Copyrights. PSIKOVERO,
2026. Todos los derechos reservados.
En investigación, uno de los pasos más determinantes ocurre antes de recoger el primer dato: decidir cuántos participantes necesitamos. Tanto en psicología como en ciencias de la salud, una muestra demasiado pequeña puede impedirnos detectar efectos reales, mientras que una muestra excesivamente grande malgasta recursos y puede convertir diferencias triviales en resultados estadísticamente significativos. La clave reside en la planificación del tamaño muestral y el análisis de poder estadístico, dos caras de una misma moneda metodológica.
Este artículo sintetiza los conceptos fundamentales y las estrategias prácticas que necesitas conocer para justificar el tamaño de tu muestra. Partimos de las bases teóricas que cualquier persona que trabaje con contrastes de hipótesis debe dominar y avanzamos hacia herramientas modernas, ejemplos aplicados a la psicología y las ciencias de la salud, y recomendaciones para evitar los errores más frecuentes. Nuestro objetivo es que puedas diseñar estudios con la potencia necesaria sin perder de vista la relevancia clínica o práctica de tus hallazgos.
En un estudio que compara dos grupos o examina una asociación, partimos de una hipótesis nula que afirma que no hay diferencias ni relación. La prueba estadística nos da un valor p: la probabilidad de obtener unos resultados como los nuestros (o más extremos) si la hipótesis nula fuera cierta. Cuando ese valor es muy bajo (por convención, p < 0.05), rechazamos la hipótesis nula y declaramos el resultado significativo. Sin embargo, este proceso está expuesto a dos tipos de error. El error de tipo I (α) es rechazar la hipótesis nula cuando es verdadera –un falso positivo–, mientras que el error de tipo II (β) es no rechazarla cuando en realidad es falsa –un falso negativo–.
El poder estadístico (o potencia) se define como la probabilidad de evitar un error de tipo II, es decir, la capacidad de una prueba para detectar un efecto cuando realmente existe. Se calcula como 1 – β y suele expresarse en porcentaje: un poder del 80 % significa que, si hay un efecto del tamaño que buscamos, nuestro estudio lo encontrará en 8 de cada 10 ocasiones. Una potencia insuficiente es una de las causas más frecuentes de los temidos “estudios negativos” que, en realidad, pueden esconder diferencias clínicamente relevantes que no alcanzamos a ver por falta de muestra.
El poder estadístico no es un número fijo; fluctúa en función de cuatro elementos íntimamente relacionados. Conocerlos te permite jugar con ellos al planificar tu investigación, siempre dentro de las restricciones que impone la realidad.
Comprender esta interdependencia permite razonar el diseño: una vez elegidos α, la potencia deseada y el tamaño del efecto mínimo relevante, el tamaño muestral queda determinado. En la práctica, se suele fijar el poder en un 80 % o un 90 % y se calcula cuántos participantes necesitamos para detectar el efecto esperado con ese margen de seguridad.
La justificación del tamaño muestral debe realizarse antes de iniciar la recogida de datos, como parte del protocolo de investigación. No se trata de un mero trámite, sino de una declaración de intenciones que ayuda a comités de ética, revisores y agencias financiadoras a valorar la viabilidad y el rigor del estudio. Además, previene el derroche de recursos y el uso innecesario de participantes.
El proceso comienza con una pregunta clara y la identificación del análisis principal que responderá a ella. A continuación, debes especificar tres ingredientes:
Con estos datos, aplicando las fórmulas tradicionales (basadas en la distribución normal) o, mejor aún, mediante simulaciones, obtendrás el número de participantes necesario. Es recomendable añadir un pequeño margen (10-15 %) para compensar posibles abandonos, especialmente en estudios longitudinales o ensayos clínicos.
Afortunadamente, ya no es necesario resolver las ecuaciones a mano. Existen múltiples programas gratuitos que simplifican el cálculo de potencia y tamaño muestral. Dos de los más extendidos en psicología y ciencias de la salud son G*Power y el entorno R con librerías especializadas.
G*Power es una aplicación de escritorio (Windows y macOS) con una interfaz gráfica muy amigable. Cubre una amplia gama de pruebas: t de Student, ANOVA, regresión, pruebas de proporciones, χ², etc. Permite calcular potencia a posteriori, tamaño muestral, tamaño del efecto y representar curvas de potencia. Es ideal para quien se inicia o para análisis rápidos y estandarizados.
Por su parte, R ofrece una flexibilidad casi ilimitada. Paquetes como pwr implementan las fórmulas clásicas para los diseños más comunes, mientras que simr o simstudy permiten realizar análisis de potencia basados en simulación. La simulación se ha convertido en el estándar de referencia cuando el modelo estadístico es complejo (modelos mixtos, mediación, SEM) o cuando las asunciones de las fórmulas cerradas no se cumplen. Los materiales del curso de la Universidad de Granada incluyen precisamente scripts en R con ejercicios resueltos para distintos escenarios, lo que demuestra el valor de combinar teoría y práctica con esta herramienta.
| Característica | G*Power | R (pwr + simr) |
|---|---|---|
| Facilidad de uso | Muy alta (interfaz gráfica) | Requiere conocimientos básicos de programación |
| Tipos de análisis | Amplio (t, F, χ², proporciones, correlación, regresión) | Ilimitado (cualquier modelo programable) |
| Simulaciones personalizadas | No | Sí, con total control sobre supuestos |
| Curvas de potencia | Sí, integradas | Programables con ggplot2 |
| Coste | Gratuito | Gratuito (código abierto) |
Más allá de estas dos opciones, existen alternativas como Jamovi (con módulo de potencia), PASS (de pago) o calculadoras web específicas. La elección depende de la complejidad del diseño y de la familiaridad del investigador con la programación. En cualquier caso, dedicar unas horas a dominar alguna de estas herramientas es una inversión que mejora drásticamente la calidad de los proyectos.
Para ilustrar el proceso, veamos dos escenarios. En el primero, un psicólogo clínico desea comparar la eficacia de una nueva intervención breve para la ansiedad frente a un tratamiento estándar. La variable principal es una escala de ansiedad donde estudios previos sugieren una diferencia clínicamente significativa de 4 puntos, con una desviación típica común de 8 puntos. El tamaño del efecto esperado sería d = 0.5 (medio). Con α = 0.05 (bilateral) y un poder del 80 %, usando G*Power o el paquete pwr en R, se obtiene que se necesitan 64 participantes por grupo (128 en total). Si el investigador desea un poder del 90 %, la muestra asciende a 85 por grupo. Este cálculo permite negociar con el comité de ética o ajustar el cronograma antes de lanzar el estudio.
En el segundo ejemplo, en el ámbito de las ciencias de la salud, se planea un estudio de casos y controles para examinar la asociación entre un biomarcador y el desarrollo de una enfermedad rara. Se asume una proporción de exposición del 30 % en controles y se quiere detectar un odds ratio de 2.5. Con un poder del 80 %, un nivel α bilateral de 0.05 y una relación de 2 controles por caso, las fórmulas (o el software correspondiente) indican que se requieren aproximadamente 80 casos y 160 controles. Estos ejercicios, que se trabajan de forma detallada en los talleres prácticos del curso de referencia, ponen de manifiesto cómo pequeñas variaciones en el tamaño del efecto o en la relación de asignación modifican sustancialmente las necesidades muestrales.
Uno de los errores más comunes es realizar un análisis de potencia a posteriori sobre los datos ya recogidos, calculando la potencia observada y argumentando que el resultado no significativo se debe a falta de muestra. Esta práctica está desaconsejada porque la potencia observada depende del efecto estimado en esa misma muestra y no aporta información adicional; es preferible, una vez finalizado el estudio, presentar intervalos de confianza que reflejen la precisión con la que se ha estimado el efecto.
Otro fallo habitual consiste en sobrestimar el tamaño del efecto esperado basándose en un único estudio piloto pequeño, que suele dar estimaciones infladas (el “efecto ganador”). La recomendación es recurrir a metaanálisis o, al menos, emplear el límite inferior del intervalo de confianza del estudio piloto como efecto a detectar, o bien diseñar el estudio para detectar el efecto más pequeño que tendría relevancia práctica. Tampoco debes olvidar ajustar el tamaño muestral para abandonos y datos perdidos, especialmente en estudios longitudinales, donde un cálculo demasiado optimista conduce a una pérdida sustancial de poder.
Finalmente, evita caer en la rigidez de un único cálculo de potencia. Considera realizar análisis de sensibilidad: examina cómo varía la potencia bajo diferentes escenarios de tamaño del efecto, varianza y tasa de abandono. Esta información no solo da transparencia al diseño, sino que ayuda a tomar decisiones informadas cuando existen limitaciones logísticas.
Si estás dando tus primeros pasos en el diseño de estudios, quédate con la idea central: justificar el tamaño de tu muestra no es un requisito burocrático, sino la mejor manera de asegurarte de que tu trabajo podrá responder a las preguntas que te planteas. No necesitas memorizar fórmulas; con herramientas como G*Power y unos conceptos claros sobre qué efecto te interesa, puedes calcular en pocos minutos la muestra necesaria.
Invierte tiempo en definir el efecto mínimo relevante para tu área –habla con colegas, revisa la literatura– y acostúmbrate a documentar todos los parámetros que utilizas (α, β, tamaño del efecto). Ello no solo fortalecerá tus diseños, sino que te convertirá en un investigador más riguroso y transparente. Asistir a cursos específicos como el que sirve de inspiración para este artículo puede acelerar esa curva de aprendizaje y proporcionarte los scripts y materiales que necesitas para empezar con buen pie.
Para quienes ya manejan los fundamentos, el reto está en incorporar la simulación como herramienta cotidiana. Los diseños complejos –modelos multinivel, mediación moderada, análisis de supervivencia con datos censurados– rara vez se ajustan a las fórmulas cerradas de las tablas clásicas. Dedicar unas horas a construir un pequeño script en R que simule el proceso de generación de datos bajo distintos escenarios permite estimar la potencia con gran precisión y evaluar la robustez del diseño ante violaciones de supuestos.
Asimismo, vale la pena explorar enfoques modernos como el análisis de potencia secuencial o los diseños adaptativos, que permiten reestimar el tamaño muestral en puntos intermedios del estudio sin inflar el error de tipo I. Estas estrategias, junto con una cultura de preregistro y de transparencia en la presentación de los análisis de sensibilidad, elevan el estándar metodológico y contribuyen a una ciencia más reproducible. Planificar el poder no es un punto final, sino una conversación continua con los datos y con la realidad de la investigación.
Mejora tus habilidades en estadística y análisis de datos con expertos en psicología y ciencias sociales. ¡Tu éxito académico comienza aquí!
