toolbox
Inicio / IA, datos y tecnología / Estimador de tamaño de muestra para equipos de analítica

Estimador de tamaño de muestra para equipos de analítica

Este estimador ayuda a un equipo de analítica a decidir cuántas observaciones necesita para estimar una proporción con un margen de error objetivo. Puede aplicarse a revisiones de usuarios, eventos, incidencias, respuestas o cualquier variable binaria —por ejemplo, “cumple/no cumple”— siempre que la muestra se obtenga de una población razonablemente definida.

El cálculo combina nivel de confianza, margen de error y proporción esperada. Cuando se conoce el tamaño total de la población, aplica una corrección por población finita; si se introduce 0, trata la población como muy grande. Elegir una proporción esperada del 50 % es conservador porque produce el tamaño de muestra máximo para un nivel de precisión dado. La cifra resultante es una referencia estadística, no una garantía frente a sesgos de selección o problemas de medición.

Objetivo de precisión

%
%
Resultado
—
Tamaño de muestra recomendado
Muestra sin corrección—
Nivel de confianza—
Margen de error—
Población aplicada—

1. Define la población

Introduce el número de elementos disponibles si es conocido; usa 0 cuando sea muy grande o no necesites corrección finita.

2. Selecciona la confianza

Elige el nivel con el que deseas construir el intervalo alrededor de la proporción.

3. Fija el margen de error

Indica la semiamplitud máxima aceptable en puntos porcentuales.

4. Estima la proporción

Usa una expectativa razonable; si no la tienes, 50 % es la opción más conservadora.

5. Redondea hacia arriba

La calculadora devuelve el entero superior para no quedar por debajo de la muestra estimada.

n₀ = z² · p(1−p) / e² n = n₀ / (1 + (n₀−1)/N)

n₀ es el tamaño para una población grande, z el valor crítico, p la proporción esperada, e el margen de error en decimal y N la población finita. Si N = 0, se usa n₀.

Qué significa el resultado

El resultado indica cuántas observaciones se necesitan bajo un modelo de muestreo aleatorio para alcanzar aproximadamente el margen de error y la confianza seleccionados al estimar una proporción.

El tamaño correcto no corrige una muestra sesgada. La cobertura de segmentos y el método de selección siguen siendo determinantes.

Datos: población de 10.000, confianza del 95 %, margen de error del 5 % y proporción esperada del 50 %.

Cálculo: n₀ = 1,96² × 0,5 × 0,5 / 0,05² ≈ 384,15. Corrección finita: 384,15 / (1 + 383,15/10.000) ≈ 369,97.

Resultado: 370 observaciones al redondear hacia arriba con los valores críticos usados por la calculadora.

Interpretación: esa muestra busca una precisión de ±5 puntos porcentuales bajo las hipótesis del modelo.

¿Qué valor uso si no conozco la proporción esperada?

Usa 50 %. Maximiza p(1−p) y, por tanto, produce la muestra más grande y conservadora para los demás parámetros.

¿Por qué el tamaño de la población importa poco cuando es muy grande?

A partir de cierto punto, la corrección por población finita tiene poco efecto. La precisión depende sobre todo del margen, la confianza y la variabilidad de la proporción.

¿Puedo usar esta muestra para estimar una media?

No es el modelo adecuado. La muestra para una media depende de la desviación estándar y de la precisión en las unidades de la métrica.

¿Necesito aumentar la muestra si habrá respuestas incompletas?

Sí. El cálculo se refiere a observaciones válidas finales, así que conviene reclutar o extraer más elementos si esperas pérdidas.

¿Una muestra mayor elimina el sesgo?

No. Reduce el error de muestreo aleatorio, pero no corrige selección no representativa, definiciones inconsistentes ni errores de instrumentación.