Capítulo 4 — Infraestructura crítica y seguridad sectorial: explicaciones en competencia

Capítulo 4 — Infraestructura crítica y seguridad sectorial: explicaciones en competencia

Mapa de la lección

Lección 04 publicada. Mapa, ejemplo, EX021.

flowchart TD
  N0["Resultados de aprendizaje y conexión"]
  N1["4.1 Hipótesis de trabajo múltiples e inferencia fuer"]
  N2["4.2 Qué predice la hipótesis del desbordamiento"]
  N3["4.3 Rivales en el Estudio de Desbordamiento"]
  N4["4.4 Diagramas causales"]
  N5["4.5 Herramientas discriminantes y sus supuestos"]
  N6["4.6 Explicaciones en competencia en casos documentad"]
  N7["4.8 Actividad práctica: la estación que parecía desb"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> N7
  N7 --> EX["Ejemplo resuelto"]
  EX --> Q["Ejercicio EX021"]

Dibujo lógico

flowchart LR
  N0["Resultados de aprendizaje y conexión"]
  N1["4.1 Hipótesis de trabajo múltiples e inferencia fuer"]
  N2["4.2 Qué predice la hipótesis del desbordamiento"]
  N3["4.3 Rivales en el Estudio de Desbordamiento"]
  N4["4.4 Diagramas causales"]
  N5["4.5 Herramientas discriminantes y sus supuestos"]
  N6["4.6 Explicaciones en competencia en casos documentad"]
  N7["4.8 Actividad práctica: la estación que parecía desb"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> N7 --> Q["EX021"]

[Resultados de aprendizaje y conexión]
    |
    v
[4.1 Hipótesis de trabajo múltiples e inferencia fuer]
    |
    v
[4.2 Qué predice la hipótesis del desbordamiento]
    |
    v
[4.3 Rivales en el Estudio de Desbordamiento]
    |
    v
[4.4 Diagramas causales]
    |
    v
[4.5 Herramientas discriminantes y sus supuestos]
    |
    v
[4.6 Explicaciones en competencia en casos documentad]
    |
    v
[4.8 Actividad práctica: la estación que parecía desb]
    |
    v
[Ejemplo resuelto] --> [Ejercicio EX021]

Resultados de aprendizaje y conexión

Al final de este capítulo, el estudiante será capaz de:

1. Aplicar el método de las hipótesis de trabajo múltiples: enumerar todas las explicaciones que podrían producir los datos observados antes de favorecer una.
2. Derivar, para cada rival, una predicción que difiere de la predicción de la hipótesis principal, y elegir datos capaces de distinguirlas.
3. Dibujar un diagrama causal para un evento de infraestructura, identificar los caminos que sesgarían una comparación y nombrar lo que debe medirse o resolverse mediante el diseño.
4. Usar poblaciones de comparación, controles negativos, fechas placebo, gradientes dosis-respuesta y la alineación temporal como evidencia discriminante, y enunciar el supuesto en que se apoya cada uno.
5. Analizar casos públicos documentados en los que una explicación cibernética compitió con otra explicación, y decir qué evidencia decidió entre ellas.
6. Ejecutar un laboratorio en el que una comparación ingenua atribuye un aumento estacional a un incidente, y mostrar cómo una región de comparación y unas ventanas placebo lo ponen al descubierto.

El capítulo 3 eligió un diseño; este capítulo lo ataca. La tabla de rivales construida aquí se convierte en la sección de robustez del capítulo 6, en las limitaciones del capítulo 7 y en las preguntas de los examinadores del capítulo 8.

4.1 Hipótesis de trabajo múltiples e inferencia fuerte

En 1890, el geólogo T. C. Chamberlin advirtió contra la «teoría dominante»: en cuanto un investigador tiene una explicación favorita, selecciona inconscientemente la evidencia para que encaje con ella. Su remedio era mantener a la vez hipótesis de trabajo múltiples, de modo que cada observación se sopese frente a todas ellas (Chamberlin, reimpreso en 1965). Platt (1964) convirtió esta idea en un procedimiento al que llamó inferencia fuerte: idear hipótesis alternativas; idear un experimento crucial cuyos resultados posibles excluyan una o más de ellas; llevarlo a cabo; repetir. Los investigadores de infraestructura rara vez realizan experimentos, pero la lógica sobrevive: para cada rival, encuentre una observación que el rival predice de forma distinta que su hipótesis.

La regla práctica de este curso: una explicación rival no está abordada hasta que usted haya enunciado qué predice que su hipótesis no predice, y lo haya comprobado. «Controlamos la estacionalidad» no es una respuesta; «un aumento estacional aparecería también en Wexmoor, y la estimación es neta del cambio de Wexmoor» sí lo es.

4.2 Qué predice la hipótesis del desbordamiento

Antes de enumerar los rivales, escriba el patrón completo de predicciones de la hipótesis principal. Si el desvío de ambulancias de Kestrel desplazó carga a sus vecinos, entonces:

1. Momento: las llegadas a los vecinos aumentan cuando el registro de desvíos de los SEM indica que comenzó el desvío, no antes, y vuelven a bajar cuando termina (quizá con una cola breve).
2. Lugar: el aumento es mayor en los SU más cercanos (un gradiente de distancia).
3. Población: no hay un aumento correspondiente en una región no afectada durante los mismos días.
4. Canal: las llegadas en ambulancia aumentan más que las llegadas por cuenta propia, si el SU de Kestrel siguió abierto a quienes llegaban por su cuenta.
5. Mecanismo: los registros de destino de los SEM muestran traslados que normalmente habrían ido a Kestrel yendo a los vecinos; el personal describe la redistribución.

Un rival que reproduzca las cinco predicciones no puede distinguirse con estos datos. La mayoría de los rivales falla en al menos una, y ese fallo es la prueba.

4.3 Rivales en el Estudio de Desbordamiento

Observe el papel de R9. Si los desvíos ordinarios de Kestrel por saturación también desplazan carga a Alder Point, eso respalda el mecanismo y sugiere que lo que importa es el desvío, no el ransomware, lo que estrecha la afirmación con honestidad. La exposición del estudio es el «desvío inducido por ransomware»; si un desvío por ransomware difiere de uno ordinario (más largo, menos previsible, con los sistemas de información caídos en el hospital que desvía) es otra pregunta.

4.4 Diagramas causales

Un diagrama causal (grafo acíclico dirigido, DAG) dibuja las variables como nodos y los efectos causales supuestos como flechas. Su valor está en que hace visibles los supuestos y le dice qué comparaciones quedan sesgadas por qué caminos (Greenland, Pearl and Robins, 1999; Hernán and Robins, Causal Inference: What If). En el Estudio de Desbordamiento, piense en la «exposición» como estar en el periodo de desvío y en el resultado como las llegadas a Alder Point ese día:

Attack ──► Diversion ──► EMS destination choices ──► Arrivals at AP
                                                       ▲   ▲
Calendar time ──► Season ──────────────────────────────┘   │
      │                                                     │
      └──────────► (period: before vs during) ── Trend ─────┘

Season ──► Arrivals in Wexmoor          Distance (AP, BF, CG) modifies EMS destination choices

Descripción textual del diagrama: el ataque causa el desvío, que cambia las elecciones de destino de los SEM, que aumentan las llegadas a Alder Point. El tiempo de calendario determina tanto si un día está en el periodo de desvío como la estación; la estación también aumenta las llegadas a Alder Point y en Wexmoor. La distancia modifica la intensidad con que el desvío cambia los destinos en cada vecino.

El diagrama muestra por qué una comparación antes-después está sesgada: «antes frente a durante» está ligado al tiempo de calendario, y el tiempo de calendario llega al resultado a través de la estación, un camino por la puerta trasera desde el periodo de exposición hasta el resultado que no pasa por el desvío. Ajustar directamente por la estación es imposible (no se mide con precisión), pero las llegadas de Wexmoor las causa la estación y no el desvío, así que restar el cambio de Wexmoor elimina el camino estacional si la estación afecta por igual a ambas regiones. Ese «si» es el supuesto de tendencias paralelas del capítulo 3, ahora visible como un supuesto sobre flechas.

4.5 Herramientas discriminantes y sus supuestos

Dos advertencias. Primera: los controles negativos necesitan argumentos, no etiquetas. Las llegadas por cuenta propia a Alder Point parecen un resultado de control negativo para un desvío de ambulancias, pero si los pacientes que habrían acudido por su cuenta a Kestrel también fueron a otro lugar, esas llegadas están parcialmente expuestas; úselas como comparación de canal (predicción 4), no como control negativo puro. Segunda: las entrevistas realizadas después de un incidente están sujetas al sesgo retrospectivo: conocer el resultado cambia el juicio de las personas sobre cuán previsible era (Fischhoff, 1975). Pregunte por lo que se sabía y se decidió en cada momento, anclado a registros fechados, en lugar de «qué salió mal».

4.6 Explicaciones en competencia en casos documentados

Los incidentes públicos de infraestructura muestran una y otra vez una explicación cibernética que compite con otra. Los casos siguientes se describen solo al nivel que informan sus fuentes públicas.

La fila de Colonial merece énfasis para el Estudio de Desbordamiento. El desvío de Kestrel fue una decisión tomada en respuesta al ataque, no una consecuencia mecánica de este. El mismo ataque en un hospital con otra dirección, otros procedimientos u otra información podría haber llevado a un desvío más corto o a ninguno. Por eso, la exposición del estudio es el desvío y su afirmación trata de las consecuencias del desvío; no debe leerse como una estimación del efecto del ransomware en sí.

4.7 Ejemplo resuelto: la tabla de rivales en la propuesta (sintético)

El primer párrafo sobre rivales del candidato decía: «Los posibles factores de confusión, como la estacionalidad, se controlaron mediante el uso de una región de comparación». El supervisor pidió la predicción distintiva y la prueba de cada rival. La sección revisada de la propuesta:

• R1 Estación. Predice también un aumento en Wexmoor. Prueba: informar del propio cambio antes/después de Wexmoor (una población de control negativo); estimar los efectos netos de Wexmoor; ejecutar ventanas placebo. Si falla: si el cambio de Wexmoor es tan grande como el de Alder Point, la estimación del desbordamiento es cercana a cero y el estudio lo dice.
• R3 Política de los SEM. Predice un cambio que comienza en la fecha de una política y persiste. Prueba: solicitar el registro de políticas de los SEM para los días −60 a +90; preguntar a los supervisores de los SEM (PI3). Si falla: informar del cambio de política como cointervención y estrechar la afirmación.
• R4 Medición. Predice un escalón en todos los resultados del sistema de Alder Point. Prueba: preguntar al custodio por cambios de sistema; inspeccionar si las llegadas por cuenta propia y los tiempos de espera muestran el mismo escalón.
• R6 Anticipación. Predice un cambio antes del día 0. Prueba: inspeccionar los días −14 a −1 en el gráfico de estudio de eventos; preguntar a los entrevistados cuándo supieron del ataque.
• R7 Azar. Prueba: la posición de la estimación real entre las ventanas placebo; intervalos.
• R8 Choque en la comparación. Prueba: estimar frente a cada SU de Wexmoor por separado y agrupados (la curva de especificaciones del capítulo 8); preguntar al custodio de Wexmoor por eventos.

Un rival que el estudio no puede poner a prueba —por ejemplo, un cambio no registrado en la forma en que se despachaban las propias ambulancias de Kestrel— va a las limitaciones con su dirección probable (capítulo 7).

4.8 Actividad práctica: la estación que parecía desbordamiento

Guarde el archivo siguiente como lab4_data.py; los laboratorios 6 y 8 lo importan. Genera los datos sintéticos de Tamsin Valley y Wexmoor para los días −180 a +89 con variación por día de la semana, variación adicional de un día a otro, dos festivos regionales y una estación respiratoria que empieza a subir cerca del día 0 en ambas regiones. Los efectos verdaderos de desbordamiento están fijados en el diccionario TRUE: +22 % en Alder Point durante los días 0–20 (+5 % en los días 21–34), +10 % en Brookfield (+2 %) y ninguno en Calloway. Después, el script compara una estimación ingenua antes-después (28 días antes frente a los días 0–20) con el mismo cambio expresado en relación con Wexmoor, y ejecuta la comparación ingenua en 19 ventanas ficticias de 21 días en la línea de base.

# Lab 4 - competing explanations for a post-incident rise in ambulance arrivals (offline, standard library only)
# Save as lab4_data.py: Labs 6 and 8 import make_region() from it.
# Synthetic Tamsin Valley (treated region) and Wexmoor (comparison region); day 0 = start of the
# 21-day ambulance diversion at the attacked Kestrel hospitals. Days -180..89.
import math, random

DOW = [1.08, 1.02, 1.00, 0.98, 1.00, 0.96, 0.96]
BASE = {"AP": 40, "BF": 30, "CG": 22, "W1": 35, "W2": 28}           # ambulance arrivals per day
DIST_KM = {"AP": 6, "BF": 14, "CG": 38}                            # distance from Kestrel
TRUE = {"AP": (0.22, 0.05), "BF": (0.10, 0.02), "CG": (0.0, 0.0)}  # (days 0-20, days 21-34)
HOLIDAYS = {-100, 45}                                              # regional holidays, both regions
DAYS = range(-180, 90)

def poisson(rng, lam):
    L, k, p = math.exp(-lam), 0, 1.0
    while True:
        p *= rng.random()
        if p <= L:
            return k
        k += 1

def season(t, amp):
    return 1 + amp / (1 + math.exp(-(t - 10) / 6))

def effect(site, t):
    during, tail = TRUE.get(site, (0.0, 0.0))
    return during if 0 <= t <= 20 else tail if 21 <= t <= 34 else 0.0

def make_region(seed=2026):
    rng = random.Random(seed)
    data = {}
    for site, base in BASE.items():
        amp = 0.18 if site in TRUE else 0.17
        series = {}
        for t in DAYS:
            lam = base * DOW[t % 7] * season(t, amp) * (1 + effect(site, t))
            lam *= (0.85 if t in HOLIDAYS else 1.0) * rng.gammavariate(60, 1 / 60)
            series[t] = poisson(rng, lam)
        data[site] = series
    wait = {}                                                     # AP median minutes to provider
    for t in DAYS:
        wait[t] = max(5.0, rng.gauss(28 + (4 if 0 <= t <= 20 else 0) + 3 * (season(t, 0.18) - 1) / 0.18, 6))
    data["AP_wait"] = wait
    return data

def mean(xs):
    xs = list(xs)
    return sum(xs) / len(xs)

def naive(series, pre=(-28, -1), ev=(0, 20)):
    return mean(series[t] for t in range(pre[0], pre[1] + 1)), mean(series[t] for t in range(ev[0], ev[1] + 1))

if __name__ == "__main__":
    d = make_region()
    comp = {t: d["W1"][t] + d["W2"][t] for t in DAYS}
    print("site  km  pre28  event  naive_change  relative_to_Wexmoor")
    cp, ce = naive(comp)
    for s in ("AP", "BF", "CG", "W1", "W2"):
        p, e = naive(d[s])
        rel = (e / p) / (ce / cp) - 1
        km = DIST_KM.get(s, "-")
        print(f"{s:4}  {str(km):>2}  {p:5.1f}  {e:5.1f}  {e / p - 1:+12.3f}  {rel:+19.3f}")
    print(f"Wexmoor pooled pre/post change: {ce / cp - 1:+.3f}  (no exposure: a negative-control population)")
    # placebo-in-time: the same naive comparison at 21-day windows that end before day 0
    pl = []
    for start in range(-150, -21, 7):
        p, e = naive(d["AP"], pre=(start - 28, start - 1), ev=(start, start + 20))
        pl.append(e / p - 1)
    print(f"AP naive placebo windows: n={len(pl)} min={min(pl):+.3f} max={max(pl):+.3f}")

Salida esperada:

site  km  pre28  event  naive_change  relative_to_Wexmoor
AP     6   38.4   51.1        +0.330               +0.246
BF    14   30.4   33.8        +0.112               +0.042
CG    38   22.6   24.5        +0.081               +0.013
W1     -   33.5   37.0        +0.106               +0.036
W2     -   28.1   28.7        +0.022               -0.043
Wexmoor pooled pre/post change: +0.067  (no exposure: a negative-control population)
AP naive placebo windows: n=19 min=-0.064 max=+0.091

Lea la salida como lo haría un seminario:

• Las estimaciones ingenuas exageran en todas partes. Alder Point parece subir un 33,0 % cuando la verdad del generador es el 22 %; Calloway, a 38 km y realmente no afectado, parece subir un 8,1 %.
• La población de control negativo pone al descubierto el sesgo. Wexmoor, que no puede verse afectado por el desvío de Kestrel, «subió» un 6,7 % (W1, un 10,6 %). Cualquier método que encuentre un efecto en Wexmoor está midiendo algo distinto del desbordamiento: aquí, la estación.
• En relación con Wexmoor, aparece un gradiente: +24,6 % a 6 km, +4,2 % a 14 km y +1,3 % a 38 km. La estimación de Alder Point se acerca a la verdad. La de Brookfield es menos de la mitad de su 10 % verdadero: las estimaciones de un solo SU son ruidosas, como advirtió el laboratorio 3.
• Las ventanas placebo calibran el método ingenuo. En 19 ventanas ficticias durante periodos ordinarios de la línea de base, el cambio ingenuo en Alder Point osciló entre −6,4 % y +9,1 %. Un cambio de +33 % queda muy fuera de ese rango, así que el azar (R7) es una explicación improbable para Alder Point; pero las ventanas placebo están en una línea de base sin estación, así que no ponen a prueba R1. Por eso se necesitan ambas herramientas.

Las cifras relativas a Wexmoor de este laboratorio son cocientes toscos de medias. El capítulo 6 las sustituye por una serie temporal interrumpida controlada que también modela la tendencia y da intervalos robustos a la autocorrelación.

4.9 Errores comunes y límites

• Nombrar un rival y declararlo «controlado» sin enunciar su predicción distintiva.
• Tratar una región de comparación como automáticamente válida; las tendencias paralelas son un supuesto que puede fallar.
• Etiquetar un resultado como control negativo sin argumentar que la exposición no puede afectarlo.
• Usar ventanas placebo de otra estación y tratarlas como una prueba de la confusión estacional.
• Entrevistar preguntando «qué salió mal» y recibir retrospectiva.
• Afirmar el efecto del «ransomware» cuando la exposición fue una decisión humana tomada en respuesta a él.
• Repetir el primer relato público de un caso (Oldsmar, Düsseldorf) como si estuviera zanjado.
• Detener la búsqueda de rivales cuando se ha abordado el primero.

El límite de las herramientas de este capítulo es que cada una se apoya en un supuesto que no puede comprobarse por completo con los mismos datos. La defensa frente a ese límite es la triangulación: cuando la evidencia de momento, lugar, población, canal y mecanismo apunta en la misma dirección, los rivales restantes deben explicarla toda a la vez.

Ejercicios — capítulo 4

EX021 — Tabla de rivales. Objetivo: enumerar rivales con predicciones distintivas. Entradas: un hallazgo sintético: «tras un ataque de ransomware contra una cadena regional de farmacias, las dispensaciones de recetas en farmacias independientes situadas a menos de 10 km aumentaron un 18 % en las dos semanas siguientes». Restricciones: al menos seis rivales. Pasos: (1) enuncie las cinco predicciones de la hipótesis principal (momento, lugar, población, canal, mecanismo); (2) para cada rival, enuncie qué predice de forma distinta; (3) nombre los datos que discriminarían. Evidencia esperada: tabla. Rúbrica: 3 = los rivales incluyen la estación, los eventos concurrentes (por ejemplo, cambios de las aseguradoras), la medición y un choque en la región de comparación, cada uno con una predicción distintiva y comprobable; 2 = un rival sin predicción distintiva; 1 = lista genérica; 0 = nada.

EX022 — Longitud de la línea de base y estimación ingenua. Objetivo: mostrar por qué un periodo previo más largo desplaza la estimación ingenua antes-después mientras que la estimación relativa a Wexmoor apenas se mueve. Entradas: código del laboratorio 4. Restricciones: sin conexión; no cambiar la semilla. Pasos: (1) ejecute el laboratorio y registre la salida; (2) cambie la línea de base ingenua de 28 a 56 días (pre=(-56, -1)) para todos los centros, incluida la comparación agrupada, e informe de los cambios ingenuos y relativos a Wexmoor; (3) explique por qué las estimaciones ingenuas cambiaron pero las relativas cambiaron poco. Evidencia esperada: salidas y un párrafo. Rúbrica: 3 = valores correctos, explicación de que la estación llega a ambas regiones, de modo que el cociente anula la mayor parte de su efecto, mientras que la estimación ingenua depende de cuánta línea de base anterior a la estación incluye; 2 = un valor erróneo; 1 = no ejecutado; 0 = nada.

EX023 — Diagrama causal. Objetivo: explicitar los supuestos. Entradas: el Estudio de Desbordamiento con un hecho añadido: durante el desvío, el condado abrió también una carpa temporal de atención urgente cerca de Brookfield. Restricciones: DAG textual o dibujado con una descripción textual. Pasos: (1) añada la carpa al diagrama; (2) identifique cómo sesga la estimación de Brookfield y en qué dirección; (3) proponga datos o un diseño para abordarlo; (4) indique si amenaza la estimación de Alder Point. Evidencia esperada: diagrama, descripción y párrafo. Rúbrica: 3 = la carpa aparece como una cointervención que afecta a las llegadas de Brookfield (probablemente reduce las llegadas por cuenta propia y quizá las de ambulancia), la dirección está razonada, la respuesta es concreta (análisis por canal, datos de asistencia a la carpa, sensibilidad) y Alder Point se evalúa por distancia y área de influencia; 2 = dirección sin enunciar; 1 = diagrama sin razonamiento; 0 = nada.

EX024 — Controles negativos. Objetivo: argumentar, no etiquetar. Entradas: controles negativos candidatos: (a) llegadas en ambulancia a Wexmoor; (b) llegadas por cuenta propia a Alder Point; (c) infusiones ambulatorias programadas en Alder Point; (d) llegadas en ambulancia a Calloway. Restricciones: usar la lógica de Lipsitch et al. Pasos: para cada uno, indique si es una población o un resultado de control negativo, si la exposición podría afectarlo, si comparte los factores de confusión y su veredicto. Evidencia esperada: tabla. Rúbrica: 3 = (a) aceptado como población con la salvedad de la estación paralela, (b) rechazado como control negativo puro pero útil para el canal, (c) no afectado por el desvío pero probablemente tampoco por la estación, así que débil, (d) rechazado porque Calloway forma parte del gradiente de distancia de la hipótesis; 2 = un veredicto sin justificar; 1 = solo etiquetas; 0 = nada.

EX025 — Una explicación en competencia documentada. Objetivo: analizar un caso público. Entradas: las fuentes sobre Düsseldorf del §4.6 y del §2.5. Restricciones: no especular más allá de las fuentes. Pasos: (1) enuncie las dos explicaciones en competencia; (2) enuncie qué evidencia decidió entre ellas, según la información publicada; (3) explique por qué una afirmación sobre una muerte individual y una afirmación a nivel de población sobre el desvío y los resultados requieren diseños distintos; (4) proponga una pregunta a nivel de población que pueda estudiarse de forma ética. Evidencia esperada: una página. Rúbrica: 3 = explicaciones enunciadas, conclusión basada en la autopsia comunicada con su fuente, contrafactual individual distinguido del poblacional, diseño poblacional ético propuesto (por ejemplo, urgencias dependientes del tiempo durante los desvíos con datos agregados de registros); 2 = falta un elemento; 1 = especulación; 0 = nada.

EX026 — La decisión como exposición. Objetivo: separar el ataque de la respuesta. Entradas: la fila de Colonial Pipeline del §4.6 y el desvío de Kestrel. Restricciones: media página. Pasos: (1) explique por qué la exposición del Estudio de Desbordamiento es el desvío; (2) enumere dos formas en que el mismo ataque podría haber producido un desvío distinto; (3) reescriba la afirmación del estudio para que no exagere el papel del ransomware; (4) proponga una pregunta sobre las decisiones de desvío para un estudio posterior. Evidencia esperada: párrafo y afirmación. Rúbrica: 3 = se articula la respuesta como causa, decisiones alternativas plausibles, afirmación acotada al desvío, pregunta sobre decisiones respondible; 2 = la afirmación sigue tratando del ransomware en general; 1 = confunde el ataque y el desvío; 0 = nada.

Síntesis del capítulo

Mantenga varias explicaciones a la vez y busque observaciones que las separen. Escriba el patrón completo de la hipótesis principal —momento, lugar, población, canal, mecanismo— y exija a cada rival que lo explique entero. Un diagrama causal muestra por qué una comparación antes-después está sesgada por la estación y qué supuesto necesita una región de comparación. Las poblaciones de comparación, los controles negativos, las fechas placebo, la dosis-respuesta y la alineación temporal discriminan cada uno bajo un supuesto que usted debe argumentar. Los casos públicos muestran explicaciones cibernéticas que compiten con errores de operadores, enfermedades de base, decisiones preventivas y actualizaciones defectuosas; la lección es registrar el estado y modelar las decisiones. El laboratorio 4 muestra un método ingenuo que encuentra «desbordamiento» a 38 km y en una región no afectada, y una región de comparación que revela un gradiente cercano a la verdad.

Siga estudiando — capítulo 04 de 08

← Capítulo 03 · Índice de capítulos del curso · Capítulo 05 →

Continúe con la siguiente lección escrita.