Dato
¿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.
El clima cálido puede aumentar la demanda de helados y el tiempo que se pasa dentro o cerca del agua. Esa influencia estacional compartida puede hacer que dos líneas se muevan juntas sin que el helado cause ahogamientos.
Por el equipo editorial de Math Says Yes
Revisado por humanos según nuestros estándares de fuentes y corrección.
Cómo revisamos el contenido
LA TRAMPA
Cuando dos cosas aumentan juntas asumimos que una causa la otra, pero una causa compartida puede vincularlas sin conexión directa.
Qué muestra esto
Esta página utiliza un gráfico didáctico estilizado, no mediciones de un lugar con nombre. cómo las ventas de helados y los ahogamientos podrían moverse juntos sin que el helado cause un solo ahogamiento. La estación y el clima pueden influir tanto en la demanda de postres fríos como en el tiempo que se pasa dentro o cerca del agua. Esa influencia compartida es un : puede crear una relación entre dos mediciones que parece un vínculo causal directo.
Lo que muestran los números
J
F
M
A
M
J
J
A
S
O
N
D
ventas de helados
ahogamientos
a lo largo del año →
Patrón mensual estilizado, no valores medidos. Ambas líneas se dibujan para seguir una influencia estacional compartida: el clima más cálido puede aumentar la demanda de helados y la exposición al agua.
Por qué falla la intuición
Un gráfico sincronizado es visualmente persuasivo porque le proporciona a la mente una historia sencilla: una línea tira de la otra. Pero los datos no etiquetan la dirección de la flecha por ti. La misma puede provenir de A causando B, B causando A, una causa C compartida o una coincidencia. Los datos estacionales son especialmente vulnerables porque muchos comportamientos cambian juntos a lo largo del calendario. Una afirmación causal necesita una comparación que separe la causa propuesta de esos movimientos compartidos.
Ejemplo práctico
Imagina agrupar un año por meses. Los períodos más cálidos pueden traer más compras de helados y más tiempo dedicado a nadar, navegar o relajarse cerca del agua. Una mayor exposición al agua crea más oportunidades de que ocurra un incidente de ahogamiento; no hace que cada baño sea peligroso ni convierte al clima en el único factor de riesgo. Si ambas líneas ilustrativas suben en verano, la historia errónea es que el helado conduce a los ahogamientos. La hipótesis correcta es que la estación y el clima cambiaron ambos comportamientos.
Cómo utilizarlo
Antes de nombrar una causa, hazte cuatro preguntas. ¿Qué más podría mover ambas variables? ¿Ocurre la causa propuesta antes del efecto? ¿Hay un mecanismo creíble? ¿Se mantiene la relación dentro de grupos comparables, como días con temperatura similar o meses de la misma estación? Esas comprobaciones no prueban la causalidad por sí mismas, pero detienen la historia falsa más rápida.
En qué se equivocan las personas
Una vez que aprendes que la no es causalidad, el siguiente paso tentador es descartar cada correlación como una coincidencia inútil, y eso es un error en sí mismo. Una correlación no causal aún puede ser informativa: puede revelar estacionalidad, un impulsor compartido, un artefacto de medición o una diferencia de grupo que vale la pena estudiar. El patrón no es el problema; el problema es saltar del patrón a la explicación incorrecta. Cuanto más fuerte sea la afirmación causal, más evidencia de diseño necesitarás, no solo un gráfico de líneas coincidentes.
Cuándo se aplica
Esta advertencia se aplica a gráficos de noticias, paneles, tendencias sociales, métricas empresariales y afirmaciones de salud en las que dos variables se mueven juntas. No significa que las correlaciones sean inútiles. Las correlaciones pueden generar hipótesis, mejorar la predicción y revelar relaciones que vale la pena probar. Se vuelven peligrosas cuando se tratan como prueba causal sin un mecanismo plausible y un diseño que descarte alternativas.
Nota sobre la fuente
Los valores mensuales de esta página son un modelo de enseñanza, no un conjunto de datos extraído de Tyler Vigen o de una estimación de seguridad en vivo; el emparejamiento de helado y ahogamiento se presenta de manera ilustrativa. El catálogo editorial de Vigen ilustra la trampa más amplia de la espuria. Hernan y Robins proporcionan la base de la inferencia causal: las afirmaciones causales necesitan suposiciones explícitas y una comparación adecuada, no solo asociación.
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
¿Prueba alguna vez la correlación la causalidad?
La correlación por sí sola no es suficiente. Puede ser parte de la evidencia causal, pero también necesitas el momento temporal, un mecanismo plausible y una comparación que aborde los probables factores de confusión. En este ejemplo estilizado, la estación y el clima ofrecen una explicación plausible de causa compartida; el gráfico coincidente en sí mismo no establece qué historia causal es verdadera.
¿Qué es un factor de confusión?
Un factor de confusión es un tercer factor que influye tanto en la causa sospechada como en el resultado. En este ejemplo de enseñanza, la estación y el clima pueden influir en la compra de helados y en la exposición al agua, creando una correlación entre las ventas de helados y los ahogamientos sin que exista un vínculo directo entre ellos.
¿Cómo pongo a prueba la historia causal?
Busca comparaciones en las que se aborden los probables factores de confusión. Para este ejemplo, compara temperaturas similares o estaciones similares en lugar de meses calurosos frente a meses fríos. Si el aparente vínculo se debilita o desaparece, eso debilita la historia de causa directa. Si se mantiene, eso es evidencia para investigar, no una prueba causal por sí misma.
Comprobación rápida
Las ventas de helados y los ahogamientos aumentan juntos. La razón más probable es:
A
Los ahogamientos causan ventas de helados
B
El helado causa ahogamientos
C
Pura coincidencia sin explicación
D
Una causa compartida: el calor del verano
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
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.
