0:00:06.000,0:00:09.000
Las variables de confusión [br]son un tipo de variables

0:00:09.000,0:00:11.580
que están relacionadas[br]con las variables independientes

0:00:11.580,0:00:13.410
y dependientes de un modelo.

0:00:13.545,0:00:17.320
Una variable de confusión [br]debe cumplir dos requisitos:

0:00:17.320,0:00:19.460
el primero es que [br]debe estar correlacionada

0:00:19.460,0:00:21.640
con la variable independiente.

0:00:21.640,0:00:25.290
Y el segundo es que debe tener [br]una relación causal

0:00:25.290,0:00:26.970
con la variable dependiente.

0:00:27.280,0:00:31.010
Un ejemplo bastante típico[br]consiste en recopilar datos

0:00:31.010,0:00:34.230
sobre las quemaduras solares [br]y el consumo de helado.

0:00:34.520,0:00:39.035
Si observamos que el consumo de helados [br]aumenta al mismo tiempo

0:00:39.035,0:00:41.240
que los casos de quemaduras solares,

0:00:41.240,0:00:45.370
¿podemos deducir que el helado [br]ocasiona quemaduras solares?

0:00:45.520,0:00:48.339
Una de las variables [br]que faltan aquí es la temperatura

0:00:48.339,0:00:52.760
como indicador de la cantidad de sol [br]como variable de confusión.

0:00:52.760,0:00:57.170
Cuanto más calor haga, más probable [br]es que la gente coma helado

0:00:57.170,0:01:01.070
y se queme con el sol[br]al pasar más tiempo al aire libre.

0:01:01.280,0:01:03.770
Uno de los retos de la creación de modelos

0:01:03.770,0:01:06.599
es que hay que hacer [br]una búsqueda exhaustiva

0:01:06.599,0:01:09.419
de posibles factores de confusión,

0:01:09.419,0:01:12.222
ya que su ausencia podría [br]causar que ciertos algoritmos

0:01:12.222,0:01:15.752
identifiquen relaciones que no existen.

0:01:15.920,0:01:20.160
Del mismo modo, si se identifica [br]el factor de confusión,

0:01:20.160,0:01:23.490
pero los algoritmos en cuestión [br]no lo gestionan adecuadamente,

0:01:23.600,0:01:28.510
podrían terminar acentuando [br]las relaciones que sí existen.