La media aritmética

Ficha del modelo

Contexto

La media aritmética es el estadístico más antiguo y más usado, y su historia está ligada a un problema práctico: los astrónomos de los siglos XVIII-XIX tomaban varias mediciones de la posición de un astro —todas ligeramente distintas por el error de observación— y necesitaban UN número que fuera la 'mejor estimación' del valor verdadero. Promediarlas resultó ser esa mejor estimación, y entender POR QUÉ llevó a uno de los resultados más fértiles de la matemática aplicada. La media tiene dos propiedades que la definen mucho mejor que 'sumar y dividir'. La primera: es el CENTRO DE MASA de los datos. Si uno imagina cada dato como un peso sobre una regla, la media es el punto donde la regla se equilibra —las desviaciones hacia la izquierda cancelan exactamente las de la derecha, Σ(xᵢ−x)=0—. La segunda, más profunda: la media es el valor que MINIMIZA la suma de los errores al CUADRADO. De todos los números que uno podría proponer como 'centro', x es el que deja el menor Σ(xᵢ−a)². Esto no es una curiosidad: es la semilla de los MÍNIMOS CUADRADOS de Gauss y Legendre, y por lo tanto de toda la regresión (sec. XI). De hecho, la media es literalmente 'la regresión sin variables explicativas': el mejor pronóstico constante de una variable, en el sentido de mínimo error cuadrático, es su media. Pero esa misma virtud —usar el cuadrado del error— es su talón de Aquiles: un solo dato extremo, elevado al cuadrado, pesa muchísimo, y arrastra la media lejos del grueso de los datos. La media no es ROBUSTA (un outlier la mueve sin límite), y de esa fragilidad nacen la mediana (e18) y las medidas robustas (e32).

Supuestos

• Datos numéricos (cuantitativos) en escala de intervalo o razón: promediar exige que las distancias tengan sentido (no se promedian categorías, e05).
• Todas las observaciones pesan igual (media SIMPLE); si pesaran distinto sería la media ponderada (e20).
• El interés es un resumen de tendencia central bajo pérdida CUADRÁTICA: minimizar el error al cuadrado es una elección (bajo error absoluto, el óptimo es la mediana, e18).

Ecuaciones

la media

$$\bar x = \tfrac{1}{n}\sum_{i=1}^n x_i$$

la suma de los datos repartida entre n: el 'valor equitativo' que cada observación tendría si el total se distribuyera por igual.

centro de masa

$$\sum_{i=1}^n (x_i - \bar x) = 0$$

las desviaciones respecto a la media suman cero exactamente: lo que sobra de un lado falta del otro — la media es el punto de equilibrio de los datos.

mínimos cuadrados

$$\bar x = \arg\min_a \sum (x_i - a)^2$$

de todos los centros posibles, la media es el que minimiza el error cuadrático total: la raíz de la regresión (sec. XI) — la media es la regresión sin predictores.

Intuición

Dos imágenes fijan la media. La primera es un balancín: los datos son niños sentados a distintas distancias del centro, y la media es el punto donde el balancín queda horizontal —el peso a un lado equilibra al del otro—. Por eso Σ(xᵢ−x)=0 no es un accidente algebraico: es la condición de equilibrio. La segunda imagen es la de un blanco: si uno tuviera que apostar UN número y lo penalizaran por el CUADRADO de lo lejos que quede de cada dato, la apuesta óptima es la media. Cambiar la regla del juego cambia la respuesta: si lo penalizaran por la distancia ABSOLUTA (no al cuadrado), la apuesta óptima sería la MEDIANA (e18) —por eso mean y median resuelven problemas distintos, no son dos recetas para lo mismo—. Y la lección de fondo, que se repetirá en todo el laboratorio: elevar al cuadrado premia el consenso pero castiga con brutalidad los valores extremos, así que la media es exquisitamente sensible a los outliers. Es el mejor resumen cuando los datos son razonablemente simétricos y sin atípicos; cuando no, engaña —el ingreso 'promedio' de una sala con diez personas normales y un multimillonario no describe a nadie—.

Limitaciones

• NO es robusta: un único valor extremo la arrastra sin límite (punto de ruptura 0%) — por el peso del cuadrado. Con outliers o asimetría fuerte, engaña (usar la mediana, e18).
• Exige datos cuantitativos con distancias significativas: no tiene sentido para variables ordinales o nominales (e04-e05).
• Resume, y al resumir OCULTA: dos conjuntos muy distintos pueden tener la misma media; hay que acompañarla de una medida de dispersión (varianza, e27) y mirar la forma.

Qué viene después

Abre la estadística descriptiva. La mediana (e18) responde al mismo problema bajo error absoluto y es robusta; la moda (e19) para lo más frecuente; la media ponderada (e20) cuando los pesos difieren. Su fragilidad ante atípicos motiva las medidas robustas (e32-e33). Y su propiedad de mínimos cuadrados reaparece como el corazón de la regresión (e131+, β̂ minimiza Σ de residuos al cuadrado) — la media es el caso más simple de esa idea.

Fuentes y procedencia

La media como estimación del 'valor verdadero': astronomía de observación (s. XVIII); la propiedad de mínimos cuadrados: Legendre (1805) y Gauss (1809) — menciones históricas. El centro de masa y la minimización: cálculo y estadística descriptiva (conocimiento general).

Procedencia: sin procedencia declarada. El modelo pasa 4 verificaciones numéricas en el laboratorio (python3 main.py verificar); es un modelo pedagógico, no un pronóstico.

Código

El cálculo es el mismo que el del laboratorio de escritorio (licencia MPL-2.0): estadistica/modelos/nivel_02/e17_media_aritmetica.py, sobre el motor base.py y el adaptador navegador.py.