El bias de insensibilidad al tamaño de muestra se da cuando asumimos la probabilidad de algún evento sin tener en cuenta el tamaño de la muestra. El error aquí nace del hecho de que no podemos hacer hipótesis a nivel de población si el grupo que usamos como base para establecer la probabilidad de algo es demasiado pequeño.

Según la ley de los grandes números se sabe que cuando tenemos un tamaño de población suficientemente grande, normalmente superior a 20 pero preferiblemente superior a 100, se puede extrapolar lo que aprendemos, en términos de probabilidad, a una normal y a la población general.

Un buen ejemplo de esto es el de lanzar una moneda. Sabemos que si lanzamos una moneda suficientes veces, a menos que haya un problema en la moneda, tenderá a salir el mismo número de veces cara que cruz. Pero si trabajamos con una muestra demasiado pequeña, es posible que salgan muchas veces una que la otra pero esto no tiene porque significar que la moneda está trucada.

La razón por la que pasa esto, se debe que si los números de muestra son demasiado pequeños podríamos estar trabajando con subgrupos dentro de la población sin darnos cuenta, y estos subgrupos podrían tener características completamente diferentes y por lo tanto usarlos como base para sacar conclusiones generales es una receta para el desastre.

Es importante entender hasta qué punto los grupos que estamos estudiando realmente son del mismo subgrupo, o si simplemente tienen características parecidas pero se pueden diferenciar aún más en los temas que nos interesan.

La insensibilidad al tamaño de muestra en el mundo del emprendimiento

Un gran ejemplo de esto es porque siempre se recomienda que hablemos con al menos 20 clientes cuando estemos desarrollando un producto y que nos aseguremos de que son clientes de nuestro nicho.

La razón por la que se recomienda esta práctica en el mundo de las startup se debe a que entrevistar a este número de personas nos permite trabajar con un número suficientemente grande como sacar conclusiones de nuestro nicho de interés. La distribución dentro de esta muestra suele ser de entre 1 y 3 “perfiles diferentes” que tienen características que solapan, pero que no tienen porqué mostrar el mismo interés en nuestro producto

De forma que si el resultado de las entrevistas demuestra que de los perfiles detectados, sólo hay 1 que esté interesado, lo más seguro es que el nicho con el que estamos trabajando no es lo suficientemente específico y que por lo tanto no podemos sacar conclusiones hasta trabajar con una muestra de este nicho concreto.

Si somos víctimas del bias de la insensibilidad al tamaño de muestra, no nos daremos cuenta de que en realidad hay perfiles diferentes dentro de nuestro grupo e intentaremos usar lo que aprendamos para sacar conclusiones de una población errónea. Lo que suele resultar en el colapso de muchas startup.

Sesgo de la insensibilidad al tamaño de muestra en el campo del management

Otro ejemplo de este sesgo puede darse en el campo del management, en concreto cuando se trata de elegir a quien dar un ascenso. 

La habilidad de una persona está relacionada en gran medida con el contexto en el que están, la suerte y una multitud de factores, de forma que elegir a alguien para una posición únicamente porque ha conseguido más éxito en el período poco antes de que se abra la oferta, no tiene porque ser una buena idea.

Esto se debe a que el efecto de factores como la suerte tienen mucho mayor peso en periodos de tiempo cortos, es decir, con número de proyectos de muestra pequeño. De forma que para mejorar la probabilidad de decidir sin que afecte la suerte, podemos esperar un poco más, o tener en cuenta proyectos anteriores a que trabaje con nosotros la persona.

Aunque también es cierto que existen los casos de personas que pueden mostrar un rendimiento muy superior a la media y que pueden mantenerlo, por lo que siempre hay que observar cada caso de forma individual y sacar nuestras propias conclusiones.

¿Cómo reducir el efecto del bias de insensibilidad al tamaño de muestra?

Este tipo de bias, como muchos otros, es difícil de controlar y puede tener grandes efectos, pero lo importante al final es simplemente :

No subestimar la cantidad de riesgo que se asocia a cada decisión. Si una decisión es poco importante, podemos usar una muestra más pequeña y probar el resultado aun con el riesgo de fallar. Simplemente porque usar ese tiempo para otras cosas puede ser más efectivo

Subestimar el riesgo. Del mismo modo que sobreestimar el riesgo puede llevar a ineficiencia, subestimarlo puede llevar a peores problemas. Por eso antes de decidir cuánto tiempo dedicar a resolver algo es importante entender el riesgo asociado a la decisión. Cuanto más importante el resultado, más nos importa el riesgo asociado y por lo tanto más recursos puede requerir.

Confianza excesiva. Puede darse la situación de asumir que simplemente porque algo haya funcionado hasta ahora vaya a funcionar en el futuro. Esto no es para nada cierto, hay cosas que pueden funcionar aún mejor en un futuro y otras que pueden funcionar peor. 

Por lo que es importante saber el riesgo asociado a cada opción ya que podemos lanzar una moneda y obtener cara 15 veces seguidas, pero no tiene porque significar que la siguiente vaya a salir cara. Así que todo depende de si estamos dispuestos a apostar, cuando las probabilidades pueden no llegar al 50%

Visión de túnel. Tener confianza excesiva en los resultados hasta el momento puede hacer que perdamos de vida todo el contexto, pero no existe respuesta sin contexto. Aunque un experimento salga bien en ciertas condiciones es posible que simplemente con cambiar factores como la temperatura o humedad ya no funcione. Por eso, debemos tener en cuenta siempre los factores que han afectado y el resultado para entender cuales son los realmente importantes.

Descubre nuestros mejores artículos en tus redes favoritas

Domina lo mejor de lo que otras personas han descubierto

Únete a Nuestra Newsletter y descubre las mejores ideas, conceptos y prácticas de una amplia gama de disciplinas.

únete Ya