El tamaño y la selección de la muestra describen, respectivamente, cuántas observaciones se analizan y cómo se han elegido. Ambas decisiones condicionan lo que podemos concluir: una muestra grande puede seguir siendo engañosa si está mal seleccionada.
Dos preguntas que deben formularse juntas
El tamaño se representa normalmente con n: es el número de observaciones efectivamente incluidas. Una muestra de diez partidos y otra de cien no ofrecen la misma estabilidad estadística bajo un modelo comparable. Pero antes de hablar de «más datos», hay que definir la población objetivo: el conjunto de casos sobre el que deseamos aprender algo.
Por ejemplo, si estudiamos la frecuencia de empate en una liga y una temporada concretas, esa población no coincide con «todos los partidos que una página web muestra como interesantes». La selección debe especificar calendario, competiciones, fechas, calidad de datos y criterios de inclusión y exclusión. Cuanto más conveniente sea recopilar solo ciertos casos, mayor posibilidad de que la muestra no represente la pregunta original.
El tamaño afecta sobre todo a la variación debida al azar en un proceso estadístico; una selección sesgada puede introducir un error sistemático. Aumentar n repitiendo el mismo mecanismo de selección defectuoso no elimina ese sesgo.
Ejemplo ficticio: el 60 % puede significar cosas distintas
En una liga imaginaria, un analista encuentra que los locales ganan 6 de 10 partidos de una pequeña muestra. Calcula 6/10 = 60 %. Otra analista revisa una muestra de 100 partidos, con 60 victorias locales: también obtiene 60 %. Las frecuencias coinciden, pero la incertidumbre estadística no tiene por qué ser igual.
Para ilustrar la diferencia, y solo bajo un modelo de observaciones independientes con probabilidad fija p = 0,60, la desviación típica de la frecuencia relativa sería √[p × (1 − p) / n]. Para diez partidos: √(0,60 × 0,40 / 10) = 0,1549, unos 15,49 puntos porcentuales. Para cien partidos: √(0,60 × 0,40 / 100) = 0,0490, unos 4,90 puntos. No son intervalos de confianza ni resultados de un estudio real: ilustran la reducción de variabilidad en ese modelo.
Ahora imaginemos que los cien partidos provienen exclusivamente de enfrentamientos de un favorito muy dominante en casa, mientras la pregunta es sobre todos los clubes de la liga. La muestra grande puede ser menos útil para esa pregunta general que una muestra más pequeña pero mejor diseñada. El número cien no cura el problema de representatividad.
Cómo decidir qué entra y qué queda fuera
Antes de calcular una frecuencia o evaluar un modelo, debemos fijar la unidad de observación: ¿partido completo, selección, mercado o pronóstico? Un mismo encuentro puede generar decenas de mercados, que no son automáticamente observaciones independientes. Repetir el mismo partido bajo nombres de archivo diferentes tampoco aumenta n legítimamente.
Conviene registrar fechas de corte, reglas de exclusión, ausencias de datos, fuente y momento en que se conocía cada variable. En una evaluación predictiva, separar los periodos de ajuste y prueba evita que el análisis se diseñe mirando el resultado final. Si el criterio de selección se cambia después de conocer qué casos salieron bien, la muestra deja de ser una evaluación honesta del método inicial.
En análisis reales el tamaño adecuado depende de la pregunta, la heterogeneidad, la dependencia entre observaciones y la precisión deseada; no hay un número mágico de partidos que acredite una ventaja. Hay que describir las incertidumbres que siguen abiertas.
Errores frecuentes y síntesis
- Confundir cantidad y calidad: muchos partidos mal elegidos no garantizan representatividad.
- Tratar observaciones relacionadas como independientes: cien selecciones del mismo partido no equivalen a cien encuentros independientes.
- Ajustar filtros después de ver resultados: elegir retrospectivamente los subgrupos que funcionan mejor produce conclusiones demasiado optimistas.
Qué debes recordar: escribe siempre «n observaciones, elegidas así, para responder a esta pregunta». Una estimación sin esa frase deja sin evaluar gran parte de su validez.
Conceptos relacionados
Frecuencia observada; Sesgo de selección; Varianza; Desviación típica; Ley de los grandes números; Validación fuera de muestra.