Sesgo de muestreoSampling Bias
Una inclinación de los datos que nace de a quién se eligió
- El sesgo de muestreo es cuando, por la forma en que se elige una parte del total, esa parte termina siendo distinta al total.
- Los datos elegidos no son falsos en sí mismos. Lo que se desvía es el momento en que se le pone el nombre del total a ese resultado.
- No desaparece con más cantidad. Elegir más desde el mismo lugar solo hace que la misma inclinación se acumule con más fuerza.
- El lado que quedó fuera no deja ninguna huella en los datos. Con solo mirar la tabla no se puede saber qué falta.
- Cuando se trata de datos sobre personas, la inclinación se convierte en un perjuicio para el lado menos representado, y la brecha se agranda con el tiempo.
Contenido
1La analogía
Quieres saber qué tan bien germinan las semillas de una bolsa. No puedes sembrar las cien, así que tomas solo veinte, las pones sobre un paño húmedo y las observas unos días. Si germinan dieciocho de veinte, anotas que esta bolsa germina bien.
El problema está en cómo elegiste esas veinte semillas. Si metes la mano sin agitar la bolsa, solo agarras las semillas gordas y bien formadas. Las chicas y las que parecen vacías se quedan hundidas abajo, y no sale ni una de ellas elegida. Es normal que esas veinte semillas germinen bien: no es que la bolsa sea buena, es que la mano solo eligió las buenas.
El sesgo de muestreo es esa mano. Querías conocer el total, elegiste una parte, y por la forma en que la elegiste, esa parte terminó siendo distinta al total.
2En detalle
El lugar donde entra la mano define el resultado
Si metes la mano solo por arriba, sale solo lo grande; si revuelves solo en una esquina de la bolsa, sale solo lo de esa esquina. Con los datos pasa igual. Si solo se recogen opiniones dentro de una aplicación, se acumulan solo las opiniones de quien usa esa aplicación; si se llama por teléfono solo en horario de oficina, entre semana, se juntan solo las respuestas de quien puede atender el teléfono a esa hora.
Los datos que se juntan así no mienten. Las veinte semillas elegidas de verdad germinaron bien. Lo que se desvía es el nombre que se le pone a ese resultado. En el instante en que se anota que esta bolsa germina bien, se termina hablando en nombre de las otras ochenta semillas que nunca se eligieron.
Aumentar la cantidad de datos no diluye esta inclinación. Aunque se pasen las veinte semillas a doscientas, si se siguen sacando del mismo lugar, siguen siendo las de arriba. La inclinación no es un problema de cantidad, sino de método de selección.
El lado que falta no deja huella
Lo más difícil de manejar es que el lado que no fue elegido no deja ningún rastro. Las semillas que se hundieron en el fondo de la bolsa nunca suben al paño, así que ni siquiera se pueden contar. Mirando solo los datos reunidos no hay forma de saber qué parte está vacía, y por más que se revise la tabla, ese hueco no se ve.
Por eso la inclinación se revela al mirar cómo se reunieron los datos, no al mirar los datos mismos. Si no se anota dónde, cuándo y por qué canal se reunieron, después no hay forma de reconstruirlo. Por eso dejar registrado el proceso de recolección es tan importante como revisar los datos.
El modelo también aprende solo de lo que fue elegido. Y después responde sin dudar sobre el lado que nunca vio.
Cuando son datos de personas, el perjuicio vuelve
Con las semillas, si algo sale mal, se compra otra bolsa y listo, pero cuando los datos inclinados son sobre personas, ese resultado vuelve a recaer sobre ellas. Si los datos de algún grupo quedan poco representados, el juicio sobre ese grupo se vuelve más torpe, y ese juicio torpe termina usándose tal cual en cosas como la selección de currículums o la asignación automática de atención.
Lo peor es la retroalimentación. El grupo que se acierta poco encuentra incómodo el servicio y lo usa menos; al usarlo menos, se acumulan menos datos de ese grupo; con menos datos, se acierta todavía menos. Una pequeña inclinación inicial se agranda con el paso del tiempo.
Por eso no alcanza con quedarse tranquilo viendo un buen rendimiento general. Un número que junta todo en uno se deja arrastrar por el rendimiento del lado más representado, y eso tapa lo mal que le va al lado menos representado. Solo se ve cuando se mira cada grupo por separado.
Cómo reducir la inclinación
Primero, hay que agitar la bolsa. Elegir de forma pareja desde cualquier lugar es el método más simple y más sólido. También se puede dividir de antemano en franjas —arriba, en el medio, abajo— y elegir una cantidad fija de cada franja. Así ninguna franja queda completamente afuera.
No depender de un solo canal también ayuda. Si se usan a la vez la aplicación, el teléfono y el formulario en papel, lo que un canal deja afuera lo recoge otro. La inclinación que aun así queda a veces se corrige después dándole más peso a los datos del lado menos representado.
Sea lo que sea que se haga, el primer paso es el mismo: escribir en una frase a quién incluyen estos datos y a quién dejan afuera. Al escribirlo, recién ahí el lado que falta empieza a hacerse visible.
3Con más precisión
El sesgo de muestreo es la inclinación que aparece cuando, al elegir una parte del total, la probabilidad de ser elegido no es la misma para todos los elementos. Cuando un lado queda completamente afuera porque ni siquiera tuvo la oportunidad de ser elegido, se lo llama por separado problema de cobertura, y cuando se elige a alguien pero esa persona no responde y solo quedan datos de quienes sí lo hicieron, se lo llama problema de no respuesta. El sesgo de supervivencia, que junta solo a los que sobrevivieron y habla en nombre del total, nace de la misma raíz.
Hay un punto donde la analogía se queda corta. La bolsa de semillas se puede vaciar entera y contar las cien si uno se lo propone, pero en los datos reales casi nunca se sabe cómo es el total. Al no haber una respuesta con la cual comparar, tampoco se puede medir con exactitud el tamaño de la inclinación, y solo se puede estimar a ojo en los puntos donde existe una cifra de referencia confiable por separado, como la edad o la región.
Conviene distinguirlo del término más amplio de sesgo de los datos. El sesgo de muestreo es, dentro de esa categoría, la rama que aparece específicamente en la etapa de selección. La inclinación de quien pone las etiquetas correctas, o una inclinación que ya existía en el mundo y se traslada tal cual a los datos, son otras ramas distintas.
4Pruébalo
5Malentendidos comunes
Es fácil pensar que juntar más datos diluye la inclinación, pero en realidad, elegir más de la misma manera solo hace que la misma inclinación se vuelva más firme.
Es fácil pensar que los datos elegidos están mal, pero en realidad los datos elegidos pueden ser exactos, y el problema está en leer ese resultado como si fuera la historia completa.
Es fácil pensar que mirando bien la tabla se puede encontrar la inclinación, pero en realidad el lado que falta ni siquiera aparece en la tabla, así que solo se revela al reconstruir cómo se reunieron los datos.
7Resumen en una línea
En resumenEl sesgo de muestreo es la inclinación que crea la mano que elige, y en el momento en que se le pone el nombre del total a esa parte elegida, el lado que quedó afuera desaparece por completo.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02