Señal + ruido: el mecanismo central

Súbete a una báscula de baño diez veces seguidas y no leerás el mismo número dos veces. Subes, bajas, cambias el peso de sitio, cazas la aguja a media oscilación: las lecturas se dispersan en torno a tu peso real un kilo o dos arriba y abajo cada vez. Tu peso verdadero no cambió entre lectura y lectura. Lo que cambió fue la dispersión. Cada medición que acabas de hacer era tu peso real más una pequeña ráfaga de azar, y la ráfaga era distinta cada vez.

Esa división en dos partes es todo el motor de la regresión a la media. Entiéndela con precisión y cada historia rara de la introducción —el novato que se hunde, la portada maldita, el tutor “genial”— deja de ser un misterio y se convierte en aritmética.

Todo resultado = señal + ruido

Aquí están las dos palabras sobre las que se apoya todo el curso.

• La señal (signal) es la parte estable y repetible de un resultado: la habilidad real, el peso verdadero, la calidad genuina. Es lo que aparecería una y otra vez si pudieras arrancarle la suerte. Cambia despacio, si es que cambia.
• El ruido (noise) es la parte pasajera: la suerte, la sincronía, el estado de ánimo, el error de medición, las circunstancias de un día concreto. Se baraja de nuevo cada vez que mides y promedia aproximadamente cero a lo largo de muchas mediciones.

Cualquier observación aislada es la suma de las dos:

$\text{observado} = \text{señal} + \text{ruido}$

La nota de examen de un estudiante es su dominio real más qué preguntas cayeron y cómo durmió. El mes de un comercial es su capacidad real más qué operaciones se cerraron. El partido de un jugador de baloncesto es su habilidad verdadera más si el balón entró tras rebotar en el aro o no. La señal es el jugador; el ruido es el rebote.

Por qué el extremo está hecho de suerte

Ahora la jugada clave. Pregúntate: ¿quién aterriza en la cumbre misma de un grupo grande?

Para lograr una puntuación récord ayuda enormemente ser genuinamente bueno, pero también ayuda que el ruido caiga de tu lado. Las personas del extremo superior son aquellas en las que ambas cosas apuntaron hacia arriba a la vez: mucha habilidad y buena suerte. Los que tienen pura habilidad pero suerte media quedan un peldaño más abajo; y también los afortunados pero mediocres. La punta de la distribución es donde se apilan los dos empujones de suerte. Dicho de otro modo:

Selecciona la cima de una muestra y habrás seleccionado calladamente por ruido positivo.

Lo mismo funciona a la inversa en el fondo. Los peores resultados pertenecen a personas cuya capacidad real era baja y cuya suerte fue pésima aquel día. Seleccionar el fondo selecciona por ruido negativo.

Ahí está el meollo. Cuando vuelves a medir al grupo de cabeza, su señal regresa (de verdad son buenos), pero su ruido se saca de nuevo, y el ruido fresco promedia cero, no el pico de suerte que ayudó a ponerlos arriba. Así que su nueva media aterriza más abajo: más cerca de la media global. Nadie empeoró. Simplemente habías confundido “hábil y con suerte” con “así de hábil”.

La fiabilidad: el dial que fija cuánto cae

¿Cuánto regresa un resultado? Eso depende por completo de la mezcla: qué proporción de la oscilación es señal frente a ruido. Los estadísticos llaman a esa proporción la fiabilidad (reliability):

$r = \frac{\sigma^2_{\text{señal}}}{\sigma^2_{\text{señal}} + \sigma^2_{\text{ruido}}}$

La fiabilidad va de 0 a 1. Responde a “de toda la variación que veo entre las personas, ¿cuánta es diferencia real de habilidad y no suerte?”. Y da todo el modelo en una línea pulcra: la mejor predicción para la próxima medición es:

$E[\text{próxima}] = \mu + r\,(\text{observado} - \mu)$

donde $\mu$ es la media global. Léela en voz alta: coge cuánto se situó la observación por encima de la media, quédate con la fracción $r$ de esa brecha (la parte que era señal) y tira el resto (el ruido que no volverá).

• Fiabilidad = 1 (toda señal, cero suerte): $E[\text{próxima}] = \text{observado}$. Nada de regresión. Una ventaja de pura habilidad se repite exactamente.
• Fiabilidad = 0 (toda suerte, cero señal): $E[\text{próxima}] = \mu$. Regresión total: se espera que el “ganador” sea la media pura la próxima vez, porque su resultado fue puro ruido. Esto es una lotería.
• Cualquier valor intermedio: la observación se desliza de vuelta hacia la media en la fracción $(1 - r)$ de su distancia. Esa es la fracción de la ventaja que era suerte.

Ejemplo resuelto: el examen que medio olvida a sus ganadores

Supón que un test mide la capacidad real (una señal con desviación típica 10 entre los estudiantes) más la suerte (ruido, también con desviación típica 10). Entonces la fiabilidad es

$r = \frac{10^2}{10^2 + 10^2} = \frac{100}{200} = 0.5.$

Mitad señal, mitad suerte. La media de la clase es 50. Ahora observa lo que la fórmula $E[\text{próxima}] = 50 + 0.5\,(\text{observado} - 50)$ predice para un reexamen:

Se espera que el estudiante que sacó un 90 saque en torno a un 70 la próxima vez, no porque empollara y luego olvidara, sino porque la mitad de ese imponente 90 fue un día de suerte que no se repetirá. Y fíjate en el fondo de la tabla: se espera que el estudiante que se hundió con un 20 suba a alrededor de 35. La regresión no es una fuerza hacia abajo; es una fuerza hacia el centro, que tira de los altos hacia abajo y de los bajos hacia arriba exactamente en la fracción de ruido. Cambia la mezcla para que la suerte tenga desviación típica 17 frente a una señal de 10, y la fiabilidad cae a alrededor de 0,26: ahora se espera que el 90 caiga hasta cerca de 60. Suerte más salvaje, caída más dura.

Los individuos regresan; las grandes medias apenas lo hacen

Una consecuencia merece su propia bandera, porque conecta directamente con el tamaño de la muestra de la ruta de probabilidad. El ruido se promedia y desaparece. Así que si no mides a una persona sino la media de un grupo grande, los empujones afortunados y desafortunados de dentro del grupo se cancelan en su mayoría: la media del grupo es mucho más fiable que cualquier miembro individual. Eso significa que los individuos extremos regresan mucho, pero la media de un grupo grande extremo regresa mucho menos. Es probable que un único empleado que rompe récords se desvanezca; toda una división de 500 personas que tuvo su mejor trimestre se desvanecerá solo un poco, porque no puedes lograr que 500 personas tengan suerte en la misma dirección muy a menudo. Cuando te tiente reaccionar ante un extremo, pregúntate primero: ¿sobre cuántas cosas ruidosas e independientes estoy promediando?

Las tres formas en que se malinterpreta

La regresión es sencilla pero resbaladiza. Tres ideas equivocadas que enterrar ya:

1. No es una fuerza. Nada tira de los resultados hacia el centro. El universo no está “equilibrando las cosas” ni llevando la cuenta. La regresión es un hecho sobre qué tipo de resultados seleccionaste (los extremos, que están enriquecidos en ruido), no una mano física que empuja el siguiente valor. El mecanismo está por completo en la selección.
2. No predice una continuación por debajo de la media. El ganador regresa hacia la media, no más allá de ella. Esperar que el máximo puntuador puntúe por debajo de la media la próxima vez —para que las cosas “se igualen”— es una idea distinta y errónea (la falacia del jugador, desmontada en la lección 05).
3. No dice que la habilidad fuera falsa. El del 90 está de verdad por encima de la media; la señal es real. La regresión solo dice que la porción extrema estaba inflada por la suerte. La mitad de los errores que la gente comete con este modelo vienen de oír “solo fue suerte” cuando la afirmación es la mucho más leve “fue en parte suerte”.

Cuándo usarlo

Echa mano de la división señal + ruido en cuanto te descubras razonando a partir de un punto de datos extremo sobre una persona, un equipo, un producto o un sitio. Estima la fiabilidad (aunque sea a ojo: “sobre todo habilidad” frente a “cara o cruz”), encoge la observación hacia la media en $(1 - r)$ y pronostica eso en lugar del extremo en bruto. Es la mejora de pronóstico más barata de todo este curso.

Repaso

Adónde va esto a continuación

Ya tienes la máquina: observado = señal + ruido, los extremos están enriquecidos en ruido y la fiabilidad fija exactamente cuánto cae de vuelta un resultado. La lección 02 rebobina hasta la década de 1880, donde Francis Galton tropezó con este mismísimo patrón en las estaturas de padres e hijos, y sin querer dio nombre a todo el campo del análisis de regresión a partir de él. Trabajaremos los números en un ejemplo completo de habilidad y suerte y veremos cómo la media de un grupo de cabeza baja al reexaminarse mientras que la media de la población no se mueve ni un ápice.