Un ingeniero de software narra un caso real en el que el equipo evaluó un cambio en la caché de un servicio web observando únicamente la latencia media: la cifra pasó de 112 ms a 122 ms, un aumento del 9 % que disparó una alerta y la cancelación del despliegue. El artículo usa un conjunto de datos sintéticos para demostrar cómo un único estadístico puede inducir a error y por qué la elección del método de visualización es una decisión técnica con consecuencias operativas.
La historia gira en torno a un cambio que desplegó una nueva capa de caché. La media sugería regresión, pero la mediana (p50) caía un 46 % y el p99 se disparaba un 119 %. La contradicción se resuelve al examinar la forma de la distribución: la densidad muestra dos poblaciones, una rápida y otra lenta, que la media aplana en un único número. La función de distribución acumulada (CDF) y la función de desplazamiento (shift function) permiten ver el efecto en cada percentil y revela que la mejora para los aciertos de caché convivía con un empeoramiento notable en los fallos.
El texto recorre después visualizaciones adicionales: ridgeline diario durante una semana de despliegue gradual, mapa de calor, y un jointplot de latencia frente a tamaño de respuesta, que atribuye la bimodalidad a los objetos grandes que no caben en caché. La conclusión operativa es clara: medir solo la media oculta efectos compuestos y puede llevar al equipo a revertir mejoras reales o mantener regresiones sin detectarlas.