El número es real. Lo puedes buscar en tylervigen.com, esa colección de casualidades estadísticas que todo el mundo comparte una vez. El consumo de queso per cápita y las muertes por enredarse en las sábanas correlacionan con r = 0,95. Cinco años de datos, casi perfecta. Cualquier hoja de cálculo te lo confirma.
Si te lo crees, tenemos un problema. Pero no: tú no te lo crees. Lo que quizá sí te creas es tu próxima tabla de correlaciones, con dos columnas que “se llevan muy bien” según el coeficiente, y una conclusión que nadie cuestiona porque el número es alto y la diapositiva está casi terminada.
La fórmula no miente, pero tampoco dice nada
Vale la pena repetirlo: r = 0,95 es una correlación muy fuerte. La fórmula de Pearson es neutral. No distingue entre queso y mortalidad, entre temperatura y ventas de helado, entre presupuesto de marketing y crecimiento de la empresa. Mide lo que mide: el grado en que dos variables se mueven a la vez en línea recta.
La parte interesante —la que decide si esa correlación significa algo o no— ocurre después, cuando alguien traduce el número en una frase. Y ahí es donde, sin darnos cuenta, empezamos a mentir. No por mala fe. Por omisión. Por saltarnos la pregunta que nunca hacemos: ¿qué otra cosa estaba pasando en el mundo cuando estos dos números se movieron así?
El tiempo, ese sospechoso que nunca aparece en la tabla
Si te tomas cinco minutos con los datos del queso y las sábanas, descubrirás algo que la propia página de Tyler Vigen te dice a la primera línea: ambas series han crecido a lo largo de los años. La gente come más queso. La gente se enreda más en sábanas. No porque una cause la otra, sino porque las dos han subido con el paso del tiempo.
Eso es una variable de confusión: una tercera variable, oculta, que mueve las dos que estás mirando. Como las dos suben a la vez, la fórmula cree ver una relación donde solo hay historia compartida. La palabra “tiempo” no aparece en tu tabla. No tiene por qué. Pero está debajo, moviendo los hilos.
Es el mismo truco que explica por qué los políticos en campaña gastan más en viajes. ¿Están ganando porque viajan, o viajan porque están ganando? La correlación es altísima. La causalidad es cero. La diferencia entre las dos respuestas vale una legislatura.
Cuando el chiste deja de ser un chiste
En el libro, antes de entrenar nada, abrimos Ames Housing y pedimos la matriz de correlaciones. Al lado de SalePrice aparece una celda que llama la atención: OverallQual con r = 0,79. Casi 0,8. Casi tan alto como el queso.
Aquí ya no nos reímos. La pregunta cambia: ¿significa esto que mejorar la calidad de construcción causa que suba el precio? ¿O que las casas caras se construyen con mejor calidad? ¿O que las dos suben porque el barrio es mejor y todo lo demás se arrastra detrás?
La fórmula no resuelve la pregunta. Te da una magnitud, te da un signo, y se calla. Lo que viene después —decidir si esa relación es interesante, accionable o pura coincidencia disfrazada de patrón— es trabajo tuyo. Y ese trabajo se llama análisis, no cálculo.
La trampa bonita del notebook terminado
Hay un patrón que se repite en cualquier aula, en cualquier bootcamp, en cualquier equipo junior: alguien termina una matriz de correlaciones, busca el valor más alto, lo pinta de rojo, lo enmarca en una slide y lo presenta como hallazgo. “r = 0,8”, dicho en voz alta, en una reunión, con un PowerPoint al lado. Nadie pregunta. Nadie discute. La sala asiente.
Tres meses después, alguien replica el análisis con datos nuevos y el patrón desaparece. Nadie sabe por qué. El que presentó el primer gráfico cree que el dato ha cambiado “porque el mundo cambia”. Y a lo mejor es verdad. Pero a lo mejor el patrón nunca estuvo ahí, y simplemente la casualidad, el rango de fechas o las tres observaciones que se incluyeron al final de la serie construyeron un espejismo bonito. Nadie quería mentir, pero el notebook lo hizo igual.
Cómo se distingue un espejismo de un patrón
No hay una receta única, pero sí un orden de comprobaciones que el libro practica hasta hacerlo automático:
- Pintar la serie antes de leer el coeficiente. Un
scattervale más que uncorr(). Si la nube tiene un punto aislado tirando del resto,rno te lo va a chistar. - Buscar la variable de tiempo. Si las dos suben o bajan a lo largo de los años, sospecha. A veces no hay causa común. Pero casi siempre hay un calendario escondido.
- Segmentar. Si la correlación solo se cumple en un subconjunto, no es un patrón, es un sesgo de selección. Al cortar Ames por vecindario, algunas correlaciones fuertes desaparecen en cuanto separas norte y sur.
- Preguntar “y si fuera al revés”. Si la causalidad opuesta tuviera sentido, probablemente no la tienes bien orientada. Si no, puede que las dos dependan de algo que todavía no has medido.
Ninguna es infalible. Las cuatro juntas filtran la mayoría de las tonterías.
Lo que el queso te deja
El queso no causa muertes en sábanas. Eso ya lo sabías. Lo que quizá no sabías es que el mes que viene vas a ver un r = 0,8 entre dos variables de tu trabajo, y vas a tener que decidir si te lo crees. Vas a tener una reunión, una slide, un jefe que pregunta “¿y esto qué significa?”. Y la respuesta honesta no es “mira, r = 0,8, por tanto X”. La respuesta honesta es “r = 0,8, así que merece la pena mirar; déjame investigar antes de contártelo”.
Eso es lo que el queso enseña. Que el número es solo la entrada. Que el oficio de analista empieza donde el cálculo termina. Que correlaciones altas no son hallazgos: son preguntas.
El queso no te mata. Pero un r alto, contado sin contexto, puede costarte una decisión.
La UT06 — Análisis Exploratorio de Datos de Análisis de Datos con Python trabaja exactamente ese gesto: mirar antes de hablar, graficar antes de concluir, distinguir entre coincidencia y patrón.
¿Cuál es el r más alto que has visto y que luego no se sostuvo?