Cómo calcular el tamaño muestral con G*Power: análisis de potencia a priori para tu tesis (2026)

El tamaño muestral G*Power es uno de los apartados que con mayor frecuencia genera preguntas en la defensa de una tesis o TFM. El tribunal no solo quiere saber cuántos participantes tienes, sino por qué esa cifra es suficiente para detectar el efecto que pretendes estudiar. G*Power 3.1, el software de acceso libre desarrollado por Faul, Erdfelder y colaboradores, resuelve exactamente esa pregunta: dado un tipo de prueba estadística, un tamaño del efecto esperado, un nivel de significación y una potencia deseada, ¿cuántos sujetos necesito?

Este artículo explica los cuatro parámetros que rigen el análisis de potencia, los cinco tipos de análisis que ofrece G*Power, y cómo ejecutar paso a paso un análisis a priori para las pruebas más habituales en ciencias sociales, de la salud y educación. Al final encontrarás el texto exacto que puedes incluir en tu apartado de metodología para justificar la N ante el tribunal.

Los cuatro parámetros interconectados

El análisis de potencia estadística descansa sobre cuatro magnitudes que forman un sistema cerrado: modificar cualquiera de ellas altera las demás. Comprender esta interdependencia es imprescindible antes de abrir G*Power.

El principio fundamental es que si fijas tres de estos parámetros, el cuarto queda determinado matemáticamente. En el análisis a priori —el más relevante para justificar la muestra antes de recoger datos— se fijan α, potencia y tamaño del efecto para calcular la N necesaria.

¿Qué significa la potencia de 0,80?

Una potencia de 0,80 implica que, si el efecto existe realmente en la población, el estudio lo detectará el 80 % de las veces. El 20 % restante son falsos negativos (error tipo II, o β). Este umbral fue propuesto por Jacob Cohen como compromiso entre el coste de aumentar la muestra y el riesgo de no detectar efectos reales. En investigación clínica, educativa o cuando el coste de un falso negativo es alto, se recomienda elevar la potencia a 0,90 o 0,95.

Tamaño del efecto: la variable más difícil de fijar

El tamaño del efecto es la única magnitud que el investigador debe estimar antes de la recogida de datos, idealmente a partir de la literatura previa o de un estudio piloto. No se trata de un parámetro arbitrario: al formular las hipótesis de investigación de tu TFG ya deberías tener una estimación del efecto esperable basada en estudios similares. Si no dispones de referencia alguna, G*Power acepta los valores convencionales de Cohen (pequeño, mediano, grande), aunque usarlos sin justificación debilitará tu argumentación metodológica ante el tribunal.

Cinco tipos de análisis en G*Power

G*Power 3.1 ofrece cinco modalidades de análisis de potencia. Conocer sus diferencias evita confundir el análisis previo a la recogida de datos con el cálculo retrospectivo de la potencia observada.

• A priori: calcula la N mínima necesaria dado α, potencia y tamaño del efecto. Es el análisis que se hace antes de la recogida de datos para justificar la muestra.
• Post hoc (a posteriori): calcula la potencia alcanzada con la N real del estudio, dado α y el tamaño del efecto observado. Útil para evaluar estudios ya realizados, pero no sirve para justificar la muestra inicial.
• Criterio: calcula el valor crítico α necesario para obtener una potencia determinada con una N y un tamaño del efecto dados.
• Sensibilidad: calcula el tamaño del efecto mínimo detectable con la N disponible, la potencia y el α fijados. Muy útil cuando la muestra está limitada por razones prácticas (acceso a pacientes, registros históricos, etc.).
• Compromiso: calcula simultáneamente α y potencia cuando la N y el tamaño del efecto son fijos, permitiendo explorar la relación entre ambos tipos de error.

Para justificar la muestra ante el tribunal, el análisis que siempre se exige es el a priori. Los demás pueden emplearse como análisis complementarios en el apartado de limitaciones o en la discusión.

Análisis a priori paso a paso en G*Power

G*Power 3.1.9.7 (versión de noviembre de 2025, disponible gratuitamente para Windows y macOS) tiene una interfaz estructurada en cuatro menús principales. El procedimiento general es el siguiente:

1. Seleccionar la familia de prueba: en el menú “Test family” elige F tests, t tests, χ² tests o z tests según tu diseño.
2. Seleccionar el test estadístico concreto: en “Statistical test” elige la prueba específica (por ejemplo, “Means: Difference between two independent means (two groups)” para una prueba t de Student independiente).
3. Seleccionar el tipo de análisis: en “Type of power analysis” elige “A priori: Compute required sample size – given α, power, and effect size”.
4. Introducir los parámetros: completa los campos de tamaño del efecto, α y potencia (1 − β).
5. Calcular y anotar los resultados: pulsa “Calculate”. G*Power muestra la N total y por grupo, así como los grados de libertad y el valor crítico.

Ejemplo práctico: prueba t para muestras independientes

Supongamos un TFM de Psicología que compara el nivel de ansiedad (medido con una escala validada) entre estudiantes universitarios con y sin experiencia previa en técnicas de relajación. Partiendo de un metaanálisis reciente que reporta d = 0,50 (efecto mediano) para intervenciones similares, el proceso en G*Power sería:

• Test family: t tests
• Statistical test: Means: Difference between two independent means (two groups)
• Type of power analysis: A priori
• Effect size d: 0,50
• α err prob: 0,05
• Power (1 − β err prob): 0,80
• Allocation ratio N2/N1: 1 (grupos iguales)
• Tails: Two (contraste bilateral)

Con estos parámetros, G*Power devuelve una N de 64 participantes por grupo (128 en total). Si el tamaño del efecto esperado fuera pequeño (d = 0,20), la N necesaria sería de 394 por grupo, lo que ilustra cómo una estimación del efecto inadecuada puede hacer inviable un estudio.

Si tu trabajo emplea la prueba t de Student ejecutada en SPSS o Jamovi, el cálculo previo del tamaño muestral con G*Power es el paso metodológico que legitima todo el análisis posterior.

Tamaños del efecto y valores de referencia por prueba

Cada familia de pruebas estadísticas usa su propia métrica de tamaño del efecto. La siguiente tabla recoge los índices aceptados en G*Power y los umbrales convencionales de Cohen, que sirven como referencia cuando no hay literatura previa disponible.

Conversión de ηp² a f de Cohen

Cuando la literatura previa reporta el tamaño del efecto como eta cuadrado parcial (ηp²) y G*Power pide f de Cohen, la conversión es directa: f = √(ηp² / (1 − ηp²)). Por ejemplo, ηp² = 0,06 equivale a f = √(0,06 / 0,94) ≈ 0,25, es decir, un efecto mediano.

Para elegir la prueba estadística correcta para tu TFG antes de abrir G*Power, es imprescindible tener claro el tipo de variable dependiente, el número de grupos y si los datos son paramétricos o no. De ello depende qué familia de prueba y qué índice de efecto corresponde.

G*Power y el análisis chi-cuadrado

Para estudios con variables categóricas —muy frecuentes en Educación, Sociología y Enfermería— la prueba de chi-cuadrado de independencia requiere calcular w a partir de las proporciones esperadas en cada celda de la tabla de contingencia. G*Power incluye una calculadora integrada (“Determine” → “From proportions”) que realiza este cómputo si introduces las frecuencias esperadas. Si tu TFG incluye análisis de tablas de contingencia, también puede ser útil consultar cómo ejecutar chi-cuadrado en SPSS paso a paso una vez conocida la N mínima.

Cómo justificar la N ante el tribunal

El tribunal de una tesis doctoral o un TFM con componente empírico esperará encontrar la justificación del tamaño muestral en el apartado de participantes o de diseño. La redacción debe ser concisa, reproducible y referenciada. A continuación, un modelo de párrafo adaptable:

“El tamaño muestral se determinó mediante un análisis de potencia a priori con el software G*Power 3.1.9.7 (Faul et al., 2007). Se fijó un nivel de significación α = 0,05, una potencia de 1 − β = 0,80 y un tamaño del efecto mediano (d = 0,50, acorde con los valores reportados en [citar metaanálisis o estudio de referencia]). El análisis indicó una N mínima de 64 participantes por grupo (N total = 128). Para cubrir posibles pérdidas de seguimiento, se reclutó un 15 % adicional, resultando en una muestra inicial de 74 participantes por grupo.”

Esta redacción incluye los cuatro elementos que los revisores y tribunales suelen verificar: (1) el software y la versión utilizados, (2) la referencia bibliográfica del software, (3) los valores exactos de los parámetros fijados con su justificación, y (4) el ajuste por pérdidas si procede.

La referencia APA de G*Power

La cita original del software es: Faul, F., Erdfelder, E., Lang, A.-G., y Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146

Si tu trabajo incluye un cuestionario de elaboración propia, conviene también calcular el alfa de Cronbach en Jamovi o SPSS para acreditar la fiabilidad del instrumento, ya que el tribunal puede preguntar si la validez psicométrica del instrumento condicionó la estimación del tamaño del efecto.

Errores frecuentes que detectan los revisores

Los tribunales y revisores de revistas científicas han desarrollado una considerable experiencia en detectar análisis de potencia mal planteados. Los siguientes errores son los más habituales.

• Usar tamaños del efecto convencionales sin justificación: introducir d = 0,50 “porque es mediano” sin citar literatura previa es una señal de alarma. Siempre justifica el tamaño del efecto esperado con referencias.
• Confundir análisis a priori con análisis post hoc: calcular la potencia a posteriori con la N real y el efecto observado no justifica que la muestra fuera adecuada desde el diseño. Solo el análisis a priori lo hace.
• No ajustar por pérdidas: en estudios longitudinales o con seguimiento, es obligatorio añadir un porcentaje de participantes adicionales que compense las abandonos esperados.
• Usar la N total cuando G*Power da la N por grupo: en pruebas t de muestras independientes o ANOVA de varios grupos, G*Power calcula la N por grupo, no la total. Confundirlas a la baja puede reducir la potencia real del estudio a niveles inadecuados.
• No especificar si el contraste es unilateral o bilateral: las pruebas unilaterales requieren muestras menores porque concentran el rechazo de H₀ en una sola cola, pero solo se justifican si la dirección del efecto está teóricamente fundamentada.
• Aplicar G*Power a diseños no paramétricos sin ajuste: G*Power calcula potencia para pruebas paramétricas. Si previsiblemente usarás pruebas no paramétricas (Mann-Whitney, Kruskal-Wallis), la N resultante del análisis paramétrico debe incrementarse en torno a un 15 % para compensar la menor eficiencia de las pruebas de rangos.

Si tu trabajo incluye un metaanálisis, el cálculo del tamaño muestral sigue una lógica distinta y más compleja, que se aborda en el artículo sobre cómo hacer un meta-análisis paso a paso con efectos aleatorios y forest plot.

Preguntas frecuentes