Dato
Correlación frente a causalidad: por qué moverse juntos no es una prueba
La correlación indica que dos cosas se mueven juntas. La causalidad indica que una cambia la otra. Un tercer factor oculto puede hacer que la correlación parezca causal.
La correlación es un patrón. La causalidad es una afirmación sobre un mecanismo. Para pasar de una a otra, necesitas cronología, una comparación justa y descartar explicaciones alternativas.
Por el equipo editorial de Math Says Yes
Revisado por humanos según nuestros estándares de fuentes y corrección.
Cómo revisamos el contenido
LA TRAMPA
Ver dos líneas moverse juntas y elegir instantáneamente la historia de causa y efecto más pulcra.
La breve diferencia
La significa que dos variables tienden a cambiar juntas. La causalidad significa que cambiar una variable cambiaría la otra, manteniendo todo lo demás constante. La brecha entre esas declaraciones es grande. Una correlación puede ser una pista, pero no identifica la dirección, no descarta causas compartidas ni prueba qué sucedería bajo una intervención. La causalidad necesita una comparación que haga que las explicaciones alternativas sean menos plausibles.
Comparación rápida
Correlación
Causalidad
Qué responde
¿Tienden a moverse juntas dos variables?
¿Cambiar una variable cambiaría la otra?
Error común
Interpretar un patrón como prueba de un mecanismo.
Atribuir causalidad sin cronología, mecanismo o una comparación justa.
Úsalo cuando
Necesitas una pista, una señal de advertencia o una predicción.
Necesitas una explicación o una decisión de intervención.
Lo que muestran los números
J
F
M
A
M
J
J
A
S
O
N
D
ventas de helados
ahogamientos
durante el año →
Patrón estacional ilustrativo. Las dos líneas se mueven juntas porque ambas siguen el calor del verano, no porque el helado cause ahogamientos.
Ejemplo práctico
Las ventas de helados y los ahogamientos pueden aumentar juntos durante los meses cálidos. La simple es real en los datos estilizados: ambas líneas suben en verano y bajan en invierno. Pero la historia causal no es que el helado cause ahogamientos. El clima cálido aumenta la natación y también incrementa la compra de helados. La temperatura es un , un tercer factor que impulsa ambas variables en la misma dirección.
En qué se equivoca la gente
La mayoría de los lectores se detiene en el gráfico. Un de aspecto sólido o un par de líneas de tendencia coincidentes aún pueden explicarse de varias maneras. La causalidad inversa es posible cuando el supuesto efecto en realidad influye en la supuesta causa. La confusión es posible cuando una mueve a ambas. El de selección también puede fabricar una relación. El gráfico inicia la investigación; no la termina.
Cuándo se aplica
Usa la advertencia de siempre que un titular diga que algo aumenta, disminuye, causa, previene o predice otra cosa. Pregunta si la causa ocurrió antes del efecto, si se utilizaron grupos comparables y qué terceras variables podrían mover ambas medidas. Los experimentos aleatorios responden a estas preguntas de la forma más limpia. Cuando los experimentos no son posibles, la inferencia causal cuidadosa intenta aproximarse a una comparación justa.
Nota sobre las fuentes
Hernan y Robins proporcionan el marco de inferencia causal: las afirmaciones causales dependen de comparaciones que se aproximan a lo que habría sucedido bajo acciones alternativas. El catálogo editorial de correlaciones espurias de Tyler Vigen ilustra cuán visualmente persuasivas pueden parecer las relaciones no causales. La página utiliza el helado y el ahogamiento como ejemplo didáctico, no como una estimación de seguridad en vivo.
Pruébalo
Variable oculta
Desliza la temperatura y observa cómo suben ambas a la vez.
Causa común oculta
20°C
temperatura
360
ventas de helado
5
ahogamientos
El helado no es la causa de los ahogamientos
Temperatura
20°C
La bifurcación es la afirmación causal: la temperatura empuja ambos resultados hacia arriba de manera independiente.
A 20°C, las ventas de helado se sitúan en 360 y los ahogamientos en 5; ambos impulsados por el calor, no entre sí. Desliza hacia días más frescos y ambos caen juntos; el helado nunca tocó el agua.
Preguntas frecuentes
¿Apoya alguna vez la correlación a la causalidad?
Sí. La correlación puede ser evidencia útil, especialmente con cronología, mecanismo y una comparación justa. Simplemente no puede probar la causalidad por sí misma.
¿Qué es un factor de confusión?
Un factor de confusión es un tercer elemento que afecta a ambas variables que se comparan, haciendo que se muevan juntas incluso sin un vínculo causal directo.
Comprobación rápida
Las ventas de helados y los ahogamientos aumentan juntos. ¿Qué se necesita antes de afirmar que uno causa el otro?
A
Una correlación aún más fuerte
B
Una comparación justa que descarte el calor y otros factores de confusión
C
Unidades coincidentes en ambos ejes
Fuentes
Causal Inference: What If
Fuente autorizada
Harvard T.H. Chan School of Public Health · Accedido 2026-06-20
Spurious Correlations
Ejemplo editorial
Tyler Vigen · Accedido 2026-06-14
¿Conoces a alguien a quien le pueda gustar esto?
Leer siguiente
¿Causa el helado ahogamientos?
Imagina un gráfico estacional donde las ventas de helados y los ahogamientos aumentan juntos. El postre parece sospechoso, pero el gráfico por sí solo no puede mostrar la causa.
Comparaciones relacionadas
Valor p frente a intervalo de confianza: lo que te indica cada uno
Los valores p y los intervalos de confianza responden a preguntas diferentes. Usa el valor p como evidencia contra un modelo nulo, y el intervalo para el tamaño y la incertidumbre del efecto.
Media aritmética frente a mediana: ¿qué promedio debes usar?
La media aritmética y la mediana son medidas de tendencia central, pero la media aritmética es arrastrada por valores extremos mientras que la mediana rastrea la observación del medio.
Riesgo relativo frente a riesgo absoluto: la diferencia que cambia las decisiones
El riesgo relativo puede hacer que los cambios pequeños parezcan grandes. El riesgo absoluto devuelve el cambio a una escala real, como cuando 2 de cada 100 pasan a ser 3 de cada 100.
Error estándar vs desviación estándar: dispersión vs precisión
La desviación estándar trata sobre la variabilidad en los datos. El error estándar trata sobre la variabilidad en una estimación a través de muestras repetidas.
