Un resumen de rendimiento suele empezar con una cifra: el resultado medio por operación. Parece intuitiva porque comprime una lista en algo fácil de comparar. Pero la palabra promedio es ambigua y una media calculada con precisión puede ocultar una distribución muy desigual. Llamar típico a un estadístico puede hacer que el lector imagine un resultado representativo que no aparece en los datos.
La media aritmética y la mediana responden preguntas distintas. La media suma los valores observados y divide por el número de observaciones. La mediana es el valor central después de ordenar la lista, o el punto medio de los dos valores centrales cuando hay un número par. La media es sensible a todas las observaciones; la mediana se ve menos afectada por la magnitud de un valor extremo distante. Ninguna es siempre mejor. Su utilidad depende de la pregunta y de la forma de la muestra.
¿Qué muestra un ejemplo de cinco resultados sobre la media y la mediana?
Considera un conjunto ficticio de cinco resultados netos medidos en la misma unidad: menos dos, menos uno, cero, uno y once. La media es 1,8 y la mediana es cero. La media refleja la contribución aritmética de la observación positiva grande. La mediana identifica el centro de la lista ordenada. Ninguna afirmación implica que un estadístico sea un pronóstico ni que se espere un resultado parecido en otra muestra.
Imagina ahora una muestra en la que la mayoría de las observaciones se agrupan cerca del centro y unas pocas muy grandes alargan la cola derecha. La media puede quedar lejos de la mayoría de los resultados individuales. En una muestra sesgada a la izquierda, algunos valores muy negativos pueden arrastrarla en sentido opuesto. Informar de la media sin mostrar dispersión y forma puede hacer que la muestra parezca más uniforme de lo que es.
Aclara qué estás promediando
No se puede interpretar una media hasta definir la observación. ¿Cada elemento es una operación cerrada, una sesión, una configuración de estrategia o un día? ¿Los valores son brutos o netos de los costes modelados? ¿Se combinan salidas parciales? ¿Se incluyen posiciones abiertas? ¿Todas las observaciones usan la misma divisa, multiplicador de contrato y convención temporal? Un cálculo matemáticamente correcto sobre unidades incoherentes puede seguir siendo engañoso.
La selección importa tanto como la aritmética. Una muestra que contiene solo operaciones completadas excluye periodos sin actividad. Una muestra limitada a un producto, ventana temporal o elección de parámetros puede no representar un proceso más amplio. Las observaciones ausentes, los registros duplicados y los filtros de supervivencia o selección pueden cambiar tanto la media como la mediana. Documenta la regla de inclusión antes de interpretar el resultado.
Informa más que el centro
Un estadístico central ofrece una sola vista de la distribución. El contexto útil puede incluir el número de observaciones, una medida de dispersión, ciertos cuantiles, el rango cuando proceda y una visualización como histograma o diagrama de caja. Estos resúmenes revelan si los valores están muy agrupados, contienen colas o forman grupos distintos. No eliminan la necesidad de entender cómo se construyó la muestra.
- Tamaño y unidad de muestra: ¿cuántas observaciones se incluyen y qué representa cada una?
- Centro: informa la media y la mediana con etiquetas y unidades inequívocas.
- Dispersión: muestra una medida de variabilidad o cuantiles y especifica el método.
- Forma: revisa asimetría, colas, grupos y valores inusuales sin suponer simetría.
- Convención neta: declara comisiones, diferencial, deslizamiento y otras deducciones modeladas.
- Cobertura: indica fechas, regla de inclusión, exclusiones y gestión de datos ausentes.
Los valores atípicos merecen investigarse, no eliminarse automáticamente. Una observación grande podría ser un error de datos, un evento raro legítimo, un problema de agregación o una característica del proceso estudiado. Conserva un registro reproducible de cualquier corrección o exclusión e informa de cómo cambian las conclusiones al incluir o excluir un punto discutido. Un resumen robusto puede mostrar sensibilidad, pero no hace desaparecer las observaciones incómodas.
Una media no es esperanza matemática sin un modelo
A veces se usan el resultado medio por operación y la esperanza como si fueran siempre intercambiables. En una muestra sencilla, la media aritmética estima el promedio por observación bajo la unidad y convención contable elegidas. Una afirmación más amplia sobre esperanza suele depender de supuestos sobre cómo se generan las observaciones, si el proceso es estable, cómo se seleccionan las operaciones y qué costes o restricciones aplican.
Ni siquiera una media histórica positiva demuestra que el proceso vaya a mantenerla. La incertidumbre de muestreo puede ser amplia, sobre todo con pocas observaciones, dependencia entre ellas o cuando unos pocos valores dominan la suma. Si las operaciones se solapan o agrupan en el tiempo, tratarlas como independientes puede infravalorar la incertidumbre. El cálculo debería ajustarse al diseño de muestreo y generación de datos tanto como permita la investigación.
Separa la frecuencia del tamaño del resultado
La tasa de aciertos no es un resultado medio. Registra la proporción de observaciones clasificadas como positivas según una convención de signo definida. El tamaño de ganancias y pérdidas añade otra dimensión. Dos muestras pueden tener la misma frecuencia de resultados positivos y medias distintas porque cambia la distribución de magnitudes; también pueden tener medias parecidas y medianas y colas muy diferentes.
Por eso, una tabla concisa debería evitar convertir una métrica en un veredicto completo. Una gran proporción de observaciones positivas no revela el tamaño de las negativas. Una media positiva no muestra cuántos valores fueron casi cero, cuánta variación hubo ni si el resultado depende de unos pocos casos extremos. Cada estadístico describe una característica diferente.
Compara grupos solo cuando las definiciones coincidan
Comparar medias entre dos estrategias, periodos o mercados puede ser útil solo si las unidades y reglas de muestra son compatibles. Un grupo podría contener más observaciones, otro modelo de costes, un horizonte distinto o una mezcla diferente de condiciones. Normalizar una cifra no hace automáticamente comparables las observaciones de origen.
Cuando los grupos difieren, muestra esas diferencias en vez de ocultarlas en una clasificación única. Informa del número de observaciones, cobertura temporal, cambios de fuente y decisiones de diseño pertinentes. Si elegiste la comparación tras inspeccionar muchas alternativas, explica el proceso de búsqueda. Una tabla clara facilita ver las limitaciones; no las esconde tras decimales.
Revisa primero la distribución
Una revisión práctica empieza por definir la observación y la regla de inclusión. Verifica los registros originales, calcula el centro y la dispersión, examina la forma e investiga las observaciones influyentes. Después comprueba si la descripción principal cambia con otras ventanas o agrupaciones razonables. Cuando sea posible, separa las comparaciones exploratorias del paso de confirmación predefinido.
Una frase clara para un informe educativo podría indicar que la media de la muestra fue una cantidad determinada tras aplicar unos costes modelados, que la mediana fue otra, que la distribución tenía asimetría a la derecha, y revelar el número de observaciones y periodo. A continuación debería señalar qué no puede establecer la muestra. Es más informativo que llamar típico a un estadístico sin matices.
La precisión también incluye los límites
El manual NIST/SEMATECH describe media y mediana como medidas de localización y analiza su relación con el análisis exploratorio de datos. Este enfoque resulta útil: un estadístico resume un conjunto de datos, pero su interpretación depende de la distribución y el contexto. Los decimales no eliminan la incertidumbre y un resumen conocido no convierte una muestra histórica en una conclusión financiera personal.
Un informe cuidadoso usa la media para describir el balance aritmético y la mediana para localizar el centro, y sitúa ambas dentro de una explicación más amplia del tamaño, dispersión, forma, cobertura y supuestos de la muestra. Si esos detalles no están disponibles, esa limitación también importa. No se trata de coronar un resumen como correcto, sino de aclarar qué revela cada uno y qué sigue sin saberse.
- Leer sobre el riesgo de cartera más allá de medidas aisladas
- Entender tamaño de muestra y rachas
- Auditar el momento de la información en pruebas históricas
Fuentes y lecturas adicionales
- Medidas de localizaciónNIST/SEMATECH e-Handbook of Statistical Methods
