Estimador de tamaño de muestra para precisión de pronósticos

Este estimador calcula cuántas observaciones independientes se necesitan para estimar la media de una métrica de error de pronóstico con una precisión determinada. Parte de una desviación estándar esperada de la métrica —por ejemplo, puntos porcentuales de error absoluto— y de un margen de error objetivo para la media.

Puede utilizarse al diseñar una evaluación de modelos de demanda, ventas, tráfico u otras series cuando la métrica de precisión se resume como una media sobre periodos, productos o casos. El resultado es una aproximación basada en la distribución normal de la media y requiere una estimación razonable de la variabilidad. Si los errores están fuertemente autocorrelacionados, agrupados o presentan colas muy pesadas, el tamaño efectivo de muestra puede ser menor que el conteo bruto y conviene usar métodos específicos para datos dependientes.

Variabilidad y precisión objetivo

Desviación estándar esperada

p.p.

Margen de error de la media

p.p.

Nivel de confianza

Resultado

—

observaciones independientes recomendadas

Tamaño calculado antes de redondear—

Valor z—

Desviación estándar—

Margen objetivo—

Cómo usarla

1. Estima la variabilidad
Introduce la desviación estándar esperada de la métrica de error o precisión que quieres promediar.

2. Fija el margen de la media
Indica cuántos puntos de la métrica aceptarías como semiancho aproximado del intervalo de confianza.

3. Selecciona la confianza
Una confianza mayor aumenta la muestra necesaria.

4. Obtén el tamaño mínimo
La herramienta calcula n = (z·σ/E)² y redondea hacia arriba.

5. Ajusta por dependencia si hace falta
Si tus observaciones están correlacionadas por tiempo, producto o segmento, considera un tamaño mayor o un análisis de tamaño efectivo.

Fórmula

Fórmula principal:

n = (z × σ / E)²

Variables:

n: número de observaciones independientes requeridas.
z: valor crítico normal del nivel de confianza.
σ: desviación estándar esperada de la métrica de error.
E: margen de error deseado para la media, en la misma unidad que σ.

Supuestos: La fórmula supone observaciones aproximadamente independientes y una media con comportamiento normal por tamaño muestral. σ debe provenir idealmente de datos históricos o un piloto.

Qué significa el resultado

El resultado es el número mínimo aproximado de observaciones para estimar la media de la métrica con el margen indicado bajo los supuestos del modelo.

Si la variabilidad se subestima, la muestra calculada será demasiado pequeña. Utiliza un valor prudente de σ cuando exista incertidumbre.

Ejemplo de cálculo

Datos:

Desviación estándar esperada: 12 puntos porcentuales
Margen objetivo: ±2 puntos
Confianza del 95 %

Cálculo:
n = (1,96 × 12 / 2)² = 11,76² ≈ 138,30.

Resultado:
Se necesitan 139 observaciones al redondear hacia arriba.

Interpretación:
Con esa variabilidad, unas 139 observaciones independientes permiten estimar la media con un margen normal aproximado de dos puntos al 95 %.

Preguntas frecuentes

¿Qué métrica de error puedo usar?

Cualquier métrica cuyo promedio tenga una unidad interpretable y para la que puedas estimar una desviación estándar, por ejemplo error absoluto o error porcentual absoluto.

¿De dónde saco la desviación estándar?

Lo ideal es estimarla con un conjunto histórico comparable o un estudio piloto. No debe confundirse con la media del error.

¿Qué ocurre si los errores están autocorrelacionados?

El número de observaciones brutas puede sobrestimar la información independiente. Puede ser necesario ajustar por tamaño efectivo de muestra o usar técnicas de series temporales.

¿Por qué el tamaño crece tanto al reducir el margen a la mitad?

Porque n depende de 1/E². Reducir el margen a la mitad multiplica aproximadamente por cuatro la muestra necesaria.

¿Esta muestra sirve para comparar dos modelos?

No necesariamente. Comparar modelos suele requerir la variabilidad de las diferencias emparejadas o un diseño de dos muestras, no solo la precisión de una media individual.

Herramientas relacionadas