La temperatura del horno sube y también aumenta el porcentaje de piezas rechazadas, pero eso no demuestra que una cause la otra. Una matriz de correlación puede revelar si ambas variables se mueven juntas, aunque la lectura cambia según el tipo de datos y cómo se hayan recogido.
La matriz orienta el diagnóstico, pero no confirma una causa
- El signo indica si dos variables tienden a moverse en la misma dirección o en direcciones opuestas.
- Pearson mide asociación lineal; una relación curva puede pasar desapercibida.
- Un valor alto sirve como señal para investigar, no como prueba de causalidad.
- En procesos industriales, conviene separar turnos, máquinas o lotes antes de sacar conclusiones.
- La decisión debe contrastarse con gráficos, registros del proceso y conocimiento técnico.
Una celda resume dos variables, no explica qué las conecta
La tabla cruza cada variable con las demás y coloca en cada celda un coeficiente, normalmente entre -1 y +1. Un valor positivo indica que ambas tienden a aumentar juntas; uno negativo, que cuando una sube la otra tiende a bajar. Cerca de cero, la relación lineal observada es débil, aunque todavía podría existir una relación no lineal.
La diagonal contiene unos porque cada variable se compara consigo misma, y la matriz es simétrica: la correlación entre temperatura y rechazo es la misma que entre rechazo y temperatura. Según el manual de Dataplot del NIST, el cálculo predeterminado de esa herramienta es Pearson, pero hay alternativas basadas en rangos y métodos robustos.
Considero que la matriz funciona mejor como mapa para elegir qué investigar que como veredicto automático. Para una conclusión útil, primero hay que saber qué coeficiente se calculó y con qué observaciones.
Pearson puede pasar por alto una relación que sí existe
Dos sensores pueden seguir una curva clara y aun así mostrar una correlación de Pearson modesta. Ocurre, por ejemplo, si la presión óptima de un equipo produce el menor rechazo, mientras que tanto una presión inferior como otra superior elevan los defectos: el patrón tiene forma de U, no de línea recta.
En ese caso, un diagrama de dispersión suele revelar la forma que la matriz aplana. Si los datos contienen valores extremos o solo importa el orden de las mediciones, puede tener sentido comparar el resultado con Spearman, que trabaja con rangos; no conviene cambiar de coeficiente solo para obtener una asociación más alta.
La documentación de correlación de Dataplot del NIST describe Pearson como una medida de relación lineal. Esa palabra, «lineal», es una advertencia práctica: un coeficiente pequeño no descarta cualquier vínculo entre variables.
Una correlación alta entre predictores puede desestabilizar la regresión
Supón que un análisis de calidad incluye temperatura de consigna y temperatura real del horno. Si ambas se mueven casi al mismo ritmo, pueden aportar información redundante al modelo. La matriz permite detectar ese solapamiento entre predictores, aunque por sí sola no determina cuál debe eliminarse.
Como referencia orientativa, Minitab indica que a menudo se consideran altas las correlaciones superiores a 0,7, pero advierte que el umbral adecuado depende del campo y del análisis. En regresión, la guía de JMP sobre multicolinealidad explica que predictores muy correlacionados pueden dificultar la estimación e interpretación de sus efectos; por eso conviene revisar también el VIF y el comportamiento del modelo.
La regla de trabajo sería esta: si dos predictores están muy asociados y el objetivo es explicar el efecto individual de cada uno, investiga redundancia y estabilidad antes de interpretar sus coeficientes. Si el objetivo es solo predecir, compara el rendimiento del modelo con y sin una de las variables, sin retirar señales que tengan justificación técnica.
Separar turnos y máquinas puede cambiar la lectura del resultado
Imagina que un proceso registra temperatura y porcentaje de piezas fuera de tolerancia durante varios turnos. Al juntar todos los datos, la asociación parece positiva; al separar por máquina, puede debilitarse o incluso cambiar de signo. Una diferencia de calibración o de materia prima entre equipos podría estar mezclando dos comportamientos distintos.
También hay una trampa temporal: dos series pueden subir a lo largo de las semanas y correlacionarse porque comparten una tendencia, aunque no exista un mecanismo directo entre ellas. Por eso, si cada fila corresponde a una medición ordenada en el tiempo, revisa las gráficas de ambas series, los cambios de turno y los registros de mantenimiento; una matriz calculada con datos mezclados puede ocultar el origen del patrón.
La estratificación consiste en separar los datos por grupos relevantes, como máquina, turno, referencia o lote, y volver a comparar dentro de cada grupo. No siempre conviene hacerlo todo a la vez: empieza por el factor operativo que pudo cambiar el proceso y comprueba si la asociación se mantiene.
La matriz conduce a una comprobación, no a una intervención automática
Un coeficiente puede señalar dónde mirar, pero la decisión depende del contexto. Esta tabla ayuda a pasar de una señal estadística a una acción razonable:
| Situación observada | Posible explicación | Qué hacer |
|---|---|---|
| Correlación alta entre dos predictores | Información redundante o un vínculo operativo estrecho | Revisar el diagrama de dispersión y, si hay regresión, evaluar el VIF antes de interpretar efectos individuales. |
| Correlación baja, pero la nube de puntos forma una curva | Pearson no representa bien la forma de la relación | Comprobar el patrón gráfico y valorar un modelo no lineal o una correlación por rangos. |
| El signo cambia entre turnos o equipos | Los grupos tienen condiciones distintas o sus datos se han mezclado | Estratificar por máquina o turno y revisar ajustes, lotes y cambios de operación. |
| Asociación llamativa basada en pocas observaciones o valores extremos | El resultado puede depender de unos pocos registros | Verificar mediciones, unidades y registros originales; repetir el análisis con y sin esos puntos, justificando cualquier exclusión. |
Antes de ajustar una máquina por una correlación, busca una explicación física plausible y comprueba que las mediciones sean comparables. La asociación sirve para priorizar la investigación; una prueba controlada o un análisis del proceso permite evaluar si cambiar una condición reduce realmente los defectos.
Una señal estadística gana valor cuando encaja con el proceso
En control industrial, una matriz clara empieza con variables bien definidas, unidades coherentes y registros que distinguen las condiciones de producción. Si se mezclan máquinas, turnos o periodos con ajustes distintos, el número resultante puede parecer convincente y aun así describir mal el proceso.
Cuando una pareja de variables destaca, el paso sensato es volver al equipo, al lote y al momento de la medición. Así, la tabla deja de ser una colección de coeficientes y se convierte en una guía para comprobar qué está ocurriendo en la línea.