Tipos de media y propiedades de la media aritmética

Hay medidas de tendencia central más allá de la terna clásica media-mediana-moda. Cuando los datos traen estructura propia —pesos, tasas, razones— la media correcta cede el paso a la ponderada, la geométrica o la armónica. También conviene detenerse en las propiedades algebraicas de la media aritmética para entender por qué opera como opera y por qué es tan sensible a los valores extremos. Esta pieza cierra el arco del Banco de Estadística Descriptiva con la brújula puesta en Pagano, Field y Coolican, tres autores que tratan el asunto con el rigor necesario para introducirse sin perderse.

Antes de seguir, vale la pena repasar dos apuntes vecinos. Si necesitas refrescar el trio clásico, vuelve a Medidas de tendencia central. Si dudas sobre qué escala admite qué operación, revisa Tipología de datos y jerarquía de escalas. Esa taxonomía importa porque condiciona qué tipo de media tiene sentido aplicar a cada conjunto de observaciones.

1. Media ponderada

La media aritmética asume que cada observación aporta la misma cantidad de información. Esta premisa deja de sostenerse cuando los datos traen pesos: estudiantes con cargas crediticias distintas, observaciones con tiempos de exposición desiguales, reactivos con fiabilidad heterogénea, indicadores construidos sobre muestras de tamaño variable. En estos contextos, la media ponderada corrige el cálculo asignando a cada dato un coeficiente de peso w_i que refleja su contribución real al fenómeno estudiado.

La fórmula operacional es:

MP = (w_1*x_1 + w_2*x_2 + ... + w_n*x_n) / (w_1 + w_2 + ... + w_n)

Es decir, la suma de los productos de cada valor por su peso, dividida por la suma de los pesos. Cuando los pesos valen uno en cada observación, la fórmula colapsa a la aritmética: la suma de pesos es n, los productos coinciden con los datos crudos, y el cociente entrega la media ordinaria. Por eso la aritmética ocupa un lugar subordinado en esta familia: es el caso particular donde el investigador no introduce información adicional sobre pesos.

Cuándo usarla

Tres situaciones recurrentes en investigación, citadas por Pagano y por Field:

Promedio de notas con créditos. Una materia de cuatro créditos pesa el doble que una de dos. Si en la primera obtienes 8 y en la segunda 5, la media aritmética de 6.5 subvalora la asignatura más exigente. La ponderada, con pesos 4 y 2, entrega 7.0, cifra que refleja con mayor fidelidad la dedicación.

Promedio de indicadores con distinto tamaño de muestra. Si combinas tasas de respuesta de tres regiones con poblaciones 1.2, 0.8 y 3.0 millones, las regiones más pobladas aportan más al fenómeno agregado. Asignar como peso el tamaño poblacional estabiliza la estimación combinada.

Mediciones con precisión desigual. Algunos instrumentos tienen menor error estándar. Aumentar el peso de esas observaciones reduce la varianza agregada del estimador. Esta lógica conecta directamente con la estimación por mínimos cuadrados ponderados, donde los pesos óptimos son la inversa de la varianza de cada medición.

Analogía útil. Imagina una mesa con cuatro personas: pesan 50, 80, 90 y 100 kilos. La masa media del grupo, tratada por igual, sería 80 kilos. Pero la mesa tiene una pata en el centro del lado largo, donde se concentra el peso efectivo. La masa relevante apunta al centro de masa, no al promedio simple. Los pesos w_i hacen exactamente eso: redistribuyen la influencia hacia donde la estructura del problema pide más apoyo.

Recuadro técnico. La media ponderada coincide con el estimador de mínimos cuadrados cuando los pesos son la inversa de la varianza. Por eso aparece de forma natural en metaanálisis, modelos lineales generalizados y encuestas con diseño muestral complejo. Pagano insiste en que entender la ponderación es prerequisite para interpretar coeficientes en regresión: cambiar el esquema de pesos cambia la interpretación sustantiva del modelo.

2. Media geométrica para tasas

La media aritmética falla estrepitosamente cuando los datos son tasas de cambio o factores multiplicativos. Si una inversión crece 50% en un año y cae 50% al siguiente, la aritmética dice que rindió 0% en promedio. El sentido común, y la calculadora, dicen otra cosa: terminas con 75% del capital inicial. La media geométrica resuelve esta distorsión porque opera en el espacio multiplicativo donde viven las tasas.

Definición clave. La media geométrica de n valores positivos x_1, x_2, ..., x_n es la raíz enésima de su producto: MG = (x_1 * x_2 * ... * x_n)^(1/n). Equivalentemente, MG = exp( (1/n) * (ln x_1 + ln x_2 + ... + ln x_n) ). La segunda forma hace explícita la propiedad estructural: el logaritmo convierte el producto en suma, lo que permite operar de forma aditiva y luego devolver el resultado al espacio original mediante la exponencial.

Coolican destaca esta propiedad como la elegancia estructural de la geométrica: hace sobre tasas lo que la aritmética hace sobre niveles. La operación clave pasa por la suma de los logaritmos dividida por n y luego exponenciada. Esa es la operación que da el factor promedio de crecimiento compuesto.

Casos donde brilla

Rentabilidades anualizadas. Si un portafolio rindió 1.10, 0.95 y 1.07 en tres años, el rendimiento medio anualizado correcto es la geométrica: raíz cúbica del producto 1.10 x 0.95 x 1.07, que da aproximadamente 1.0394, es decir 3.94% anual. La aritmética de los mismos factores entregaría 1.04, una diferencia pequeña en tres años pero que se amplifica en horizontes largos.

Crecimiento poblacional. Tasas de natalidad y mortalidad combinadas como factores multiplicativos se promedian con la geométrica para no sesgar la cifra agregada. Aplicar la aritmética a tasas biológicas es un error frecuente en divulgación.

Índices compuestos. Índices de precios, de producción industrial y otros indicadores macroeconómicos con estructura multiplicativa usan la geométrica como agregador natural. El índice de Fisher, por ejemplo, combina geométrica y aritmética para suavizar sesgos.

Trampa parcial. La media geométrica solo admite valores positivos. Un cero o un valor negativo destruye el cálculo: el logaritmo de cero no existe y el producto se anula. Si tu serie contiene ceros —un año con ventas nulas, un trimestre sin transacciones— debes tratarlos por separado o reemplazarlos por un epsilon pequeño, lo que introduce supuestos adicionales sobre el valor mínimo observable. Field advierte sobre esto: la geométrica funciona como herramienta específica para magnitudes estrictamente positivas con estructura multiplicativa.

Además, la media geométrica queda por debajo de la aritmética en presencia de variación, con igualdad únicamente cuando los valores coinciden uno a uno. Esta relación se llama la desigualdad entre la media aritmética y la media geométrica (AM-GM), una de las más antiguas de la matemática, y vale la pena recordarla cuando debes decidir entre ambas: si los datos son razones o tasas, la geométrica aporta sistemáticamente la estimación honesta del comportamiento promedio, y la aritmética tiende a sobreestimarlo.

3. Media armónica

La media armónica es la prima menos conocida del trío, pero resulta indispensable cuando promedias razones o tasas con denominadores cambiantes. Su fórmula es:

MH = n / (1/x_1 + 1/x_2 + ... + 1/x_n)

En palabras: el número de observaciones dividido por la suma de los recíprocos de cada valor. La armónica es la más pequeña de las tres cuando los datos son positivos y no constantes: para valores positivos distintos, la armónica queda por debajo de la geométrica, y esta por debajo de la aritmética. Pagano describe la armónica como el patrón natural para promediar ritmos: velocidades, densidades, productividades, tasas de bits por segundo.

El caso clásico: velocidad promedio

Si viajas 60 km a 30 km/h y luego 60 km a 90 km/h, el tiempo del primer tramo es 2 horas y el del segundo 40 minutos, para un total de 2 horas 40 minutos y 120 km recorridos. La velocidad promedio del viaje es 120 km dividido entre 2 horas 40 minutos, es decir 45 km/h. La aritmética de las velocidades diría 60 km/h, claramente sobreestimando. La armónica entrega 45, la cifra ajustada al trayecto.

Analogía útil. Piensa en una pista de relevos. Si cada corredor tarda distinto en su tramo, lo que importa para el récord del equipo es el ritmo por unidad de tiempo, no el promedio simple de velocidades. La armónica pondera cada velocidad por el tiempo dedicado, no por la distancia recorrida, y eso es precisamente lo que necesitas cuando la variable común entre observaciones es el tiempo, no el espacio.

Cuándo aplicar la armónica

Recuadro técnico. Tres situaciones donde la armónica es la elección correcta, recopiladas a partir de Coolican: promedios de velocidades cuando los trayectos son de igual distancia, promedios de productividades cuando las cargas de trabajo son de igual duración, y promedios de razones donde el numerador se mantiene fijo pero el denominador varía. En los tres casos, lo que se mantiene constante entre observaciones es el denominador, no el numerador, y eso define cuándo la armónica es la medida adecuada.

Una propiedad operativa útil: la armónica es el inverso de la media aritmética de los inversos. Si calculas la aritmética de 1/x_1, 1/x_2, ..., 1/x_n y luego la volteas, obtienes la armónica. Esa equivalencia permite reutilizar cálculos de aritmética ya hechos, evitando duplicar trabajo en hojas de cálculo y en código.

4. Propiedades algebraicas de la media aritmética

Antes de concluir el bloque, conviene entender por qué la media aritmética funciona como funciona. Tiene cinco propiedades algebraicas que la vuelven un objeto matemático especialmente tratable. Coolican las expone como brújula para reconocer cuándo otra medida sería más apropiada. La siguiente tabla resume cada propiedad, su enunciado formal y su implicación práctica en investigación.

Propiedad	Enunciado formal	Implicación práctica
Centro de gravedad	La suma de las desviaciones respecto a la media es cero: `(x_1 - M) + (x_2 - M) + ... + (x_n - M) = 0`	La media equilibra el diagrama de puntos: hay la misma masa de observaciones a la izquierda que a la derecha.
Minimiza la suma de cuadrados	La media aritmética es el valor `c` que minimiza `(x_1 - c)^2 + (x_2 - c)^2 + ... + (x_n - c)^2`	Justifica el uso de mínimos cuadrados en regresión lineal; la recta de regresión pasa por el punto `(M_x, M_y)`.
Invarianza ante traslaciones	Si a cada `x_i` se le suma una constante `a`, la media aumenta exactamente en `a`	Permite cambiar de unidad sin recalcular toda la muestra: sumar 273.15 a grados Celsius los convierte a Kelvin sin tocar la estructura.
Escalamiento lineal	Si cada `x_i` se multiplica por una constante `b`, la media se multiplica por `b`	Cambiar de moneda, de escala o de unidad mantiene la coherencia de la medida sin tener que reprocesar los datos.
Linealidad aditiva	La media de una suma de variables equivale a la suma de las medias: `M(x + y) = M(x) + M(y)`	Es la base de la descomposición de varianzas y del principio de superposición en modelos lineales.

Estas cinco propiedades hacen de la media aritmética una herramienta algebraicamente manejable. Toda transformación afín —sumar constante, multiplicar constante, sumar dos series— preserva la media de forma predecible. Eso no ocurre con la mediana ni con la moda, que responden de manera irregular a estas operaciones. La moda, por ejemplo, carece de estabilidad ante traslaciones: sumar una constante puede desplazarla de valor si los datos se concentran en otra región.

Si sumas 10 a cada valor de la muestra, la media sube exactamente 10.
Si multiplicas cada valor por 2, la media se duplica de forma exacta.
Si combinas dos muestras con medias 50 y 60, la media del conjunto depende de los tamaños relativos, y la simple media de las medias (55) solo coincide con la del conjunto cuando los tamaños son iguales.

Tarjeta de memoria. Cinco propiedades que vale la pena recordar en este orden: Centro de gravedad, Cuadrados mínimos, Traslación, Escala, Linealidad. Las dos primeras conectan con la geometría del punto y con la optimización; las tres siguientes conectan con el comportamiento bajo transformaciones. Esa secuencia cubre desde la forma del estimador hasta su conducta algebraica.

Definición clave. La media aritmética es el valor que cumple de forma simultánea las cinco propiedades anteriores. Esta exclusividad algebraica la convierte en un punto fijo del sistema: otra candidata a "centro" —la mediana, la moda, la media podada— falla en al menos una de las propiedades. Esa exclusividad es la razón por la que los modelos lineales están construidos alrededor de la media aritmética y no de la mediana, y por la que cambiar de medida implica abandonar buena parte del aparato estadístico clásico.

5. Sensibilidad a valores extremos

Toda la elegancia algebraica del apartado anterior trae consigo una consecuencia incómoda: la media aritmética es sumamente sensible a valores extremos. Una sola observación atípica puede arrastrar la media varios puntos hacia sí y distorsionar la descripción de la muestra entera. Field insiste en este punto porque muchos análisis descriptivos fallan por ignorar la influencia de observaciones anómalas, sobre todo en muestras pequeñas.

Trampa parcial. Reportar la media sin acompañar la desviación estándar y sin inspeccionar la distribución abre la puerta a conclusiones erróneas. Imagina cinco observaciones con valores 3, 4, 5, 6 y 100: la media es 23.6, pero cuatro de las cinco observaciones están entre 3 y 6. La media describe mal la muestra porque una observación atípica la dominó de manera absoluta. La mediana, en cambio, reporta 5, cifra que resume con mayor precisión el grueso de los datos. Reportar 23.6 sin contexto sería una deformación grave de lo observado.

Cómo mitigar la sensibilidad

Tres caminos habituales en estadística descriptiva, comentados por Pagano:

Media podada. Se eliminan los valores extremos de ambos extremos de la muestra ordenada y se promedia lo que queda. Una poda del 10% descarta el 10% más bajo y el 10% más alto. Sirve cuando se sospecha asimetría sin descartar del todo la información de los valores grandes.

Media winsorizada. En lugar de eliminar los outliers, se reemplazan por el valor más cercano dentro de un percentil de corte (por ejemplo, percentil 5 y percentil 95). La estructura de la muestra se conserva y los valores extremos dejan de distorsionar el cálculo sin alterar el tamaño efectivo.

Cambiar a la mediana. Si la asimetría es severa o los outliers son errores de medición genuinos, la mediana es la elección más estable. Pierdes potencia estadística en pruebas que asumen normalidad, pero ganas robustez descriptiva en el resumen de la muestra.

Analogía útil. La media aritmética se comporta como una mesa con cuatro patas equidistantes: si una persona muy pesada se sienta en una esquina, la mesa entera se inclina hacia ese lado y el centro se desplaza. La mediana, en cambio, opera como una mesa con base ancha: la persona pesada mueve un poco la carga local, pero el centro de gravedad global apenas cambia, porque la posición central depende solo del orden, no de los valores extremos.

El término técnico para esta propiedad es punto de ruptura: la proporción de outliers que una medida tolera antes de volverse inservible. La media aritmética tiene un punto de ruptura de cero: una sola observación extrema puede mandar la media al infinito teórico. La mediana, en cambio, tiene un punto de ruptura del 50%: hace falta que la mitad de los datos estén contaminados para que la mediana deje de describir el grueso. Por eso la mediana es la medida preferida en contextos con datos sucios o asimetrías severas.

Una regla operativa

Recuadro de cierre del bloque. Antes de reportar la media, conviene mirar el rango intercuartílico y los valores máximo y mínimo. Si el máximo supera cuatro veces el rango intercuartílico por encima del tercer cuartil, reporta también la mediana y, si la asimetría es marcada, complementa con una media podada del 10%. Esta regla práctica es citada por Pagano como filtro elemental de calidad descriptiva y evita la mayor parte de los errores de informe en papers introductorios.

Cierre integrador

Las tres medidas alternativas —ponderada, geométrica y armónica— son hijas del mismo problema que la aritmética resuelve: resumir un conjunto de datos en un punto representativo. Cada una responde a una estructura distinta de los datos. La ponderada a observaciones con distinta importancia, la geométrica a tasas y razones multiplicativas, la armónica a razones con denominador fijo. Las propiedades algebraicas de la aritmética, por su parte, explican por qué esa media sigue siendo la base de la modelización lineal y de la inferencia clásica. Y la sensibilidad a valores extremos recuerda que ningún resumen numérico es inocente: hay que mirar la distribución íntegra antes de afirmar lo que el promedio "representa". Pagano, Field y Coolican coinciden en este punto: la elección de la medida decide qué aspecto de los datos quieres describir.

Ejemplo resuelto: cuándo usar cada media

Tres series breves para practicar la elección de la media correcta en exámenes y trabajos aplicados. Serie A: calificaciones de un alumno en cinco materias con créditos 4, 4, 3, 2, 2 y notas 8, 7, 9, 6, 5. Solución: media aritmética 7.0 y media ponderada por créditos 7.4; la diferencia se debe al peso adicional de las dos materias con cuatro créditos, donde el alumno rindió con solvencia. Serie B: rentabilidades trimestrales de un fondo, expresadas como factores: 1.05, 1.02, 0.97 y 1.08. Solución: media geométrica raíz cuarta del producto, que da aproximadamente 1.0295, equivalente a 2.95% trimestral; la aritmética de los mismos factores sería 1.03, apenas diferente en cuatro trimestres pero divergente en horizontes largos. Serie C: velocidades promedio en tres tramos iguales de distancia: 40, 60 y 90 km/h. Solución: media armónica 3 dividido por la suma de los recíprocos, que da aproximadamente 54 km/h, muy distinta de los 63 km/h que entregaría la aritmética y mucho más cercana a la intuición de un viaje con dos tramos rápidos y uno lento.

Cómo verificar si la media ponderada colapsa a la aritmética

Si los pesos w_i coinciden en valor —por ejemplo, valen uno en cada observación— la suma de los pesos es n y la fórmula se reduce a la suma de los x_i dividida por n, que es exactamente la media aritmética. Esta reducción explica por qué la media aritmética aparece tantas veces en la práctica: es el caso particular donde el investigador no introduce información adicional sobre pesos. Basta con verificar algebraicamente: si w_i = 1 para todo i, el numerador se transforma en x_1 + x_2 + ... + x_n y el denominador en n, y el cociente entrega la aritmética sin ambigüedad.

Por qué la media geométrica es menor o igual que la aritmética

La demostración estándar usa la concavidad de la función logaritmo natural. Por la desigualdad de Jensen, la media de los logaritmos queda por debajo del logaritmo de la media. Exponenciando ambos lados, la media geométrica queda acotada por arriba por la aritmética, con igualdad si y solo si los valores coinciden uno a uno. La intuición es clara: los promedios son sensibles a las asimetrías, y la asimetría de un producto se reduce al promediar. Por eso la geométrica constituye una estimación más conservadora que la aritmética cuando los datos son razones o tasas positivas.

Brújula de los autores de referencia

Tres manuales con tratamiento diferenciado del tema, útiles para profundizar sin duplicar lectura. Robert R. Pagano firma Principles of Statistics for Behavioral Scientists, donde introduce las medidas alternativas con ejemplos de psicología y ciencias de la salud; su capítulo sobre sensibilidad a outliers es lectura obligada. Andy Field es autor de Discovering Statistics, que combina software con una narrativa accesible y discute la influencia de valores atípicos con frecuencia, ilustrando con gráficos de caja y simulaciones pequeñas. William P. Coolican, en Research Methods and Statistics in Psychology, ofrece el tratamiento más algebraico de las tres medidas y discute con detalle las propiedades formales de la aritmética. Ninguno de los tres reemplaza a los otros: se complementan, y un curso serio de estadística descriptiva debería leer al menos dos de ellos.