de datos. Análisis exploratorio:
cómo abordar el análisis de nuevos sets de datos. Visualización de la información: aprendiendo
una gramática gráfica para representar en forma visual información compleja. Predicción basada
en datos: generación, evaluación y comparación de modelos estadísticos. Generación
programática de mapas y visualizaciones espaciales. Técnicas de scrapping de datos de la web
y redes sociales.

3.3. CIENCIA DE DATOS ESPACIALES II

Información espacial en puntos: visualización de ubicaciones, análisis espacio-temporal.
Creación de gráficos basados en puntos para búsqueda de patrones. Mapeo agrupado usando
binning y gráficos de densidad. Información espacial en líneas: análisis espacial de estructuras
viales urbanas, adquisición de grillas de calles de fuentes online, análisis de accesibilidad y
conectividad. Visualizando movimiento: transformación de datos puntuales en agregados por
geografía, generación y análisis de matrices origen-destino. Procesamiento geoespacial de alta
performance con motores de base de datos. Comunicación con datos avanzada: Interactividad y
publicación online.

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.

3.5. GEOMÁTICA E INFRAESTRUCTURA DE DATOS ESPACIALES

Introducción a las Tecnologías de Información Geográfica y Sistemas de Información Geográfica.
Principios geodésicos. Topología de modelos de datos espaciales. Introducción al PostGis.
Principios geodésicos. Sistemas de referencia y proyecciones. Selecciones espaciales. Cálculo
de geometrías. Geoprocesos. Uso masivo de datos. Principios de semiología gráfica de la
información. Estándares abiertos e interoperables: especificaciones del Open Geospatial
Consortium (OGC). ISO/TC 211 y la Serie ISO 19100. Geoservicios, metadatos y geoportales.
Infraestructura de Datos Espaciales: aplicaciones y experiencias.

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.

3.7. APLICACIONES ESPACIALES DE INTELIGENCIA ARTIFICIAL

Modelos de aprendizaje automático: fundamentos conceptuales (error de entrenamiento, error de
generalización, balance sesgo-varianza) y diferencias con el enfoque estadístico tradicional.
Problemas de clasificación y regresión. Aprendizaje supervisado simple (regresión lineal y
logística, support vector machines, árboles de decisión). Ensemble learning (bagging, random
forest, boosting, AdaBoost). Aplicación a datos espaciales. Aprendizaje no supervisado
(reducción de dimensionalidad -PCA-, clustering -Kmeans, jerárquico, etc.). Consideraciones
particulares para el diseño de modelos predictivos de aprendizaje automático con datos
espaciales. Webscraping: construyendo datasets desde la web y redes sociales. HTML, tags y
atributos. Algunas aplicaciones para el análisis espacial de datos scrapeados.

3.8. TALLER: GEOCOMPUTACIÓN Y GESTIÓN POR EVIDENCIA

Formulación de preguntas para identificar problemas y soluciones y la evaluación de resultado
de una práctica o decisión a través de la aplicación de modelos espacio-temporales, modelos

14
regresivos con ponderación geográfica, modelos de interacción espacial y/o de simulación
espacial.

4. GESTIÓN POR EVIDENCIA Y BIG DATA

4.1. GESTIÓN POR EVIDENCIA

Conocer los cambios recientes en los modelos de gestión. Abordar los principales paradigmas e
identificar las diversas etapas del proceso de gestión. Introducción a la práctica basada en la
evidencia para la gestión. Formulación de preguntas para identificar problemas y soluciones.
Adquisición y evaluación de evidencia profesional. Evidencia científica y cómo adquirirla.
Valoración de la evidencia científica. Adquisición y valoración de evidencia organizacional.
Adquisición y evaluación de evidencia de las partes interesadas. Agregación de evidencia.
Aplicación operativa de evidencia. Evaluación de resultado de una práctica o decisión. Monitoreo
de una práctica o decisión. Liderazgo y gestión basada en evidencia

4.2. DISEÑO DE POLÍTICAS BASADAS EN EVIDENCIA

El ciclo de la política y la incorporación de la evidencia. Análisis de políticas posibles a partir de
datos secundarios. Estimación de elementos conceptuales y metodológicos. Formulaciones de
estrategias posibles, criterios de aplicación y selección de los universos. Planificación,
programas y proyectos. Alcances y resultados preliminares esperados. Actividades y
cronogramas de acción. Elaboración de herramientas operativas. Correlacionales
experimentales, cuasi experimentales, sistemáticas y meta análisis. Líneas de base, árbol de
problemas y matriz causal de problemáticas. Simulación y predicción de resultados. Gestión,
evaluación y corrección: conceptos elementales de gestión y readecuación de metas. Panel de
control y evaluación permanente.

4.3. SISTEMAS DE MONITOREO DE POLÍTICAS BASADAS EN LA EVIDENCIA

Definición de “monitoreo”. Clasificación de los sistemas de monitoreo de acuerdo a
características político-institucionales. Elementos clave para estructurar un sistema de
monitoreo. Elaboración de preguntas “inteligentes”. Definición de indicadores de diferente tipo.
Acuerdo de metas. Organización de un equipo de seguimiento. Herramientas para el análisis de
contextos. Calendario de eventos. Marco RAPID sobre contexto. Evidencias y vínculos matriz de
alineamiento, interés e influencia (AIIM). Análisis de campos de fuerza.

4.4. EVALUACIÓN DE IMPACTO DE POLÍTICAS BASADAS EN LA EVIDENCIA

Definición de evaluación de impacto. Tipo de evaluación por nivel: programático, de estructura,
de proceso y de resultados. Estratégica formativa. Sumativa o de impacto. De desarrollo de
gestión, experimental y económica. Diseños evaluativos por evidencia de impacto. Metodología:
Diseños experimentales: con grupo de intervención, control y asignación aleatoria de las
personas. Diseños cuasi-experimentales: ensayos comunitarios, diseños pretest-postest con
grupo control no equivalente. Diseños no experimentales: series temporales y los diseños
pretest-postest sin grupo control.

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