Máster en Ingeniería de Causalidad y Experimentación
Máster online de 1900 h: 12 módulos y 120 submódulos, de «Correlación, causalidad y decisión» a «Trabajo Fin de Máster», pasando por «Diseños cuasiexperimentales».
Mapa del programa · pulsa un módulo
Módulo 1 · Correlación, causalidad y decisión
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad
Competencias y resultados
6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.
Correlación, causalidad y decisión
Saldrás manejando preguntas asociativas, intervencionistas y contrafactuales, la escalera de la causalidad y paradoja de Simpson. Es lo que se trabaja en «Correlación, causalidad y decisión», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Diseño de experimentos clásico
Saldrás manejando aleatorización, replicación y bloqueo, experimentos factoriales completos con interacciones y diseños fraccionados y confusión de efectos. Es lo que se trabaja en «Diseño de experimentos clásico», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Experimentos complejos
Saldrás manejando interferencia y efectos de red, aleatorización por clústeres y experimentos switchback alternando en el tiempo. Es lo que se trabaja en «Experimentos complejos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Diseños cuasiexperimentales
Saldrás manejando diferencias en diferencias, diferencias en diferencias escalonadas y método de control sintético. Es lo que se trabaja en «Diseños cuasiexperimentales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Descubrimiento causal
Saldrás manejando supuestos de fidelidad y suficiencia, algoritmo PC basado en restricciones y métodos basados en puntuación GES. Es lo que se trabaja en «Descubrimiento causal», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Cultura de experimentación y gobierno
Saldrás manejando madurez de experimentación en organizaciones, revisión de diseño de experimentos y preregistro y reproducibilidad. Es lo que se trabaja en «Cultura de experimentación y gobierno», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Distinguir correlación de causalidad mediante marcos formales.
02Construir y analizar grafos causales para identificar efectos.
03Diseñar experimentos controlados y tests A/B rigurosos.
04Estimar efectos causales con datos observacionales.
05Aplicar métodos cuasiexperimentales en evaluación de intervenciones.
06Utilizar aprendizaje automático causal para efectos heterogéneos.
07Comunicar resultados causales para la toma de decisiones.
Plan de estudios
12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.
1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos
Correlación, causalidad y decisión
1.1Preguntas asociativas, intervencionistas y contrafactuales
1.2La escalera de la causalidad
1.3Paradoja de Simpson
1.4Confusión, sesgo de selección y colisionadores
1.5Resultados potenciales de Rubin
1.6Supuestos SUTVA, ignorabilidad y positividad
1.7Estimandos ATE, ATT y CATE
1.8Causalidad en ingeniería y producto
1.9Errores frecuentes en análisis observacionales
1.10Caso práctico: análisis crítico de una conclusión causal errónea
Módulo 2 de 12 · 10 submódulos
Grafos causales
2.1Grafos acíclicos dirigidos
2.2d-separación e independencias condicionales
2.3Criterio de la puerta trasera
2.4Criterio de la puerta delantera
2.5Cálculo do de Pearl
2.6Variables instrumentales en grafos
2.7Elicitación de grafos con expertos
2.8Uso de la herramienta DAGitty
2.9Grafos para sistemas industriales
2.10Taller: construcción del DAG de un proceso de producción
Módulo 3 de 12 · 10 submódulos
Diseño de experimentos clásico
3.1Aleatorización, replicación y bloqueo
3.2Experimentos factoriales completos con interacciones
3.3Diseños fraccionados y confusión de efectos
3.4Diseños de bloques y cuadrados latinos
3.5Diseños de parcelas divididas
3.6Superficies de respuesta
3.7Potencia y tamaño muestral
3.8Análisis de la varianza
3.9Experimentos en planta
3.10Laboratorio: diseño factorial en un proceso industrial
Módulo 4 de 12 · 10 submódulos
Experimentación online y A/B testing
4.1Plataformas de experimentación
4.2Unidad de aleatorización y asignación
4.3Métricas primarias y de guarda
4.4Pruebas de hipótesis y valores p
4.5Reducción de varianza con CUPED
4.6Pruebas secuenciales y peeking
4.7Corrección por comparaciones múltiples
4.8Efectos de novedad y aprendizaje
4.9Ratio de desajuste muestral
4.10Práctica: análisis de un test A/B con CUPED
Módulo 5 de 12 · 10 submódulos
Experimentos complejos
5.1Interferencia y efectos de red
5.2Aleatorización por clústeres
5.3Experimentos switchback alternando en el tiempo
5.4Experimentos en mercados bilaterales
5.5Experimentos a largo plazo
5.6Bandidos multibrazo frente a A/B
5.7Análisis bayesiano de experimentos
5.8Diseños adaptativos de asignación
5.9Ética en experimentación con usuarios
5.10Taller: diseño switchback para una plataforma logística
Módulo 6 de 12 · 10 submódulos
Inferencia causal observacional
6.1Ajuste por regresión
6.2Emparejamiento y puntuaciones de propensión
6.3Ponderación por probabilidad inversa
6.4Estimadores doblemente robustos
6.5Diagnóstico de equilibrio y solapamiento
6.6Análisis de sensibilidad a confusión no medida
6.7Valores E de sensibilidad
6.8Datos de panel y efectos fijos
6.9Validación con experimentos
6.10Laboratorio: efecto de una intervención con propensity score
Módulo 7 de 12 · 10 submódulos
Diseños cuasiexperimentales
7.1Diferencias en diferencias
7.2Diferencias en diferencias escalonadas
7.3Método de control sintético
7.4Diseños de regresión discontinua
7.5Estimación con variables instrumentales
7.6Series temporales interrumpidas
7.7Impacto causal bayesiano
7.8Pruebas de placebo
7.9Evaluación de políticas públicas
7.10Práctica: control sintético de un cambio regulatorio
Módulo 8 de 12 · 10 submódulos
Aprendizaje automático causal
8.1Efectos heterogéneos del tratamiento
8.2Meta-aprendices S, T y X
8.3Double machine learning
8.4Bosques causales y efectos heterogéneos
8.5Modelos de uplift
8.6Políticas óptimas de tratamiento
8.7Validación de modelos causales
8.8Librerías DoWhy y EconML
8.9Interpretabilidad de efectos
8.10Laboratorio: uplift de una campaña con EconML
Módulo 9 de 12 · 10 submódulos
Descubrimiento causal
9.1Supuestos de fidelidad y suficiencia
9.2Algoritmo PC basado en restricciones
9.3Métodos basados en puntuación GES
9.4Modelos funcionales LiNGAM
9.5Causalidad en series temporales y Granger
9.6Algoritmo PCMCI para series temporales
9.7Incorporación de conocimiento experto
9.8Evaluación de grafos descubiertos
9.9Limitaciones del descubrimiento
9.10Taller: descubrimiento causal en datos de sensores
Módulo 10 de 12 · 10 submódulos
Causalidad en ingeniería y sistemas
10.1Análisis de causa raíz basado en grafos
10.2Diagnóstico de fallos causal
10.3Modelos causales estructurales de procesos
10.4Contrafactuales en gemelos digitales
10.5Atribución en sistemas de microservicios
10.6Causalidad en fiabilidad
10.7Optimización de procesos con efectos causales
10.8Transferencia entre plantas
10.9Robustez de modelos ante intervenciones
10.10Caso práctico: causa raíz de una pérdida de rendimiento
Módulo 11 de 12 · 10 submódulos
Cultura de experimentación y gobierno
11.1Madurez de experimentación en organizaciones
11.2Revisión de diseño de experimentos
11.3Preregistro y reproducibilidad
11.4Comunicación de resultados causales
11.5Ética e investigación con personas
11.6Protección de datos en experimentos
11.7Gobernanza de métricas
11.8Meta-análisis de experimentos
11.9Errores y lecciones de la industria
11.10Práctica: informe de un experimento para dirección
Módulo 12 de 12 · 10 submódulos
Trabajo Fin de Máster
12.1Pregunta causal y contexto
12.2Grafo causal y supuestos
12.3Diseño experimental o cuasiexperimental
12.4Datos y preparación
12.5Estimación de efectos
12.6Análisis de sensibilidad
12.7Recomendaciones de decisión
12.8Conclusiones y limitaciones causales
12.9Memoria del TFM
12.10Defensa ante tribunal
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 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.
La escalera de la causalidad
Módulo 1 · Correlación, causalidad y decisión
Experimentos en planta
Módulo 3 · Diseño de experimentos clásico
Bandidos multibrazo frente a A/B
Módulo 5 · Experimentos complejos
Método de control sintético
Módulo 7 · Diseños cuasiexperimentales
Taller: descubrimiento causal en datos de sensores
Módulo 9 · Descubrimiento causal
Marca los cinco conceptos y te damos tu resultado.
Normas y estándares que vas a manejar
ISO 3534-3ICH E9(R1)ISO 5725-2Reglamento (UE) 2016/679 (RGPD)ISO 16355-1ISO 20252ICH E9
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 VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 20-11-2026.
¿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 1900 horas · 12 a 18 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
·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 Python con DoWhy, EconML, R con el paquete grf, DAGitty, Statsig, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de diseño y análisis de tests A/B, evaluación de políticas con control sintético, análisis de causa raíz con grafos causales. La evaluación es continua por módulo más el TFM final.
Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Correlación, causalidad y decisión» y cierra con «Trabajo Fin de Máster».
Se trabajan ISO 3534-3, ICH E9(R1), ISO 5725-2, Reglamento (UE) 2016/679 (RGPD), ISO 16355-1 y ISO 20252.
Los perfiles más directos son Científico de datos causal, Analista de experimentación, Ingeniero de plataformas de experimentación, Economista de datos y Analista de evaluación de políticas.
En un pago son 4.984 €, sobre una tarifa de 6.230 €. A plazos, una entrada de 2.486 € y 12 cuotas de 312 €, 6.230 € en total, sin intereses: lo mismo que la tarifa.
Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, 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 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Python con DoWhy, EconML, R con el paquete grf, DAGitty, Statsig. 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 Trabajo Fin de Máster. 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.
Inicio de clases: 20 de diciembre de 20264.984 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Científico de datos causal
Analista de experimentación
Ingeniero de plataformas de experimentación
En tecnología y producto digital, comercio electrónico y salud.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.