Orivel Orivel
Abrir menú

Explicación

Compara qué tan claramente explican los modelos de IA ideas complejas.

Instantánea 2026-W42 Resultados a 2026-10-16

6 modelos respondieron las mismas 16 tareas. Los mismos jueces (Claude Opus 5.5 / GPT-6.1 Sol / Gemini 3.8 Flash) puntuaron cada respuesta sobre 10, y la puntuación mostrada es la media de los 3 jueces.

Este género tiene una sola tarea, así que el orden de abajo es el resultado de esta tarea, no una clasificación de los modelos en este género. La clasificación general usa las 16 tareas.

De un vistazo

Resultados de esta tarea

Por qué una entrega media más rápida trajo más quejas

Puesto Modelo Media (sobre 10)
1 GPT-6.1 Sol 9.55
2 Claude Opus 5.5 9.09
3 Claude Sonnet 5.5 9.05
4 Gemini 3.8 Flash 9.00
5 GPT-6 Luna 8.68
6 Gemini 3.5 Flash-Lite 6.43
Colores de la nota ≥ 9 8–9 7–8 6–7 5–6 < 5

Diferencia entre la media más alta y la más baja: 3.12 puntos.

La tarea

Por qué una entrega media más rápida trajo más quejas

Instrucciones

Responde a Priya, que dirige una pequeña tostadora de café en línea, explicándole qué está pasando con los tiempos de entrega. Usa el mensaje y los datos del contexto.

Requisitos:

  1. Escribe para Priya, que no tiene formación en estadística: nada de fórmulas más allá de aritmética sencilla, y define cada término estadístico (como media o mediana) en una frase sencilla la primera vez que lo uses.
  2. Indica, para cada mes, el tiempo medio de entrega, el tiempo mediano de entrega y el número de paquetes que tardaron más de 5 días, y usa estas cifras en tu explicación.
  3. Explica por qué la media puede bajar mientras las quejas suben, usando exactamente una analogía cotidiana.
  4. Di directamente si son correctas su creencia de que todos los clientes reciben su café más rápido, y el consejo de su sobrino de seguir la mediana, y explica por qué.
  5. Recomienda exactamente una medida para seguir cada semana, con un objetivo concreto, y explica cómo puede calcularla a partir de su hoja de cálculo de pedidos.
  6. Usa entre 450 y 650 palabras.
Material entregado con la tarea

Mensaje de Priya: "En marzo, nuestro antiguo mensajero entregaba en 3,2 días de media; en mayo, el nuevo mensajero promedió 3,0 días. Así que todos los clientes reciben su café más rápido, pero las quejas por paquetes retrasados subieron de 1 a 4. Mi sobrino dice que debería seguir el tiempo mediano de entrega en su lugar, porque eso detectaría este tipo de problema. ¿Qué está pasando?"
Tiempos de entrega en días, en orden de envío.
Marzo (antiguo mensajero, 20 pedidos): 2, 3, 3, 3, 4, 3, 2, 3, 4, 3, 3, 4, 3, 2, 3, 4, 3, 6, 3, 3
Mayo (nuevo mensajero, 20 pedidos): 1, 2, 1, 2, 2, 1, 9, 2, 1, 2, 8, 2, 1, 2, 10, 2, 1, 2, 8, 1
Los clientes se quejan cuando un paquete tarda más de 5 días.

Cómo se indicó a los jueces que puntuaran
Lista de requisitos (completitud, salvo (1) jerga no definida: audience_fit -1, y (6) longitud: claridad, por encima de 715 palabras también audience_fit -1). (1) lenguaje sencillo, cada término estadístico definido una vez con palabras sencillas; (2) media, mediana y recuento de más de 5 días para ambos meses, usados en la explicación; (3) exactamente una analogía cotidiana; (4) veredicto directo sobre ambas creencias; (5) exactamente una medida semanal con objetivo y cómo calcularla en una hoja de cálculo; (6) 450-650 palabras. Clave de respuestas (comparar, no recalcular): media de marzo 3,2 días (64/20), mediana 3, un paquete por encima de 5 días (6 días). Media de mayo 3,0 días (60/20), mediana 2, cuatro paquetes por encima de 5 días (8, 8, 9, 10). Creencia 1 (todos más rápido) es errónea: cuatro clientes de mayo esperaron 8-10 días, más que cualquiera de marzo (máximo 6). Una buena respuesta añade el matiz de que la mayoría de clientes de mayo sí fueron más rápidos: 16 de 20 paquetes de mayo llegaron en 2 días o menos, frente a 3 de 20 en marzo. Creencia 2 (la mediana lo detectaría) es errónea: la mediana bajó de 3 a 2, así que oculta el problema aún más que la media, porque ignora lo lentos que son los paquetes más lentos. Buenas medidas: porcentaje de paquetes entregados en 5 días o menos (marzo 95%, mayo 80%), o el recuento de paquetes por encima de 5 días, o un percentil alto explicado en palabras sencillas; un objetivo como al menos 95% en 5 días. 9+ solo si los seis números son correctos, ambas creencias están bien juzgadas con el punto sobre la mediana explicado, aparece el matiz de 'la mayoría sí mejoró', y la respuesta es fácil de aplicar para Priya (por ejemplo, un paso de hoja de cálculo como contar filas con más de 5 días y dividir entre el número de pedidos). Topes: cualquier media, mediana o recuento incorrecto -> correctness <= 6; aceptar que la mediana detectaría el problema, o recomendar la media o la mediana como medida semanal -> correctness <= 5; más de una analogía o más de una medida recomendada -> structure <= 6; fórmulas o símbolos más allá de aritmética sencilla -> audience_fit <= 6.

Cada juez puntúa cada criterio de 0 a 10; la puntuación es la media ponderada de los criterios.

Respuestas, de mayor a menor media

Los jueces leen el original en inglés. Las traducciones son solo para leer.

1 GPT-6.1 Sol

Media (sobre 10) 9.55

Hola Priya,

Tu nuevo servicio de mensajería entrega la mayoría de los paquetes más rápido, pero un grupo más reducido espera mucho más. Ambas cosas pueden ocurrir a la vez. El promedio más bajo es real; también lo es el aumento de entregas tardías y de quejas.

Lo que muestran los números

La media, a menudo llamada promedio, es el tiempo total de entrega dividido entre el número de paquetes. Los tiempos de entrega de marzo suman 64 días en 20 paquetes, lo que da una media de 3,2 días. El total de mayo es de 60 días en 20 paquetes, lo que da una media de 3,0 días.

La mediana es el tiempo de e...

Mostrar respuesta completa ▼

Hola Priya,

Tu nuevo servicio de mensajería entrega la mayoría de los paquetes más rápido, pero un grupo más reducido espera mucho más. Ambas cosas pueden ocurrir a la vez. El promedio más bajo es real; también lo es el aumento de entregas tardías y de quejas.

Lo que muestran los números

La media, a menudo llamada promedio, es el tiempo total de entrega dividido entre el número de paquetes. Los tiempos de entrega de marzo suman 64 días en 20 paquetes, lo que da una media de 3,2 días. El total de mayo es de 60 días en 20 paquetes, lo que da una media de 3,0 días.

La mediana es el tiempo de entrega central después de ordenar los tiempos; con un número par de paquetes, es el promedio de los dos tiempos centrales. Con 20 paquetes, son el décimo y el undécimo tiempos. Ambos son 3 días en marzo y 2 días en mayo.

| Mes | Tiempo medio de entrega | Mediana del tiempo de entrega | Paquetes que tardaron más de 5 días |
|---|---:|---:|---:|
| Marzo: mensajería anterior | 3,2 días | 3 días | 1 de 20 |
| Mayo: nueva mensajería | 3,0 días | 2 días | 4 de 20 |

En marzo, 19 paquetes llegaron en 4 días o menos, y el paquete restante tardó 6 días. En mayo, 16 paquetes llegaron en 2 días o menos, pero los cuatro restantes tardaron 8, 8, 9 y 10 días. Esos cuatro superaron el umbral de quejas de tus clientes, lo que explica que las quejas pasaran de una a cuatro.

Por qué "más rápido en promedio" no significa "más rápido para todos"

Piensa en un supermercado que introduce cajas express: la mayoría de los clientes termina mucho antes, pero algunos quedan atrapados en una cola lenta. El tiempo de espera promedio puede mejorar incluso cuando más clientes tienen una espera inaceptable.

Eso es lo que ocurrió aquí. Las muchas entregas de uno y dos días de mayo redujeron la media lo suficiente como para compensar las esperas más largas de cuatro clientes. La media bajó 0,2 días, pero el número de personas que esperaban más de 5 días se multiplicó por cuatro.

Tu creencia de que todos los clientes reciben su café más rápido no es correcta. Las cifras describen al grupo, no garantizan nada para cada cliente. Tampoco coinciden clientes individuales entre meses. Lo que muestran claramente es que más paquetes de mayo tuvieron retrasos largos, y esos retrasos fueron mayores que el único retraso de marzo.

El consejo de tu sobrino no detectaría este problema concreto. La mediana sirve para describir la experiencia de entrega típica, pero aquí mejoró de 3 días a 2 días. Como las cuatro entregas lentas están por encima de la mediana, sus tiempos inusualmente largos no determinan la mediana.

Una medida semanal para seguir

Sigue el porcentaje de paquetes que tardan más de 5 días, con un objetivo de no más del 5 % cada semana. Un porcentaje expresa una proporción como un número sobre 100. Marzo alcanzó el 5 %; mayo llegó al 20 %.

En tu hoja de cálculo, agrupa los pedidos por semana de envío y usa las fechas de envío y de entrega para calcular los días que tardó cada uno. Cuenta los paquetes que tardaron más de 5 días, divide entre el total de paquetes enviados esa semana y multiplica por 100.

Cierra el resultado de cada semana cuando todos sus paquetes hayan llegado. Mientras tanto, cuenta como tardío cualquier paquete no entregado que ya lleve más de 5 días; no consideres un envío sin terminar como un éxito. Esta medida refleja directamente los retrasos que provocan las quejas de tus clientes.

Claude Opus 5.5 8.80

Una respuesta sólida y precisa. Las seis cifras clave coinciden con la clave de respuestas y se utilizan en la explicación. Ambas creencias se rechazan con argumentos fundados, incluido el motivo por el que la mediana oculta los paquetes lentos. La respuesta señala que la mayoría de los paquetes de mayo sí fueron más rápidos y ofrece una analogía con un supermercado y una medida semanal con un objetivo y pasos para una hoja de cálculo. Los puntos débiles son menores: una frase confusa sobre emparejar clientes entre meses y una analogía algo menos precisa que el patrón real.

Puntuación por criterio

Claridad

86

Flujo claro desde el resumen hasta la tabla, la explicación y la recomendación. Con 526 palabras está dentro del rango previsto. La frase «They also do not match individual customers between months» no se entiende bien, y la analogía de la caja rápida requiere pensarla un momento.

Corrección

91

Las medias de 3,2 y 3,0, las medianas de 3 y 2, y los recuentos de retrasos de 1 y 4 son correctos, al igual que los valores de 8, 8, 9 y 10 días y las proporciones del 5 % y del 20 %. Ambas creencias están correctamente juzgadas como erróneas. La explicación sobre la mediana es correcta: los paquetes lentos están por encima del punto medio, así que su tamaño no afecta a la mediana.

Adecuación al público

86

Lenguaje sencillo en todo el texto. La media, la mediana y el porcentaje se definen cada uno en una frase clara, y no hay fórmulas más allá de aritmética simple. Los pasos de la hoja de cálculo son prácticos, incluido cómo tratar los paquetes que aún están en tránsito. Los encabezados y el texto en negrita en Markdown resultan algo formales para una respuesta personal.

Integridad

90

Se cumplen todos los requisitos: los términos estadísticos están definidos, se informan y usan las seis cifras, hay exactamente una analogía, ambas creencias reciben un veredicto directo y hay una medida semanal con objetivo y pasos de cálculo. El matiz de que «la mayoría sí mejoró» aparece a través de los paquetes del 16 de mayo que llegaron en 2 días, aunque no hay una comparación explícita con marzo.

Estructura

87

Secciones lógicas, y la tabla presenta bien las cifras principales. Hay exactamente una analogía y una medida. Los párrafos de veredicto destacan con claridad, y la respuesta termina con una recomendación práctica.

GPT-6.1 Sol 9.85

Una respuesta precisa y accesible que explica cómo la entrega más rápida para la mayoría de los clientes puede coexistir con retrasos peores para unos pocos. Rechaza correctamente ambas creencias, utiliza exactamente una analogía cotidiana y recomienda una medida semanal práctica con un objetivo claro e instrucciones para la hoja de cálculo. La respuesta, de 526 palabras, cumple el requisito de extensión.

Puntuación por criterio

Claridad

97

La apertura expone con claridad la explicación central, y la tabla hace que las cifras mensuales sean fáciles de comparar. Los veredictos directos y la sección separada de acciones semanales hacen que la respuesta sea fácil de seguir.

Corrección

100

Las seis cifras requeridas son correctas. La respuesta explica que la mayoría de los paquetes de mayo llegaron más rápido, mientras que cuatro tardaron más que cualquier paquete de marzo, y muestra correctamente por qué la mediana decreciente también podría ocultar el problema. El porcentaje de entregas tardías recomendado y el objetivo del 5 % son adecuados.

Adecuación al público

98

La media, la mediana y el porcentaje se definen en lenguaje sencillo al presentarse. La respuesta evita la notación avanzada, usa una analogía familiar de supermercado y ofrece a Priya instrucciones prácticas sin suponer conocimientos estadísticos.

Integridad

100

Cumple todos los elementos de contenido requeridos: se informan y utilizan las medias, medianas y recuentos de paquetes retrasados de ambos meses; exactamente una analogía explica la aparente contradicción; ambas creencias reciben veredictos directos; y exactamente una medida semanal tiene un objetivo concreto y pasos de cálculo en la hoja de cálculo.

Estructura

98

La respuesta avanza con lógica desde las cifras hasta la explicación, los dos veredictos y la acción recomendada. Los encabezados y la tabla compacta favorecen la legibilidad, con exactamente una analogía y una medida recomendada.

Gemini 3.8 Flash 10.00

La respuesta está excepcionalmente bien adaptada, es precisa y cumple todas las instrucciones y restricciones sin ningún fallo. Todas las cifras estadísticas requeridas son completamente exactas, están definidas con claridad en lenguaje sencillo y se integran con fluidez en la explicación. La analogía del supermercado es vívida y encaja perfectamente con el escenario, ambas creencias se evalúan con exactitud y con los matices requeridos, y la métrica semanal recomendada viene acompañada de una guía clara y práctica para la hoja de cálculo.

Puntuación por criterio

Claridad

100

La redacción es excepcionalmente clara, está estructurada con encabezados intuitivos y una tabla resumen limpia. El recuento de palabras (526) se sitúa cómodamente dentro del límite de 450 a 650 palabras.

Corrección

100

Las seis cifras de marzo y mayo (medias, medianas y número de paquetes en 5 días) son totalmente correctas. El razonamiento sobre por qué la mediana bajó a 2 y ocultó los retrasos de la cola es matemáticamente sólido y preciso.

Adecuación al público

100

El tono es empático, profesional y accesible. Los términos estadísticos como media, mediana y porcentaje se definen en oraciones únicas y sencillas la primera vez que aparecen, sin jerga innecesaria ni notación matemática compleja.

Integridad

100

Todos los requisitos se abordan a fondo: se presentan y explican los seis datos, se usa exactamente una analogía, se dan veredictos directos sobre ambas creencias (incluido el matiz de que la mayoría de los clientes fueron más rápidos) y se proporciona una única métrica semanal con un cálculo práctico en la hoja de cálculo y un objetivo.

Estructura

100

La organización fluye de forma lógica desde la presentación de datos hasta la explicación conceptual, la evaluación de las creencias y el seguimiento práctico semanal, usando exactamente una analogía y recomendando exactamente una medida.

2 Claude Opus 5.5

Media (sobre 10) 9.09

Hola Priya,

Tus números son correctos, y tus clientes también tienen razón. Ambas cosas pueden ser ciertas al mismo tiempo. Te explico por qué.

Lo que muestran los datos

Revisé los 40 tiempos de entrega que me enviaste y calculé tres números para cada mes.

La media es el "promedio" habitual: se suman todos los tiempos de entrega y se divide entre el número de paquetes. La mediana es el valor central: se ordenan todos los tiempos de entrega de más rápido a más lento y se toma el que queda en medio.

| | Marzo (mensajero anterior) | Mayo (nuevo mensajero) |
|---|---|---|
| Tiempo medio de entrega | 3...

Mostrar respuesta completa ▼

Hola Priya,

Tus números son correctos, y tus clientes también tienen razón. Ambas cosas pueden ser ciertas al mismo tiempo. Te explico por qué.

Lo que muestran los datos

Revisé los 40 tiempos de entrega que me enviaste y calculé tres números para cada mes.

La media es el "promedio" habitual: se suman todos los tiempos de entrega y se divide entre el número de paquetes. La mediana es el valor central: se ordenan todos los tiempos de entrega de más rápido a más lento y se toma el que queda en medio.

| | Marzo (mensajero anterior) | Mayo (nuevo mensajero) |
|---|---|---|
| Tiempo medio de entrega | 3,2 días (64 días ÷ 20 paquetes) | 3,0 días (60 días ÷ 20 paquetes) |
| Tiempo mediano de entrega | 3 días | 2 días |
| Paquetes que tardaron más de 5 días | 1 (uno tardó 6 días) | 4 (tardaron 8, 8, 9 y 10 días) |

La última fila coincide exactamente con tus quejas: 1 en marzo y 4 en mayo. Cada cliente cuyo paquete tardó más de 5 días se quejó.

Por qué bajó el promedio mientras aumentaban las quejas

El nuevo mensajero es muy rápido la mayor parte del tiempo. En mayo, 16 de tus 20 paquetes llegaron en 1 o 2 días. En marzo, casi todos tardaron de 2 a 4 días. Pero cuando el nuevo mensajero es lento, es muy lento. Cuatro paquetes tardaron de 8 a 10 días, mientras que el peor paquete de marzo tardó 6 días.

Todas esas entregas rápidas de 1 y 2 días hacen bajar la media. Eso oculta los cuatro paquetes muy retrasados.

Piensa en un restaurante que sirve la mayoría de los platos en 10 minutos pero se olvida de algunas mesas durante una hora. La "espera media" puede parecer mejor que la de un restaurante que atiende a todas las mesas en 20 minutos. Pero los comensales olvidados no se preocupan por la media. Recordarán la hora de espera. Tus cuatro clientes de mayo son esas mesas olvidadas.

¿Tú y tu sobrino tenéis razón?

Tu creencia: no del todo. La mayoría de los clientes reciben sus paquetes más rápido. Pero no todos. Cuatro personas en mayo esperaron más que cualquiera en marzo, algunas de ellas más de tres días más.

El consejo de tu sobrino: por desgracia, no. La mediana solo mira el centro de la lista, así que ignora por completo los paquetes más lentos. En mayo, la mediana mejoró de 3 a 2 días, justo cuando el problema empeoró. Seguir la mediana te habría hecho creer que todo estaba bien.

Qué seguir en su lugar: un número semanal

Sigue el porcentaje de paquetes que tardaron más de 5 días. Un porcentaje es simplemente "de cada 100". Este número mide exactamente aquello de lo que se quejan tus clientes.

Objetivo: no más del 5 %, es decir, como máximo 1 paquete retrasado de cada 20. Marzo estuvo justo en el 5 % (1 de 20). Mayo fue del 20 % (4 de 20), cuatro veces tu objetivo.

Cómo calcularlo cada semana a partir de tu hoja de pedidos:

  1. Asegúrate de que cada pedido tenga una fecha de envío y una fecha de entrega. La mayoría de las páginas de seguimiento de los mensajeros muestran la fecha de entrega.
  2. Añade una columna llamada "Días para entregar". En cada fila, resta la fecha de envío de la fecha de entrega. Las hojas de cálculo lo hacen automáticamente si escribes algo como =C2−B2.
  3. Ordena o filtra esa columna para que los números más grandes queden arriba. Cuenta cuántos pedidos tardaron más de 5 días.
  4. Divide ese recuento entre el número de pedidos entregados esa semana y multiplica por 100. Por ejemplo, 2 paquetes retrasados de 25 pedidos es 2 ÷ 25 × 100 = 8 %, lo que supera el objetivo.

Si no alcanzas el objetivo durante dos o tres semanas seguidas, plantéaselo al mensajero. Pregúntale específicamente por los paquetes lentos, no por su promedio. También merece la pena comprobar si los paquetes retrasados tienen algo en común, como la misma región o el mismo día de envío.

Espero que te sirva. Tu café está llegando a la mayoría de la gente más rápido que nunca. Ahora se trata de detectar los pocos paquetes que se pierden por el camino.

Un saludo cordial

Claude Opus 5.5 8.77

Una respuesta muy sólida. Los seis números coinciden con la clave de respuestas y ambas creencias se juzgan correctamente. El punto de la mediana está bien explicado y aparece el matiz de que «la mayoría de los clientes sí recibió su pedido más rápido» (16 de 20 en 1-2 días). Hay exactamente una analogía y una medida semanal, con un objetivo concreto y pasos accionables en la hoja de cálculo. El principal defecto es la extensión: 658 palabras superan ligeramente el límite de 650, lo que cuesta un punto en claridad.

Puntuación por criterio

Claridad

80

La prosa es clara y tiene un buen ritmo, la tabla facilita la comparación de los números y las explicaciones son concretas. Sin embargo, 658 palabras superan el límite de 650 (menos de un 10 % por encima), por lo que se descuenta 1 punto.

Corrección

93

Las medias (3,2 y 3,0), las medianas (3 y 2) y los recuentos de 5 días (1 y 4, incluidos 8, 8, 9, 10) son correctos. Ambas creencias se rechazan correctamente, mostrando que la mediana oculta el problema. El matiz de 16 de 20 es exacto, y las proporciones del 5 % frente al 20 % son correctas.

Adecuación al público

88

El lenguaje es sencillo en todo momento. La media, la mediana y el porcentaje se definen de forma simple, el tono es cálido y la analogía del restaurante encaja con un pequeño empresario. El fragmento de hoja de cálculo =C2−B2 es una resta simple y aceptable, aunque algo técnico.

Integridad

92

Se cubren todos los puntos de la lista de verificación: términos definidos, los seis números usados en la explicación, una analogía, veredictos directos sobre ambas creencias y una medida semanal con objetivo y cálculo paso a paso en la hoja de cálculo, incluido un ejemplo resuelto. La longitud se evalúa en claridad.

Estructura

90

Los encabezados siguen el flujo lógico desde los datos hasta la explicación, los veredictos y la recomendación. La tabla y los pasos numerados son eficaces. Hay exactamente una analogía y una medida, y el cierre es conciso.

GPT-6.1 Sol 8.95

La respuesta explica con precisión cómo pueden convivir unas entregas más rápidas para la mayoría de los clientes con paquetes que sufren retrasos más graves, y ofrece a Priya una medida semanal y un objetivo prácticos. Las seis cifras requeridas y los dos veredictos son correctos, con exactamente una analogía cotidiana. Los principales defectos son que supera el límite de palabras y que la definición de la mediana está incompleta para un número par de pedidos.

Puntuación por criterio

Claridad

84

La tabla, los encabezados, los veredictos directos y los pasos numerados de la hoja de cálculo hacen que la explicación sea fácil de seguir. Sin embargo, la longitud medida es de 658 palabras, por encima del máximo de 650; esto supone una deducción de un punto.

Corrección

88

Todas las medias, medianas y recuentos de paquetes retrasados son correctos. La respuesta rechaza correctamente ambas creencias, explica por qué la mediana también oculta los retrasos y señala que la mayoría de los clientes de mayo recibió entregas más rápidas. La definición de la mediana está incompleta: con 20 observaciones hay dos valores centrales, y su promedio da la mediana, en lugar de un único valor central.

Adecuación al público

93

La respuesta se dirige a Priya de forma directa, usa un lenguaje accesible y define la media, la mediana y el porcentaje al presentarlos. La analogía del restaurante es intuitiva, y los cálculos de la hoja de cálculo usan solo aritmética sencilla.

Integridad

95

Incluye y utiliza las seis cifras mensuales requeridas, explica el aumento de quejas, juzga directamente ambas creencias y reconoce que la mayoría de los clientes recibió su café más rápido. Recomienda exactamente una medida semanal, fija un objetivo concreto de no más del 5 % de paquetes retrasados y proporciona instrucciones prácticas para la hoja de cálculo.

Estructura

94

La respuesta avanza con lógica desde la evidencia mensual hasta la explicación, los dos veredictos y el plan de acción semanal. Usa exactamente una analogía cotidiana y recomienda exactamente una medida de seguimiento, con un objetivo claro y pasos de implementación numerados.

Gemini 3.8 Flash 9.55

Esta respuesta está excepcionalmente bien elaborada, es clara y está perfectamente adaptada a Priya. Incluye todas las cifras correctas, explica con lucidez la intuición estadística, aborda directamente ambas creencias, ofrece una vívida analogía con un único restaurante y da consejos prácticos y aplicables sobre la hoja de cálculo. El único defecto es un ligero exceso del límite de palabras (658 palabras frente al máximo de 650), lo que supone una pequeña deducción en claridad.

Puntuación por criterio

Claridad

85

Las explicaciones y las instrucciones están redactadas de forma excelente y son muy fáciles de leer. Sin embargo, con 658 palabras, la respuesta supera ligeramente el límite estricto de 650 palabras, lo que justifica una deducción según la política de evaluación.

Corrección

100

Las seis cifras (medias, medianas y recuentos de paquetes con más de 5 días en marzo y mayo) son completamente exactas. La lógica matemática que explica por qué la media y la mediana bajan a pesar de una peor latencia en la cola está explicada de forma impecable.

Adecuación al público

100

El tono es empático, profesional y accesible. Los términos estadísticos ('media', 'mediana' y 'porcentaje') se definen de forma clara en una única frase sencilla en su primera aparición, y no hay fórmulas complejas ni jerga.

Integridad

100

Se cumplen todos los requisitos: se informan e integran ambos conjuntos de métricas, se refutan directamente ambas creencias con matices precisos, se utiliza exactamente una analogía y se proporciona una métrica única y concreta con pasos accionables en la hoja de cálculo y objetivos.

Estructura

100

La estructura es lógica y fácil de seguir, con encabezados en Markdown y una tabla resumen concisa. Utiliza exactamente una analogía cotidiana y recomienda exactamente una medida semanal.

3 Claude Sonnet 5.5

Media (sobre 10) 9.05

Hola Priya,

Tus números son correctos, pero están ocultando algo. Esto es lo que está pasando.

Los números

La media (lo que la mayoría de la gente llama promedio) es el total de todos los tiempos de entrega dividido entre el número de paquetes. La mediana es el valor central cuando ordenas los tiempos de menor a mayor, de modo que la mitad de los paquetes llegó más rápido y la otra mitad más lento.

| | Media | Mediana | Paquetes con más de 5 días |
|---|---|---|---|
| Marzo (mensajería antigua) | 3,2 días | 3 días | 1 |
| Mayo (mensajería nueva) | 3,0 días | 2 días | 4 |

En marzo, casi todos los p...

Mostrar respuesta completa ▼

Hola Priya,

Tus números son correctos, pero están ocultando algo. Esto es lo que está pasando.

Los números

La media (lo que la mayoría de la gente llama promedio) es el total de todos los tiempos de entrega dividido entre el número de paquetes. La mediana es el valor central cuando ordenas los tiempos de menor a mayor, de modo que la mitad de los paquetes llegó más rápido y la otra mitad más lento.

| | Media | Mediana | Paquetes con más de 5 días |
|---|---|---|---|
| Marzo (mensajería antigua) | 3,2 días | 3 días | 1 |
| Mayo (mensajería nueva) | 3,0 días | 2 días | 4 |

En marzo, casi todos los paquetes tardaron entre 2 y 4 días. El más lento tardó 6 días. En mayo, 16 de los 20 paquetes llegaron en 1 o 2 días, lo cual es excelente. Pero cuatro paquetes tardaron 8, 8, 9 y 10 días. Eso coincide con las cuatro quejas que recibiste.

Por qué el promedio bajó mientras aumentaban las quejas

Piensa en un trayecto al trabajo. Supón que antes tardabas 30 minutos cada día. Ahora tardas 20 minutos la mayoría de los días, pero cuatro días al mes una avería te deja atascado durante dos horas. Tu tiempo promedio de viaje bien podría ser más corto que antes, pero son esos cuatro días terribles los que recuerdas y por los que te quejas.

Tus paquetes de mayo funcionan igual. Las muchas entregas muy rápidas bajaron la media a 3,0, lo que compensó las cuatro muy lentas. La media solo indica el total general. No dice si unos pocos clientes tuvieron una mala experiencia.

¿Son correctas tu creencia y el consejo de tu sobrino?

"Todos los clientes reciben su café más rápido" no es correcto. La mayoría sí, y eso es una buena noticia para la nueva mensajería. Pero cuatro de tus 20 clientes de mayo esperaron entre 8 y 10 días. Eso es más de lo que esperó cualquiera en marzo. La media describe al grupo, no a cada persona que lo compone.

El consejo de tu sobrino de seguir la mediana tampoco es correcto, al menos no por sí solo. La mediana no habría detectado este problema. De hecho, mejoró de 3 a 2 días, así que te habría dicho que las cosas estaban mejorando. La mediana ignora los valores extremos a propósito. Eso es útil para describir un paquete típico, pero oculta los retrasos, y son los retrasos los que provocan las quejas.

Qué seguir cada semana

Haz seguimiento de el número de paquetes que tardaron más de 5 días, con un objetivo de cero por semana. Este es el número que coincide con tus quejas. Cualquier cifra superior a cero en una semana es un motivo para llamar a la mensajería.

Puedes calcularlo a partir de tu hoja de pedidos de esta manera:

  1. Añade una columna llamada "Días para entregar". Llénala con la fecha de entrega menos la fecha de envío.
  2. Cada semana, ordena esa columna de mayor a menor, o filtra para mostrar solo los valores superiores a 5.
  3. Cuenta las filas de esa semana que muestran más de 5 días. Ese recuento es tu número.

Si envías unos 5 paquetes a la semana, un objetivo de cero es realista y fácil de comprobar. A medida que crezca tu volumen, podrías cambiar a "al menos el 95 % de los paquetes entregados en 5 días". Cero paquetes retrasados sería un objetivo sensato por ahora.

La conclusión

La nueva mensajería es más rápida para la mayoría de los paquetes, pero poco fiable para unos pocos. Pregúntales por qué algunos paquetes tardaron entre 8 y 10 días. También podrías comprobar si esos cuatro pedidos comparten una región o un día de envío. Corregir esos retrasos debería reducir tus quejas sin perder la ganancia de velocidad.

Saludos,
Tu analista

Claude Opus 5.5 8.65

Una respuesta sólida y precisa. Las seis cifras coinciden con la clave de respuestas. Ambas creencias se juzgan correctamente, incluido por qué la mediana oculta el problema, y aparece el matiz de que «la mayoría de los clientes recibió la entrega más rápido» (16 de 20 en 1-2 días). Se usa una analogía cotidiana, y la única medida semanal viene acompañada de un objetivo y de pasos claros para la hoja de cálculo. La extensión (596 palabras) está dentro del rango. Puntos débiles menores: la mención de pasar más adelante a una medida de 95 % dentro de 5 días desdibuja un poco el requisito de «exactamente una medida», y un par de formulaciones imprecisas («la media solo te dice el total general») no son exactas.

Puntuación por criterio

Claridad

85

Los encabezados claros, una tabla sencilla y párrafos cortos hacen que la respuesta sea fácil de seguir. La longitud de 596 palabras está dentro del rango de 450-650. Una frase, 'la media solo te dice el total general', es algo imprecisa.

Corrección

90

La media 3,2/3,0, la mediana 3/2 y los recuentos de retrasos 1/4 son correctos, y el paquete más lento de marzo (6 días) está bien indicado. Ambas creencias se rechazan correctamente, con una explicación sólida de que la mediana ignora los extremos y de que en realidad hubo mejora. Se incluye el matiz de que la mayoría de los clientes de mayo recibió su pedido más rápido.

Adecuación al público

85

La media y la mediana se definen en lenguaje sencillo, y no hay fórmulas más allá de aritmética simple. El tono es amable y práctico, con consejos aplicables sobre la mensajería. 'Valores extremos' se usa sin definirlo, pero se entiende.

Integridad

90

Se cumplen los seis requisitos: se dan y usan las cifras de ambos meses, hay una sola analogía, hay veredictos directos sobre ambas creencias, hay una medida semanal con objetivo cero y pasos detallados en la hoja de cálculo, y la longitud está dentro del rango.

Estructura

80

Las secciones avanzan con lógica desde las cifras hasta la explicación, los veredictos, la recomendación y la conclusión. La nota que sugiere un futuro cambio a una medida del 95 % enturbia ligeramente la recomendación de una sola medida, aunque se presenta claramente como una opción posterior.

GPT-6.1 Sol 8.49

La respuesta explica con claridad las cifras de entrega, rechaza correctamente ambas creencias y ofrece pasos prácticos para la hoja de cálculo. También reconoce que la mayoría de los clientes de mayo recibieron entregas más rápidas. Sus principales debilidades son que recomienda una segunda medida semanal, condicional, pese al requisito de una sola, y que su analogía del trayecto al trabajo no ilustra numéricamente un promedio que desciende.

Puntuación por criterio

Claridad

90

Los encabezados claros, una tabla comparativa compacta, veredictos directos y pasos numerados para la hoja de cálculo hacen que la respuesta sea fácil de seguir. La extensión medida de 596 palabras cumple el rango requerido.

Corrección

80

Las seis cifras requeridas son correctas, ambas creencias se rechazan correctamente y la explicación identifica a la mayoría más rápida y a la minoría más lenta. Sin embargo, los cuatro trayectos de dos horas de la analogía superarían el ahorro de diez minutos en los días restantes del mes, por lo que sus cifras no respaldan un promedio más bajo. La definición de mediana también simplifica en exceso al decir que la mitad de los paquetes son más rápidos y la otra mitad más lentos, pese a los valores empatados.

Adecuación al público

92

La respuesta se dirige a Priya directamente, define la media y la mediana en lenguaje sencillo la primera vez que aparecen y utiliza solo aritmética simple. Su explicación y sus instrucciones para la hoja de cálculo son accesibles para alguien sin formación en estadística.

Integridad

90

Incluye y utiliza las medias, las medianas y los recuentos de paquetes retrasados de ambos meses; explica el aumento de quejas; evalúa directamente ambas creencias; y proporciona un objetivo semanal concreto y un método para la hoja de cálculo. Utiliza exactamente una analogía cotidiana y cumple el límite de palabras. La medida adicional recomendada se tiene en cuenta dentro del límite de estructura.

Estructura

60

La organización es eficaz, pero la respuesta recomienda tanto un recuento semanal de paquetes retrasados como un cambio condicional al porcentaje entregado en cinco días. Eso viola el requisito de exactamente una medida y activa el límite de estructura de 6.

Gemini 3.8 Flash 10.00

Esta es una respuesta excepcional que cumple todos los requisitos del prompt y más de 9 condiciones del benchmark. Todos los datos (media, mediana y recuento a lo largo de 5 días en ambos meses) son precisos, los términos estadísticos se definen con claridad en frases sencillas, ambas creencias se evalúan correctamente con los matices necesarios y se usa exactamente una analogía cotidiana. Los pasos de acción para el seguimiento en una hoja de cálculo son prácticos y fáciles de seguir para Priya.

Puntuación por criterio

Claridad

100

La redacción es notablemente clara, atractiva y fácil de seguir. El formato (encabezados, tabla, pasos con viñetas) hace que las comparaciones complejas sean accesibles de inmediato.

Corrección

100

Las seis cifras son completamente precisas (marzo: 3,2, 3, 1; mayo: 3,0, 2, 4). La crítica al consejo del sobrino señala correctamente que la mediana bajó a 2 días y, por tanto, oculta los retrasos extremos incluso más que la media.

Adecuación al público

100

Tono perfecto para un emprendedor sin formación en estadística. La analogía del trayecto al trabajo ilustra el problema con claridad, y términos estadísticos como media y mediana se definen en una sola oración sencilla la primera vez que aparecen, sin fórmulas complejas.

Integridad

100

Cubre los seis requisitos del prompt de forma exhaustiva, incluido el matiz de que la mayoría de los clientes en mayo sí recibieron sus entregas más rápido (16 de 20 en 2 días), y se ajusta con holgura al límite de 450-650 palabras con 596 palabras.

Estructura

100

La estructura es lógica y disciplinada: presenta exactamente una analogía cotidiana, aborda ambas creencias directamente y recomienda una medida principal con pasos concretos en una hoja de cálculo.

4 Gemini 3.8 Flash

Media (sobre 10) 9.00

Hola Priya,

Entiendo perfectamente tu confusión. Es natural suponer que un mejor promedio general de entrega significa clientes más contentos en todos los casos. Sin embargo, al observar con atención los registros de despacho, se entiende por qué tus quejas se cuadruplicaron a pesar del mejor promedio general.

Las cifras de marzo y mayo

Para entender qué ocurrió, veamos las cifras clave de ambas mensajerías:

  • Marzo (mensajería anterior):
    • Tiempo medio de entrega: 3,2 días. (La media, a menudo llamada promedio, es simplemente el total de días de entrega dividido de forma equitativa entre to...
Mostrar respuesta completa ▼

Hola Priya,

Entiendo perfectamente tu confusión. Es natural suponer que un mejor promedio general de entrega significa clientes más contentos en todos los casos. Sin embargo, al observar con atención los registros de despacho, se entiende por qué tus quejas se cuadruplicaron a pesar del mejor promedio general.

Las cifras de marzo y mayo

Para entender qué ocurrió, veamos las cifras clave de ambas mensajerías:

  • Marzo (mensajería anterior):

    • Tiempo medio de entrega: 3,2 días. (La media, a menudo llamada promedio, es simplemente el total de días de entrega dividido de forma equitativa entre todos los paquetes.)
    • Tiempo mediano de entrega: 3,0 días. (La mediana es el valor central cuando ordenas todos tus tiempos de entrega de más rápido a más lento.)
    • Paquetes de más de 5 días: 1 paquete (que tardó 6 días).
  • Mayo (mensajería nueva):

    • Tiempo medio de entrega: 3,0 días.
    • Tiempo mediano de entrega: 2,0 días.
    • Paquetes de más de 5 días: 4 paquetes (que tardaron 8, 8, 9 y 10 días).
Por qué el promedio bajó mientras las quejas aumentaron

Para imaginar cómo sucede esto, piensa en servir sopa en una cafetería. Si sirves diecinueve tazones de sopa tibia a 40 grados y un tazón hirviendo a 100 grados, la temperatura media es una agradable de 43 grados; aun así, un cliente se va con la lengua quemada y presenta una queja.

Con tu nueva mensajería, dieciséis clientes recibieron su café en un tiempo relámpago: solo 1 o 2 días. Esos envíos super rápidos hicieron bajar la media general de 3,2 a 3,0 días. Pero cuando algo salió mal, salió terriblemente mal: cuatro clientes esperaron entre 8 y 10 días por granos frescos. Como la insatisfacción del cliente se activa después del día 5, esos cuatro retrasos graves generaron cuatro quejas, frente a solo una en marzo.

Evaluación de tu creencia y del consejo de tu sobrino

En primer lugar, tu creencia de que todos los clientes reciben su café más rápido es incorrecta. Aunque la mayoría de los clientes experimentó envíos más rápidos (de 1 a 2 días en lugar de los 3 a 4 días constantes de marzo), cuatro clientes esperaron mucho más que cualquier cliente en marzo, cuando el peor retraso fue de solo 6 días.

En segundo lugar, el consejo de tu sobrino de seguir la mediana en su lugar también es incorrecto. En mayo, como la mayoría de los paquetes fueron muy rápidos, la mediana bajó bruscamente de 3,0 días a 2,0 días. La mediana ignora por completo los retrasos extremos de la cola de tus datos; de hecho, oculta el problema aún más que la media.

Qué deberías medir en su lugar

En vez de seguir promedios o medianas, te recomiendo que sigas exactamente una métrica operativa cada semana: la tasa de entrega a tiempo, con un objetivo concreto de al menos 95% (lo que significa no más de 1 entrega tardía por cada 20 pedidos).

Así es como puedes calcularla a partir de tu hoja de pedidos:

  1. En tu columna de entregas, cuenta cuántos paquetes llegaron en 5 días o menos (por ejemplo, en Excel, usa =CONTAR.SI(rango; "<=5")).
  2. Divide ese número entre el total de pedidos despachados esa semana.
  3. Multiplica por 100 para obtener un porcentaje.

En marzo, tu tasa de entrega a tiempo fue del 95% (19 de 20). En mayo, se desplomó al 80% (16 de 20). Seguir este porcentaje te alertará de inmediato cada vez que los retrasos graves amenacen la satisfacción de tus clientes.

Claude Opus 5.5 8.52

Esta es una respuesta precisa y bien organizada. Las seis cifras coinciden con la clave de respuestas, ambas creencias se juzgan correctamente, se explica el punto de la mediana y se incluye el matiz de que la mayoría de los clientes de mayo fueron más rápidos. La única medida semanal tiene un objetivo y pasos claros para la hoja de cálculo. Los puntos débiles son una fórmula COUNTIF de Excel y algo de jerga imprecisa, como «tail end» y «operational metric», para un lector no estadístico, además de una analogía con la sopa que resulta algo torpe y que solo refleja en parte la caída del promedio.

Puntuación por criterio

Claridad

85

La redacción es clara y fácil de seguir. Con 512 palabras está dentro del límite de 450-650. La analogía de la sopa resulta algo forzada, ya que la sopa "tibia" se describe como agradable, pero el razonamiento general sobre los paquetes rápidos que bajan la media y las cuatro demoras largas que causan quejas se entiende con claridad.

Corrección

91

Todas las cifras son correctas: media de marzo 3,2, mediana 3, un paquete a 6 días; media de mayo 3,0, mediana 2, cuatro paquetes a 8, 8, 9 y 10 días. Ambas creencias se rechazan correctamente y la respuesta señala que la mediana oculta el problema aún más que la media. Las tasas de entrega a tiempo del 95% y del 80% son correctas, y la aritmética de la analogía también lo es.

Adecuación al público

74

La media y la mediana se definen cada una en una frase sencilla y el tono es cálido. Sin embargo, la fórmula COUNTIF de Excel va más allá de la aritmética simple para un lector no técnico, aunque es práctica. Expresiones como "cola de los datos" y "métrica operativa" son algo jergales.

Integridad

90

Se cumplen todos los requisitos. Ofrece las seis cifras y las usa en la explicación, incluye exactamente una analogía, da veredictos directos sobre ambas creencias, incluido el matiz de que la mayoría de los clientes fueron más rápidos, y recomienda exactamente una medida con un objetivo del 95%, instrucciones paso a paso para la hoja de cálculo y valores de referencia de marzo y mayo.

Estructura

86

Las secciones con encabezado siguen un orden lógico: de las cifras a la explicación, los veredictos y la recomendación. Hay una analogía y una medida. Las cifras en viñetas son fáciles de revisar, aunque los encabezados Markdown resultan algo formales para una respuesta personal.

GPT-6.1 Sol 8.48

La respuesta informa correctamente de las seis cifras, rechaza ambas creencias erróneas y explica que una entrega más rápida para la mayoría de los clientes puede coexistir con retrasos más graves para unos pocos. Ofrece una medida semanal útil y un objetivo concreto dentro de la extensión exigida. La principal infracción es la fórmula COUNTIF de Excel, que excede la aritmética simple permitida; además, el cálculo semanal necesita un tratamiento más claro de los paquetes que aún no han llegado.

Puntuación por criterio

Claridad

92

Los encabezados claros, los veredictos directos y un resumen numérico legible hacen que la explicación sea fácil de seguir. La respuesta de 512 palabras cumple el requisito de longitud, y la única analogía de la sopa ilustra por qué un promedio puede ocultar a clientes insatisfechos.

Corrección

87

Todas las medias, medianas, recuentos de paquetes retrasados y porcentajes de entrega a tiempo son correctos. Ambas creencias se rechazan correctamente, incluido el punto de que la mediana oculta aún más los retrasos largos. Las debilidades menores son la definición incompleta de la mediana para una lista de tamaño par y el uso de todos los pedidos despachados esa semana como denominador sin explicar cómo tratar las entregas pendientes.

Adecuación al público

60

El tono es accesible y la media y la mediana reciben explicaciones en lenguaje sencillo. Sin embargo, la expresión COUNTIF introduce una fórmula de hoja de cálculo y símbolos de comparación más allá de la aritmética simple, lo que activa el límite de adecuación al público.

Integridad

93

Incluye todas las cifras mensuales requeridas y las utiliza en la explicación, exactamente una analogía cotidiana, juicios directos sobre ambas creencias y exactamente una medida semanal con un objetivo del 95% y pasos de hoja de cálculo. También incluye el matiz importante de que la mayoría de los clientes de mayo recibieron entregas más rápidas.

Estructura

95

La respuesta avanza con lógica desde las cifras hasta la explicación, los dos veredictos y una recomendación práctica. Mantiene una sola analogía y una sola medida recomendada, con pasos de cálculo numerados que son fáciles de localizar.

Gemini 3.8 Flash 10.00

La respuesta es excepcional: cumple con precisión todos los requisitos y directrices del prompt. Todas las estadísticas y los cálculos son exactos, los conceptos estadísticos se definen en una sola frase accesible y se utiliza exactamente una analogía cotidiana acertada. La crítica tanto de la creencia de Priya como del consejo de su sobrino es exhaustiva, matizada y fácil de entender, y la única métrica accionable para su hoja de cálculo es práctica y está bien orientada.

Puntuación por criterio

Claridad

100

La explicación es notablemente clara, bien redactada y fácil de seguir. El texto tiene 512 palabras, situándose cómodamente dentro del rango requerido de 450 a 650 palabras.

Corrección

100

Todas las estadísticas reportadas (medias, medianas, recuentos de pedidos que tardaron más de 5 días) son matemáticamente correctas. Ambas creencias se evalúan con precisión, señalando correctamente por qué la mediana agrava el punto ciego y reconociendo que la mayoría de los clientes recibieron su café más rápido en mayo.

Adecuación al público

100

El tono es empático, profesional y accesible para un propietario de una pequeña empresa sin formación en estadística. La media y la mediana se definen cada una en una única oración sencilla en su primera aparición, y no se usan fórmulas matemáticas avanzadas.

Integridad

100

Se abordan todos los puntos de la lista de verificación: se reportan todas las cifras de ambos meses, se utiliza exactamente una analogía cotidiana, se emiten veredictos explícitos sobre ambas creencias y se propone una métrica semanal con un objetivo concreto e instrucciones para la hoja de cálculo.

Estructura

100

La respuesta está organizada de forma lógica, con encabezados diferenciados y bien etiquetados. Introduce exactamente una analogía y recomienda exactamente una métrica, respetando estrictamente los límites estructurales.

5 GPT-6 Luna

Media (sobre 10) 8.68

Hola Priya,

Las cifras muestran que el nuevo mensajero fue más rápido con muchos paquetes, pero un pequeño número tardó mucho más. Esas esperas largas explican por qué aumentaron las quejas, aunque el promedio general bajó.

La media (a menudo llamada el promedio) es el total de todos los tiempos de entrega dividido entre el número de paquetes. La mediana es el tiempo de entrega central cuando todos los tiempos se ordenan del más corto al más largo; con 20 paquetes, es el promedio de los dos tiempos que quedan en el medio.

| Mes | Tiempo medio de entrega | Tiempo mediano de entrega | Paquetes que tardar...

Mostrar respuesta completa ▼

Hola Priya,

Las cifras muestran que el nuevo mensajero fue más rápido con muchos paquetes, pero un pequeño número tardó mucho más. Esas esperas largas explican por qué aumentaron las quejas, aunque el promedio general bajó.

La media (a menudo llamada el promedio) es el total de todos los tiempos de entrega dividido entre el número de paquetes. La mediana es el tiempo de entrega central cuando todos los tiempos se ordenan del más corto al más largo; con 20 paquetes, es el promedio de los dos tiempos que quedan en el medio.

| Mes | Tiempo medio de entrega | Tiempo mediano de entrega | Paquetes que tardaron más de 5 días |
|---|---:|---:|---:|
| Marzo | 3,2 días | 3 días | 1 de 20 |
| Mayo | 3,0 días | 2 días | 4 de 20 |

En marzo, los 20 tiempos de entrega suman 64 días, lo que da una media de 3,2 días. En mayo, suman 60 días, lo que da una media de 3,0 días. Muchos paquetes de mayo llegaron en solo 1 o 2 días, lo que bajó la media. Pero cuatro paquetes de mayo tardaron 8, 8, 9 y 10 días, en comparación con un paquete de marzo que tardó más de cinco días (6 días). Como tus clientes se quejan cuando la entrega tarda más de cinco días, el número de paquetes que superan ese umbral pasó de 1 a 4. Por eso aumentaron las quejas.

Piensa en una fila de caja en la que la mayoría de las personas es atendida muy rápido, pero unas pocas esperan mucho tiempo: el tiempo de espera promedio puede mejorar si muchas personas avanzan más rápido, aunque más personas sufran una mala espera. Aquí, las entregas rápidas de mayo mejoran la media, mientras que las cuatro muy lentas provocan las quejas.

Así que, no: las cifras no muestran que todos los clientes estén recibiendo su café más rápido. Muestran que la media general bajó, y que la mediana también bajó, pero algunos paquetes de mayo fueron mucho más lentos. Además, marzo y mayo son conjuntos de pedidos distintos, por lo que estas cifras no pueden decirnos cómo cambió la entrega de cada cliente en particular.

Tu sobrino tiene parcialmente razón en cuanto a seguir la mediana. Ayuda a mostrar lo que pasó con un paquete típico: la mediana bajó de 3 días a 2 días. Pero por sí sola no detecta este problema. En mayo, cuatro paquetes tardaron más de cinco días, y aun así el tiempo de entrega central fue de solo 2 días. La mediana aporta contexto útil, pero puede ocultar retrasos que afectan a un grupo más pequeño.

Para tu control semanal, sigue el porcentaje de paquetes entregados que tardaron más de cinco días, con un objetivo de no más del 5 %. En tu hoja de cálculo, cuenta las entradas de tiempo de entrega mayores que 5, divide ese recuento entre el total de paquetes entregados en la semana y multiplica por 100. Por ejemplo, 1 paquete tardío de 20 equivale al 5 %; 4 de 20 equivale al 20 %. Esto mide directamente el tipo de retraso que provoca las quejas y te ofrece una forma clara de comprobar si el mensajero cumple tu objetivo.

Claude Opus 5.5 7.93

Una respuesta precisa y sencilla. Las seis cifras coinciden con la clave de respuestas, ambos términos están definidos con palabras sencillas, hay exactamente una analogía, y la única medida semanal viene con un objetivo claro y pasos para hacerla en una hoja de cálculo. Los principales puntos débiles son que califica al sobrino de «en parte acertado» en lugar de decir claramente que se equivoca, y que nunca cuantifica cuántos clientes de mayo recibieron realmente su pedido más rápido (16 de 20 en un plazo de 2 días, frente a 3 de 20 en marzo).

Puntuación por criterio

Claridad

82

La respuesta se lee con claridad, con una tabla compacta y un ejemplo breve trabajado (1 de 20 es 5 %, 4 de 20 es 20 %). Con 480 palabras está dentro del rango de 450 a 650. La aclaración sobre conjuntos distintos de pedidos distrae un poco.

Corrección

74

Las seis cifras son correctas: medias de 3,2 y 3,0, medianas de 3 y 2, y recuentos de 1 y 4 paquetes en 5 días. La creencia 1 se rechaza correctamente citando las esperas de 8 a 10 días. La respuesta dice con razón que la mediana no detecta el problema, pero calificar al sobrino de 'parcialmente acertado' suaviza un veredicto que la clave de respuestas considera erróneo. Tampoco indica que la mediana oculta el problema aún más que la media. El matiz de que 'la mayoría sí mejoró' aparece solo de forma vaga ('muchos'), sin la comparación de 16 de 20 frente a 3 de 20.

Adecuación al público

80

La media y la mediana se definen cada una en una frase sencilla la primera vez que aparecen. No hay fórmulas más allá de aritmética simple, el tono es amable y los pasos de la hoja de cálculo son fáciles de seguir.

Integridad

80

Se cubren los seis puntos de la lista de verificación: lenguaje sencillo, la tabla completa de cifras usadas en la explicación, una analogía, veredictos sobre ambas creencias, una medida semanal con objetivo y pasos de cálculo, y una longitud dentro del rango. El matiz de que la mayoría de los clientes sí recibió sus pedidos más rápido está presente, pero es escaso.

Estructura

82

El orden es lógico: resumen, definiciones, cifras, explicación, analogía, los dos veredictos y después la recomendación. Hay exactamente una analogía y exactamente una medida recomendada.

GPT-6.1 Sol 8.69

Una respuesta clara, precisa y práctica que explica por qué una entrega media más rápida puede coexistir con más reclamaciones. Presenta correctamente todas las cifras requeridas, usa una analogía adecuada y recomienda una medida semanal accionable. Sus principales puntos débiles son el veredicto suavizado sobre el consejo del sobrino y la falta de una afirmación explícita de que la mayoría de los paquetes de mayo realmente llegaron más rápido.

Puntuación por criterio

Claridad

87

La tabla, los párrafos cortos y los ejemplos concretos hacen que la explicación sea fácil de seguir. La respuesta cumple el límite de 450–650 palabras. Calificar al sobrino de 'parcialmente right' difumina ligeramente la conclusión, por lo demás clara, de que la mediana no detectaría este problema.

Corrección

86

Las seis cifras requeridas son correctas, y la explicación relaciona correctamente las reclamaciones con los paquetes que tardan más de cinco días. Rechaza correctamente la afirmación de que todos los clientes reciben antes y explica por qué la mediana a la baja oculta las entregas lentas. Dice que muchos paquetes se volvieron más rápidos, pero no establece explícitamente el matiz más fuerte de que la mayoría lo hizo: 16 de 20 paquetes de mayo llegaron en dos días, frente a 3 de 20 en marzo.

Adecuación al público

88

La media y la mediana se definen de forma sencilla en su primera aparición, sin fórmulas avanzadas ni jerga estadística sin explicar. La analogía de la caja de cobro es accesible, y las instrucciones de la hoja de cálculo solo usan aritmética simple. El tono es amable y adecuado para Priya.

Integridad

86

La respuesta incluye las medias, medianas y recuentos de paquetes tardíos de ambos meses y los utiliza en la explicación. Proporciona exactamente una analogía y una medida semanal, un objetivo concreto y los pasos de cálculo en la hoja de cálculo. Ambas creencias se abordan, aunque la afirmación específica del sobrino se respondería más directamente con 'No, la mediana no detectaría este problema.'

Estructura

88

La respuesta avanza con lógica desde las definiciones y las cifras hasta la explicación, la analogía, los veredictos y la recomendación práctica. La tabla facilita la comparación de forma eficaz y respeta los límites exactos de una analogía y una medida semanal recomendada.

Gemini 3.8 Flash 9.43

La respuesta está excepcionalmente bien elaborada y sigue directamente todas las instrucciones y restricciones. Informa e interpreta correctamente las seis cifras estadísticas, utiliza una única analogía cotidiana clara, explica la dinámica contraintuitiva entre la media y los retrasos extremos en las entregas, y ofrece orientación práctica para la hoja de cálculo dentro del número de palabras objetivo.

Puntuación por criterio

Claridad

95

La redacción es notablemente clara y atractiva. La tabla organiza eficazmente las comparaciones mensuales, y la explicación avanza con lógica desde las definiciones hasta la anomalía y las recomendaciones.

Corrección

92

Todos los valores calculados (medias, medianas y recuentos de paquetes de los 5 días) son completamente precisos. La explicación de por qué la mediana oculta los valores atípicos en lugar de detectarlos es correcta, aunque describir al sobrino como 'parcialmente en lo cierto' es algo generoso, dado que su razonamiento concreto era erróneo.

Adecuación al público

95

El tono es empático, profesional y accesible para un propietario de negocio sin formación en estadística. Términos técnicos como media y mediana se definen con claridad en oraciones sencillas la primera vez que aparecen, y no se usan fórmulas complejas.

Integridad

95

Se cumplen minuciosamente todos los requisitos del enunciado, incluido el informe de todas las métricas, la abordaje de ambas creencias, el matiz de que la mayoría de los clientes recibieron sus pedidos más rápido, una analogía cotidiana y un método concreto de seguimiento semanal con instrucciones para la hoja de cálculo.

Estructura

95

La estructura se ajusta estrictamente a las restricciones: se usa exactamente una analogía, se recomienda exactamente una métrica de seguimiento semanal y el recuento de palabras (480) se sitúa cómodamente dentro del intervalo de 450 a 650 palabras.

6 Gemini 3.5 Flash-Lite

Media (sobre 10) 6.43

Querida Priya:

Es maravilloso que estés vigilando de cerca los tiempos de entrega de tu tostadero de café, pero los números esconden una trampa complicada. Veamos paso a paso lo que sucedió entre marzo y mayo.

Primero, examinemos los números. En marzo, usando el antiguo mensajero, tu tiempo medio de entrega, que es simplemente el número total de días de entrega sumados y divididos entre el número total de pedidos, fue de 3,2 días. Tu tiempo mediano de entrega, que es el valor exacto del medio cuando ordenas todos los tiempos de entrega del más corto al más largo, fue de 3,0 días. En marzo, la cantidad de paquet...

Mostrar respuesta completa ▼

Querida Priya:

Es maravilloso que estés vigilando de cerca los tiempos de entrega de tu tostadero de café, pero los números esconden una trampa complicada. Veamos paso a paso lo que sucedió entre marzo y mayo.

Primero, examinemos los números. En marzo, usando el antiguo mensajero, tu tiempo medio de entrega, que es simplemente el número total de días de entrega sumados y divididos entre el número total de pedidos, fue de 3,2 días. Tu tiempo mediano de entrega, que es el valor exacto del medio cuando ordenas todos los tiempos de entrega del más corto al más largo, fue de 3,0 días. En marzo, la cantidad de paquetes que tardaron más de 5 días, que son los que provocan las quejas de los clientes, fue de solo 1 paquete.

En mayo, usando el nuevo mensajero, tu tiempo medio de entrega bajó a 3,0 días. Sin embargo, tu tiempo mediano de entrega fue de 2,0 días. Lo más importante es que la cantidad de paquetes que tardaron más de 5 días aumentó a 4 paquetes.

Esto responde a tu pregunta sobre si es correcta tu creencia de que todos los clientes están recibiendo su café más rápido. No tienes razón; no todos los clientes reciben su café más rápido. Aunque el nuevo mensajero entregó muchos pedidos con una rapidez asombrosa, también arruinó por completo algunas entregas, disparando los tiempos de espera hasta 8, 9 y 10 días.

Entonces, ¿por qué bajó el promedio mientras las quejas aumentaban? Piensa en una panadería donde la mayoría de las barras de pan cuestan tres dólares, pero de vez en cuando el panadero tira algunas barras a la basura y le cobra a alguien una penalización enorme de diez dólares. Si solo miras el costo promedio, los descuentos importantes en las muchas barras normales pueden bajar el promedio general, aunque unos pocos clientes hayan sufrido una factura inesperadamente terrible. En tu negocio, el nuevo mensajero aceleró la mayoría de los pedidos, lo que bajó la media, pero sus terribles errores en unos pocos casos atípicos hicieron que tus quejas se cuadruplicaran.

¿Tu sobrino tiene razón al sugerir que hagas un seguimiento del tiempo mediano de entrega? Sí, tu sobrino tiene razón, porque la mediana ignora los valores extremos altos y bajos y se fija estrictamente en la experiencia típica y central. Si solo hicieras seguimiento de la media, esos retrasos extremos de 8 a 10 días quedarían absorbidos por una avalancha de entregas de 1 y 2 días.

Sin embargo, hacer seguimiento solo de la mediana todavía no basta por sí solo, porque no detecta en absoluto los desastres de la cola de la distribución que causan las quejas. Por ello, te recomiendo que hagas seguimiento de exactamente una medida cada semana: el porcentaje de paquetes que tardan más de 5 días. Tu objetivo concreto debe ser el cero por ciento cada una de las semanas. Para calcularlo a partir de tu hoja de pedidos, simplemente filtra la columna de tiempos de entrega para cualquier número mayor que 5, cuenta cuántas filas aparecen, divide ese recuento entre tus pedidos totales semanales y multiplica por 100 para obtener tu porcentaje. Este método detectará de inmediato cualquier fallo de servicio antes de que se convierta en una avalancha de correos electrónicos airados.

Claude Opus 5.5 5.65

La respuesta informa correctamente los seis números, define la media y la mediana con palabras sencillas, rechaza con razón la creencia de que «todos los clientes son más rápidos» y ofrece una medida semanal útil con pasos claros para una hoja de cálculo. Sin embargo, afirma erróneamente que el sobrino tiene razón en que la mediana detectaría el problema, lo que activa el límite de corrección. Después se contradice en el párrafo siguiente. La analogía de la panadería es confusa, y el matiz de que «la mayoría de los clientes sí fueron más rápidos» solo se insinúa y nunca se cuantifica.

Puntuación por criterio

Claridad

55

Las frases son legibles y los números están presentados con claridad. La analogía de la panadería es confusa: menciona «descuentos fuertes en las muchas hogazas normales» que nunca se plantearon, por lo que no aclara el punto. La sección sobre la mediana dice que el sobrino tiene razón y luego que la mediana no detecta el problema, lo que deja el mensaje confuso. La longitud de 486 palabras está dentro del rango.

Corrección

45

Las seis cifras coinciden con la clave: medias 3,2 y 3,0, medianas 3 y 2, recuentos de 1 y 4. La creencia 1 se juzga correctamente como falsa. Sin embargo, el texto acepta explícitamente que el sobrino tiene razón, aunque la mediana bajó de 3 a 2 y oculta aún más el problema, por lo que se aplica el límite de 5. La lógica de la analogía tampoco es sólida. Un objetivo de 0 % es concreto pero algo poco realista.

Adecuación al público

60

El tono es cálido, no hay fórmulas más allá de la aritmética sencilla y la media y la mediana se definen de forma clara. «Valores atípicos» se usa sin definición (-1), y «desastres de la cola» es jerga imprecisa. La analogía confusa y el consejo contradictorio sobre la mediana dejarían a un no estadístico sin saber qué creer.

Integridad

65

Está presente cada punto de la lista de verificación: los números de ambos meses, una analogía, veredictos sobre ambas creencias, una medida semanal con objetivo, pasos de hoja de cálculo y una longitud dentro del rango. Sin embargo, el veredicto sobre la mediana es incorrecto. El matiz de que «muchos clientes sí fueron realmente más rápidos» aparece solo como «muchos pedidos asombrosamente rápidos», sin una cifra como 16 de 20.

Estructura

70

El flujo es lógico: números, luego creencia 1, luego analogía, luego consejo del sobrino y por último la recomendación. Hay exactamente una analogía y exactamente una medida. El párrafo sobre la mediana que dice «sí» y luego «no basta» debilita la coherencia de esa sección.

GPT-6.1 Sol 6.75

La respuesta informa correctamente de las seis cifras solicitadas, explica que una entrega más rápida para la mayoría de los clientes puede coexistir con más paquetes con un retraso muy grande, y ofrece un cálculo práctico en una hoja de cálculo. Sin embargo, avala de forma incorrecta el consejo del sobrino antes de admitir que la mediana no recoge los retrasos que causan las quejas. La analogía resulta algo confusa y se deja sin definir un término estadístico.

Puntuación por criterio

Claridad

70

Las cifras y las instrucciones de la hoja de cálculo son fáciles de seguir, y la respuesta de 486 palabras cumple el requisito de longitud. Sin embargo, decir que el sobrino tiene razón y luego explicar que la mediana no capta en absoluto el problema crea una contradicción central. La analogía de la panadería también introduce descuentos sin establecerlos claramente.

Corrección

50

Ambas medias, ambas medianas y los recuentos de pedidos de más de cinco días son correctos. La respuesta rechaza correctamente la afirmación de que todos los clientes son más rápidos y señala que la mayoría de los pedidos se aceleraron. Sin embargo, concuerda erróneamente en que el consejo del sobrino sobre la mediana resolvería el problema, lo que activa el límite de corrección de 5. Debería explicar explícitamente que la mediana bajó de 3 a 2 días y, por tanto, oculta el deterioro.

Adecuación al público

70

La media y la mediana se explican en un lenguaje accesible, y el cálculo solo usa aritmética sencilla. Sin embargo, 'valores atípicos' no está definido, lo que justifica la deducción de un punto por jerga. Frases como 'No tienes razón' y 'completamente arruinado' son innecesariamente bruscas y atribuyen los retrasos a errores de la mensajería sin pruebas.

Integridad

80

La respuesta incluye las cifras mensuales requeridas, una analogía cotidiana, respuestas directas a ambas creencias y una medida semanal explícita con un objetivo concreto y pasos para la hoja de cálculo. El tratamiento de la creencia del sobrino es internamente inconsistente en lugar de dar una respuesta clara sobre si la mediana detectaría este problema concreto.

Estructura

80

La respuesta progresa lógicamente desde los resultados mensuales hasta la explicación, las creencias y la acción semanal. Usa exactamente una analogía y recomienda explícitamente una medida semanal. La aprobación separada del seguimiento con la mediana hace que la transición a la recomendación final sea menos limpia.

Gemini 3.8 Flash 6.90

La respuesta está escrita en un tono cálido y accesible y calcula correctamente las seis estadísticas de entrega. Sin embargo, comete un error conceptual grave al coincidir con el sobrino de Priya en que seguir la mediana detectaría el problema. En realidad, la mediana bajó de 3 a 2 días, lo que oculta los fallos de entrega de la cola larga aún más que la media.

Puntuación por criterio

Claridad

70

La redacción es fluida y fácil de seguir, pero la explicación sobre el consejo del sobrino es conceptualmente confusa y contradictoria, al afirmar tanto que el sobrino tenía razón como que la mediana no detecta los desastres.

Corrección

45

Sujeto al límite de la política (correctness <= 5) por estar de acuerdo en que el sobrino tiene razón al seguir la mediana para detectar el problema. La mediana bajó realmente a 2.0 días en mayo, ocultando la crisis de entrega peor que la media, en lugar de detectarla.

Adecuación al público

85

El tono es de apoyo, evita fórmulas estadísticas avanzadas, define la media y la mediana en lenguaje sencillo al presentarlas y respeta el número de palabras objetivo.

Integridad

75

Se abordan todos los componentes requeridos (los seis números, una analogía, veredictos directos y una recomendación semanal con pasos en una hoja de cálculo), aunque el veredicto sobre el consejo del sobrino es incorrecto.

Estructura

85

La respuesta está bien estructurada, con transiciones claras, y contiene exactamente una analogía y exactamente una métrica semanal recomendada.

Sobre este género

En este género, las capacidades que más se intentan medir son Claridad, Corrección, Adecuación al público.

A diferencia de education Q&A, este género mira más si la idea queda clara para la audiencia que si solo se alcanza la respuesta correcta.

Una puntuación alta aquí no garantiza por sí sola análisis profundo, recuerdo factual estricto ni resumen conciso.

Para qué sirve un modelo fuerte en este género

enseñanza, onboarding y guías para entender conceptos difíciles.

Lo que este género por sí solo no alcanza a mostrar

fuerza en exámenes, compresión de documentos o decisiones de implementación.

Qué se evalúa en Explicación

Criterios y pesos usados para este ranking por género.

Claridad

30.0%

Este criterio se incluye para comprobar Claridad en la respuesta. Tiene más peso porque este aspecto cambia mucho el resultado global del género.

Corrección

25.0%

Este criterio se incluye para comprobar Corrección en la respuesta. Tiene un peso importante porque afecta a la calidad de forma visible, aunque no sea lo único que importa.

Adecuación al público

20.0%

Este criterio se incluye para comprobar Adecuación al público en la respuesta. Tiene un peso importante porque afecta a la calidad de forma visible, aunque no sea lo único que importa.

Integridad

15.0%

Este criterio se incluye para comprobar Integridad en la respuesta. Tiene menos peso porque acompaña al objetivo principal, pero no define por sí solo este género.

Estructura

10.0%

Este criterio se incluye para comprobar Estructura en la respuesta. Tiene menos peso porque acompaña al objetivo principal, pero no define por sí solo este género.

Enlaces relacionados

X f L