Módulo 1 — Teoría del cambio y preguntas causales

1.1 Fundamentos, alcance y criterios: Aborda Teoría del cambio y preguntas causales desde la lógica de Teoría del cambio y preguntas causales, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

1.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Teoría del cambio y preguntas causales: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Teoría del cambio y preguntas causales y el contexto de Diseño de indicadores y métricas de resultado. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

1.3 Método, modelado y comprobación: Aplica GIS/BIM y modelos urbanos para desarrollar Teoría del cambio y preguntas causales con un nivel de detalle proporcional al riesgo. Se estudian Teoría del cambio y preguntas causales, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

1.4 Riesgos, interfaces y controles: Integra sesgo del dato en Teoría del cambio y preguntas causales y analiza su interacción con Teoría del cambio y preguntas causales, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

1.5 Entregable, QA/QC y defensa: Formaliza Teoría del cambio y preguntas causales en entregable técnico del módulo «Teoría del cambio y preguntas causales». El participante sintetiza Teoría del cambio y preguntas causales sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 2 — Diseño de indicadores y métricas de resultado

2.1 Fundamentos, alcance y criterios: Define el alcance técnico de Diseño de indicadores y métricas de resultado y sitúa Teoría del cambio y preguntas causales dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

2.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Diseño de indicadores y métricas de resultado, centrando el análisis en Diseño de indicadores y métricas de resultado y su relación con Fuentes de datos y calidad de medición. Se establecen criterios de aceptación, campos obligatorios, evidencias y tratamiento de datos faltantes. El resultado es una ficha de entrada que impide avanzar de forma inadvertida con información insuficiente.

2.3 Método, modelado y comprobación: Desarrolla Diseño de indicadores y métricas de resultado mediante Python/SQL y pipelines DataOps, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Diseño de indicadores y métricas de resultado. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

2.4 Riesgos, interfaces y controles: Evalúa cómo indicador mal definido puede comprometer Diseño de indicadores y métricas de resultado. A partir de Diseño de indicadores y métricas de resultado, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

2.5 Entregable, QA/QC y defensa: Cierra Diseño de indicadores y métricas de resultado mediante entregable técnico del módulo «Diseño de indicadores y métricas de resultado». El documento integra alcance, entradas, hipótesis, análisis de Diseño de indicadores y métricas de resultado, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 3 — Fuentes de datos y calidad de medición

3.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Fuentes de datos y calidad de medición a partir de Diseño de indicadores y métricas de resultado. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

3.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Fuentes de datos y calidad de medición tomando Fuentes de datos y calidad de medición como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Experimentación A/B y aleatorización. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

3.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Fuentes de datos y calidad de medición utilizando plataformas IoT y datos abiertos. El método se articula alrededor de Fuentes de datos y calidad de medición: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

3.4 Riesgos, interfaces y controles: Evalúa cómo interoperabilidad institucional insuficiente puede comprometer Fuentes de datos y calidad de medición. A partir de Fuentes de datos y calidad de medición, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

3.5 Entregable, QA/QC y defensa: Cierra Fuentes de datos y calidad de medición mediante entregable técnico del módulo «Fuentes de datos y calidad de medición». El documento integra alcance, entradas, hipótesis, análisis de Fuentes de datos y calidad de medición, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 4 — Experimentación A/B y aleatorización

4.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Experimentación A/B y aleatorización a partir de Fuentes de datos y calidad de medición. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

4.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Experimentación A/B y aleatorización tomando Experimentación A/B y aleatorización como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Tamaño muestral, potencia y significancia. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

4.3 Método, modelado y comprobación: Aplica dashboards y modelos de movilidad o escenarios para desarrollar Experimentación A/B y aleatorización con un nivel de detalle proporcional al riesgo. Se estudian Experimentación A/B y aleatorización, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

4.4 Riesgos, interfaces y controles: Integra privacidad no resuelta en Experimentación A/B y aleatorización y analiza su interacción con Experimentación A/B y aleatorización, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

4.5 Entregable, QA/QC y defensa: Formaliza Experimentación A/B y aleatorización en entregable técnico del módulo «Experimentación A/B y aleatorización». El participante sintetiza Experimentación A/B y aleatorización sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 5 — Tamaño muestral, potencia y significancia

5.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Tamaño muestral, potencia y significancia a partir de Experimentación A/B y aleatorización. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

5.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Tamaño muestral, potencia y significancia tomando Tamaño muestral, potencia y significancia como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Quasi-experimentos y grupos de comparación. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

5.3 Método, modelado y comprobación: Transforma Tamaño muestral, potencia y significancia en un flujo reproducible de Tamaño muestral, potencia y significancia con apoyo de GIS/BIM y modelos urbanos. La práctica exige documentar parámetros, versiones, cambios y resultados intermedios. Se incorporan comprobaciones físicas, operativas o contractuales para detectar incoherencias antes de que el análisis se convierta en un entregable.

5.4 Riesgos, interfaces y controles: Examina política basada en correlación no causal como escenario crítico de Tamaño muestral, potencia y significancia y contrasta su relación con Tamaño muestral, potencia y significancia. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

5.5 Entregable, QA/QC y defensa: Cierra Tamaño muestral, potencia y significancia mediante entregable técnico del módulo «Tamaño muestral, potencia y significancia». El documento integra alcance, entradas, hipótesis, análisis de Tamaño muestral, potencia y significancia, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 6 — Quasi-experimentos y grupos de comparación

6.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Quasi-experimentos y grupos de comparación a partir de Tamaño muestral, potencia y significancia. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

6.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Quasi-experimentos y grupos de comparación mediante una revisión estructurada de Quasi-experimentos y grupos de comparación. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Sesgo, confusión y validez externa. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

6.3 Método, modelado y comprobación: Aplica Python/SQL y pipelines DataOps para desarrollar Quasi-experimentos y grupos de comparación con un nivel de detalle proporcional al riesgo. Se estudian Quasi-experimentos y grupos de comparación, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

6.4 Riesgos, interfaces y controles: Somete Quasi-experimentos y grupos de comparación a una revisión de riesgo centrada en sesgo del dato. Se identifican mecanismos de fallo, consecuencias y dependencias con Quasi-experimentos y grupos de comparación; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

6.5 Entregable, QA/QC y defensa: Convierte el trabajo de Quasi-experimentos y grupos de comparación en entregable técnico del módulo «Quasi-experimentos y grupos de comparación», con especial atención a Quasi-experimentos y grupos de comparación. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 7 — Sesgo, confusión y validez externa

7.1 Fundamentos, alcance y criterios: Aborda Sesgo, confusión y validez externa desde la lógica de Quasi-experimentos y grupos de comparación, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

7.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Sesgo, confusión y validez externa: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Sesgo, confusión y validez externa y el contexto de Segmentación, heterogeneidad y equidad. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

7.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Sesgo, confusión y validez externa utilizando plataformas IoT y datos abiertos. El método se articula alrededor de Sesgo, confusión y validez externa: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

7.4 Riesgos, interfaces y controles: Examina indicador mal definido como escenario crítico de Sesgo, confusión y validez externa y contrasta su relación con Sesgo, confusión y validez externa. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

7.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Sesgo, confusión y validez externa» como evidencia profesional de Sesgo, confusión y validez externa. Se organiza la información de Sesgo, confusión y validez externa en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 8 — Segmentación, heterogeneidad y equidad

8.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Segmentación, heterogeneidad y equidad a partir de Sesgo, confusión y validez externa. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

8.2 Datos, parámetros y calidad de entrada: Desarrolla un plan de información para Segmentación, heterogeneidad y equidad tomando Segmentación, heterogeneidad y equidad como variable de control. Se comprueba procedencia, representatividad y calidad, y se relaciona el dato con Análisis estadístico y comunicación de incertidumbre. La práctica incorpora criterios de completitud y consistencia para decidir si el conjunto de entradas es suficiente, debe condicionarse o requiere una nueva campaña de medición o revisión documental.

8.3 Método, modelado y comprobación: Desarrolla Segmentación, heterogeneidad y equidad mediante dashboards y modelos de movilidad o escenarios, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Segmentación, heterogeneidad y equidad. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

8.4 Riesgos, interfaces y controles: Desarrolla el assurance de Segmentación, heterogeneidad y equidad frente a interoperabilidad institucional insuficiente, relacionándolo con Segmentación, heterogeneidad y equidad. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

8.5 Entregable, QA/QC y defensa: Cierra Segmentación, heterogeneidad y equidad mediante entregable técnico del módulo «Segmentación, heterogeneidad y equidad». El documento integra alcance, entradas, hipótesis, análisis de Segmentación, heterogeneidad y equidad, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 9 — Análisis estadístico y comunicación de incertidumbre

9.1 Fundamentos, alcance y criterios: Analiza Segmentación, heterogeneidad y equidad como componente central de Análisis estadístico y comunicación de incertidumbre. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

9.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Análisis estadístico y comunicación de incertidumbre: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Análisis estadístico y comunicación de incertidumbre y el contexto de Ética, privacidad y gobernanza de experimentos. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

9.3 Método, modelado y comprobación: Aplica GIS/BIM y modelos urbanos para desarrollar Análisis estadístico y comunicación de incertidumbre con un nivel de detalle proporcional al riesgo. Se estudian Análisis estadístico y comunicación de incertidumbre, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

9.4 Riesgos, interfaces y controles: Evalúa cómo privacidad no resuelta puede comprometer Análisis estadístico y comunicación de incertidumbre. A partir de Análisis estadístico y comunicación de incertidumbre, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

9.5 Entregable, QA/QC y defensa: Formaliza Análisis estadístico y comunicación de incertidumbre en entregable técnico del módulo «Análisis estadístico y comunicación de incertidumbre». El participante sintetiza Análisis estadístico y comunicación de incertidumbre sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 10 — Ética, privacidad y gobernanza de experimentos

10.1 Fundamentos, alcance y criterios: Analiza Análisis estadístico y comunicación de incertidumbre como componente central de Ética, privacidad y gobernanza de experimentos. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

10.2 Datos, parámetros y calidad de entrada: Convierte la información de Ética, privacidad y gobernanza de experimentos en entradas utilizables para Ética, privacidad y gobernanza de experimentos. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Escalado de políticas y aprendizaje iterativo. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

10.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Ética, privacidad y gobernanza de experimentos utilizando Python/SQL y pipelines DataOps. El método se articula alrededor de Ética, privacidad y gobernanza de experimentos: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

10.4 Riesgos, interfaces y controles: Integra política basada en correlación no causal en Ética, privacidad y gobernanza de experimentos y analiza su interacción con Ética, privacidad y gobernanza de experimentos, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

10.5 Entregable, QA/QC y defensa: Convierte el trabajo de Ética, privacidad y gobernanza de experimentos en entregable técnico del módulo «Ética, privacidad y gobernanza de experimentos», con especial atención a Ética, privacidad y gobernanza de experimentos. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 11 — Escalado de políticas y aprendizaje iterativo

11.1 Fundamentos, alcance y criterios: Analiza Ética, privacidad y gobernanza de experimentos como componente central de Escalado de políticas y aprendizaje iterativo. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

11.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Escalado de políticas y aprendizaje iterativo, centrando el análisis en Escalado de políticas y aprendizaje iterativo y su relación con Capstone: evaluación causal de una política urbana. Se establecen criterios de aceptación, campos obligatorios, evidencias y tratamiento de datos faltantes. El resultado es una ficha de entrada que impide avanzar de forma inadvertida con información insuficiente.

11.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Escalado de políticas y aprendizaje iterativo utilizando plataformas IoT y datos abiertos. El método se articula alrededor de Escalado de políticas y aprendizaje iterativo: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

11.4 Riesgos, interfaces y controles: Integra sesgo del dato en Escalado de políticas y aprendizaje iterativo y analiza su interacción con Escalado de políticas y aprendizaje iterativo, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

11.5 Entregable, QA/QC y defensa: Convierte el trabajo de Escalado de políticas y aprendizaje iterativo en entregable técnico del módulo «Escalado de políticas y aprendizaje iterativo», con especial atención a Escalado de políticas y aprendizaje iterativo. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 12 — Capstone: evaluación causal de una política urbana

12.1 Fundamentos, alcance y criterios: Define el alcance técnico de Capstone: evaluación causal de una política urbana y sitúa Escalado de políticas y aprendizaje iterativo dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

12.2 Datos, parámetros y calidad de entrada: Define la calidad mínima de información para Capstone: evaluación causal de una política urbana, centrando el análisis en Capstone: evaluación causal de una política urbana y su relación con Teoría del cambio y preguntas causales. Se establecen criterios de aceptación, campos obligatorios, evidencias y tratamiento de datos faltantes. El resultado es una ficha de entrada que impide avanzar de forma inadvertida con información insuficiente.

12.3 Método, modelado y comprobación: Desarrolla Capstone: evaluación causal de una política urbana mediante dashboards y modelos de movilidad o escenarios, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Capstone: evaluación causal de una política urbana. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

12.4 Riesgos, interfaces y controles: Evalúa cómo indicador mal definido puede comprometer Capstone: evaluación causal de una política urbana. A partir de Capstone: evaluación causal de una política urbana, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

12.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Capstone: evaluación causal de una política urbana» como evidencia profesional de Capstone: evaluación causal de una política urbana. Se organiza la información de Capstone: evaluación causal de una política urbana en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.