Cómo determinar el tamaño muestral en una encuesta: base estadística y criterios prácticos

«¿Cuántas respuestas necesito realmente para esta encuesta?». Si alguna vez has gestionado un estudio, o bien has hecho esta pregunta o te la han hecho a ti. La respuesta honesta es: «existe una fórmula estadística bien definida, pero las decisiones reales sobre tamaño muestral implican más que solo las matemáticas». Un montón de proyectos arrancan con un «vamos a 100» o «lo que dé el presupuesto», llegan a la revisión y los devuelven por muestra insuficiente. Un modo de fallo silencioso pero muy común.

Este artículo cubre la base estadística para dimensionar una encuesta (fórmula de Cochran, nivel de confianza, margen de error), las reglas prácticas del sector que los proveedores usan en el día a día y los riesgos de trabajar con muestras pequeñas. El objetivo: que llegues a tu próxima conversación sobre dimensionamiento con una respuesta defendible, no con una intuición.

1. Qué controla realmente el tamaño muestral

Antes de las matemáticas, una imagen clara de qué está cambiando el tamaño muestral:

Nivel de confianza: si repitieras la misma encuesta 100 veces, cuántas veces caería el resultado dentro del rango objetivo. El 95 % es el estándar del sector.
Margen de error: la diferencia aceptable entre tu resultado muestral y el valor «verdadero» de la población. El ±5 % es lo estándar.
Representatividad: hasta qué punto tu muestra refleja la distribución real de la población.

Más muestra → mayor confianza, margen más estrecho y mejor representatividad. También cuesta proporcionalmente más, así que la decisión está en saber cuándo añadir más muestra deja de merecer la pena. Ahí entra la estadística.

2. La base estadística: la fórmula de Cochran

La fórmula clásica para determinar el tamaño muestral es la fórmula de Cochran, introducida por William G. Cochran en 1977. Sigue siendo la referencia en los manuales y guías profesionales como metodología estándar para esta decisión.

La fórmula

Para una población infinita (o desconocida):

n_0 = \frac{Z^2 \cdot p(1 - p)}{e^2}

Donde:

$n_0$ : tamaño muestral requerido.
$Z$ : valor Z correspondiente al nivel de confianza elegido ( $Z = 1{,}96$ para el 95 %, $Z = 2{,}58$ para el 99 %).
$p$ : proporción poblacional asumida. Usa $p = 0{,}5$ cuando sea desconocida: es la opción más conservadora (produce la estimación más grande).
$e$ : margen de error (habitualmente $e = 0{,}05$ = ±5 %).

Sustituyendo un 95 % de confianza ( $Z = 1{,}96$ ), $p = 0{,}5$ y $e = 0{,}05$ :

n_0 = \frac{1.96^2 \times 0.5 \times 0.5}{0.05^2} = 384.16

Unas 384 respuestas bastan para un 95 % de confianza con un ±5 % de error en una población infinita.

Corrección por población finita

Si tu población es finita —por ejemplo, tus 1 000 clientes—, aplicas la corrección por población finita (FPC):

n = \frac{n_0}{1 + \dfrac{n_0 - 1}{N}}

Donde $N$ es el tamaño de la población. Las poblaciones más pequeñas necesitan proporcionalmente menos respuestas.

Tabla canónica de tamaños muestrales

Con un 95 % de confianza, ±5 % de error y p = 0,5:

Población (N)	Muestra requerida (n)
100	80
500	217
1 000	278
10 000	370
100 000 o más / infinita	384

Para la derivación completa, consulta la explicación de la fórmula de Cochran en Statistics How To y el artículo sobre determinación del tamaño muestral en investigación aplicada en ResearchGate.

3. Reglas prácticas del sector

La fórmula de Cochran da un mínimo estadístico. En la práctica, otros factores también empujan las decisiones de tamaño muestral, por lo que las guías de los proveedores publican reglas del pulgar. Conviene tratarlas como valores de referencia ampliamente compartidos en el sector, no como benchmarks rigurosamente validados.

Rangos de error por tamaño muestral

A través de los análisis de los proveedores se manejan habitualmente los siguientes rangos:

Muestra	Margen de error aproximado	Interpretación práctica
50	~±15 %	Solo lectura direccional aproximada
100	~±10 %	Fiabilidad razonable
400	~±5 %	Precisión estándar de investigación
1 000	~±3 %	Alta precisión, detecta diferencias pequeñas

La convención sectorial de que «N=400 es la línea base» proviene del hecho de que ~384 es el mínimo estadístico para un ±5 % de error al 95 % de confianza.

Equilibrio coste-precisión: por qué «en torno a 400 está el punto óptimo»

Cuando representas esta relación, la curva tiene una pendiente inicial muy pronunciada y una cola plana muy clara. Una sola imagen hace obvio todo el trade-off.

信頼度 95% (Z=1.96)、p=0.5 での計算

Al pasar de N=100 a N=400, el margen de error cae de aproximadamente un 9,8 % a un 4,9 %: se reduce a la mitad. Al pasar de N=400 a N=1 000, solo baja del 4,9 % al 3,1 %: apenas 1,8 puntos para 2,5 veces la muestra. Esto viene del $\sqrt{n}$ en la fórmula $e = 1.96 \sqrt{p(1-p)/n}$ : para reducir el margen de error a la mitad hay que cuadruplicar la muestra.

La convención sectorial de N=400 no es arbitraria: se sitúa justo en el punto donde las ganancias de precisión empiezan a aplanarse. A partir de ahí, cada respondiente adicional compra mucha menos precisión por euro invertido. En torno a 400 es donde el trade-off entre precio y precisión alcanza realmente su punto óptimo.

Calculadoras de tamaño muestral de los proveedores

Varios proveedores ofrecen calculadoras online gratuitas con los mismos campos de entrada (población, confianza, margen):

Todas implementan por debajo la fórmula de Cochran, así que los resultados son prácticamente idénticos. Las matemáticas están resueltas; el juicio humano está en las entradas: ¿qué nivel de confianza y qué margen de error necesitas de verdad?

4. Tamaño muestral por caso de uso

Cada tipo de estudio requiere una precisión distinta. Patrones habituales del sector:

Estudios exploratorios / de screening

Objetivo: lectura direccional previa a la hipótesis.
Rango: 30–100 respuestas.
Cuándo es aceptable: cuando un ±10–15 % de error no cambiará la decisión.

Estudios para tomar decisiones

Objetivo: decisiones sobre producto, servicio o de nivel directivo.
Rango: 300–500 respuestas en total.
Cuándo aplica: estándar de investigación al 95 % de confianza y ±5 %.

Estudios de comparación entre segmentos

Objetivo: comparar entre datos demográficos, regiones, roles, etc.
Rango: al menos 100 por segmento, con totales que a menudo rondan 800–2 000 o más.
Por qué: el margen de error dentro de cada segmento también debe ser ±10 % o menor.

Estudios longitudinales / de seguimiento

Objetivo: repetir la misma encuesta a lo largo del tiempo y seguir el cambio.
Rango: 400–1 000 por ola.
Por qué: se necesita potencia estadística para detectar diferencias entre olas.

El peor antipatrón es decidir el número muestral antes que el propósito. Propósito primero, número después.

5. Qué pasa con muestras pequeñas

A veces el presupuesto solo da para N=50. Entender exactamente lo que eso te cuesta te permite decidir con información.

Riesgo 1: intervalos de confianza amplios

Con N=50, el margen de error está en torno al ±15 %. Un resultado de «40 % de intención de compra» significa, en realidad, «en algún punto del rango 25–55 %». Suele ser demasiado amplio para sostener una afirmación firme en un sentido u otro.

Riesgo 2: la segmentación pierde sentido

Divide N=50 en hombres/mujeres (25/25) y luego por tramos de edad: cada celda queda en 5–10 respuestas. La comparación estadística entre segmentos de ese tamaño es esencialmente ruido.

Riesgo 3: los outliers dominan la señal

Un solo encuestado extremo mueve todo el score de forma notable. En la codificación de texto libre, opiniones minoritarias pueden aparecer como «la opinión mayoritaria» simplemente porque la mayoría es pequeña.

Cuándo una muestra pequeña es legítimamente aceptable

Generación de insights cualitativos: «¿qué tipos de quejas existen?» funciona bien con N=30.
Validación de hipótesis antes de un estudio mayor: estudios piloto.
Complementación específica: ya tienes datos a gran escala y quieres un pequeño deep-dive.

La regla con muestras pequeñas: no dejes que los números caminen solos. Indica siempre el margen.

6. Visión editorial: cuatro errores de tamaño muestral que vemos una y otra vez

Tras años siguiendo casos publicados y análisis del sector, cuatro fallos de tamaño muestral aparecen constantemente. Los señalamos sin rodeos.

1. «Hagamos 100 y listo» es más arriesgado de lo que se cree. Con N=100, el margen de error es del ±10 %. Un resultado de «40 % de intención de compra» podría estar perfectamente entre el 30 % y el 50 %, un rango lo bastante amplio como para cambiar por completo una decisión. Si lanzas con 100, deja bien claro el margen en el informe. Los informes que presentan resultados de N=100 sin bandas de incertidumbre son los que luego te devuelven por «poco rigurosos».

2. Fijar el tamaño total ignorando las celdas de segmento. «Vamos a recoger 500 en total» suena bien, hasta que abres los datos y descubres que tus segmentos críticos tienen 30 respuestas cada uno. Si la segmentación forma parte del análisis, dimensiona desde la celda más pequeña. ¿Quieres comparar el Top 2 Box de mujeres de 40 a 59 años? Fija primero el mínimo por segmento en 100; el total sale de ahí.

3. Confundir «muestra necesaria» con «envíos necesarios». Seguimos viendo gente que fija 384 envíos cuando necesita 384 respuestas. Esto siempre está mal. Si tu tasa de respuesta por email es del 10 %, tienes que enviar 3 840, no 384. Incluye la tasa de respuesta desde el principio. Consulta los fundamentos para mejorar la tasa de respuesta para más detalle.

4. «Más muestra = más precisión» es una intuición común pero equivocada. El tamaño muestral controla la precisión, pero una muestra sesgada sigue siendo sesgada con cualquier tamaño. 10 000 respuestas de tus usuarios más activos no son un estudio representativo. La representatividad importa más que el volumen bruto. Un estudio de 300 respuestas bien dirigido suele superar a una muestra de conveniencia de 10 000 para tomar decisiones reales.

7. Diseñar encuestas en la herramienta de encuestas Kicue

Kicue incluye las funciones necesarias para ejecutar decisiones de tamaño muestral:

Gestión de cuotas — define muestras objetivo por segmento y cierre automático al alcanzarlas (detalles).
Monitorización de la recogida en tiempo real — sigue el progreso por segmento en un dashboard en vivo (detalles).
Enrutamiento por parámetros de URL — recibe atributos de paneles externos para dirigir la distribución con precisión.
Funciones de tasa de respuesta — optimización para móvil, lógica de salto y barra de progreso para maximizar la cumplimentación frente a los envíos.

Sube un archivo de cuestionario y Kicue se encarga de la distribución, las cuotas y la fontanería analítica que, de otro modo, tendrías que coser a mano.

Elegir la herramienta correcta — Los límites del plan gratuito, soporte de ramificación, capacidades IA y exportación CSV varían mucho entre herramientas. Consulta nuestra comparativa de herramientas de encuestas gratuitas para encontrar la adecuada para este enfoque.

Recapitulación

Checklist para decidir el tamaño muestral:

La fórmula de Cochran es la base estadística: 95 % de confianza al ±5 % de error ≈ 384 para poblaciones infinitas.
Aplica la corrección por población finita: una población de N=100 necesita 80; una de N=1 000, 278.
Dimensiona a partir del caso de uso: screening 30–100, decisional 300–500, comparación entre segmentos 100+ por celda.
Ten claro lo que cuesta una muestra pequeña: márgenes del ±15 %, sin análisis por segmento, sensibilidad a outliers.
La representatividad gana al volumen: una muestra sesgada de 10 000 no supera a una muestra representativa de 300.

La pregunta «¿cuántos necesitamos?» se responde trabajando hacia atrás desde el propósito y la precisión requerida. Cuando se convierte en hábito, puedes defender tu tamaño muestral en cualquier reunión, incluida aquella en la que se negocia el presupuesto.

Referencias

Metodología académica y estadística

Determination of Sample Size and Sampling Methods in Applied Research (2021). ResearchGate.
Sample Size in Statistics: Cochran's Formula & General Tips. Statistics How To.
Cochran's Sample Size Calculator Guide. SPSS Services.

Guías y calculadoras de tamaño muestral de proveedores (referencia del sector)

Explicaciones de tamaño muestral de firmas de investigación locales (referencia del sector)

Gestiona tamaño muestral, cuotas y distribución en un solo lugar con Kicue — una herramienta de encuestas online gratis con cuotas y monitoreo en vivo.