{"id":28012,"date":"2023-05-24T10:07:19","date_gmt":"2023-05-24T13:07:19","guid":{"rendered":"https:\/\/mindthegraph.com\/blog\/?p=28012"},"modified":"2023-05-24T10:07:21","modified_gmt":"2023-05-24T13:07:21","slug":"sampling-bias","status":"publish","type":"post","link":"https:\/\/mindthegraph.com\/blog\/es\/sesgo-de-muestreo\/","title":{"rendered":"Un problema llamado Sesgo de muestreo"},"content":{"rendered":"<p>Independientemente de la metodolog\u00eda utilizada o de la disciplina estudiada, los investigadores deben asegurarse de que utilizan muestras representativas que reflejen las caracter\u00edsticas de la poblaci\u00f3n que estudian. Este art\u00edculo explorar\u00e1 el concepto de sesgo de muestreo, sus diferentes tipos y formas de aplicaci\u00f3n, y las mejores pr\u00e1cticas para mitigar sus efectos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">\u00bfQu\u00e9 es el sesgo de muestreo?<\/h2>\n\n\n\n<p>El sesgo de muestreo se refiere a una situaci\u00f3n en la que determinados individuos o grupos de una poblaci\u00f3n tienen m\u00e1s probabilidades de ser incluidos en una muestra que otros, lo que da lugar a una muestra sesgada o no representativa. Esto puede ocurrir por diversas razones, como m\u00e9todos de muestreo no aleatorios, sesgo de autoselecci\u00f3n o sesgo del investigador.<\/p>\n\n\n\n<p>En otras palabras, el sesgo de muestreo puede socavar la validez y la generalizabilidad de los resultados de la investigaci\u00f3n al sesgar la muestra a favor de determinadas caracter\u00edsticas o perspectivas que pueden no ser representativas del conjunto de la poblaci\u00f3n.&nbsp;<\/p>\n\n\n\n<p>Lo ideal es seleccionar a todos los participantes en la encuesta de forma aleatoria. Sin embargo, en la pr\u00e1ctica, puede resultar dif\u00edcil hacer una selecci\u00f3n aleatoria de los participantes debido a limitaciones como el coste y la disponibilidad de los encuestados. Incluso si no realiza una recogida de datos aleatoria, es crucial ser consciente de los posibles sesgos que podr\u00edan estar presentes en sus datos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Algunos ejemplos de sesgo de muestreo son:<\/h3>\n\n\n\n<ol>\n<li><strong>Sesgo voluntario<\/strong>: Los participantes voluntarios en un estudio pueden tener caracter\u00edsticas diferentes de los no voluntarios, lo que puede dar lugar a una muestra no representativa.<\/li>\n\n\n\n<li><strong>Muestreo no aleatorio<\/strong>: Si un investigador s\u00f3lo selecciona participantes de determinados lugares, o s\u00f3lo selecciona participantes con determinadas caracter\u00edsticas, puede dar lugar a una muestra sesgada.<\/li>\n\n\n\n<li><strong>Sesgo de supervivencia<\/strong>: Se produce cuando una muestra s\u00f3lo incluye a los individuos que han sobrevivido o tenido \u00e9xito en una situaci\u00f3n determinada, dejando fuera a los que no sobrevivieron o fracasaron.<\/li>\n\n\n\n<li><strong>Muestreo de conveniencia<\/strong>: Este tipo de muestreo implica la selecci\u00f3n de participantes f\u00e1cilmente accesibles, como los que se encuentran cerca, o los que responden a una encuesta en l\u00ednea, que pueden no representar a la poblaci\u00f3n en general.<\/li>\n\n\n\n<li><strong>Sesgo de confirmaci\u00f3n<\/strong>: Los investigadores pueden seleccionar -inconsciente o deliberadamente- participantes que apoyen su hip\u00f3tesis o pregunta de investigaci\u00f3n, lo que da lugar a resultados sesgados.<\/li>\n\n\n\n<li><strong>Efecto Hawthorne<\/strong>: Los participantes pueden alterar su comportamiento o sus respuestas cuando saben que est\u00e1n siendo estudiados u observados, lo que puede dar lugar a resultados no representativos.<\/li>\n<\/ol>\n\n\n\n<p>&nbsp;Si conoce estos sesgos, puede tenerlos en cuenta en el an\u00e1lisis para corregirlos y comprender mejor la poblaci\u00f3n a la que representan sus datos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Tipos de sesgo de muestreo<\/h2>\n\n\n\n<ul>\n<li><strong>Sesgo de selecci\u00f3n<\/strong>se produce cuando la muestra no es representativa de la poblaci\u00f3n.<\/li>\n\n\n\n<li><strong>Sesgo de medici\u00f3n<\/strong>se produce cuando los datos recogidos son inexactos o incompletos.<\/li>\n\n\n\n<li><strong>Sesgo de informaci\u00f3n<\/strong>se produce cuando los encuestados facilitan informaci\u00f3n inexacta o incompleta.<\/li>\n\n\n\n<li><strong>Sesgo de falta de respuesta<\/strong>Se produce cuando algunos miembros de la poblaci\u00f3n no responden a la encuesta, lo que da lugar a una muestra no representativa.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Causas del sesgo de muestreo<\/h2>\n\n\n\n<ol>\n<li><strong>Muestreo de conveniencia<\/strong>La selecci\u00f3n de una muestra basada en la conveniencia en lugar de utilizar un m\u00e9todo cient\u00edfico.<\/li>\n\n\n\n<li><strong>Sesgo de autoselecci\u00f3n<\/strong>S\u00f3lo se incluye a quienes se ofrecen voluntariamente a participar en la encuesta, lo que puede no ser representativo de la poblaci\u00f3n.<\/li>\n\n\n\n<li><strong>Sesgo del marco de muestreo<\/strong>Cuando el marco de muestreo utilizado para seleccionar la muestra no es representativo de la poblaci\u00f3n.<\/li>\n\n\n\n<li><strong>Sesgo de supervivencia<\/strong>Cuando s\u00f3lo participan determinados miembros de la poblaci\u00f3n, lo que da lugar a una muestra no representativa. Por ejemplo, si los investigadores s\u00f3lo encuestan a personas vivas, es posible que no reciban aportaciones de personas fallecidas antes de realizar el estudio.<\/li>\n\n\n\n<li><strong>Sesgo de muestreo por desconocimiento<\/strong>no reconocer las fuentes de variabilidad que pueden dar lugar a estimaciones sesgadas.<\/li>\n\n\n\n<li><strong>Sesgo de muestreo debido a errores en la administraci\u00f3n de la muestra<\/strong>No utilizar un marco de muestreo adecuado o que funcione correctamente, o negarse a participar en el estudio, lo que da lugar a una selecci\u00f3n sesgada de la muestra.<\/li>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\">Sesgo de muestreo en los ensayos cl\u00ednicos<\/h2>\n\n\n\n<p>Los ensayos cl\u00ednicos se encargan de probar la eficacia de un nuevo tratamiento o medicamento en una poblaci\u00f3n concreta. Son una parte esencial del proceso de desarrollo de f\u00e1rmacos y determinan si un tratamiento es seguro y eficaz antes de su lanzamiento al p\u00fablico en general. Sin embargo, los ensayos cl\u00ednicos tambi\u00e9n son propensos al sesgo de selecci\u00f3n.<\/p>\n\n\n\n<p>El sesgo de selecci\u00f3n se produce cuando la muestra utilizada para un estudio no es representativa de la poblaci\u00f3n a representar. En el caso de los ensayos cl\u00ednicos, el sesgo de selecci\u00f3n puede producirse cuando los participantes son elegidos selectivamente para participar o son autoseleccionados.<\/p>\n\n\n\n<p>Supongamos que una empresa farmac\u00e9utica est\u00e1 realizando un ensayo cl\u00ednico para probar la eficacia de un nuevo medicamento contra el c\u00e1ncer. Deciden reclutar participantes para el estudio a trav\u00e9s de anuncios en hospitales, cl\u00ednicas y grupos de apoyo contra el c\u00e1ncer, as\u00ed como mediante solicitudes en l\u00ednea. Sin embargo, la muestra que recogen puede estar sesgada hacia aquellos que est\u00e1n m\u00e1s motivados para participar en un ensayo o que tienen un determinado tipo de c\u00e1ncer. Esto puede dificultar la generalizaci\u00f3n de los resultados del estudio al conjunto de la poblaci\u00f3n.<\/p>\n\n\n\n<p>Para minimizar el sesgo de selecci\u00f3n en los ensayos cl\u00ednicos, los investigadores deben aplicar criterios estrictos de inclusi\u00f3n y exclusi\u00f3n y procesos de selecci\u00f3n aleatoria. Esto garantizar\u00e1 que la muestra de participantes seleccionados para el estudio sea representativa de la poblaci\u00f3n m\u00e1s amplia, minimizando cualquier sesgo en los datos recopilados.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Problemas debidos al sesgo de muestreo<\/h2>\n\n\n\n<p>El sesgo de muestreo es problem\u00e1tico porque es posible que una estad\u00edstica calculada a partir de la muestra sea sistem\u00e1ticamente err\u00f3nea. Puede dar lugar a una sobreestimaci\u00f3n o subestimaci\u00f3n sistem\u00e1tica del par\u00e1metro correspondiente en la poblaci\u00f3n. Ocurre en la pr\u00e1ctica, ya que es pr\u00e1cticamente imposible garantizar una aleatoriedad perfecta en el muestreo.<\/p>\n\n\n\n<p>Si el grado de representaci\u00f3n err\u00f3nea es peque\u00f1o, entonces la muestra puede tratarse como una aproximaci\u00f3n razonable a una muestra aleatoria. Adem\u00e1s, si la muestra no difiere notablemente en la cantidad que se mide, entonces una muestra sesgada puede seguir siendo una estimaci\u00f3n razonable.<\/p>\n\n\n\n<p>Aunque algunas personas podr\u00edan utilizar deliberadamente una muestra sesgada para producir resultados enga\u00f1osos, lo m\u00e1s frecuente es que una muestra sesgada sea s\u00f3lo un reflejo de la dificultad para obtener una muestra verdaderamente representativa o de la ignorancia del sesgo en su proceso de medici\u00f3n o an\u00e1lisis.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Extrapolaci\u00f3n: m\u00e1s all\u00e1 del rango<\/h2>\n\n\n\n<p>En estad\u00edstica, extraer una conclusi\u00f3n sobre algo que va m\u00e1s all\u00e1 del alcance de los datos se denomina extrapolaci\u00f3n. Extraer una conclusi\u00f3n de una muestra sesgada es una forma de extrapolaci\u00f3n: como el m\u00e9todo de muestreo excluye sistem\u00e1ticamente determinadas partes de la poblaci\u00f3n considerada, las inferencias s\u00f3lo se aplican a la subpoblaci\u00f3n muestreada.<\/p>\n\n\n\n<p>La extrapolaci\u00f3n tambi\u00e9n se produce si, por ejemplo, una inferencia basada en una muestra de estudiantes universitarios se aplica a adultos mayores o a adultos que s\u00f3lo han cursado octavo de primaria. La extrapolaci\u00f3n es un error frecuente en la aplicaci\u00f3n o interpretaci\u00f3n de las estad\u00edsticas. A veces, debido a la dificultad o imposibilidad de obtener buenos datos, la extrapolaci\u00f3n es lo mejor que podemos hacer, pero siempre hay que tomarla con al menos un grano de sal -y a menudo con una gran dosis de incertidumbre-.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">De la ciencia a la pseudociencia<\/h2>\n\n\n\n<p><a href=\"https:\/\/en.wikipedia.org\/wiki\/Sampling_bias\">Como se menciona en Wikipedia<\/a>Un ejemplo de c\u00f3mo puede ignorarse un sesgo es el uso generalizado de un cociente (tambi\u00e9n conocido como cambio de pliegue) como medida de la diferencia en biolog\u00eda. Dado que es m\u00e1s f\u00e1cil conseguir un cociente grande con dos n\u00fameros peque\u00f1os con una diferencia dada, y relativamente m\u00e1s dif\u00edcil conseguir un cociente grande con dos n\u00fameros grandes con una diferencia mayor, se pueden pasar por alto grandes diferencias significativas cuando se comparan medidas num\u00e9ricas relativamente grandes.&nbsp;<\/p>\n\n\n\n<p>Algunos lo han denominado \"sesgo de demarcaci\u00f3n\" porque el uso de una proporci\u00f3n (divisi\u00f3n) en lugar de una diferencia (sustracci\u00f3n) hace que los resultados del an\u00e1lisis pasen de ser ciencia a ser pseudociencia.<\/p>\n\n\n\n<p>Algunas muestras utilizan un dise\u00f1o estad\u00edstico sesgado que, no obstante, permite la estimaci\u00f3n de par\u00e1metros. El Centro Nacional de Estad\u00edsticas Sanitarias de EE.UU., por ejemplo, sobremuestrea deliberadamente a las poblaciones minoritarias en muchas de sus encuestas nacionales con el fin de obtener una precisi\u00f3n suficiente para las estimaciones dentro de estos grupos.<\/p>\n\n\n\n<p>Estas encuestas requieren el uso de ponderaciones muestrales para producir estimaciones adecuadas en todos los grupos \u00e9tnicos. Si se cumplen determinadas condiciones (principalmente que las ponderaciones se calculen y utilicen correctamente), estas muestras permiten estimar con precisi\u00f3n los par\u00e1metros de poblaci\u00f3n.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Buenas pr\u00e1cticas para mitigar el sesgo del muestreo<\/h2>\n\n\n\n<p>Es fundamental seleccionar un m\u00e9todo de muestreo adecuado para garantizar que los datos resultantes reflejen fielmente la poblaci\u00f3n estudiada.<\/p>\n\n\n\n<ol>\n<li><strong>T\u00e9cnicas de muestreo aleatorio<\/strong>: La utilizaci\u00f3n de t\u00e9cnicas de muestreo aleatorio aumenta la probabilidad de que la muestra sea representativa de la poblaci\u00f3n. Esta t\u00e9cnica ayuda a garantizar que la muestra sea lo m\u00e1s representativa posible de la poblaci\u00f3n en cuesti\u00f3n y, por tanto, menos propensa a contener sesgos.<\/li>\n\n\n\n<li><strong>C\u00e1lculo del tama\u00f1o de la muestra<\/strong>: El c\u00e1lculo del tama\u00f1o de la muestra debe realizarse de modo que se disponga de la potencia adecuada para probar hip\u00f3tesis estad\u00edsticamente significativas. Cuanto mayor sea el tama\u00f1o de la muestra, mejor ser\u00e1 la representaci\u00f3n de la poblaci\u00f3n.<\/li>\n\n\n\n<li><strong>An\u00e1lisis de tendencias<\/strong>: B\u00fasqueda de fuentes de datos alternativas y an\u00e1lisis de las tendencias observadas en los datos no seleccionados.<\/li>\n\n\n\n<li><strong>Comprobaci\u00f3n de sesgos<\/strong>: Los casos de sesgo deben controlarse para identificar la exclusi\u00f3n sistem\u00e1tica o la inclusi\u00f3n excesiva de puntos de datos espec\u00edficos.<\/li>\n<\/ol>\n\n\n\n<p><strong>Cuidado con las muestras<\/strong><\/p>\n\n\n\n<p>El sesgo de muestreo es una consideraci\u00f3n importante a la hora de llevar a cabo una investigaci\u00f3n. Independientemente de la metodolog\u00eda utilizada o de la disciplina estudiada, los investigadores deben asegurarse de que utilizan muestras representativas que reflejen las caracter\u00edsticas de la poblaci\u00f3n que estudian.<\/p>\n\n\n\n<p>A la hora de crear estudios de investigaci\u00f3n, es crucial prestar mucha atenci\u00f3n al proceso de selecci\u00f3n de la muestra, as\u00ed como a la metodolog\u00eda utilizada para recopilar datos de la misma. Las mejores pr\u00e1cticas, como las t\u00e9cnicas de muestreo aleatorio, el c\u00e1lculo del tama\u00f1o de la muestra, el an\u00e1lisis de tendencias y la comprobaci\u00f3n de sesgos, deben utilizarse para garantizar que los resultados de la investigaci\u00f3n sean v\u00e1lidos y fiables, con lo que es m\u00e1s probable que influyan en la pol\u00edtica y la pr\u00e1ctica.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Atractivas infograf\u00edas cient\u00edficas en cuesti\u00f3n de minutos<\/h2>\n\n\n\n<p><a href=\"http:\/\/mindthegraph.com\/\">Mind the Graph<\/a> es una potente herramienta en l\u00ednea para cient\u00edficos que necesitan crear gr\u00e1ficos e ilustraciones cient\u00edficas de alta calidad. La plataforma es f\u00e1cil de usar y accesible para cient\u00edficos con distintos niveles de conocimientos t\u00e9cnicos, lo que la convierte en una soluci\u00f3n ideal para los investigadores que necesitan crear gr\u00e1ficos para sus publicaciones, presentaciones y otros materiales de comunicaci\u00f3n cient\u00edfica.<\/p>\n\n\n\n<p>Tanto si es usted investigador en ciencias de la vida, ciencias f\u00edsicas o ingenier\u00eda, Mind the Graph le ofrece una amplia gama de recursos para ayudarle a comunicar los resultados de su investigaci\u00f3n de forma clara y visualmente convincente.<\/p>\n\n\n\n<div style=\"height:21px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-full\"><img decoding=\"async\" loading=\"lazy\" width=\"600\" height=\"338\" src=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2022\/10\/r3qiu0qenda-3.gif\" alt=\"\" class=\"wp-image-25130\"\/><\/figure><\/div>\n\n\n<div style=\"height:21px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<div class=\"is-layout-flex wp-block-buttons\">\n<div class=\"wp-block-button aligncenter\"><a class=\"wp-block-button__link has-background wp-element-button\" href=\"https:\/\/mindthegraph.com\/app\/offer-trial\" style=\"border-radius:50px;background-color:#dc1866\" target=\"_blank\" rel=\"noreferrer noopener\">Empieza a crear infograf\u00edas gratis<\/a><\/div>\n<\/div>\n\n\n\n<div style=\"height:44px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>","protected":false},"excerpt":{"rendered":"<p>El sesgo de muestreo es una consideraci\u00f3n fundamental a la hora de realizar investigaciones en disciplinas como la estad\u00edstica, las ciencias sociales y la epidemiolog\u00eda. <\/p>","protected":false},"author":38,"featured_media":28013,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[959,28],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>A problem called Sampling bias - Mind the Graph Blog<\/title>\n<meta name=\"description\" content=\"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/mindthegraph.com\/blog\/es\/sesgo-de-muestreo\/\" \/>\n<meta property=\"og:locale\" content=\"es_MX\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"A problem called Sampling bias\" \/>\n<meta property=\"og:description\" content=\"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/mindthegraph.com\/blog\/es\/sesgo-de-muestreo\/\" \/>\n<meta property=\"og:site_name\" content=\"Mind the Graph Blog\" \/>\n<meta property=\"article:published_time\" content=\"2023-05-24T13:07:19+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-05-24T13:07:21+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1123\" \/>\n\t<meta property=\"og:image:height\" content=\"612\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Gilberto de Abreu\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:title\" content=\"A problem called Sampling bias\" \/>\n<meta name=\"twitter:description\" content=\"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Gilberto de Abreu\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutos\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"A problem called Sampling bias - Mind the Graph Blog","description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/mindthegraph.com\/blog\/es\/sesgo-de-muestreo\/","og_locale":"es_MX","og_type":"article","og_title":"A problem called Sampling bias","og_description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","og_url":"https:\/\/mindthegraph.com\/blog\/es\/sesgo-de-muestreo\/","og_site_name":"Mind the Graph Blog","article_published_time":"2023-05-24T13:07:19+00:00","article_modified_time":"2023-05-24T13:07:21+00:00","og_image":[{"width":1123,"height":612,"url":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg","type":"image\/jpeg"}],"author":"Gilberto de Abreu","twitter_card":"summary_large_image","twitter_title":"A problem called Sampling bias","twitter_description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","twitter_image":"https:\/\/mindthegraph.com\/blog\/wp-content\/uploads\/2023\/05\/sampling-bias-blog.jpg","twitter_misc":{"Escrito por":"Gilberto de Abreu","Tiempo de lectura":"8 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/","url":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/","name":"A problem called Sampling bias - Mind the Graph Blog","isPartOf":{"@id":"https:\/\/mindthegraph.com\/blog\/#website"},"datePublished":"2023-05-24T13:07:19+00:00","dateModified":"2023-05-24T13:07:21+00:00","author":{"@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/b28781b05825270dad9cba59503a9321"},"description":"Sampling bias is a critical consideration when conducting research within disciplines such as statistics, social science, and epidemiology.","breadcrumb":{"@id":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/#breadcrumb"},"inLanguage":"es-MX","potentialAction":[{"@type":"ReadAction","target":["https:\/\/mindthegraph.com\/blog\/sampling-bias\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/mindthegraph.com\/blog\/sampling-bias\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/mindthegraph.com\/blog\/"},{"@type":"ListItem","position":2,"name":"A problem called Sampling bias"}]},{"@type":"WebSite","@id":"https:\/\/mindthegraph.com\/blog\/#website","url":"https:\/\/mindthegraph.com\/blog\/","name":"Mind the Graph Blog","description":"Your science can be beautiful!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/mindthegraph.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es-MX"},{"@type":"Person","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/b28781b05825270dad9cba59503a9321","name":"Gilberto de Abreu","image":{"@type":"ImageObject","inLanguage":"es-MX","@id":"https:\/\/mindthegraph.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/cc861028818e8a4fffa388f920fbdae9?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/cc861028818e8a4fffa388f920fbdae9?s=96&d=mm&r=g","caption":"Gilberto de Abreu"},"url":"https:\/\/mindthegraph.com\/blog\/es\/author\/giba\/"}]}},"_links":{"self":[{"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/posts\/28012"}],"collection":[{"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/users\/38"}],"replies":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/comments?post=28012"}],"version-history":[{"count":3,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/posts\/28012\/revisions"}],"predecessor-version":[{"id":28023,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/posts\/28012\/revisions\/28023"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/media\/28013"}],"wp:attachment":[{"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/media?parent=28012"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/categories?post=28012"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mindthegraph.com\/blog\/es\/wp-json\/wp\/v2\/tags?post=28012"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}