Inicio · Parte 10 — Estadística e inferencia
corr(X,Y) alta ⇏ X → Y
confusor Z: Z → X y Z → Y
aleatorizar la asignación rompe todas las flechas hacia el tratamientoQue dos variables se muevan juntas admite al menos cuatro explicaciones distintas: X causa Y, Y causa X, una tercera variable Z causa ambas, o es coincidencia en una muestra pequeña. La correlación no distingue entre ellas, y elegir la primera por defecto es el error de interpretación más caro de la estadística aplicada.
El caso escolar —venta de helados y ahogamientos— tiene la estructura completa. Ambas variables suben con la temperatura, y por eso correlacionan entre sí sin que ninguna cause la otra. La variable de confusión es la temperatura, y basta condicionar sobre ella para que la asociación se desvanezca.
Hay dos formas de romper el problema. La primera es aleatorizar: si el tratamiento se asigna al azar, ninguna variable previa —ni las conocidas ni las que se ignoran— puede influir en quién lo recibe, y la diferencia observada sí admite lectura causal. Es la razón de ser del ensayo controlado aleatorizado. La segunda es controlar los confusores conocidos mediante estratificación o regresión, con la limitación evidente de que solo funciona con los que se han identificado.
La inferencia causal moderna —grafos causales, criterio de puerta trasera, contrafactuales— formaliza cuándo un ajuste es válido y cuándo introduce sesgo nuevo. Un resultado contraintuitivo: controlar por una variable equivocada, como un colisionador, crea asociación espuria en vez de eliminarla. Ajustar por todo lo disponible no es una estrategia segura.
Helados, ahogamientos y temperatura.
corr(helados, ahogamientos) = 0,5759
corr(temperatura, helados) = 0,9205
corr(temperatura, ahogamientos) = 0,6306
Estructura causal real:
temperatura → helados
temperatura → ahogamientos
helados ↛ ahogamientos
Al condicionar sobre temperatura, la correlación
entre helados y ahogamientos se desvanece.
Prohibir el helado no reduciría ni un ahogamiento.
Detección:
aleatorizar la asignación, o
controlar explícitamente el confusor.Una variable de confusión genera correlación sin causalidad.
python classes/part-10-estadistica-e-inferencia/213-correlacion-frente-a-causalidad/lab.py
compmath run 213corr(helados, ahogamientos)corr(temperatura, helados)corr(temperatura, ahogamientos)confusorhay_flecha_causal_helados→ahogamientoscomo_se_detecta{
"corr(helados, ahogamientos)": 0.5759,
"corr(temperatura, helados)": 0.9205,
"corr(temperatura, ahogamientos)": 0.6306,
"confusor": "temperatura",
"hay_flecha_causal_helados→ahogamientos": false,
"como_se_detecta": "controlar el confusor o aleatorizar la asignación"
}Evaluación de campañas y políticas, atribución de conversiones, análisis de sesgo en modelos y diseño de experimentos controlados.
Evaluar un modelo es inferencia estadística: métricas con intervalo, comparaciones múltiples corregidas y detección de leakage.
9781543695267 verificado en International ISBN Agency (2026-08-19).