El número de participantes o muestras en un estudio, que determina su capacidad para detectar efectos reales.El tamaño de muestra es el número de observaciones individuales, participantes o puntos de datos incluidos en un estudio. Es un parámetro fundamental en estadística porque influye directamente en la precisión de las estimaciones y en la potencia de las pruebas de hipótesis. Un tamaño de muestra mayor generalmente reduce el error de muestreo, haciendo que los resultados sean más fiables y con mayor probabilidad de reflejar el efecto real de la población, mientras que un tamaño de muestra menor aumenta el riesgo de no detectar efectos reales o de producir efectos espurios.
El concepto formal de tamaño de muestra y su papel en la inferencia se desarrolló a principios del siglo XX, notablemente a través del trabajo de Ronald Fisher en las décadas de 1920 y 1930, quien estableció el marco para el diseño experimental y la prueba de hipótesis.
La inferencia estadística se basa en la idea de que una muestra se aproxima a la población de la que se extrae. El error estándar de una estimación disminuye a medida que aumenta la raíz cuadrada del tamaño de muestra, por lo que duplicar el tamaño de muestra reduce aproximadamente a la mitad el margen de error. El análisis de potencia, que determina el tamaño de muestra mínimo necesario para detectar un efecto de una magnitud dada, equilibra el nivel de significancia deseado, el tamaño del efecto y la potencia estadística.
Los cálculos de tamaño de muestra son habituales en ensayos clínicos, encuestas de ciencias sociales y control de calidad para garantizar que los estudios no tengan potencia insuficiente ni sean innecesariamente grandes.
En algunos campos, el problema del 'p-hacking' —donde los investigadores recopilan datos hasta que los resultados se vuelven significativos— aprovecha el hecho de que aumentar el tamaño de muestra puede convertir un resultado no significativo en uno significativo, incluso cuando el efecto real es nulo.
| B | variable | Bayes factor — factor de Bayes |
| D_k | variable | k-th data point — datos |
| H_1 | variable | alternative hypothesis — hipótesis |
| H_0 | variable | null hypothesis — hipótesis |
| N | variable | number of data points — tamaño de muestra |
| ∏ | operador | multiplication of terms for k=1 to N — operador producto |
| MAE | variable | Mean absolute error — mean absolute error same as dependent variable |
| n | variable | Number of observations — tamaño de muestra |
| y_i | variable | True value for observation i — true value same as dependent variable |
| \hat{y}_i | variable | Predicted value for observation i — predicted value same as dependent variable |
| \sum_{i=1}^n | operador | Sum over all observations from 1 to n — suma |
| |\cdot| | operador | Takes the absolute value of the difference — valor absoluto |
| MSE | variable | Mean squared error — mean squared error |
| n | variable | Number of observations — tamaño de muestra |
| y_i | variable | Actual value for observation i — actual value |
| \hat{y}_i | variable | Predicted value for observation i — predicted value |
| \sum_{i=1}^{n} | operador | Sum over all observations from 1 to n — suma |








