Los pueblos más pequeños encabezan las listas de los mejores y los peores

Clasifica los lugares por cualquier tasa —cáncer, puntajes de exámenes, delincuencia— y los extremos están dominados por los lugares más pequeños, porque las muestras pequeñas se alejan mucho de la tasa real solo por suerte.

La ley de los grandes números nombra el efecto: las tasas medidas se dispersan alrededor de la verdad, y la dispersión se reduce solo a medida que crecen las muestras; así que verifica el denominador antes de creer en cualquier tasa extrema.

Por el equipo editorial de Math Says Yes

Revisado por humanos según nuestros estándares de fuentes y corrección.

Cómo revisamos el contenido

LA TRAMPA

Interpretamos una tasa extrema como una señal fuerte e ignoramos el denominador: sobre cuántas pocas personas se basa. Un número sorprendente de un grupo diminuto se siente tan convincente como el mismo número de uno enorme.

Unas pocas monedas muy separadas a un lado, muchas monedas estrechamente agrupadas en el otro.

Lo que esto muestra

Cualquier tasa que midas es una , y una muestra se dispersa alrededor de la tasa real en una cantidad que se reduce a medida que añades datos. Más o menos, la distancia típica respecto a la verdad disminuye como uno dividido por la raíz cuadrada del . Con una muestra pequeña, esa dispersión es amplia: la tasa medida puede situarse muy por encima o muy por debajo del valor real por pura casualidad. Con una muestra grande, la dispersión es estrecha y la tasa se sitúa cerca de la verdad. Un n pequeño significa una dispersión amplia, un n grande significa un número ajustado y confiable; esa es la en acción.

Lo que muestran los números

16 ± pts from 50%

10 lanzamientos

5 ± pts from 50%

100 lanzamientos

1.6 ± pts from 50%

1.000 lanzamientos

Derivado matemáticamente. La tasa de caras en una muestra de lanzamientos de moneda suele situarse dentro de aproximadamente el 50% ÷ √n del 50% real; las muestras más pequeñas oscilan mucho más.

La trampa de las clasificaciones

Ordena regiones por alguna tasa y las poblaciones diminutas ocuparán tanto la parte superior como la inferior de la lista, no porque sean especiales, sino porque son pequeñas. Un pueblo de unos pocos cientos de habitantes puede registrar la tasa de cáncer más alta del país un año y una de las más bajas al siguiente, ya que un solo caso altera enormemente su tasa. Una gran ciudad, anclada por un enorme denominador, nunca puede oscilar tanto y se mantiene cerca del . Así, una clasificación de tasas se convierte silenciosamente en una clasificación de quién es más pequeño, disfrazada de clasificación de quién es el mejor o el peor.

Por qué falla la intuición

Una tasa extrema se siente como una señal fuerte. Cuando vemos el número más alto o más bajo en una lista, nuestro instinto es que algo real y potente debe estar impulsándolo. Lo que olvidamos es el denominador que hay debajo: cuántos casos y cuántas personas respaldan realmente la tasa. Una tasa del cincuenta por ciento se siente igual de sólida provenga de dos personas de cuatro o de quinientas mil de un millón, aunque la primera casi no tiene sentido y la segunda es totalmente sólida. La mente lee el titular de la tasa y se salta el que decide si debe creerla.

Ejemplo práctico

Lanza una moneda justa diez veces y obtener un 60 o 70 por ciento de caras es completamente normal; no te sorprendería. Lanza la misma moneda mil veces y te quedarás cerca del 50 por ciento casi todas las veces, siendo ahora un sesenta por ciento astronómicamente improbable. Nada en la moneda cambió entre ambas pruebas, solo el . La tasa de diez lanzamientos tiene libertad para vagar porque una sola cara adicional la desplaza diez puntos, mientras que en mil lanzamientos una cara adicional apenas se nota. La misma influencia aparece en las valoraciones cotidianas: un restaurante con 10 reseñas puede saltar de 4,2 a 4,6 estrellas tras unos pocos clientes contentos, mientras que uno con 10.000 reseñas apenas se mueve.

Cómo usarlo

Adopta un hábito: pregunta siempre por el antes de reaccionar ante una tasa. Cuando un porcentaje, una cifra per cápita o una clasificación aparezca frente a ti, averigua cuántos casos y cuántas personas hay detrás. Una tasa impactante construida sobre un puñado de casos merece un encogimiento de hombros, no alarma. Cuando compares unidades de tamaños muy diferentes, pondera o reduce las tasas más ruidosas de muestras pequeñas hacia el general antes de clasificar o reaccionar, para que un grupo diminuto no pueda acaparar ambos extremos de la lista. La tasa es el titular; el denominador te dice si el titular es real.

Lo que la gente malinterpreta

La gente trata el resultado inicial más extremo como el resultado más interesante. Puede que sea simplemente el resultado con más ruido. La mejor escuela, hospital, fondo, producto o jugador en una pequeña puede estar ahí por pura suerte. Los extremos están sobrerrepresentados cuando se clasifican muchos grupos pequeños.

Cuándo se aplica

Las oscilaciones en muestras pequeñas importan en pruebas A/B, métricas iniciales de startups, tablas de clasificación, reseñas, estudios médicos, tablas de contingencia electorales y paneles de calidad. Ten precaución cuando el denominador sea pequeño o cuando se compare a muchos grupos pequeños. Añade rangos de incertidumbre, exige tamaños de mínimos o reduce las estimaciones ruidosas hacia un más amplio.

Nota de la fuente

El artículo sobre la ley de los números pequeños de Tversky y Kahneman explica cómo la gente espera que las muestras pequeñas sean más representativas de lo que son en realidad. La página aplica ese a valoraciones, clasificaciones y métricas iniciales.

Pruébalo

Las muestras pequeñas oscilan salvajemente

Saca varias muestras de lanzamientos de una moneda justa y observa la dispersión.

70 pts

dispersión de la tasa de caras

lanzamientos por muestra: 10

Con 10 lanzamientos por muestra, los doce sorteos se extienden en 70 puntos porcentuales. Las muestras pequeñas se alejan mucho del 50 % solo por suerte; añade lanzamientos y esa dispersión se reduce hacia cero.

Preguntas frecuentes

¿Por qué las muestras pequeñas dan resultados extremos?

Con solo unas pocas observaciones, un único caso inusual puede mover mucho la tasa, por lo que una muestra pequeña puede quedar muy por encima o muy por debajo del valor verdadero solo por azar. Las muestras grandes absorben esos casos individuales, por lo que sus tasas se mantienen cerca de la verdad y rara vez alcanzan los extremos de una clasificación.

¿Qué es la ley de los grandes números en términos sencillos?

Indica que a medida que recopilas más observaciones, el promedio de tu muestra se acerca cada vez más al promedio verdadero y las oscilaciones aleatorias se reducen. Cuantos más datos recopiles, más se cancela la suerte, razón por la cual una tasa obtenida de miles de casos es mucho más confiable que la misma tasa obtenida de un puñado.