Este módulo, vamos a explorar el concepto de causalidad desde el punto de vista de la computación. Primero, comenzaremos construyendo algo de intuición en relación a algunos conceptos importantes en el estudio de la causalidad y en el estado actual del campo, que transmitirá enriquecimiento, múltiples dificultades y los grandes retos en el área de la causalidad. Veremos de forma general varios conceptos hacia el propósito de este curso, el cual es explicar como la teoría de la computabilidad, los sistemas dinámicos y la complejidad algorítmica pueden ayudar en el reto del descubrimiento causal, en particular, para producir modelos mecanísticos tras datos y observaciones, esto es, modelos que uno mismo puede ejecutar, por ejemplo un computador para hacer adivinaciones educadas acerca de la causa y la conducta futura de un sistema y como manipularlo. Tendemos a creer que lo dominamos por suerte porque... hay muchas cosas que no comprendemos ni podemos predecir. Sin embargo, lo que nos dice la ciencia, es que mucho mas de lo que creemos está altamente determinado por eventos que nos rodean y por eventos que nos preceden. La ciencia, al menos la física clásica, nos dice que todo sucede por algo. Lo que se vuelve difícil, es encontrar o identificar esas causas. Algo que explicaremos mas adelante en este curso, es que el determinismo y la predictibilidad no son la misma cosa ni se implican el uno al otro. En particular, veremos que el determinismo no implica predictibilidad. La causalidad es la propiedad de objetos y sistemas que ha sido producida por una causa, es lo opuesto a que ocurra o aparezca fortuitamente. La causalidad es la propiedad que distingue la ciencia de la magia, y está al volante del método científico mientras trata de encontrar las causas para lo que ocurre en el mundo natural. El objetivo final de la ciencia es entender el mundo a través de modelos causales simplificados para predecir y cambiar acontecimientos. Estos hechos pueden ser de cualquier tipo, por ejemplo, fabricar una nueva medicina para tratar una enfermedad o diseñar una nueva planta eléctrica para generar más energía. La mayor parte del tiempo, la conexión causal entre causa y efecto es de todo menos trivial. Uno de los ejemplos más populares es el llamado "efecto mariposa" La idea de que una pequeña perturbación en alguna parte del mundo pueda producir una cascada de efectos impredecibles al otro lado del mundo. Este tipo de fenómeno mariposa es llamado "no linearidad" La no linearidad quiere decir que los efectos se retroalimentan por si mismos al magnificarlos diez veces de maneras complejas e impredecibles. Más adelante en este curso, exploraremos algunos de estos aspectos técnicos que los sistemas complejos pueden mostrar. En el núcleo del reto del descubrimiento de la causalidad, hay algo aún más mundano, y es el hecho de que raramente atestigüamos un proceso desplegándose en tiempo real. Usualmente empezamos estudiando algo cuando ya ha sucedido, cómo los dinosaurios se extinguieron, cómo la vida multicelular aconteció en el planeta o cómo un virus se propaga, y cuando nos pasa que somos testigos del desenvolvimiento del proceso de interés, o realizamos experimentos para hacer que suceda, podemos aislar el sistema que nos interesa de otras causas, pero este raramente es el caso. En el mundo real, siempre tenemos que enfrentarnos con un acceso incompleto a datos por observaciones limitadas, y tenemos sistemas interactuando con otros sistemas en todas las escalas, obligándonos mas bien a hacer cultas suposiciones de las causas en vez de tener certeza total. Esto es el porque de haber sido obligados a usar herramientas tales como estadísticas y usarlas para estudiar causas probables de fenómenos naturales. Usualmente, esos sistemas interactuando entre sí se muestran como ruido, como ellos no pueden ser distinguidos de los datos que nos interesan, de esta manera obstruyen nuestra comprensión de los hechos. La ciencia ha logrado surgir con soluciones parciales a algunos de los retos. Los científicos realizan experimentos para forzar acontecimientos a que sucedan en tiempo real para observarlos desplegarse de primera mano. Los investigadores también han aparecido con herramientas que nos gustaría dividir en diferentes áreas de estudio, tales como estadística lógica, probabilidad y teoría de la información, por mencionar algunas, pero todas ellas tienen el mismo propósito aún si se aproximan al problema de diferentes maneras, todos estos enfoques solo tienen un propósito: Empoderar científicos con herramientas adecuadas para distinguir la relación entre observaciones, causas y sus efectos. Al acto de ir descubriendo las causas directas de los fenómenos naturales, le llamamos "ciencia", y a todas las subáreas de la ciencia, desde ciencia de datos y lógica, hasta astrofísica y biología, se dedican a ello.