Cómo calcular el tamaño de la muestra con G*Power
Si tu muestra es demasiado pequeña, tu estudio puede no detectar una relación que sí existe. G*Power calcula cuántas personas necesitas a partir de unos pocos datos que tienes que justificar. Aquí van, con el paso a paso para un estudio correlacional.
Población, muestra y potencia
La población es el grupo completo al que quieres extender tus conclusiones; por ejemplo, los estudiantes de una universidad privada de Lima matriculados en 2026. La muestra es la parte de esa población que responde tus instrumentos.
Calcular el tamaño de la muestra antes de recoger datos responde a una pregunta concreta: cuántas personas necesitas para que, si la relación que buscas existe, tu análisis tenga una probabilidad razonable de detectarla. Esa probabilidad se llama potencia estadística. Cohen (1992) propuso como convención una potencia de .80, es decir, un 80 % de probabilidad de detectar el efecto si existe.
Los datos que necesitas
Para una correlación, G*Power te pide cuatro datos:
- El tamaño del efecto que esperas, que en una correlación es el valor de r. Lo ideal es tomarlo de estudios previos con variables y poblaciones parecidas a las tuyas. Si no los hay, Cohen (1992) propuso valores de referencia: .10 para un efecto pequeño, .30 para uno mediano y .50 para uno grande.
- El nivel de significación (α), que suele fijarse en .05.
- La potencia (1 − β), con .80 como valor convencional.
- El número de colas. Dos colas es la opción prudente: no da por hecho el sentido de la relación.
El dato que más pesa es el tamaño del efecto
Cuanto más pequeño es el efecto que esperas, más personas necesitas. Por eso tienes que justificar de dónde sale tu r: cita el estudio del que lo tomas o explica por qué usas un valor de referencia.
Paso a paso en G*Power 3.1
G*Power es gratuito y se descarga desde la página de la Universidad Heinrich Heine de Düsseldorf. Sus campos están en inglés. Estos pasos calculan la muestra para una correlación de Pearson con un efecto esperado de r = .20.
En Test family, elige Exact.
En Statistical test, elige Correlation: Bivariate normal model.
En Type of power analysis, elige A priori, la opción que calcula el tamaño de la muestra.
En los datos de entrada, escribe: Tail(s), Two; Correlation ρ H1, 0.20; α err prob, 0.05; Power (1-β err prob), 0.80, y Correlation ρ H0, 0.
Pulsa Calculate. En Total sample size aparece 193: es el número mínimo de participantes.
En Actual power, G*Power muestra la potencia que alcanza esa muestra, igual o apenas mayor que la que pediste.
Cuánto cambia la muestra según el efecto
La muestra mínima depende sobre todo del efecto que esperas. Con los demás datos iguales, estos son los resultados para cuatro valores de r.
Tabla 1 Muestra mínima para una correlación según el efecto esperado
| Efecto esperado (r) | Muestra mínima |
|---|---|
| .10 | 782 |
| .20 | 193 |
| .30 | 84 |
| .50 | 29 |
Nota. Cálculo exacto en G*Power 3.1 para una correlación bivariada, con dos colas, α = .05 y potencia de .80.
Pasar de esperar un efecto mediano (.30) a uno pequeño (.10) multiplica la muestra por más de nueve.
Si esperas perder participantes
Algunas personas no terminan el cuestionario o lo responden de forma incompleta. Si prevés perder una parte, divide la muestra mínima entre la proporción que esperas conservar y redondea hacia arriba.
Personas a invitar = muestra mínima / (1 − proporción de pérdidas)
Con 193 y un 10 % de pérdidas: 193 / (1 − 0.10) = 193 / 0.90 = 214.4, que se redondea a 215.
Cómo redactarlo en tu método
En el apartado de población y muestra, explica el cálculo con todos sus datos. Puedes seguir esta estructura y cambiar lo que va entre corchetes.
El tamaño de la muestra se calculó con G*Power 3.1 (Faul et al., 2009) para una correlación bivariada, con un tamaño del efecto esperado de r = .20, tomado de [estudio previo del que tomas el valor], un nivel de significación de .05, una potencia de .80 y dos colas. El cálculo indicó un mínimo de 193 participantes. Considerando un 10 % de posibles pérdidas, se invitó a participar a 215 estudiantes.
Si tu muestreo no es probabilístico
Muchas tesis usan muestreo no probabilístico, por conveniencia o intencional, porque no es posible sortear a toda la población. Es válido, pero tus resultados describen a quienes respondieron y no se pueden extender sin más a toda la población. Dilo en tu método y en tus limitaciones. El cálculo con G*Power sigue siendo útil: te dice cuántas personas necesitas para tener potencia suficiente.
Antes de entregar, revisa
Marca cada punto mientras revisas tu método. Las casillas no guardan nada: sirven para leer con tu tesis al lado.
Referencias
- Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
- Faul, F., Erdfelder, E., Buchner, A. y Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149