Dos variables pueden cambiar al mismo tiempo y, aun así, una tabla de números no mostrar con claridad si existe algún patrón entre ellas. En un proceso industrial, por ejemplo, puede interesar comparar la velocidad de una máquina con la temperatura registrada durante la operación. El diagrama de dispersión representa cada par de mediciones como un punto y permite examinar visualmente la dirección, la forma y la intensidad aparente de su relación. También ayuda a detectar grupos, valores alejados y comportamientos que requieren un análisis estadístico adicional.
¿Qué es un diagrama de dispersión?
Un diagrama de dispersión, también llamado gráfico de dispersión o scatter plot, representa pares de valores numéricos sobre un plano de coordenadas. Cada observación genera un punto definido por un valor de X en el eje horizontal y un valor de Y en el eje vertical. El NIST/SEMATECH Engineering Statistics Handbook sobre diagramas de dispersión lo presenta como una técnica para revelar relaciones o asociaciones entre dos variables mediante estructuras no aleatorias en el gráfico.
Cuando existe una variable que se considera respuesta, suele colocarse en el eje Y, mientras que en X se ubica la variable que se sospecha que puede estar relacionada con ella. Esta organización facilita examinar preguntas concretas: ¿los valores aumentan juntos?, ¿uno disminuye cuando el otro aumenta?, ¿la relación parece lineal o curva?, ¿la dispersión cambia a medida que aumenta X?, ¿existen observaciones aisladas?
La documentación de Minitab sobre Scatterplot recomienda este gráfico para investigar la relación entre un par de variables continuas. Si el objetivo principal es estudiar una variable a lo largo del tiempo, un gráfico de series temporales puede ser más adecuado.
Cómo construir el gráfico
La construcción requiere observaciones emparejadas: cada valor de X debe pertenecer a la misma unidad, momento o condición observada que su valor de Y. No tendría sentido combinar la temperatura de una medición con la velocidad registrada en otra observación distinta.
- Definir las dos variables. Deben existir valores numéricos que puedan analizarse en pares.
- Revisar las mediciones. Comprueba unidades, datos faltantes, errores de registro y la forma en que se obtuvieron las observaciones.
- Asignar los ejes. Coloca en X la variable explicativa o de interés y en Y la respuesta cuando esa distinción tenga sentido para el análisis.
- Representar cada par. Una observación formada por X = 10 e Y = 25 se dibuja en la intersección de esos dos valores.
- Examinar el patrón completo. Antes de calcular una correlación o ajustar un modelo, observa dirección, forma, dispersión, grupos y puntos aislados.
Según las consideraciones de datos para Scatterplot de Minitab, las columnas que forman cada par deben contener el mismo número de filas. La documentación también señala que muestras mayores permiten reconocer los patrones con más claridad. La calidad de la interpretación depende tanto del gráfico como de la forma en que se recopilaron los datos.
Qué patrones debes analizar
La lectura no consiste únicamente en determinar si los puntos suben o bajan. La guía de interpretación de Scatterplot de Minitab propone revisar el tipo y la fuerza de la relación, los patrones asociados con grupos y otras estructuras presentes en los datos.
- Relación positiva. Los valores de Y tienden a aumentar a medida que aumentan los valores de X.
- Relación negativa. Y tiende a disminuir cuando X aumenta.
- Relación no lineal. Los puntos siguen una curva u otra estructura que una línea recta no describe adecuadamente.
- Ausencia de patrón visible. Los puntos aparecen dispersos sin una estructura clara entre X e Y.
- Grupos o conglomerados. Varias concentraciones pueden indicar condiciones, equipos, productos o categorías que conviene estudiar por separado.
- Valores alejados. Un punto separado del resto puede reflejar una condición especial, un error de medición o una observación legítima que necesita investigación.
También debe observarse si la amplitud vertical de los puntos cambia a lo largo del eje X. El NIST, en su página sobre Scatter Plot, incluye entre las preguntas del análisis determinar si la variación de Y cambia dependiendo del valor de X. Un patrón en forma de abanico, por ejemplo, puede indicar que la variabilidad no permanece constante en todo el rango observado.
Ejemplo con datos simulados
El siguiente ejemplo es hipotético y utiliza datos simulados con fines didácticos. Supongamos que se registra la velocidad de una máquina y la temperatura observada en un componente durante diez mediciones. Los valores no pertenecen a una empresa, investigación ni proceso documentado.
| Medición | Velocidad (rpm) | Temperatura (°C) |
|---|---|---|
| 1 | 800 | 42 |
| 2 | 900 | 45 |
| 3 | 1000 | 44 |
| 4 | 1100 | 49 |
| 5 | 1200 | 52 |
| 6 | 1300 | 54 |
| 7 | 1400 | 57 |
| 8 | 1500 | 59 |
| 9 | 1600 | 63 |
| 10 | 1700 | 60 |
Los puntos forman una tendencia ascendente: dentro de estos datos simulados, temperaturas mayores tienden a aparecer junto con velocidades mayores. La relación parece aproximadamente lineal, aunque los puntos no forman una línea perfecta. Esa observación permite plantear una asociación positiva que podría estudiarse después mediante correlación o regresión.
El gráfico no permite afirmar que aumentar la velocidad sea la causa del aumento de temperatura. Podrían intervenir carga, tiempo de operación, condiciones ambientales u otras variables que no aparecen en el ejemplo. El análisis visual sirve para formular una pregunta más precisa, no para demostrar un mecanismo causal.
Dispersión, correlación y causalidad
El diagrama muestra la estructura visual de los datos; un coeficiente de correlación puede complementar esa observación cuando interesa cuantificar una relación. El glosario estadístico del NIST indica que el coeficiente de correlación de Pearson toma valores entre −1 y +1. Los valores cercanos a +1 representan una relación lineal creciente más estrecha y los cercanos a −1 una relación lineal decreciente más estrecha.
Ese número no sustituye al gráfico. Una asociación curva puede ser evidente visualmente y no quedar bien resumida por una medida diseñada para relaciones lineales. Los valores alejados también pueden modificar el coeficiente. Por eso, observar primero los puntos permite decidir si una medida de correlación o un modelo de regresión tiene sentido para el patrón encontrado.
Advertencia: asociación y causalidad son conceptos distintos. El NIST señala que un diagrama de dispersión puede revelar una asociación entre variables, pero no demostrar por sí mismo una relación de causa y efecto. El gráfico puede servir para formular hipótesis sobre un posible mecanismo. Para establecer causalidad, el análisis debe apoyarse en evidencia adicional y en el conocimiento técnico del proceso.
Errores frecuentes al interpretarlo
La simplicidad visual del gráfico puede llevar a conclusiones apresuradas. Antes de utilizar el patrón para orientar una decisión, revisa especialmente estos errores:
- Concluir que una variable causa cambios en la otra únicamente porque los puntos muestran una tendencia.
- Buscar solo relaciones lineales y pasar por alto patrones curvos.
- Eliminar puntos alejados sin comprobar si provienen de errores, condiciones especiales o mediciones válidas.
- Mezclar grupos con comportamientos diferentes y analizar todos los puntos como si procedieran de una sola condición.
- Interpretar una muestra pequeña o sesgada como representación suficiente de toda una población o proceso.
- Utilizar únicamente un coeficiente de correlación sin revisar la forma de la nube de puntos.
Si el gráfico muestra una estructura clara, el siguiente análisis depende de la pregunta. Una relación aproximadamente lineal puede estudiarse mediante correlación o regresión; un patrón curvo puede requerir otro modelo; los grupos pueden justificar análisis separados y un punto aislado puede llevar a revisar el sistema de medición o las condiciones en que se produjo esa observación.
Conclusión
El diagrama de dispersión permite evaluar visualmente cómo se comportan dos variables observadas en pares. Su mayor utilidad aparece cuando el análisis distingue dirección, forma, intensidad aparente, grupos, variación y puntos alejados antes de aplicar una medida estadística. Una asociación visible puede orientar nuevas preguntas y modelos, pero las conclusiones deben mantenerse dentro de lo que los datos y el diseño del análisis permiten sostener.
Analiza gráficas de dispersión con Minitab
En Métodos gráficos con Minitab aplicado en los procesos aprenderás a emplear técnicas gráficas de Minitab para analizar e interpretar datos de procesos. El contenido incluye la gráfica de dispersión simple, su personalización, el ajuste de paneles y el análisis de gráficas de dispersión.
Comprar Métodos gráficos con MinitabFuentes consultadas
National Institute of Standards and Technology (NIST). Scatter Plot. Página consultada en agosto de 2026.
National Institute of Standards and Technology (NIST). Glossary. Entrada: “correlation”. Página consultada en agosto de 2026.
Minitab, LLC. Overview for Scatterplot. Página consultada en agosto de 2026.
Minitab, LLC. Interpret the key results for Scatterplot. Página consultada en agosto de 2026.
Minitab, LLC. Data considerations for Scatterplot. Página consultada en agosto de 2026.
MayuGo. Métodos gráficos con Minitab aplicado en los procesos. Página consultada en agosto de 2026.
