Dato
Tener el doble de datos no hace que las estimaciones sean el doble de precisas
Para muchos promedios, reducir a la mitad el error aleatorio requiere aproximadamente cuatro veces más observaciones. La precisión tiene rendimientos de raíz cuadrada.
El error estándar se reduce con la raíz cuadrada del tamaño de la muestra, razón por la cual las muestras pequeñas oscilan y las estimaciones muy precisas se vuelven costosas rápidamente.
Por el equipo editorial de Math Says Yes
Revisado por humanos según nuestros estándares de fuentes y corrección.
Cómo revisamos el contenido
LA TRAMPA
Asumir que la precisión mejora en línea recta con el tamaño de muestra, de modo que el doble de datos debería significar la mitad del error.
Qué mide el error estándar
El es la fluctuación típica de una estimación en muestras repetidas. Si tomaras muestras repetidas de la misma y calcularas la media cada vez, esas medias muestrales no serían idénticas. Formarían su propia alrededor de la media verdadera. El error estándar describe la dispersión de esa distribución, por lo que te indica cuánto ruido de muestreo aleatorio queda en la estimación.
Lo que muestran los números
10
100 lecturas
7.1
200 lecturas
5
400 lecturas
Con 100 lecturas la oscilación típica es de ±10 puntos; 200 la reducen a unos ±7, y 400 llegan a ±5.
El truco de la raíz cuadrada
Pasar de 100 a 400 observaciones reduce el error casi a la mitad; pasar de 400 a 1600 lo reduce a la mitad de nuevo. El se reduce como uno dividido por la raíz cuadrada de n. Esa es una buena noticia porque más datos ayudan. También es aleccionador porque la mejora se desacelera: la misma ganancia de precisión se vuelve más costosa cada vez.
Por qué falla la intuición
La mayoría de las cantidades cotidianas se sienten lineales: el doble de dinero compra el doble del artículo, el doble de distancia toma el doble de tiempo y el doble de trabajadores a veces pueden hacer el doble del trabajo. La precisión del muestreo es diferente porque los errores aleatorios se cancelan en ambas direcciones. Más observaciones añaden información, pero también añaden nueva variación aleatoria. El proceso de gana gradualmente, y la regla de la raíz cuadrada es el ritmo al que gana.
Cómo usarlo
Cuando alguien pida una estimación mucho más precisa, traduce esa solicitud al tamaño de . La mitad del error aleatorio suele significar cuatro veces la muestra; una décima parte del error significa aproximadamente cien veces la muestra. Esto no significa que más datos no sirvan para nada. Significa que la precisión tiene un precio, y un buen diseño de estudio debe decidir si vale la pena pagar ese precio para la decisión en cuestión.
Ejemplo práctico
Con 100 observaciones, divides la dispersión bruta por 10, la raíz cuadrada de 100. Esa es toda la receta: si la de las mediciones individuales es fija, el de una media es esa desviación estándar dividida por la raíz cuadrada del tamaño de . Con 400 observaciones, el divisor es 20, por lo que el error estándar se reduce a la mitad. Duplicar de 100 a 200 solo cambia el divisor de 10 a aproximadamente 14.1, lo cual es una ganancia útil pero no una ganancia de precisión de dos veces.
Cuándo se aplica
La regla de la raíz cuadrada describe el ruido de muestreo aleatorio bajo supuestos como observaciones independientes y una estable. No significa que cualquier conjunto de datos más grande sea automáticamente mejor. Si los nuevos datos provienen de la población equivocada, repiten el mismo error de medición o se seleccionan de manera sesgada, el puede parecer más pequeño mientras que la estimación sigue siendo incorrecta.
En qué se equivoca la gente
El doble del presupuesto de la encuesta, el doble de registros o el doble de tiempo de experimento da la sensación de que debería reducir a la mitad la incertidumbre. El aleatorio no funciona así, y la precisión no escala como el esfuerzo. La relación de la raíz cuadrada significa que la precisión mejora, pero las ganancias fáciles llegan temprano.
Nota sobre la fuente
Altman y Bland explican la diferencia entre la y el , incluyendo por qué el error estándar mide la precisión de una estimación en lugar de la variabilidad entre individuos. Esa distinción es la base de la lección principal de la página: aumentar el tamaño de mejora la precisión a través de la muestral, pero la mejora sigue una curva de raíz cuadrada.
Preguntas frecuentes
¿Por qué el error estándar se reduce con la raíz cuadrada del tamaño de muestra?
Los errores aleatorios independientes se cancelan parcialmente al promediar. Las matemáticas de la varianza hacen que la dispersión de la media muestral se reduzca con la raíz cuadrada de n, no directamente con n.
¿Más datos siempre resuelven la incertidumbre?
Los datos más representativos reducen el error de muestreo aleatorio, pero no solucionan el sesgo, las malas mediciones, la falta de respuesta, los factores de confusión ni una muestra que no refleja a la población que te interesa.
Comprobación rápida
Si quieres reducir a la mitad el error estándar de un promedio, ¿cuántos datos más necesitas aproximadamente?
A
Alrededor del doble de datos.
B
Alrededor de cuatro veces más datos.
C
Alrededor de la mitad de los datos.
Fuentes
Standard deviations and standard errors
Fuente primaria
BMJ · Accedido 2026-06-20
Standard error
Explicador secundario
Wikipedia · Accedido 2026-06-16
¿Conoces a alguien a quien le pueda gustar esto?
Leer siguiente
Los pueblos más pequeños encabezan las listas de los mejores y los peores
Clasifica los lugares por cualquier tasa —cáncer, puntajes de exámenes, delincuencia— y los extremos están dominados por los lugares más pequeños, porque las muestras pequeñas se alejan mucho de la tasa real solo por suerte.
Conceptos
Ley de los grandes números
A medida que una muestra crece, su promedio se acerca al promedio real y las fluctuaciones aleatorias se reducen, aproximadamente en proporción a 1 sobre la raíz cuadrada del tamaño de la muestra. Las muestras pequeñas pueden alejarse mucho de la verdad por pura casualidad, razón por la cual un puñado de observaciones es tan fácil de malinterpretar.
Error estándar
El error estándar es la fluctuación típica de muestreo de una estimación, como una media aritmética. Para observaciones independientes, el error estándar de una media aritmética se reduce con la raíz cuadrada del tamaño de la muestra, por lo que reducir el error a la mitad suele requerir cuatro veces más datos.
