En la Clase 2 aprendimos que la dispersión y la correlación ayudan a comprender la variabilidad de los datos y las relaciones entre variables. Sin embargo, también se explicó que una correlación no implica causalidad, ya que pueden existir variables de confusión que afecten simultáneamente a las variables analizadas. Este tipo de factores externos puede alterar la varianza y la desviación estándar, lo que influye directamente en los parámetros que definen la distribución gaussiana.
En la Clase 4, vimos que una distribución normal se caracteriza por su media y su desviación estándar. Si una variable confusora introduce sesgo o heterogeneidad en la muestra, puede modificar estos parámetros: desplazando la media, aumentando la dispersión o generando asimetrías que hacen que la curva deje de ser verdaderamente normal. En ese caso, al usar funciones como dnorm en R, representará una curva “ajustada”, pero no nos dirá la realidad estadística del fenómeno, ya que los supuestos de normalidad estarán comprometidos.
Además, lo visto en la Clase 3 sobre incertidumbre y probabilidad condicional (P(A|B)) nos dice que todo cálculo depende del contexto en el que se generan los datos. Las variables de confusión modifican precisamente esas condiciones, alterando las probabilidades reales de los eventos y aumentando la incertidumbre del análisis.
En resumen, las variables de confusión pueden cambiar tanto la forma como los parámetros de una distribución gaussiana al distorsionar la media y la dispersión. Esto nos recuerda que incluso las funciones programáticas más precisas deben usarse con criterio analítico y conciencia del contexto, porque los datos no siempre representan una “normalidad” objetiva, sino una construcción sujeta a las condiciones de medición y al diseño del estudio.