Herramienta gratuita para planificar la cuota de encuestas: cómo diseñar la estructura de la muestra antes de que comience el trabajo de campo en 2026

Introducción 

La mayoría de los proyectos de investigación de mercado que fracasan no lo hacen en el terreno. Lo hacen en la reunión de planificación, donde alguien revisa el presupuesto, nombra un tamaño de muestra que le parece adecuado y nadie calcula qué significado tiene ese número en términos de precisión, viabilidad o coste de reclutar personas para cada célula de cuota. El resultado es un trabajo de campo que se salta el presupuesto, persiguiendo células imposibles, hallazgos que no pueden respaldar un análisis de subobjetivos porque las células son demasiado pequeñas o un informe final que reconoce discretamente que la muestra “presenta una distribución más joven” sin explicar qué implica esto para las conclusiones. 

Existe una herramienta que evita todos estos resultados y, en 2026, será gratuita. H-in-Q Modelo de estructura y cuotas del simulador es una herramienta de planificación de cuotas diseñada específicamente que toma en cuenta su objetivo de investigación, el método de cuotas, la precisión del objetivo y el margen de error, y genera tres escenarios de muestra completos: proporcionales, iguales entre sí y personalizados de forma instantánea. Antes de que se escriba un único cuestionario, antes de que se contacte con un panel de expertos, antes de que se firme el presupuesto, podrá ver exactamente cuántas entrevistas totales requiere su diseño y dónde se encuentra el riesgo de fragmentación. 

Esta guía explica cómo utilizar la herramienta, qué significa cada escenario en la práctica, cuándo elegir las cuotas cruzadas en lugar de las cuotas simples y cómo leer la advertencia de fragmentación que protege los programas de investigación del error de diseño de cuota más común en la industria. Investigación de mercado El equipo desarrolló esta herramienta a partir de la experiencia adquirida durante trabajos de campo en los mercados de Estados Unidos y el Medio Oriente y Norte de África. Cada función resuelve un problema real que se plantea a los programas de investigación antes de que se realice la primera entrevista. 

 

¿Qué es una herramienta de planificación de cuotas de encuesta y por qué todos los investigadores la necesitan antes del trabajo de campo? 

Una herramienta de planificación de cuotas de encuestas es un software que calcula cuántas entrevistas se necesitan en cada segmento de audiencia, teniendo en cuenta una precisión definida y un margen de error antes de comenzar el trabajo de campo. Traduce los objetivos de la investigación en requisitos concretos para la muestra: no solo un número total, sino una división por células que revela si el diseño es factible, cuánto costará llevar a cabo y dónde se producen las brechas de precisión. 

La mayoría de los equipos de investigación planifican cuotas utilizando una de tres aproximaciones inadecuadas: copiar el tamaño de la muestra de estudios anteriores independientemente de que los objetivos coincidan, utilizar un calculador genérico de tamaño de muestra que produzca un total sin estructura de cuotas, o trabajar en sentido inverso desde el presupuesto hasta el tamaño de la muestra sin comprobar si las células resultantes son lo suficientemente grandes para soportar el análisis que se necesita. Todos estos métodos producen el mismo problema derivado: un diseño de muestra que parece razonable en papel pero que falla en la práctica. 

El simulador de estructura y cuotas de muestra de H-in-Q resuelve esto en la fase de planificación, donde arreglarlo no cuesta nada. Arreglar un problema de diseño de cuotas a mitad de la fase de trabajo implica reiniciar el estudio. 

La herramienta es gratuita. No requiere ninguna cuenta, ni suscripción, ni conocimientos especializados en metodología de investigación para funcionar. Proporciona tres escenarios de muestra completos en segundos, con una alerta de fragmentación integrada que señala los diseños que probablemente causarán problemas durante el campo de trabajo antes de enviar una única invitación. Accedá a ella directamente en simulador-de-cuotas-de-muestra. 

 

El problema del pre-campo: ¿Por qué el diseño de la muestra falla antes de que comience la investigación? 

Para comprender qué arregla la herramienta es necesario comprender la secuencia de decisiones que producen diseños de muestras deficientes. Los errores son consistentes y predecibles y se producen en la fase de planificación, no en la de campo. 

Error 1: Elegir un tamaño de muestra antes de elegir una estructura de cuotas 

La mayoría de los investigadores comienzan con un presupuesto, derivan un tamaño de muestra a partir de ese presupuesto y luego diseñan su estructura de cuotas en función del número que ya han comprometido. La secuencia correcta es la inversa: primero diseñan la estructura de cuotas, calculan el tamaño mínimo de muestra que requiere la estructura para el nivel de precisión que necesitan y luego presentan ese número al propietario del presupuesto con una explicación clara de los costos de cada escenario y de la precisión que ofrece. 

Cuando se invierte la secuencia, el resultado más común es un estudio con un diseño de cuota que requiere 600 entrevistas para obtener una precisión en el subobjetivo, pero un presupuesto que financia 300, y nadie se da cuenta de este desajuste hasta que ya se ha iniciado el trabajo de campo y las células se están llenando de forma desigual. 

Error 2: Interconexión cruzada de demasiadas variables 

Cruzar varias variables de la cuota multiplica el número de células que debe llenar el campo de trabajo. Tres grupos de edad cruzados con dos géneros y tres niveles de ingresos producen 18 células. A un mínimo práctico de 30 encuestados por célula, la muestra total no puede bajar de 540; independientemente del presupuesto asignado. Aumentemos la división regional a cuatro regiones de EE. UU., y tendremos 72 células que requieren un mínimo de 2.160 entrevistas. A esta escala, algunas células se vuelven casi imposibles de completar; los reclutadores pasan las últimas semanas del campo de trabajo buscando jóvenes varones rurales de alto ingreso que prácticamente no están presentes en la mayoría de los paneles en línea. 

La sobreespecificación de los cuotas es la causa más común de fracasos en el campo de la investigación de mercado, y puede detectarse completamente antes de que comience el campo de trabajo si el investigador calcula el número de células en función del tamaño mínimo de la célula en la fase de planificación. 

Error 3: Confundir la precisión global con la precisión del subtipómetro 

Un estudio diseñado con un margen de error de ±5% en el nivel global requiere 384 entrevistas. El mismo estudio diseñado con una precisión de ±5% en cada nivel subobjetivo, de modo que cada célula de cuota pueda ser leída independientemente, requiere 384 entrevistas multiplicadas por el número de células. Estos son diseños de investigación fundamentalmente diferentes con tamaños de muestra y costos fundamentalmente diferentes, y a menudo se confunden en los informes de investigación que especifican “muestra representativa, n=400” sin indicar qué nivel de precisión ese número de 400 está diseñado para ofrecer. 

El Simulador de Estructura y Cuotas de Ejemplos hace esta distinción explícita al exigir a los investigadores que elijan su objetivo de precisión antes de generar los escenarios; lo que obliga a tomar una decisión que la mayoría de los informes de investigación dejan en un ámbito ambiguo. 

 

Cómo funciona el simulador de estructura y cuotas de muestra: un recorrido completo 

La herramienta tiene dos zonas de entrada y una zona de salida. El proceso completo tarda menos de cinco minutos en un diseño de estudio estándar. 

Zona 1: Configuración de entrada 

Paso 1: Selecciona tu método de cuota 

La herramienta ofrece dos métodos de cuota: 

Cuotas cruzadas (células interconectadas)Las variables se cruzan y cada combinación se convierte en una célula propia con su propio objetivo de reclutamiento. Un estudio que cruza el género (2 categorías) con la edad (3 bandas) produce 6 células, cada una de las cuales debe llenarse independientemente. Las cuotas cruzadas producen las muestras más representativas porque controlan la distribución conjunta de las variables, no solo sus sumas marginales. Requieren muestras totales más grandes y son más difíciles y costosas de recabar. 

Cuotas simples (marginales, hasta 5 variables)Cada variable tiene su propio objetivo independiente, sin ningún requisito sobre cómo se combinan las variables. Puede ser necesario tener 50% mujeres y 40% de entre 25 y 34 años, pero la herramienta no requiere que ninguna proporción específica de mujeres esté en la franja de 25 a 34 años. Las cuotas simples son más rápidas y económicas de recabar porque se recluta a grupos marginales en lugar de a nivel celular. Producen distribuciones conjuntas menos precisas; la muestra podría terminar legalmente con todos los encuestados jóvenes como mujeres y todos los mayores como hombres. 

¿Cuándo elegir los cuotas cruzadas? Cuando su análisis requiera comparaciones fiables entre subgrupos. por ejemplo, cuando tenga que comparar las opiniones de mujeres jóvenes con las de hombres mayores por separado. Cuando la distribución conjunta de sus variables sea importante para las conclusiones de la investigación. Cuando su estudio requiera la presentación de datos a nivel de intersecciones. 

¿Cuándo elegir cuotas simples? Cuando la lectura principal se realiza a nivel total, con análisis de subgrupos secundarios. Cuando el presupuesto y el cronograma son limitados y el objetivo de la investigación no requiere precisión a nivel celular. Cuando se tienen más de 3–4 variables de cuota; la interrelación de 5 variables genera exponencialmente más células que la mayoría de los presupuestos de campo pueden cubrir. 

Paso 2: Selecciona tu objetivo de precisión 

Por subtip (cada célula/clase es legible)El margen de error que especifique se aplica a cada célula individual de la cuota. Esto significa que cada segmento se puede reportar de forma independiente con confianza. Esto requiere muestras totales significativamente más grandes porque el tamaño mínimo de la célula debe cumplirse en todas las células, no solo en el total. 

Solo muestra global (lectura a nivel total)El margen de error se aplica al total de la muestra completa. Los subgrupos pueden describirse de forma general, pero no pueden ser reportados con la misma confianza estadística que el total general. Esto es adecuado para estudios en los que el resultado principal es una lectura a nivel total, y la análisis de subgrupos es exploratorio en lugar de concluyente. 

Paso 3: Defina sus variables de cuota 

Introduzca las variables que desee controlar: género, rango de edad, región, nivel de ingresos, uso de la categoría o cualquier otra característica relevante para su objetivo de investigación. La herramienta admite hasta 5 variables para cuotas simples. Para cuotas cruzadas, calcula el total de células de la combinación de variables que especifique y dispara la alerta de fragmentación si ese número supera las 8 células. 

Paso 4: Establezca su margen de error 

Introduzca el porcentaje de margen de error que requiera su estudio. La investigación de mercado estándar utiliza ±5% para la mayoría de los estudios de consumo. En los estudios más precisos, especialmente aquellos que informan sobre inversiones significativas en productos o posicionamiento, el margen de error es de ±3%, lo que cuadruplica aproximadamente el requisito de muestra. En los estudios en los que la información sobre la dirección de mercado es suficiente, se utiliza ±7–10%, lo que reduce significativamente el tamaño mínimo de la muestra. 

La herramienta aplica este margen de error a la precisión objetivo que haya seleccionado en el paso 2; por célula para la precisión del subtipo objetivo, o al total global para la precisión a nivel total. 

Paso 5: Generar un plan y escenarios 

Haz clic en «Generar»; la herramienta genera instantáneamente la salida de Zona 2. 

 

Zona 2: Resumen – Datos clave y tres escenarios 

La zona de salida proporciona dos piezas de información cruciales: la alerta sobre el riesgo de fragmentación (en caso de que se active) y el número total de entrevistas necesarias en los tres escenarios completos. 

La advertencia sobre el riesgo de fragmentación 

Cuando el diseño de la cruz de cuotas produce más de 8 células interconectadas, la herramienta muestra una advertencia explícita: 

“Riesgo de fragmentación de muestras: células cruzadas (más de 8). Recrutar y controlar muchas células pequeñas es lento y costoso, y las células pequeñas hacen que los resultados sean inestables. Considera eliminar una variable, fusionar clases o pasar a utilizar cuotas simples.” 

Este aviso es la información más valiosa de toda la herramienta para investigadores experimentados; ya que, antes de comprometerse con cualquier trabajo de campo, señala que el diseño actual probablemente producirá costos descontrolados debido a la lenta captación de células o resultados estadísticamente inestables debido a células demasiado pequeñas para analizar. Un estudio que ignora la fragmentación de los grupos de alerta y prosigue con el trabajo de campo con 12 o más grupos interconectados está apostando el presupuesto de investigación en encontrar encuestados que se ajusten a combinaciones demográficas raras con tasas de participación aceptables en el panel. La mayoría no lo hace. 

La solución recomendada por la herramienta cubre las tres respuestas prácticas: eliminar una variable (reduciendo el número total de células), combinar clases dentro de una variable (convertir una división por edades de 4 bandas en una división de 2 bandas) o cambiar a cuotas simples (eliminando completamente los requisitos de intersección de células). 

 

Los tres escenarios 

 

La herramienta genera simultáneamente tres planes de muestreo completos, lo que permite una comparación directa de los requisitos totales de la entrevista y las implicaciones estructurales de cada enfoque: 

S1 · Proporcional El escenario proporcional asigna las entrevistas a las células en proporción a su representación en la población objetivo. Si las mujeres de 18 a 34 años representan el 22% de la población objetivo, recibirán el 22% de la muestra total. Esto produce la muestra general más representativa en términos de demografía de la población, pero crea tamaños de células muy desiguales; células grandes para combinaciones demográficas comunes y células pequeñas para las raras. Los diseños proporcionales son adecuados cuando el resultado principal sea una lectura a nivel total que refleje la realidad de la población. Son problemáticos cuando el análisis de subgrupos requiere informes fiables en todos los segmentos, porque los segmentos raros estarán representados por demasiadas pocas entrevistas para reportarlos con confianza. 

S2 · Células iguales El escenario de células iguales asigna el mismo número de entrevistas a cada célula independientemente de su proporción poblacional. Si su diseño tiene 6 células, cada una recibe un objetivo idéntico; la muestra total se distribuye uniformemente entre todos los segmentos. Esto sobrerepresenta los segmentos raros en relación con la población y subrepresenta los comunes pero garantiza que cada célula tenga suficientes entrevistas para un análisis independiente confiable. Los diseños de células iguales requieren ponderar los datos antes de informar los resultados a nivel total, ya que la distribución artificial de células iguales no refleja la realidad. Son adecuados cuando el objetivo de la investigación requiere una comparación a nivel de segmento con la misma confianza estadística en todos los grupos. 

S3 · Plan personalizado El escenario personalizado permite al investigador definir sus propias asignaciones a nivel celular; no son ni totalmente proporcionales ni totalmente iguales, sino calibradas a las prioridades analíticas específicas del estudio. Algunos enfoques habituales incluyen garantías de tamaño mínimo de las células (cada célula recibe al menos 80 entrevistas, independientemente de la proporción de la población, con las entrevistas restantes distribuidas proporcionalmente), grupos subpoblaciones mejorados (un segmento prioritario recibe entrevistas adicionales más allá de su asignación proporcional) o diseños híbridos (asignación proporcional dentro de regiones geográficas, asignación igual para cada grupo de edad). 

La comparación entre los tres escenarios en una sola vista es la salida más comercialmente valiosa del programa. Esto demuestra que los investigadores, antes de comprometerse con cualquier trabajo de campo, son: 

• El diseño proporcional requiere un total de 420 entrevistas pero produce 3 grupos de datos con menos de 30 respondientes. 

• El diseño de las células iguales requiere un total de 600 entrevistas, y todas las células son estadísticamente confiables, pero requieren un proceso de ponderación posterior al campo. 

• El diseño personalizado requiere un mínimo de 80 entrevistas por célula, lo que garantiza la fiabilidad y la eficiencia, además de permitir una mínima modificación de la ponderación. 

Esta comparación, que anteriormente requería cálculos manuales en una hoja de cálculo, ahora tarda cinco minutos. 

Cuotas cruzadas versus cuotas simples: cómo elegir antes de utilizar la herramienta 

La decisión más importante en todo el proceso de planificación de cuotas es si utilizar cuotas cruzadas o cuotas simples; se debe tomar antes de utilizar cualquier herramienta, en función de los objetivos de investigación. 

Utilizar cuotas cruzadas cuándo: 

Tu análisis requiere intersecciones de subgrupos. Si los resultados de tu investigación incluirán afirmaciones como “las mujeres jóvenes responden de manera diferente a los hombres mayores a este tipo de posicionamiento”, necesitas cuotas cruzadas; porque solo las células interconectadas garantizan que tanto la edad como el género estén controlados simultáneamente dentro de cada célula, y no solo marginalmente. 

La distribución conjunta de sus variables afecta a sus conclusiones. Un estudio sobre la adopción de tecnología que controla la edad y la renta por separado (cuotas simples) podría acabar con que todos los encuestados con ingresos altos sean mayores, lo que podría confundir sistemáticamente dos variables que tienen relaciones diferentes con la adopción de tecnología. Las cuotas cruzadas evitan esto al controlar la distribución conjunta. 

Tu estudio tiene 2–3 variables de cuota y un presupuesto suficiente. Las cuotas cruzadas son factibles y altamente defensables para estudios con 2 variables (4–6 células) o 3 variables con categorías limitadas (6–8 células). Después de las 8 células, el riesgo de fragmentación que señala la herramienta se convierte en una verdadera limitación operativa. 

Utilice Cuotas Simples cuando: 

Su principal resultado es una lectura a nivel total. Si la principal salida del estudio es una cifra general de conciencia de marca, una puntuación de promotor neto o una medida de actitud a nivel total; si se analizan los subgrupos como contexto orientador en lugar de resultados reportables, las cuotas simples proporcionan la representatividad necesaria con un coste significativamente menor y una complejidad de reclutamiento más baja. 

Tiene 4–5 variables de cuota. La interrelación de 5 variables genera un mínimo de 32 células (para variables binarias) y, más comúnmente, entre 50 y 100+ células cuando se aplican categorías de variables del mundo real. A esta escala, las cuotas simples son la única opción operacionalmente viable para la mayoría de los presupuestos de investigación. 

Tu cronología está comprimida. Las cuotas simples se llenan más rápidamente en el terreno de trabajo debido a que los reclutadores asignan a los candidatos a partir de un grupo de personas en lugar de a partir de intersecciones específicas de células. Cuando existe un plazo muy apretado para el terreno de trabajo, las cuotas simples reducen el riesgo de completar la selección de candidatos con células no llenadas. 

 

Cómo la IA está cambiando la planificación de muestras para los investigadores del mercado estadounidense en 2026 

La fase de planificación previa a la realización de encuestas de mercado, que históricamente era responsabilidad de metodólogos experimentados con hojas de cálculo de Excel y conocimientos institucionales, está siendo transformada por herramientas de inteligencia artificial especialmente diseñadas que hacen que el diseño riguroso de la muestra sea accesible a cualquier investigador, independientemente de su antigüedad o formación metodológica.

Tres cambios estructurales están impulsando esta transformación. En primer lugar, la democratización de la investigación significa que más equipos de marketing y productos de los Estados Unidos están llevando a cabo estudios sin un metodólogo dedicado a la investigación, y necesitan herramientas que codifiquen las mejores prácticas metodológicas en lugar de asumir conocimientos previos. En segundo lugar, la proliferación de plataformas de investigación significa que hay más opciones sobre cómo llevar a cabo un estudio, lo que hace que la planificación previa al campo sea más importante, no menos, porque un diseño de cuota incorrecto produce datos erróneos independientemente de qué plataforma lo proporciona. En tercer lugar, la presión por la eficiencia en los presupuestos de investigación significa que cada mejora en el diseño de la muestra se traduce directamente en ahorros de costos; un plan de cuota que identifique un diseño cruzado demasiado complicado antes del campo reduce directamente los costos de reclutamiento lento de células y la posible extensión del campo.

El simulador de estructura y cuotas de H-in-Q se sitúa precisamente en esta intersección: un rigor metodológico accesible gratuitamente antes de que se invierta ningún dinero en el terreno. La salida de los tres escenarios: proporcional, igualitario y personalizado, codifica la misma análisis de compromisos que un experto en metodología de investigación produciría en una sesión de planificación, y se entrega en segundos a cualquier investigador que pueda definir sus variables y requisitos de margen de error.

Esta herramienta se integra naturalmente con la amplia gama de herramientas de investigación de mercado de H-in-Q. Una vez planificada la estructura de la muestra y confirmada la configuración de la cuota, el propio trabajo de campo puede realizarse a través de herramientas de H-in-Q como La encuesta de inteligencia artificial conversacional de Converse-in-Q plataforma para una amplitud cuantitativa. El simulador de estructura y cuotas de muestra asegura que, cualquiera que sea el método de campo elegido, el diseño de la muestra que se utiliza haya sido validado en cuanto a precisión, viabilidad y presupuesto antes de contactar al primer entrevistado.

 

5 Reglas de diseño de cuotas gobiernan la estructura de la muestra y el simulador de cuotas se aplica automáticamente 

La herramienta no solo calcula, sino que también codifica cinco principios de metodología de investigación que protegen la calidad del estudio. 

Regla 1: Alerta de fragmentación en más de 8 células cruzadas por cuota. La herramienta señala los diseños que superan el umbral de viabilidad práctica para la gestión de cuotas interconectadas. Ocho células no es un número arbitrario; representa el punto en el que la contratación a nivel de célula se vuelve lo suficientemente compleja operacionalmente para generar un riesgo significativo en el terreno para la mayoría de los presupuestos y plazos de investigación de los Estados Unidos. 

Regla 2: Normalización automática de los pesos variables hasta llegar a 100%. Si los porcentajes que ingresa para las categorías de una variable no suman exactamente 100%, la herramienta los normaliza automáticamente. Esto evita un error común en la planificación: los investigadores definen las proporciones de las categorías de forma independiente y crean un diseño que resulta matemáticamente inconsistente antes de que comience el trabajo de campo. 

Regla 3: Tres escenarios generados simultáneamente. Forzar la comparación de células proporcionales, iguales y diseños personalizados antes del compromiso con el campo impide la forma más común de planificar la cuota, es decir, elegir una única aproximación sin evaluar las alternativas. Los investigadores que ven todos los tres escenarios de forma paralela adoptan decisiones de diseño más informadas que aquellos que calculan un único escenario y proceden a seguir adelante. 

Regla 4: Margen de error vinculado al nivel de precisión. Esta herramienta requiere que los investigadores especifiquen si el margen de error se aplica a cada célula o solo al total, lo que hace evidente una distinción que los informes de investigación a menudo dejan ambiguos. Esto impide que haya una correspondencia entre lo que una muestra está diseñada para ofrecer y lo que la análisis requiere posteriormente de ella. 

Regla 5: Sumas totales de entrevistas por escenario antes de la formalización del compromiso. Cada escenario muestra su requerimiento total de entrevistas antes de que se comience la labor de campo. Esto significa que la implicación económica de cada elección de diseño (proporcional vs. igual, cruzada vs. simple, ±3% vs. ±5%) es visible en la fase de planificación, no después de que haya comenzado la labor de campo, y el presupuesto ya está comprometido. 

 

Herramientas que funcionan junto con el simulador de estructura y cuotas de la muestra 

El Simulador aborda la fase de planificación previa al campo de trabajo. Estas herramientas abordan las fases siguientes: 

• Simulador de estructura y cuotas de muestra H-in-QGratuito. Planifique la estructura de cuotas y compárese con células proporcionales, iguales y escenarios personalizados antes de que comience la labor de campo. 

• Converse-in-QPlataforma de encuesta de IA conversacional para el campo de trabajo cuantitativo a gran escala. 

• BuzzPulse-in-Q: Oído social e inteligencia de marca para un seguimiento continuo junto con la investigación primaria. 

• Qualtrics / SurveyMonkeyPlataformas de encuestas empresariales con gestión de cuotas integrada para la ejecución de encuestas una vez que se haya confirmado el plan de muestra. 

 

 

Conclusión 

El error más caro en la investigación de mercado no es el mal trabajo de campo; es un mal diseño de la muestra que produce un mal trabajo de campo. Un plan de cuotas con demasiados elementos interconectados impide realizar el trabajo de campo. Un diseño que confunde la precisión global con la precisión subobjetiva produce resultados que no pueden respaldar la análisis que se les encargó informar. Una muestra elegida en función del presupuesto en lugar de las necesidades estadísticas reporta conclusiones con márgenes de error que nadie calculó. 

Todos estos tres errores son detectables antes de que comience el trabajo de campo, si el investigador realiza los cálculos correspondientes. Modelo de estructura y cuotas del simulador Realiza esos cálculos en cinco minutos, de forma gratuita, antes de comprometerse con cualquier coste relacionado con el terreno. Esto muestra a los investigadores los requisitos totales de entrevistas para diseños proporcionales, de células iguales y personalizados simultáneamente, normaliza automáticamente los pesos variables y alerta sobre el riesgo de fragmentación, algo que silenciosamente mata más programas de investigación que cualquier otro problema relacionado con el terreno. 

La precisión que proporciona su estudio se fija en la fase de planificación, no en la de análisis. Planifique la estructura de su muestra antes de que comience el trabajo de campo → h-in-q.com/sample-quota-simulator/ 

El diseño de la cuota que triunfa en la presentación ante el consejo de administración se elabora la semana antes de que comience el trabajo de campo, no la semana antes de la fecha límite para presentar el informe.