A/B Test Sample Size Calculator
Calcule el tamaño de muestra necesario para un test A/B estadísticamente fiable. Estime la duración del test en función de su tráfico diario.
Parámetros del test
Ej.: 5% significa 5 conversiones por cada 100 visitantes
Mejora relativa esperada (5.0% → 5.5%)
Probabilidad de no declarar un falso positivo
Probabilidad de detectar un efecto real
Estimación de duración
Todo sobre el cálculo del tamaño de muestra para tests A/B
¿Por qué calcular el tamaño de muestra antes de un test A/B?
Lanzar un test A/B sin conocer el tamaño de muestra necesario es como lanzar una moneda: te arriesgas a sacar conclusiones demasiado pronto, sin respaldo estadístico.
Un cálculo previo garantiza la potencia estadística del test. Sabrás exactamente cuántos visitantes asignar entre el control y la variante antes de tomar una decisión de negocio.
Nuestra calculadora es completamente gratuita, funciona en tu navegador y no envía ningún dato. Ingresa tu tasa de conversión actual, la mejora esperada y el nivel de confianza para obtener instantáneamente el tamaño de muestra requerido.
¿Quién usa esta calculadora?
- Growth marketers
- Planifica tests A/B en landing pages, CTAs y formularios con un número preciso de visitantes para obtener resultados fiables.
- Product managers
- Estima la duración de un test antes de lanzar un sprint. Anticipa el tráfico necesario para validar una hipótesis de producto.
- Analistas de datos
- Verifica rápidamente la viabilidad estadística de un test antes de movilizar a los equipos de desarrollo.
- Agencias digitales
- Presenta a tus clientes un cronograma de test realista, basado en su tráfico real y los objetivos de conversión definidos.
Cómo usar la calculadora de tamaño de muestra
Ingresa tu tasa de conversión actual (ej. 3,5%).
Indica el efecto mínimo detectable (MDE) y el nivel de confianza (generalmente 95%).
La calculadora muestra al instante el número de visitantes por variante y la duración estimada del test según tu tráfico diario.
Preguntas frecuentes
- ¿Qué es el tamaño de muestra en un test A/B?
- El tamaño de muestra es el número mínimo de visitantes que cada variante debe recibir para que el resultado sea estadísticamente significativo. Depende de la tasa de conversión base, el efecto mínimo detectable y el nivel de confianza elegido.
- ¿Qué nivel de confianza elegir para un test A/B?
- El estándar de la industria es 95%, lo que significa solo un 5% de probabilidad de falso positivo. Para decisiones de alto impacto financiero, algunos prefieren 99%. Un nivel de confianza más alto requiere una muestra más grande.
- ¿Cuánto tiempo se necesita para alcanzar la significancia estadística?
- La duración depende de tu tráfico diario y el tamaño de muestra requerido. Por ejemplo, si necesitas 10.000 visitantes por variante y recibes 1.000 visitantes diarios, tardará unos 20 días (ya que el tráfico se divide entre las variantes).
- ¿Se puede detener un test A/B antes si los resultados parecen claros?
- No, es un error común llamado 'peeking problem'. Detener un test antes de alcanzar el tamaño de muestra calculado aumenta significativamente el riesgo de falsos positivos. Espera siempre al final del test o usa métodos secuenciales apropiados.
- ¿Mis datos se envían a un servidor?
- No. Todos los cálculos se realizan localmente en tu navegador con JavaScript. No se transmite, almacena ni recopila ningún dato. Tu privacidad está completamente protegida.
Entender el dimensionamiento de un test A/B
¿Qué es un test A/B y por qué importa el tamaño de muestra?
Un test A/B compara dos versiones de una página, email o elemento de interfaz para determinar cuál funciona mejor. El tamaño de muestra es crucial porque garantiza que la diferencia observada entre variantes es real y no debida al azar. Sin una muestra suficiente, te arriesgas a tomar decisiones basadas en ruido estadístico.
¿Cómo influye la potencia estadística en un test A/B?
La potencia estadística (generalmente fijada al 80%) representa la probabilidad de detectar una diferencia real cuando existe. Una potencia insuficiente aumenta el riesgo de falsos negativos: concluir que no hay diferencia cuando realmente existe una mejora. Aumentar la potencia requiere una muestra más grande, lo que alarga el test pero refuerza la fiabilidad.
¿Qué fórmulas se usan para calcular el tamaño de muestra?
El cálculo usa la fórmula clásica con los scores Z del nivel de confianza (α) y la potencia (1-β), las proporciones de conversión esperadas (p₁ y p₂) y la varianza estimada. Concretamente: n = (Zα/2 + Zβ)² × (p₁(1-p₁) + p₂(1-p₂)) / (p₁ - p₂)².