• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte

Curiosidades

octubre 16, 2025 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

Durante la Segunda Guerra Mundial, la Fuerza Aérea de Estados Unidos quería reforzar sus aviones para reducir las pérdidas en combate. Para ello, empezaron por analizar algo que parecía muy lógico: los aviones que regresaban de las misiones. Estudiaron cuidadosamente las zonas donde estos aviones tenían más impactos. Las alas y el fuselaje eran las áreas más dañadas, así que la conclusión inicial fue clara: esas son las partes que más debemos reforzar.

Pero entonces apareció Abraham Wald, un brillante estadístico húngaro que pensó de forma diferente. Wald planteó una pregunta clave que todos estaban pasando por alto:

¿Y qué pasa con los aviones que no regresaron?

La respuesta cambió por completo el enfoque. Los impactos visibles estaban en las zonas que no impedían que el avión volviera a casa. En cambio, los aviones que no sobrevivían al combate probablemente recibieron disparos en zonas más críticas, como el motor o la cabina del piloto. Y como esos aviones nunca regresaban, sus datos se omitían del análisis.

La recomendación de Wald fue revolucionaria:

Refuercen las zonas donde no hay impactos visibles, porque ahí es donde un disparo derriba el avión.

Este es el ejemplo clásico del sesgo de supervivencia: un error sistemático que ocurre cuando solo tienen en cuenta para el análisis los casos que han “sobrevivido” al proceso, mientras se ignoran (involuntariamente) aquellos que no pasaron ese filtro.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Tabla de contenidos

  • 1. ¿Qué es el sesgo de supervivencia?
  • 2. ¿Dónde aparece este sesgo hoy en día?
    • 2.1. Negocios y emprendimiento
    • 2.2. Inversiones y fondos financieros
    • 2.3. Salud y medicina
    • 2.4. Educación
    • 2.5. Publicaciones y ciencia
  • 3. ¿Por qué es tan fácil caer en este sesgo?
  • 4. ¿Cómo podemos evitar caer en este sesgo?
  • 5. Conclusiones

¿Qué es el sesgo de supervivencia?

El sesgo de supervivencia (o survivorship bias en inglés) es un tipo de error lógico o cognitivo que ocurre cuando se enfoca el análisis exclusivamente en los elementos que han pasado un proceso de selección, sin tener en cuenta aquellos que quedaron fuera porque fallaron, desaparecieron o nunca llegaron a ser observados.

Es un sesgo insidioso porque nos suele conducir a conclusiones erróneas aparentemente racionales y basadas en datos reales. Debido a que se construyen en base a datos incompletos. Además, como suele centrarse en los “casos visibles”, puede parecer que estamos siendo objetivos… cuando en realidad estamos dejando fuera una parte crucial de la historia.

¿Dónde aparece este sesgo hoy en día?

Este error no se limita al campo militar. Está presente en casi todos los aspectos de nuestra vida. A continuación, enumeran algunos ejemplos habituales:

Negocios y emprendimiento

Es fácil dejarse deslumbrar por las historias de éxito de startups como Apple, Amazon o Tesla. Libros y charlas motivacionales abundan con frases como “si ellos lo lograron, tú también puedes”. Pero ¿cuántas startups fracasan y no llegaron a contarlo?

Cuando solo analizamos a las empresas que triunfaron, ignoramos los miles que hicieron exactamente lo mismo… y quebraron. Eso crea una falsa ilusión de que hay una receta segura para el éxito. Pero el éxito empresarial no depende solo de talento y esfuerzo, sino también de factores invisibles como el momento, el entorno económico, o incluso la suerte.

Inversiones y fondos financieros

Muchos estudios sobre fondos de inversión se hacen con aquellos que llevan décadas operando. Pero eso deja fuera a los miles de fondos que cerraron por bajo rendimiento. Al analizar sólo a los “sobrevivientes”, se sobrestima la rentabilidad promedio del sector y se subestima el riesgo real. Esto puede llevar a inversores inexpertos a tomar decisiones basadas en expectativas poco realistas.

Salud y medicina

Imagina un estudio sobre longevidad en el que se analiza a personas mayores de 90 años para encontrar “el secreto de una larga vida”. Suena lógico, pero hay un problema: no se están considerando a las personas que murieron jóvenes. Quizá muchas tenían hábitos similares, pero no sobrevivieron por otras razones. El análisis se basa solo en quienes “pasaron el filtro” de la edad.

Lo mismo ocurre en estudios de tratamientos médicos: si no se considera a quienes abandonaron el tratamiento o fallecieron antes de completarlo, los resultados pueden estar sesgados hacia los “casos de éxito”.

Educación

Cuando se analiza el rendimiento educativo de una universidad, muchas veces se habla de los graduados: sus salarios, sus logros, su prestigio. Pero ¿qué pasa con quienes abandonaron antes de terminar? Si solo se miden los resultados de quienes se graduaron, se puede crear una imagen injustamente optimista sobre el valor de esa educación.

Publicaciones y ciencia

Incluso en el mundo académico, el sesgo de supervivencia está presente. Los estudios que se publican suelen ser aquellos con resultados positivos o significativos. Los estudios con resultados negativos o nulos a menudo no llegan a publicarse. Esto crea una falsa percepción de consenso o efectividad de ciertos tratamientos, teorías o métodos.

¿Por qué es tan fácil caer en este sesgo?

Porque es natural prestar atención a lo que tenemos delante: los datos visibles, los ejemplos conocidos, los casos exitosos. Es lo que está disponible. Y nuestros análisis se basan generalmente en la información disponible, construyendo las explicaciones con los datos que se tienen a mano, sin preguntarse si falta algo. Aunque esto que falta pueda ser realmente significativo para las conclusiones.

Además, el sesgo de supervivencia se refuerza con historias llamativas. Las narrativas de éxito son inspiradoras y nos hacen sentir que tenemos el control. En cambio, las historias de fracaso tienden a ser ignoradas o incluso ocultadas.

¿Cómo podemos evitar caer en este sesgo?

Evitar completamente el sesgo de supervivencia es difícil, pero sí podemos desarrollar una mirada más crítica y completa. Algunos consejos que se pueden aplicar para ellos son:

  1. Pregúntate qué no estás viendo: ¿Qué casos quedaron fuera del análisis? ¿Hay datos ausentes que podrían cambiar la conclusión?
  2. Busca los “no sobrevivientes”: Ya sea en negocios, salud o ciencia, trata de considerar también los casos que fallaron, no se publicaron o no llegaron al final del proceso.
  3. Desconfía de las recetas universales: “Haz lo que hizo esta persona y tendrás éxito” es una promesa muy tentadora… pero rara vez se sostiene si miras el panorama completo.
  4. Piensa en la muestra completa: Cuando revises estadísticas o estudios, verifica si están considerando a todos los involucrados o solo a los que llegaron hasta cierto punto.
  5. Valora los fracasos: Los errores y fracasos también contienen lecciones valiosas. A menudo, son los casos no exitosos los que más nos enseñan sobre los límites, riesgos y realidades de un proceso.

Conclusiones

El sesgo de supervivencia es un error de percepción que ocurre cuando analizamos sólo a quienes “llegaron al final”, olvidando a todos los que quedaron por el camino. Es como intentar entender qué hace fuerte a un puente… mirando solo los que no se cayeron.

Afecta en muchas áreas de la vida: desde cómo entendemos el éxito, hasta cómo tomamos decisiones de inversión o interpretamos estudios médicos. Pero con un poco de conciencia crítica y voluntad de mirar más allá de lo evidente, podemos evitar muchas de sus trampas.

Así que la próxima vez que alguien te diga “esto funcionó para mí”, o veas un gráfico que parece optimista, pregúntate:

¿Qué falta aquí? ¿Y cuántos no llegaron a ser contados?

Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de datos”
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

Publicado en: Opinión Etiquetado como: Curiosidades

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Cómo Saber si una Diferencia Significativa es Importante

noviembre 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Puede la inteligencia artificial ser creativa? [Mitos de la Inteligencia Artificial 3] publicado el julio 2, 2024 | en Opinión
  • Riesgo relativo vs riesgo absoluto: la trampa de los titulares alarmistas publicado el enero 29, 2026 | en Opinión
  • Calcular la moda en un vector de NumPy publicado el septiembre 26, 2022 | en Python
  • Compra on-line Tasa de retención de clientes para CLV publicado el junio 6, 2018 | en Ciencia de datos
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto