# De dónde salen los datos que estás mirando

URL canónica: https://missyera.com/guias/estadistica-desde-cero/de-donde-salen-los-datos/
Última actualización: 2026-11-16
Autora: Gera Flores (Miss Yera)

> **Respuesta corta**
>
> Todo lo que viene después en este libro supone que tu muestra representa a la población, y casi nunca lo comprueba nadie. Yo lo medí sobre las mismas ventas: una encuesta hecha a quien está más a mano da un ticket de 1.258,98 cuando el real es 803,76. Y recoger más datos no lo arregla, lo empeora 🎯

Capítulo 9 de 23 del libro [Estadística desde cero](https://missyera.com/guias/estadistica-desde-cero.md).

Los ocho capítulos anteriores dan por hecho una cosa que nadie comprueba: que los datos que tienes delante representan a lo que quieres saber 🎯

Y ese supuesto es el que más veces se cae. Un promedio bien calculado sobre una muestra torcida es un número perfecto de algo que no te interesa.

Aquí tenemos una ventaja que en la vida real no vas a tener nunca: **conocemos la población entera**. Son 3.000 pedidos y podemos mirarlos todos. Así que podemos sacar muestras de tres maneras distintas y comparar cada una contra la verdad.

```
import numpy as np
import pandas as pd

URL = 'https://missyera.com/static/datasets/ventas-miss-yera.csv'

def carga_limpia(url):
    """La misma del capítulo 2."""
    v = pd.read_csv(url).drop_duplicates()
    v['ciudad'] = (v['ciudad'].str.strip().str.lower()
                   .str.normalize('NFKD')
                   .str.encode('ascii', 'ignore').str.decode('utf-8'))
    v['monto'] = pd.to_numeric(v['monto'].str.replace(',', '.'))
    for col in ['fecha', 'fecha_ultima_compra']:
        f = pd.to_datetime(v[col], format='%Y-%m-%d', errors='coerce')
        falta = f.isna() & v[col].notna()
        f[falta] = pd.to_datetime(v.loc[falta, col], format='%d/%m/%Y',
                                  errors='coerce')
        v[col] = f
    return v

v = carga_limpia(URL).dropna(subset=['monto'])
POBLACION = v['monto'].mean()

print('pedidos en total: %d' % len(v))
print('ticket promedio de TODOS: %.2f' % POBLACION)
print()
print(v.groupby('segmento')['monto'].agg(['count', 'mean']).round(2)
      .sort_values('mean').to_string())
```

```text
pedidos en total: 3000
ticket promedio de TODOS: 803.76

            count     mean
segmento
Bodega        707   178.70
Minimarket    801   414.92
Horeca        742   755.18
Mayorista     750  1856.34
```

Guárdate esa tabla, que es el motor de todo lo que viene 🔑

Un mayorista compra **diez veces** lo que una bodega: 1.856,34 contra 178,70. Cuando dentro de tu población hay grupos así de distintos, a quién metes en la muestra deja de ser un detalle administrativo.

Y antes de seguir, contéstate esto: **¿hacia dónde se te iría el número si preguntaras solo a los clientes que tienes más a mano?** 🐣

## Qué es una muestra en estadística, y qué es la población

Dos palabras que se usan todo el tiempo y que conviene tener clavadas, porque casi todos los errores de este capítulo salen de confundirlas 📏

- **La población** es todo lo que te interesa medir. Todos tus clientes, todas tus ventas, todos los profesionales de Lima. Casi nunca la tienes entera.
- **La muestra** es el pedacito que sí puedes mirar. Y toda la estadística existe para una sola cosa: decir algo sobre la población habiendo visto nada más que la muestra.

Lo importante no es el tamaño, y esto es lo que más cuesta creer: **una muestra chica bien sacada le gana a una muestra grande mal sacada**. Mil respuestas de gente que te sigue en Instagram no te dicen nada de tus clientes; cien sacadas al azar de tu base sí.

Los **tipos de muestreo** que se usan en la práctica los vemos en la tabla de más abajo, pero el que manda es el primero: al azar, sin que el que elige pueda influir.

![De los mismos 3.000 pedidos, cuyo ticket real es 803,76, salen tres muestras: al azar da 803,28 con variación 50,10; preguntando a quien el vendedor visita da 1.258,98 con variación 61,38; y respetando el peso de cada segmento da 804,68 con variación 28,62.](https://missyera.com/static/diagramas/webp/est-10-muestreo.webp)

*Las tres muestras tienen 200 pedidos y las tres están bien calculadas. Lo único que cambia es quién entró, y eso vale 455 soles en la rama del medio.*

## Lo que pasa cuando se saca bien

Muestreo aleatorio simple: cada pedido tiene exactamente la misma probabilidad de entrar. Lo sacamos 500 veces para no juzgar por una sola:

```
def promedios(sacar, veces=500):
    """El ticket promedio de `veces` muestras sacadas con `sacar`."""
    return np.array([sacar(s)['monto'].mean() for s in range(veces)])

al_azar = promedios(lambda s: v.sample(200, random_state=s))
print('poblacion:              %.2f' % POBLACION)
print('promedio de 500 muestras: %.2f' % al_azar.mean())
print('sesgo:                    %+.2f' % (al_azar.mean() - POBLACION))
print('cuanto varian entre si:   %.2f' % al_azar.std())
```

```text
poblacion:              803.76
promedio de 500 muestras: 803.28
sesgo:                    -0.49
cuanto varian entre si:   50.10
```

Cuarenta y nueve céntimos de sesgo sobre 803 soles. Eso es cero 💚

Y fíjate en que hay **dos números distintos** y no uno, porque son dos problemas distintos:

- 📍 El **sesgo** es si le apuntas al sitio correcto. Aquí, sí.
- 📏 La **variación** es lo que se mueve una muestra de otra. Cincuenta soles, que no es poco.

La variación se arregla con más datos, y eso ya lo sabías por el capítulo 10. El sesgo no. Y esa diferencia es el capítulo entero.

## Y ahora una muestra como se saca de verdad

Nadie encuesta al azar. Se encuesta a quien contesta, a quien pasa por la tienda, a quien el vendedor visita. Y el vendedor no visita a todos igual:

```
VISIBILIDAD = {'Bodega': 1, 'Minimarket': 2, 'Horeca': 4, 'Mayorista': 8}
peso = v['segmento'].map(VISIBILIDAD)

conveniencia = promedios(
    lambda s: v.sample(200, weights=peso, replace=True, random_state=s))

print('lo que el vendedor visita, por cada bodega:')
for seg, cuantas in VISIBILIDAD.items():
    print('   %-11s %d' % (seg, cuantas))
print()
print('poblacion:                 %.2f' % POBLACION)
print('lo que mide la encuesta:   %.2f' % conveniencia.mean())
print('sesgo:                     %+.2f soles' % (conveniencia.mean() - POBLACION))
```

```text
lo que el vendedor visita, por cada bodega:
   Bodega      1
   Minimarket  2
   Horeca      4
   Mayorista   8

poblacion:                 803.76
lo que mide la encuesta:   1258.98
sesgo:                     +455.21 soles
```

Cuatrocientos cincuenta y cinco soles 😱

El ticket real es 803,76 y la encuesta dice 1.258,98. Un **57% de más**, y ni una sola línea del cálculo está mal: el promedio está bien hecho, la muestra tiene 200 pedidos de verdad, todo corre. Lo que está mal es quién entró.

Y no hace falta que nadie mienta ni haga trampa. Basta con que el vendedor pase más por donde le compran más, que es lo que hace cualquier vendedor sensato.

## La tabla que hay que enseñarle a quien pide "más datos"

Cuando un número no cuadra, lo primero que dice todo el mundo es "hay que recoger más". Vamos a ver si eso arregla algo:

```
print('%8s %12s %10s %12s' % ('n', 'promedio', 'sesgo', 'variacion'))
for n in [100, 400, 1600, 6400]:
    m = promedios(lambda s: v.sample(n, weights=peso, replace=True, random_state=s), 200)
    print('%8d %12.2f %+10.2f %12.2f' % (n, m.mean(), m.mean() - POBLACION, m.std()))
```

```text
       n     promedio      sesgo    variacion
     100      1256.80    +453.04        86.37
     400      1255.06    +451.30        42.72
    1600      1254.39    +450.63        20.46
    6400      1255.88    +452.12        10.75
```

Léela de arriba abajo dos veces 😬

La columna de la derecha baja bien: de 86 a 11. Con 6.400 encuestas tu número es **ocho veces más estable** que con 100.

Y la del medio no se mueve. 453, 451, 450, 452. Sesenta y cuatro veces más datos y el error sigue ahí entero.

O sea que recoger más datos de la misma manera torcida te deja **más seguro de un número equivocado**. Que es peor que estar inseguro, porque ahora lo defiendes en la reunión con un intervalo estrecho al lado.

Más datos arreglan la variación y no arreglan el sesgo. Una muestra torcida con muchas filas es una muestra torcida con un intervalo estrecho.

## Cómo se arregla, que es más fácil de lo que parece

Si el problema es que unos grupos entran de más y otros de menos, la solución es sacar de cada grupo lo que le toca. Eso se llama **muestreo estratificado**:

```
reparto = v['segmento'].value_counts(normalize=True)
print('como es el negocio de verdad:')
print((reparto * 100).round(1).to_string())

def estratificada(s):
    trozos = [v[v['segmento'] == seg].sample(int(round(200 * w)), random_state=s)
              for seg, w in reparto.items()]
    return pd.concat(trozos)

estrato = promedios(estratificada)
print()
print('%-22s %10s %10s %10s' % ('como se saca', 'promedio', 'sesgo', 'variacion'))
for nombre, m in [('al azar', al_azar), ('por conveniencia', conveniencia),
                  ('estratificada', estrato)]:
    print('%-22s %10.2f %+10.2f %10.2f' % (nombre, m.mean(), m.mean() - POBLACION, m.std()))
```

```text
como es el negocio de verdad:
segmento
Minimarket    26.7
Mayorista     25.0
Horeca        24.7
Bodega        23.6

como se saca             promedio      sesgo  variacion
al azar                    803.28      -0.49      50.10
por conveniencia          1258.98    +455.21      61.38
estratificada              804.68      +0.92      28.62
```

Mira la última fila entera, que tiene dos buenas noticias 💜

El sesgo se fue, como era de esperar. Pero además **la variación baja de 50,10 a 28,62**, un 43% menos, con exactamente el mismo número de encuestas.

Eso no es magia: al forzar que cada segmento aparezca en su proporción, quitas de en medio la lotería de cuántos mayoristas te tocaron esta vez. Estratificar no solo corrige, también **afina gratis**, y por eso es lo que hacen las encuestas serias.

La condición para poder hacerlo es una y hay que decirla: tienes que **conocer el reparto real de la población**. Aquí lo conocemos porque tenemos la base entera. En una encuesta de calle se saca del censo, del padrón de clientes o de lo que haya, y si no lo tienes, no puedes estratificar.

## El error que sale al inventarse los pesos

Y este sale el primer día que alguien decide pesar por algo:

```
v.sample(200, weights=v['monto'] - POBLACION, random_state=0)
```

```
ValueError: weight vector many not include negative values
```

Pesar por "cuánto se aleja del promedio" suena razonable hasta que lo escribes: la mitad de los pedidos están por debajo, así que la mitad de los pesos salen negativos. Y un peso negativo no significa nada, porque no puedes meter a alguien *menos* de cero veces 🚩

Lo de *many* en vez de *may* es una errata de pandas, no mía. La dejo tal cual porque es lo que vas a ver en tu pantalla.

## Los cuatro muestreos que se usan, en una tabla

| Cómo se saca | Cuándo | Qué le pasa |
|---|---|---|
| **Aleatorio simple** | Cuando tienes la lista completa de clientes | Sin sesgo. Es el patrón contra el que se compara todo |
| **Estratificado** | Cuando hay grupos muy distintos y sabes su peso real | Sin sesgo y con menos variación. El mejor si puedes |
| **Por conglomerados** | Cuando visitar cuesta: eliges 3 ciudades y encuestas todo dentro | Barato, y con más variación. Vale si eliges los conglomerados al azar |
| **Por conveniencia** | Cuando preguntas a quien está a mano, que es lo que pasa casi siempre | Sesgo desconocido. Lo medido aquí: +455 soles |

La cuarta fila es la que de verdad usas, y no pasa nada por usarla: lo que no puedes es olvidarte de que la usaste. **Una encuesta de conveniencia se reporta diciendo a quién se preguntó**, y entonces quien lee decide cuánto se lo cree 🔍

Y hay un quinto caso que no es un método sino una avería: la **no respuesta**. Mandas la encuesta al azar, bien sacada, y contesta el 12%. Ese 12% ya no es una muestra aleatoria, es una muestra de conveniencia de la gente a la que le apetece contestar. El sesgo entra por ahí aunque el diseño fuera perfecto.

Si quieres el detalle formal, el [INEI](https://www.inei.gob.pe/) publica las fichas técnicas de sus encuestas con el diseño muestral entero, y son de lo mejor que hay para ver esto escrito en serio y sobre el Perú 📄

La trampa

Un equipo quiere una encuesta estratificada y escribe los pesos a mano. La muestra sale, el código no sé quéja, y el ticket promedio les da 547,81 cuando el real es 803,76.

```
PESOS = {'Bodega': 1, 'Minimarket': 2, 'Horeca': 4}
peso = v['segmento'].map(PESOS)

muestra = v.sample(200, weights=peso, replace=True, random_state=0)
print(muestra['monto'].mean())    # 547.81
```

**Qué está mal**

Falta **Mayorista** en el diccionario. Al mapear, esas 750 filas se quedan en `NaN`, y pandas trata un peso ausente como un cero: el segmento que más factura, 1.856,34 de ticket, queda excluido de la muestra **sin un solo aviso**. Por eso el promedio se cae a 547,81. Esto es peor que el sesgo de conveniencia del capítulo, porque allí al menos sabías que estabas preguntando a quien tenías a mano. La comprobación que lo caza cabe en una línea y hay que hacerla siempre después de muestrear: `muestra["segmento"].value_counts()`. Si falta una categoría que existe en la población, ahí está el problema.

## Ejercicios

Seis. El 1 es la trampa de arriba ejecutada, y el 4 es el que te va a servir en el trabajo 💛

**1. Olvídate de un segmento a propósito**

Quita `Mayorista` del diccionario de pesos y mira qué sale.

```
PESOS = {'Bodega': 1, 'Minimarket': 2, 'Horeca': 4}
mala = v.sample(200, weights=v['segmento'].map(PESOS), replace=True, random_state=0)
print('promedio:', round(mala['monto'].mean(), 2))
print(mala['segmento'].value_counts().to_string())
```

La segunda línea es la que hay que interiorizar: después de sacar una muestra, cuenta siempre qué hay dentro. Es donde se ve lo que no está.

**2. Cambia lo que el vendedor visita**

Prueba con `VISIBILIDAD` al revés, o sea que visite ocho veces más a las bodegas.

El sesgo tiene que darse la vuelta y salir negativo. Y eso enseña algo que no es obvio: **el sesgo no siempre exagera**. Una encuesta mal sacada puede hacerte creer que vendes menos de lo que vendes, y ese error nadie lo sospecha porque las malas noticias se creen antes.

**3. Estratifica por ciudad en vez de por segmento**

Repite el estratificado usando `ciudad` y compara la variación con la del estratificado por segmento.

Va a bajar mucho menos. La razón es la tabla del principio: las ciudades se parecen entre sí (de 780 a 842) y los segmentos no (de 178 a 1.856). Estratificar sirve cuando **los grupos son distintos entre ellos y parecidos por dentro**, y si eliges la columna equivocada no aporta nada.

**4. La comprobación que se hace en el trabajo**

Escríbela como función y déjala puesta: comparar el reparto de tu muestra contra el de la población.

```
def cuadra(muestra, columna='segmento'):
    tabla = pd.DataFrame({
        'poblacion': v[columna].value_counts(normalize=True),
        'muestra': muestra[columna].value_counts(normalize=True),
    })
    tabla['diferencia'] = (tabla['muestra'] - tabla['poblacion']) * 100
    return tabla.round(3)

print(cuadra(v.sample(200, weights=peso, replace=True, random_state=0)))
```

Esta es la que de verdad vas a usar. No te dice si tu muestra es buena, que eso no se puede saber del todo, pero te dice si está torcida **en las columnas que sí puedes mirar**, y eso ya caza casi todo.

**5. La no respuesta, simulada**

Saca una muestra aleatoria bien hecha de 500 y después quita al azar el 88%, pero con más probabilidad de quedarse los mayoristas.

El diseño era perfecto y el resultado sale torcido igual. Es lo que pasa en toda encuesta de verdad, y por eso las fichas técnicas serias reportan la tasa de respuesta: sin ese número no se puede juzgar nada.

**6. Cuánto cuesta el sesgo en soles**

Si tomaras una decisión de compra de inventario con el promedio de la encuesta de conveniencia en vez del real, ¿de cuánto sería el error para 10.000 pedidos previstos?

Son 455,21 por 10.000. Escríbelo en soles y ponlo en la primera línea del informe, que es donde la gente sí lo lee. Esa traducción a dinero es la misma que hace el capítulo 22 💰

**7. Cuánto se aleja una muestra según su tamaño**

Saca trescientas muestras de cada tamaño y mide, en soles, a qué distancia queda su promedio del promedio real.

```
for cuantas in [30, 100, 300, 1000]:
    lejos = np.abs(promedios(lambda s: v.sample(cuantas, random_state=s),
                             veces=300) - POBLACION)
    print('con %4d filas: se aleja %6.2f soles de media, y hasta %7.2f'
          % (cuantas, lejos.mean(), lejos.max()))
```

```text
con   30 filas: se aleja 110.81 soles de media, y hasta  393.56
con  100 filas: se aleja  58.20 soles de media, y hasta  209.94
con  300 filas: se aleja  32.93 soles de media, y hasta  113.40
con 1000 filas: se aleja  14.60 soles de media, y hasta   53.62
```

Mira la última columna, que es la que asusta 😨

Con treinta filas hubo una muestra que se fue 393 soles del promedio real, o sea casi la mitad del promedio entero. Y no era una muestra mala ni mal sacada: era al azar, como debe ser.

**El tamaño no cambia si aciertas, cambia cuánto te puedes equivocar sin darte cuenta.** Y fíjate en que pasar de 30 a 1000 filas, que es multiplicar por treinta y tres, solo divide el error entre siete y medio. Por eso conseguir datos cuesta tanto 💸

**8. Al azar y estratificada, una al lado de la otra**

Saca 120 filas de las dos maneras y compara el reparto de segmentos de cada una contra el reparto real.

```
reparto = v['segmento'].value_counts(normalize=True).sort_index()
una = v.sample(120, random_state=3)['segmento'].value_counts(normalize=True).sort_index()
otra = estratificada(120)['segmento'].value_counts(normalize=True).sort_index()
print('%-12s %9s %9s %9s' % ('segmento', 'real', 'al azar', 'estrat.'))
for seg in reparto.index:
    print('%-12s %9.3f %9.3f %9.3f'
          % (seg, reparto[seg], una.get(seg, 0), otra.get(seg, 0)))
```

```text
segmento          real   al azar   estrat.
Bodega           0.236     0.300     0.236
Horeca           0.247     0.200     0.246
Mayorista        0.250     0.258     0.251
Minimarket       0.267     0.242     0.266
```

La tercera columna clava el reparto hasta el tercer decimal 🎯

Y la del medio no: sacó 30 por ciento de bodegas cuando en realidad son 23,6 por ciento, y se quedó corta de horeca. Con 120 filas eso pasa sin que nadie haga nada mal.

Acuérdate de lo que separa el segmento en estos datos, que lo viste en 1: **si la columna que más separa te sale descuadrada en la muestra, el promedio que calcules encima ya nace torcido**. Estratificar cuesta una línea y quita ese riesgo 🧺

Comprueba que lo tienes

Tu encuesta a 6.000 clientes dice que el ticket promedio es 1.250 soles, y la contabilidad dice 800. ¿Qué miras primero?

- A quién se le preguntó, y si ese reparto se parece al de tus clientes
- Si 6.000 son suficientes
- Si hay atípicos que estén subiendo el promedio
- Si la encuesta se hizo en un mes raro

## Lo que te llevas

- 🎯 Sesgo y variación son dos cosas distintas. Sesgo es apuntar mal, variación es que te tiemble el pulso.
- 📈 Más datos arreglan la variación (de 86 a 11) y no tocan el sesgo (453 y sigue en 452 con 64 veces más filas).
- 🚪 Una muestra de conveniencia da 1.258,98 donde la verdad es 803,76, y todo el cálculo está bien hecho.
- 🧱 Estratificar quita el sesgo y además baja la variación un 43% con el mismo número de encuestas, si conoces el reparto real.
- 🔍 Después de muestrear, cuenta siempre qué hay dentro de la muestra. Ahí se ve lo que falta.

El capítulo 10 le pone un intervalo a lo que mediste, y ahora ya sabes que ese intervalo solo vale si la muestra estaba bien sacada. El sesgo no entra en ningún intervalo.

Y si quieres el vocabulario suelto de todo esto, está definido en dos líneas por término en el [glosario de IA](https://missyera.com/glosario-ia/) 📖

Que tengas lindo día! 🌸

## Preguntas frecuentes

### ¿Qué es el muestreo aleatorio simple?

Cada elemento de la población tiene la misma probabilidad de salir elegido. Es el que hace que las fórmulas de intervalos funcionen, y el que casi nadie usa de verdad.

### ¿Qué es el muestreo estratificado?

Se parte la población en grupos que importan, por ejemplo ciudad o segmento, y se toma una muestra dentro de cada uno. Sirve para que ningún grupo chico quede fuera por azar.

### ¿Qué es el muestreo por conveniencia?

Preguntarle a quien tienes a mano. Es el más común y el que más engaña: los que contestan la encuesta de satisfacción no son una muestra de tus clientes, son una muestra de los que contestan encuestas.

### ¿Cuántos datos necesito para que la muestra sirva?

Depende de qué tan precisa la quieres, no de qué tan grande es la población. Una muestra bien tomada de mil personas dice casi lo mismo de un país que de una ciudad.

### ¿Qué es una muestra representativa?

La que se parece a la población en lo que importa para tu pregunta. No es cuestión de tamaño: mil respuestas de tus clientes más fieles no representan a tus clientes.

## Seguir leyendo

- Anterior: [Tres distribuciones y el teorema que lo explica todo](https://missyera.com/guias/estadistica-desde-cero/distribuciones.md)
- Siguiente: [De la muestra a la población](https://missyera.com/guias/estadistica-desde-cero/intervalos-de-confianza.md)

## Contacto

- Diagnóstico de 30 minutos con Miss Yera: https://calendly.com/soymissyera/reunion-con-yera
- Correo: hola@missyera.com
- Esta página en HTML: https://missyera.com/guias/estadistica-desde-cero/de-donde-salen-los-datos/
- Índice de todas las páginas en texto: https://missyera.com/llms-index.txt
