Promedio ponderado

El promedio ponderado combina varias opiniones o predicciones y da más influencia a las fuentes que han demostrado ser más fiables en el pasado. En lugar de dar la misma importancia a cada aportación, asignas más peso a los expertos con un mejor historial de aciertos. Por ejemplo, al combinar predicciones, puedes dar proporcionalmente más peso a las fuentes que han demostrado mayor precisión y menos influencia a las que han obtenido peores resultados. Prueba esto: Cuando combines opiniones de personas con distintos niveles de conocimiento, pregúntate quién ha acertado más en sus juicios anteriores.

El promedio ponderado sigue una secuencia de pasos: primero, registras a lo largo del tiempo los resultados de cada persona o modelo en predicciones similares; después, asignas pesos proporcionales a esos resultados, de modo que una mayor precisión recibe más peso; por último, multiplicas cada estimación por su peso y sumas los resultados. La idea clave es que no todas las opiniones tienen el mismo valor y que los resultados anteriores suelen ser el mejor indicador de la precisión futura.

Este enfoque aparece en muchos ámbitos. En las previsiones financieras, los analistas veteranos cuyas predicciones superan al mercado de forma constante tienen más influencia en las decisiones sobre las carteras de inversión. En meteorología, los sistemas de predicción por conjuntos combinan varios pronósticos, y se ha investigado si dar peso a los modelos según sus resultados anteriores mejora la precisión. El modelo clásico de juicio experto valida los conocimientos de los expertos mediante la calibración de su desempeño, lo que puede dar más influencia a los expertos mejor calibrados. Este mecanismo hace que la información de las fuentes más fiables tenga más peso en la decisión final.

Sin embargo, el promedio ponderado funciona mejor cuando tienes medidas objetivas de los resultados anteriores, cuando los expertos hacen predicciones dentro de su especialidad y cuando las fuentes no comparten los mismos sesgos o puntos ciegos. Si todos se basan en la misma información errónea, ni siquiera la combinación ponderada según los resultados detectará los errores sistemáticos. Este enfoque mejora el promedio simple, pero no elimina la necesidad de contar con perspectivas diversas y un criterio independiente.

• Los sistemas de ponderación que se adaptan a los cambios en los patrones de desempeño ayudan a mantener la precisión a lo largo del tiempo, mientras que los pesos fijos pueden perder eficacia a medida que cambian los resultados de quienes hacen las predicciones o las condiciones del entorno [2]

El promedio ponderado deja de funcionar cuando las medidas de desempeño no son fiables, cuando los aciertos anteriores de los expertos no se repetirán en el contexto actual o cuando la diversidad de perspectivas importa más que la precisión individual. Este enfoque puede amplificar el exceso de confianza si asignas mucho peso a expertos que defienden sus opiniones con firmeza, pero están equivocados. También puede restar voz a opiniones valiosas que van contra la corriente y proceden de fuentes menos consolidadas. Los entornos complejos donde la relación entre los resultados pasados y futuros es inestable plantean dificultades especiales para los sistemas de ponderación basados en el desempeño.