Admisión abierta 2026-2027Rellenar solicitud

Diplomado en Inferencia Causal Aplicada (DAGs, IV, DID)

Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Fundamentos de causalidad» a «Proyecto de inferencia causal», pasando por «Diferencias en diferencias».

Mapa del programa · pulsa un módulo
Módulo 1 · Fundamentos de causalidad
800 hDuración total
8Módulos
80Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Fundamentos de causalidad

Saldrás manejando correlación, confusión y causalidad, paradoja de Simpson y modelo de resultados potenciales de Rubin. Es lo que se trabaja en «Fundamentos de causalidad», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Grafos acíclicos dirigidos

Saldrás manejando modelos causales estructurales de Pearl, cadenas, horquillas y colisionadores y independencias condicionales y d-separación. Es lo que se trabaja en «Grafos acíclicos dirigidos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Ajuste por variables de confusión

Saldrás manejando regresión con ajuste por covariables, emparejamiento por puntuación de propensión y ponderación por probabilidad inversa (IPW). Es lo que se trabaja en «Ajuste por variables de confusión», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Diferencias en diferencias

Saldrás manejando diseño antes-después con grupo control, supuesto de tendencias paralelas y estimación con efectos fijos. Es lo que se trabaja en «Diferencias en diferencias», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Causalidad en series y sistemas

Saldrás manejando causalidad de Granger y sus límites, modelos estructurales bayesianos de series (CausalImpact) y descubrimiento causal con PC y FCI. Es lo que se trabaja en «Causalidad en series y sistemas», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Comunicación y decisión

Saldrás manejando informe causal transparente, supuestos explícitos y pruebas de robustez y refutación con placebos. Es lo que se trabaja en «Comunicación y decisión», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Distinguir correlación y causalidad con el marco de resultados potenciales.
  • 02Construir y analizar grafos acíclicos dirigidos.
  • 03Ajustar por confusión con propensión, IPW y double machine learning.
  • 04Aplicar variables instrumentales con diagnóstico de supuestos.
  • 05Evaluar intervenciones con diferencias en diferencias y control sintético.
  • 06Analizar causalidad en series temporales y sistemas dinámicos.
  • 07Comunicar resultados causales con supuestos y pruebas de robustez.

Plan de estudios

8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.

1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos

Fundamentos de causalidad

1.1Correlación, confusión y causalidad
1.2Paradoja de Simpson
1.3Modelo de resultados potenciales de Rubin
1.4Efecto medio del tratamiento (ATE y ATT)
1.5Supuestos SUTVA, positividad e intercambiabilidad
1.6Jerarquía de evidencia
1.7Estudios observacionales en ingeniería
1.8Validez interna y externa
1.9Preguntas causales bien formuladas
1.10Taller: formulación de preguntas causales en planta
Módulo 2 de 8 · 10 submódulos

Grafos acíclicos dirigidos

2.1Modelos causales estructurales de Pearl
2.2Cadenas, horquillas y colisionadores
2.3Independencias condicionales y d-separación
2.4Criterio de puerta trasera
2.5Criterio de puerta delantera
2.6Sesgo de colisionador y de selección
2.7Operador do y cálculo do
2.8Construcción de DAGs con expertos
2.9Herramientas DAGitty y DoWhy
2.10Práctica: DAG de un proceso de tratamiento térmico
Módulo 3 de 8 · 10 submódulos

Ajuste por variables de confusión

3.1Regresión con ajuste por covariables
3.2Emparejamiento por puntuación de propensión
3.3Ponderación por probabilidad inversa (IPW)
3.4Estimadores doblemente robustos
3.5Comprobación de balance
3.6Solapamiento y recorte
3.7Double machine learning
3.8Efectos heterogéneos con causal forests
3.9Análisis de sensibilidad a confusión no medida
3.10Laboratorio: IPW y DML con EconML
Módulo 4 de 8 · 10 submódulos

Variables instrumentales

4.1Intuición y supuestos de un instrumento
4.2Relevancia, exclusión e independencia
4.3Mínimos cuadrados en dos etapas
4.4Instrumentos débiles y diagnóstico
4.5Efecto local del tratamiento (LATE)
4.6Instrumentos en contextos industriales
4.7Diseños con aleatorización imperfecta
4.8Regresión discontinua como caso afín
4.9Limitaciones y críticas
4.10Práctica: estimación con 2SLS en linearmodels
Módulo 5 de 8 · 10 submódulos

Diferencias en diferencias

5.1Diseño antes-después con grupo control
5.2Supuesto de tendencias paralelas
5.3Estimación con efectos fijos
5.4Pruebas de pretendencias
5.5Adopción escalonada y sus problemas
5.6Estimadores de Callaway-Sant'Anna
5.7Método de control sintético
5.8Series temporales interrumpidas
5.9Inferencia con pocos grupos
5.10Caso práctico: cambio de proceso en varias plantas
Módulo 6 de 8 · 10 submódulos

Causalidad en series y sistemas

6.1Causalidad de Granger y sus límites
6.2Modelos estructurales bayesianos de series (CausalImpact)
6.3Descubrimiento causal con PC y FCI
6.4Modelos lineales no gaussianos LiNGAM
6.5Causalidad en sistemas con realimentación
6.6Intervenciones en procesos controlados
6.7Integración de conocimiento físico
6.8Validación de grafos descubiertos
6.9Riesgos de sobreinterpretación
6.10Laboratorio: CausalImpact sobre consumo energético
Módulo 7 de 8 · 10 submódulos

Comunicación y decisión

7.1Informe causal transparente
7.2Supuestos explícitos y pruebas de robustez
7.3Refutación con placebos
7.4Visualización de efectos e incertidumbre
7.5Del efecto estimado a la decisión
7.6Ética y responsabilidad en conclusiones
7.7Revisión por pares
7.8Integración con experimentación
7.9Casos aplicados en industria
7.10Taller: refutación de un análisis con DoWhy
Módulo 8 de 8 · 10 submódulos

Proyecto de inferencia causal

8.1Pregunta causal y contexto
8.2Inventario de datos disponibles
8.3DAG del problema
8.4Estrategia de identificación
8.5Estimación del efecto
8.6Pruebas de robustez
8.7Interpretación y decisión
8.8Limitaciones y validez externa
8.9Memoria y presentación
8.10Revisión final con el tutor

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Taller: formulación de preguntas causales en planta
Módulo 1 · Fundamentos de causalidad
Operador do y cálculo do
Módulo 2 · Grafos acíclicos dirigidos
Estimadores doblemente robustos
Módulo 3 · Ajuste por variables de confusión
Intuición y supuestos de un instrumento
Módulo 4 · Variables instrumentales
Series temporales interrumpidas
Módulo 5 · Diferencias en diferencias

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

Directrices STROBE (Estudios observacionales)ICH E9(R1) (Estimands y análisis de sensibilidad)ISO 3534-3 (Vocabulario: diseño de experimentos)ISO/IEC 42001:2023 (Sistemas de gestión de IA)ISO 13053-1 (Seis Sigma: metodología DMAIC)

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Científico de datos causal
Analista de impacto
Ingeniero de procesos con perfil analítico
Investigador cuantitativo
Analista de mejora continua
Consultor de analítica avanzada

Para quién es

Científico de datos causal
Analista de impacto
Ingeniero de procesos con perfil analítico
Investigador cuantitativo
Analista de mejora continua
Consultor de analítica avanzada
Titulados en ingeniería o ciencias que busquen entrar en fabricación

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Tecnologías de la F1 aplicadas al coche eléctrico: transferencia, límites y casos reales de ingeniería · Simulación CFD aplicada a la aerodinámica de vehículos: aplicaciones y casos de uso · Integración de hidrógeno en puertos y logística: retos de ingeniería aplicada.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno (Movilidad) · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es DoWhy, EconML, DAGitty, R con paquetes did y CausalImpact, Python linearmodels, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de estimación de efectos con datos observacionales de planta, análisis de diferencias en diferencias con adopción escalonada, pruebas de refutación y sensibilidad. La evaluación es continua por módulo más el proyecto integrador final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Fundamentos de causalidad» y cierra con «Proyecto de inferencia causal».

Se trabajan Directrices STROBE (Estudios observacionales), ICH E9(R1) (Estimands y análisis de sensibilidad), ISO 3534-3 (Vocabulario: diseño de experimentos), ISO/IEC 42001:2023 (Sistemas de gestión de IA) y ISO 13053-1 (Seis Sigma: metodología DMAIC).

Los perfiles más directos son Científico de datos causal, Analista de impacto, Ingeniero de procesos con perfil analítico, Investigador cuantitativo y Analista de mejora continua.

En un pago son 1.192 €, sobre una tarifa de 1.490 €. A plazos, una entrada de 596 € y 6 cuotas de 149 €, 1.490 € en total, sin intereses: lo mismo que la tarifa.

Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con DoWhy, EconML, DAGitty, R con paquetes did y CausalImpact, Python linearmodels. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20261.192 € Matricularme
Contactar con Seium
Pago al contado1.192 €ahorras 298 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.