La fórmula de Wilson es una referencia muy útil cuando necesito estimar una proporción con más rigor que con la aproximación clásica. En gestión empresarial aparece en encuestas de satisfacción, estudios de mercado, auditorías internas y controles de calidad, es decir, en cualquier situación en la que la respuesta sea esencialmente “sí” o “no”. En este artículo explico qué mide de verdad, cómo se usa para fijar el tamaño de muestra y qué ajustes conviene hacer para no quedarse corto ni inflar el trabajo de campo.
Lo esencial para usarla sin perder tiempo
- Wilson es una buena base cuando trabajas con proporciones y quieres una estimación más estable que la aproximación normal simple.
- Para un estudio estándar con 95% de confianza y ±5% de error, 385 respuestas suele ser el punto de partida conservador si no conoces la proporción real.
- Si la población es finita, la muestra final baja; si esperas no respuesta, debes inflarla.
- Con proporciones extremas o muestras pequeñas, Wilson suele comportarse mejor que la fórmula más simple que aún se ve en muchos informes.
- En muestreo por conglomerados o con estructura compleja, el tamaño real sube por el efecto de diseño.
Qué mide realmente la fórmula de Wilson
En sentido estricto, Wilson no es una “fórmula de tamaño muestral” aislada, sino un método para construir intervalos de confianza de una proporción. La lógica empresarial es sencilla: si quiero saber qué porcentaje de clientes recomienda un servicio, qué parte del inventario cumple especificación o cuántos empleados aprueban una medida interna, necesito una muestra que me dé un margen de error aceptable.
La ventaja frente a la aproximación normal clásica es que se comporta mejor con muestras pequeñas y con proporciones cercanas a 0 o 1. En la práctica, eso evita resultados demasiado optimistas, como intervalos que se salen de 0 % o 100 %, o tamaños de muestra que parecen razonables sobre el papel pero se quedan cortos en terreno real.
Yo suelo explicarlo así: si la estimación va a sostener una decisión de negocio, prefiero un método un poco más prudente antes que una cifra bonita pero frágil. Con esa idea clara, merece la pena ver cuándo compensa usarlo y cuándo no.
Cuándo la elegiría y cuándo no
El NIST y buena parte de la literatura estadística sitúan el método de Wilson como una opción robusta para proporciones. Aun así, no siempre merece la pena usarlo en todo. La elección depende de qué estés midiendo y de cuánta sensibilidad tenga la decisión que vas a tomar con ese dato.
| Método | Qué aporta | Limitación | Cuándo lo usaría |
|---|---|---|---|
| Wald | Es rápido y fácil de entender. | Falla con muestras pequeñas y con proporciones extremas. | Solo para un cálculo preliminar muy rápido. |
| Wilson | Más estable y más fiable para proporciones. | Es algo menos intuitivo que Wald. | Como opción por defecto en encuestas, calidad y estudios de satisfacción. |
| Agresti-Coull | Muy cercano a Wilson y práctico en hojas de cálculo. | Sigue siendo una aproximación. | Cuando quiero una solución simple sin perder demasiada precisión. |
| Clopper-Pearson | Es más conservador y “exacto”. | Suele exigir más muestra de la necesaria. | Cuando prefiero sobredimensionar antes que quedarme corto. |
Mi lectura práctica es clara: si estás midiendo una proporción y el resultado va a mover una decisión relevante, Wilson suele ser una mejor base que Wald. No lo usaría para estimar una media de ventas, un ticket medio o cualquier variable continua; ahí necesitas otro planteamiento estadístico. Con esa frontera bien puesta, ya se puede pasar al cálculo operativo.
Cómo calcular el tamaño de muestra paso a paso
Para planificar la muestra, yo parto de una regla muy útil: n ≈ (z² · p · (1 - p)) / d². Aquí, z es el valor asociado al nivel de confianza, p es la proporción esperada y d es el error máximo que acepto en puntos proporcionales.
Si no conozco p, uso 0,5. Ese valor es conservador porque maximiza el tamaño muestral y evita infradimensionar el estudio. En un proyecto empresarial esto es importante: salir barato al principio y caro al final suele ser una mala idea.
- Define la variable. Tiene que ser una proporción, como “sí/no”, “cumple/no cumple” o “recomienda/no recomienda”.
- Fija el nivel de confianza. Lo habitual es 95 %, aunque 90 % o 99 % también son válidos según el riesgo que quieras asumir.
- Marca el margen de error. En encuestas de negocio, ±5 puntos porcentuales es una referencia muy común, pero no es una ley.
- Estima la proporción esperada. Si tienes un piloto o datos previos, mejor; si no, usa 0,5.
- Calcula la muestra. Aplica la fórmula y redondea siempre hacia arriba.
- Ajusta por población finita, no respuesta y diseño. Aquí se pierde o se gana mucha calidad real.
| Nivel de confianza | z | n con p=0,5 y ±5% |
|---|---|---|
| 90% | 1,645 | 271 |
| 95% | 1,96 | 385 |
| 99% | 2,576 | 664 |
Si quiero trabajar de forma más fiel al intervalo de Wilson, no me quedo solo con la aproximación rápida: fijo una n provisional, compruebo el ancho del intervalo y ajusto hasta que la precisión sea la correcta. Esa iteración es justo la parte que suelen ocultar muchas calculadoras, pero es la que marca la diferencia cuando la muestra es pequeña o la proporción esperada está muy cerca de los extremos.
Con las variables cerradas, el ejemplo siguiente muestra cómo se traduce esto en una decisión de negocio bastante concreta.
Un ejemplo aplicado a una encuesta de clientes
Imaginemos una empresa con 1.200 clientes activos que quiere medir el porcentaje de clientes satisfechos. Busca un nivel de confianza del 95 % y acepta un error de ±5 puntos porcentuales. Como no tiene una estimación previa sólida, usa p = 0,5.
El cálculo inicial le da 385 respuestas completas. Hasta aquí, la cifra es la de partida. Pero como la base total es finita, conviene corregirla:
n corregida = n / (1 + (n - 1) / N)
Con N = 1.200, la muestra ajustada baja a 292 respuestas aproximadamente. Si además espero una tasa de no respuesta del 25 %, no bastará con invitar a 292 personas: tendré que enviar el cuestionario a unas 389 para terminar con las 292 completas que necesito.
Este ejemplo es útil por una razón muy simple: evita confundir “muestra teórica” con “muestra operativa”. En gestión empresarial, esa diferencia vale dinero, tiempo y credibilidad. Y precisamente por eso conviene revisar los errores más frecuentes antes de lanzar el trabajo de campo.
Errores que distorsionan la muestra
La mayoría de los problemas no vienen de la estadística en sí, sino de cómo se usa. Estos son los fallos que más veo en proyectos de negocio:
- Confundir confianza con error. No es lo mismo pedir 95 % de confianza que aceptar ±5 puntos porcentuales de error.
- Usar p = 0,5 sin pensar. Es una elección conservadora, pero si ya tienes un histórico fiable, ignorarlo te hace gastar más de lo necesario.
- No corregir la no respuesta. Si esperas que una parte del panel no conteste, la muestra inicial tiene que crecer.
- Redondear hacia abajo. Parece un detalle menor, pero en muestras ajustadas cualquier recorte se nota.
- Aplicar la misma fórmula a todo. Una proporción no se trata igual que una media, y un muestreo simple no se comporta igual que uno por conglomerados.
- Olvidar el contexto del estudio. Una encuesta interna no tiene el mismo riesgo que una auditoría de calidad que vaya a activar costes o sanciones.
Cuando limpio estos cuatro o cinco puntos, el tamaño de muestra deja de ser una cifra decorativa y pasa a ser una herramienta útil. A partir de ahí, el siguiente paso es ajustar el cálculo si la población no es grande o si el diseño no es estrictamente aleatorio simple.
Qué cambia con poblaciones pequeñas y muestreos complejos
Cuando la población es pequeña, la corrección por población finita puede reducir bastante la muestra. La regla es esta:
n corregida = n / (1 + (n - 1) / N)
Por ejemplo, una base de 1.000 casos reduce una muestra teórica de 385 a unas 278 respuestas; con 500 casos, la muestra baja aún más. Para un departamento comercial o de calidad, esto evita pedir más datos de los necesarios y acelera el campo sin perder precisión real.
Si además no hay muestreo aleatorio simple, el número final puede subir. En un diseño por conglomerados o en estudios con estructura de estratos, se usa el efecto de diseño (DEFF), que multiplica la muestra necesaria. Un DEFF de 1,5 convierte 278 respuestas en unas 417, porque la información efectiva de cada caso es menor que en una muestra simple.
También aquí aparece una decisión muy práctica: si tus subgrupos importan de verdad, conviene calcular la muestra por estratos y no repartirla de forma mecánica. No siempre hace falta, pero cuando el negocio depende de comparar segmentos, compensa hacerlo bien desde el principio. Con eso cerrado, solo queda fijar las últimas condiciones antes de enviar el cuestionario.
Lo que conviene cerrar antes de lanzar el trabajo de campo
Antes de poner en marcha una encuesta o un estudio interno, yo cerraría tres cosas: qué proporción exacta quiero medir, qué error acepto y qué tasa de no respuesta espero. Si una de esas variables queda difusa, la muestra sale por costumbre y no por criterio.
- Variable bien definida: satisfacción, recomendación, conformidad, cumplimiento o conversión.
- Supuesto de partida realista: usar datos previos si existen, no una cifra cómoda.
- Ajustes operativos: población finita, no respuesta y efecto de diseño.
Si quieres que el cálculo sea útil de verdad en gestión y estrategia empresarial, piensa en la muestra como una decisión de riesgo, no como una operación aritmética. Cuando eso está claro, la fórmula de Wilson deja de ser teoría de estadística y se convierte en una herramienta bastante directa para decidir con menos ruido y más seguridad.
