Z technického hlediska vyžaduje reprezentativní vzorek pouze to, jaké procento statistické populace je nezbytné k co nejtěsnější replikaci zkoumané nebo analyzované kvality nebo charakteristiky. Například v populaci 1 000, která se skládá z 600 mužů a 400 žen používaných při analýze trendů nákupu podle pohlaví, může reprezentativní vzorek sestávat z pouhých pěti členů, tří mužů a dvou žen, nebo 0, 5 procenta populace. Přestože je tento vzorek nominálně reprezentativní pro větší populaci, je pravděpodobné, že při vytváření závěrů o větší populaci bude mít za následek vysoký stupeň chyby vzorkování nebo zaujatost, protože je tak malý.
Předpojatost vzorků je nevyhnutelným důsledkem zaměstnávání vzorků pro analýzu větší skupiny. Získávání dat z nich je proces, který je svou povahou omezený a neúplný. Protože je to však často nutné vzhledem k omezené dostupnosti zdrojů, ekonomičtí analytici používají metody, které mohou snížit zkreslení vzorků na statisticky zanedbatelné úrovně. Zatímco reprezentativní odběr vzorků je jednou z nejúčinnějších metod používaných ke snížení zkreslení, často nestačí, aby tak učinil dostatečně sám.
Jedna strategie použitá v kombinaci s reprezentativním vzorkováním je zajistit, aby byl vzorek dostatečně velký, aby optimálně snížil chybu. A zatímco obecně platí, že čím větší je podskupina, tím je pravděpodobnější, že se chyba sníží, v určitém okamžiku se redukce stane tak minimální, že neospravedlňuje dodatečné náklady nezbytné pro zvětšení vzorku.
Stejně jako použití technicky reprezentativního, ale malého vzorku nestačí ke snížení zkreslení vzorkování samo o sobě, může výběr velké skupiny bez zohlednění reprezentace vést k ještě vadnějším výsledkům než použití malého reprezentativního vzorku. Vrátíme-li se k výše uvedenému příkladu, skupina 600 mužů je sama o sobě statisticky zbytečná při analýze genderových rozdílů v nákupních trendech.
