Copyrights. PSIKOVERO,
2026. Todos los derechos reservados.
En el ámbito de la psicología y las ciencias de la salud, la planificación rigurosa de un estudio es tan importante como el propio análisis de los datos. Dos conceptos fundamentales que con frecuencia se subestiman o se abordan de forma superficial son el tamaño de muestra y la potencia estadística. Un tamaño muestral inadecuado puede conducir a resultados poco fiables, ya sea por falta de capacidad para detectar efectos reales (baja potencia) o por generar conclusiones erróneas que no se replican en investigaciones posteriores.
La potencia estadística representa la probabilidad de detectar un efecto verdadero cuando este realmente existe. Convencionalmente, se recomienda alcanzar al menos un 80% de potencia, aunque en estudios clínicos o con implicaciones importantes para la salud pública, muchos investigadores aspiran al 90%. Por su parte, el tamaño de muestra es el vehículo que permite alcanzar esa potencia. Ambos elementos están íntimamente relacionados con el nivel de significancia (α), el tamaño del efecto esperado y la variabilidad de los datos. Ignorar esta interrelación puede comprometer la validez científica del trabajo y, en última instancia, su impacto real en la práctica profesional.
La potencia estadística se define matemáticamente como 1 − β, donde β representa la probabilidad de cometer un error tipo II (no rechazar la hipótesis nula cuando esta es falsa). En psicología, donde muchos efectos son de magnitud pequeña o moderada, una potencia baja es especialmente problemática, ya que puede llevar a la errónea conclusión de que “no hay efecto” cuando en realidad el estudio simplemente carecía de la sensibilidad suficiente para detectarlo.
El tamaño del efecto constituye el elemento central del cálculo. A diferencia de la significación estadística, que depende fuertemente del tamaño de muestra, el tamaño del efecto mide la magnitud real de la diferencia o relación observada. En psicología y ciencias de la salud se utilizan habitualmente índices como Cohen’s d, la correlación de Pearson (r), la odds ratio o el eta cuadrado (η²). Jacob Cohen propuso convenciones orientativas: para d, 0.2 es pequeño, 0.5 moderado y 0.8 grande. Sin embargo, lo ideal es basarse en meta-análisis o estudios piloto del área específica en lugar de aplicar estas reglas generales de forma mecánica.
El valor del 80% surge de un equilibrio pragmático entre el coste de reclutar participantes y el riesgo aceptable de error tipo II. Cohen argumentaba que, en ciencias sociales, era razonable asumir que un error tipo I (α = 0.05) era cuatro veces más grave que un error tipo II, lo que lleva a una relación β/α de 0.20/0.05 = 4. Aunque este razonamiento tiene limitaciones, ha perdurado como convención en la literatura.
En campos como la psicología clínica, la neuropsicología o la investigación en salud mental, cada vez es más frecuente exigir potencias del 90% o superiores, especialmente cuando se evalúan intervenciones que pueden afectar el bienestar de las personas. Una potencia insuficiente no solo reduce la credibilidad del estudio, sino que contribuye al problema de la crisis de replicabilidad que ha afectado fuertemente a la psicología en la última década.
El cálculo del tamaño muestral no es una operación mecánica. Depende de cinco elementos principales: el nivel de significancia (generalmente 0.05), la potencia deseada (0.80 o 0.90), el tamaño del efecto esperado, la variabilidad de la variable dependiente y el tipo de diseño de investigación utilizado. Además, deben considerarse aspectos prácticos como la tasa esperada de abandono de participantes, que en estudios longitudinales de salud puede superar el 20-30%.
En investigaciones de psicología, donde los efectos suelen ser pequeños, se requieren muestras considerablemente mayores que en estudios biomédicos con efectos grandes. Por ejemplo, para detectar una correlación de r = 0.20 con una potencia del 80% y α = 0.05, se necesitan aproximadamente 194 participantes. Si el efecto esperado es aún más pequeño (r = 0.10), la muestra requerida asciende a 783 personas.
Estos tres parámetros mantienen una relación inversa. Si se desea mantener la potencia y se reduce el nivel de significancia (por ejemplo, a 0.01), el tamaño muestral necesario aumenta notablemente. Del mismo modo, cuanto menor sea el tamaño del efecto que se pretende detectar, mayor deberá ser la muestra. Esta interdependencia obliga al investigador a tomar decisiones justificadas y explícitas ya desde el protocolo del estudio.
En ciencias de la salud es habitual realizar análisis de sensibilidad, calculando el tamaño muestral necesario para diferentes combinaciones de tamaño del efecto y potencia. Esta práctica aumenta la robustez de la planificación y permite justificar ante comités éticos y agencias financiadoras las decisiones metodológicas adoptadas.
Existen múltiples herramientas disponibles, desde software especializado hasta paquetes en lenguajes de programación. G*Power sigue siendo la opción más utilizada por su facilidad de uso y amplia cobertura de pruebas estadísticas. También destacan paquetes en R como pwr, WebPower y simr (especialmente útil para modelos mixtos), así como PASS y nQuery en entornos comerciales.
Para diseños más complejos (modelos de ecuaciones estructurales, análisis multinivel o estudios longitudinales), el cálculo analítico se vuelve muy complicado. En estos casos, las simulaciones Monte Carlo ofrecen mayor flexibilidad y precisión. En psicología, donde los diseños mixtos y el análisis de mediación-moderación son cada vez más comunes, las simulaciones se están convirtiendo en una herramienta imprescindible.
Supongamos que deseamos comparar dos grupos (pacientes con depresión vs. controles) en una variable de funcionamiento cognitivo con una diferencia esperada de 0.5 desviaciones estándar (d = 0.5), potencia del 90% y α = 0.05 bilateral. Utilizando G*Power o el paquete pwr de R, el cálculo indica que se necesitan 86 participantes por grupo (172 en total), sin considerar pérdidas.
En un estudio de correlación entre estrés percibido y calidad de vida en pacientes oncológicos, si esperamos una correlación moderada (r = 0.30), con potencia 0.85 y α = 0.05, necesitaremos aproximadamente 107 participantes. Estos ejemplos ilustran cómo pequeñas variaciones en los parámetros producen cambios importantes en los requerimientos muestrales.
En un estudio sobre la eficacia de una intervención de mindfulness para reducir la ansiedad en estudiantes universitarios, los investigadores establecieron un tamaño del efecto esperado de d = 0.40 (basado en meta-análisis previos). Con una potencia del 85% y α = 0.05, determinaron que necesitaban 132 participantes por grupo. Finalmente reclutaron 160 por grupo para compensar una tasa esperada de abandono del 20%.
En investigación sobre burnout en personal sanitario durante la pandemia, un equipo utilizó análisis de regresión múltiple con 6 predictores. Aplicando el criterio de 20 participantes por predictor (regla heurística) y realizando posteriormente un cálculo preciso de potencia con software especializado, determinaron que la muestra mínima debía ser de 180 participantes para detectar un R² de 0.15 con potencia adecuada.
Cuando se trabaja con modelos multinivel (por ejemplo, evaluaciones repetidas en pacientes dentro de diferentes hospitales), las fórmulas analíticas tradicionales fallan. Mediante simulaciones en R con el paquete simr es posible estimar la potencia de forma más realista, incorporando la estructura jerárquica de los datos y diferentes escenarios de missing data.
Esta aproximación permite también evaluar el impacto de distintas estrategias de imputación de datos o de diferentes métodos de estimación sobre la potencia del estudio, ofreciendo una visión mucho más completa que los cálculos tradicionales.
Las guías APA (7ª edición) y las recomendaciones de CONSORT y STROBE enfatizan la necesidad de justificar adecuadamente el tamaño muestral y reportar el cálculo de potencia. Una buena práctica es incluir esta información ya en el protocolo registrado en plataformas como OSF o ClinicalTrials.gov.
El tamaño de muestra y la potencia estadística no son meros requisitos técnicos que hay que cumplir para publicar. Son la garantía de que tu investigación tiene suficientes posibilidades de detectar efectos reales si estos existen. Pensar en la potencia desde el principio te ayuda a diseñar estudios más sólidos, éticos y eficientes. No se trata solo de “tener una muestra grande”, sino de tener la muestra adecuada para responder a tu pregunta de investigación con fiabilidad.
Utiliza herramientas gratuitas como G*Power, consulta artículos previos de tu área para conocer qué tamaños de efecto son habituales y no dudes en pedir ayuda a un estadístico o metodólogo durante la fase de diseño. Un estudio bien planificado desde el principio ahorra tiempo, dinero y, sobre todo, evita llegar a conclusiones equivocadas que puedan afectar negativamente a pacientes, usuarios o políticas de salud.
Para investigadores con mayor formación, se recomienda abandonar el enfoque rígido de “potencia del 80%” y adoptar enfoques basados en la precisión de las estimaciones (precision analysis) o en el uso de curvas de potencia y análisis de sensibilidad. El paquete WebPower en R y las funciones de simulación permiten evaluar la robustez de los diseños ante diferentes violaciones de supuestos y patrones de datos faltantes, algo especialmente relevante en investigación longitudinal en salud mental.
Además, es aconsejable reportar el tamaño del efecto esperado junto con sus intervalos de confianza, justificar la elección de los parámetros en función de evidencia previa (idealmente mediante meta-análisis) y considerar el uso de métodos bayesianos de planificación muestral cuando se dispone de información previa sólida. En un contexto de preocupación por la replicabilidad, la planificación cuidadosa de la metodología estadística se convierte en un pilar ético y científico fundamental de toda investigación rigurosa en psicología y ciencias de la salud.
Mejora tus habilidades en estadística y análisis de datos con expertos en psicología y ciencias sociales. ¡Tu éxito académico comienza aquí!
