2 · Población vs muestra
La ventana por la que miras y el mundo que muestra — el tamaño y el método determinan lo que puedes afirmar.
Una muestra es una ventana hacia una población — el tamaño y el método de esa ventana determinan lo que puedes afirmar.
Sin esto:
Sin distinguir ambas, confundirás 'los datos de entrenamiento hicieron X' con 'el mundo hace X' — y desplegarás modelos que fallan con tráfico de producción.
Dos términos que suenan simples pero causan enorme confusión en la práctica del ML:
- Población: el conjunto completo de todas las unidades (personas, transacciones, documentos, imágenes…) que te interesan en última instancia. Casi nunca observas la población completa.
- Muestra: el subconjunto que realmente mides. Tus datos de entrenamiento son una muestra. Tu conjunto de test es una muestra.
Una vez que tienes una muestra, calculas estadísticos (x̄, s) — estas son variables aleatorias que varían de muestra en muestra. Las cantidades poblacionales correspondientes (μ, σ) se llaman parámetros — son números fijos pero desconocidos que intentas estimar.
Todo el mecanismo de la estadística inferencial existe porque solo ves muestras.
Python (in browser)
Cada muestra da un x̄ diferente. Esta variación ES la distribución muestral — el objeto central de la estadística inferencial.
Python runs entirely in your browser via Pyodide (~6 MB on first Run, cached after).
No todas las muestras son igualmente confiables. El método de muestreo es crítico:
| Método | Descripción | Riesgo de sesgo | |---|---|---| | Aleatorio simple | Cada unidad igualmente probable | Bajo | | Estratificado | Aleatorio dentro de subgrupos definidos | Bajo (mejor cobertura) | | Por conglomerados | Grupos aleatorios, mide todos en el grupo | Medio | | Sistemático | Cada k-ésima unidad | Bajo–medio | | Por conveniencia | Lo que es fácil de recolectar | Alto |
Los datasets de ML son casi siempre muestras de conveniencia — lo que la empresa resultó recolectar. Esta es la causa raíz del desplazamiento de distribución.
Python (in browser)
El muestreo por conveniencia puede producir una media muestral dramáticamente alejada de la media poblacional — ninguna sofisticación del modelo arregla un dataset sesgado.
Python runs entirely in your browser via Pyodide (~6 MB on first Run, cached after).
Si μ es la media poblacional y x̄ es la media muestral, ¿cuál es una variable aleatoria?
- **Población** = todas las unidades de interés; **muestra** = el subconjunto que mides. Los parámetros (μ, σ) pertenecen a la población; los estadísticos (x̄, s) pertenecen a la muestra.
- Los estadísticos muestrales son variables aleatorias — varían entre muestras. Esta variación es la base de todo intervalo de confianza y prueba de hipótesis.
- El método de muestreo determina el sesgo. Las muestras de conveniencia (la mayoría de los datos de ML) están sistemáticamente sesgadas respecto a la distribución verdadera.
Tu conjunto de entrenamiento es una MUESTRA de la distribución de producción; tu precisión en test es un ESTADÍSTICO que estima el rendimiento de generalización verdadero (un parámetro). El desplazamiento de dominio es simplemente 'la muestra no coincide con la población'.
Si lo quitas: No puedes razonar sobre por qué tu modelo con 95 % de precisión en entrenamiento obtiene 71 % en producción sin el marco población/muestra.