Context
When someone asks “is my recovery bad?”, the honest answer is not a population percentile. It’s “bad compared to what?”. A resting heart rate of 58 is great for one person and a warning sign for another. For everyday coaching, the unit that matters is the individual over time, not the average of thousands of strangers.
The concept
N-of-1 analysis treats one person as the whole study. You take repeated observations of the same individual and look at their trajectories, their variability, and the relationships inside that one person. A 2026 study of HRV, sleep and fatigue found that individual trajectories revealed patterns that disappear in aggregate analysis. The group average literally hides the person.
Personal science adds one more layer on top. The person helps frame the question, observe, and reason about the result. It is not “the algorithm knows you”. It is “here is your own pattern, and here is how confident we can be about it”.
The note lives between two disciplines: personal informatics, which is about collecting and making sense of your own data, and N-of-1 or single-case methods, which is the statistics of studying one unit repeatedly.
In practice
For an active adult tracking data over weeks:
- Set their normal range for each metric before judging any single day.
- Ask within-person questions: on weeks I sleep below my average, does my energy or my pain change?
- Show the variability and the uncertainty, not just a point value.
- Never turn a within-person correlation into a cause. Sleeping worse and hurting more on the same day does not prove one caused the other. Confounders, missing data and having enough observations all matter.
My take
This is the statistical spine of the “everyday adults” positioning. It is what separates honest personalization from magic scores. It pairs directly with [[what-wearable-data-to-trust]]: the personal baseline is how you make a soft metric usable. Design question for ADAPTY: how many observations before showing a personal trend, and how to communicate “not enough data yet” without killing engagement.
Contexto
Cuando alguien pregunta “¿mi recuperación está mal?”, la respuesta honesta no es un percentil poblacional. Es “¿mal comparado con qué?”. Una frecuencia cardiaca en reposo de 58 es excelente para una persona y una alarma para otra. En el coaching cotidiano la unidad que importa es el individuo a lo largo del tiempo, no el promedio de miles de desconocidos.
El concepto
El análisis N-of-1 trata a una persona como el estudio completo. Tomas observaciones repetidas del mismo individuo y miras sus trayectorias, su variabilidad y las relaciones dentro de esa persona. Un estudio de 2026 sobre HRV, sueño y fatiga mostró que las trayectorias individuales revelan patrones que desaparecen en el análisis agregado. El promedio del grupo literalmente esconde a la persona.
La ciencia personal añade una capa más. La persona ayuda a formular la pregunta, observar y razonar sobre el resultado. No es “el algoritmo te conoce”. Es “aquí está tu propio patrón, y aquí está qué tan seguros podemos estar de él”.
La nota vive entre dos disciplinas: la informática personal, que es recolectar y dar sentido a tus propios datos, y los métodos N-of-1 o de caso único, que son la estadística de estudiar una unidad de forma repetida.
En la práctica
Para un adulto activo que lleva datos durante semanas:
- Fija su rango normal en cada métrica antes de juzgar un día suelto.
- Haz preguntas dentro de la persona: en semanas que duermo bajo mi promedio, ¿cambia mi energía o mi dolor?
- Muestra la variabilidad y la incertidumbre, no solo un valor puntual.
- Nunca conviertas una correlación dentro de la persona en causa. Dormir peor y doler más el mismo día no prueba que uno causó el otro. Importan los confusores, los datos faltantes y tener suficientes observaciones.
Mi lectura
Esta es la columna estadística del enfoque de “adultos comunes”. Es lo que separa la personalización honesta de los scores mágicos. Se conecta directo con [[what-wearable-data-to-trust]]: el baseline personal es la forma de hacer usable una métrica blanda. Pregunta de diseño para ADAPTY: cuántas observaciones antes de mostrar una tendencia personal, y cómo comunicar “todavía no hay datos suficientes” sin matar el uso.