Tutorial Completo de G*Power: Cálculo de Tamaño Muestral para Diferentes Diseños de Investigación

¡Bienvenido! Esta guía te llevará paso a paso a través de la instalación y el uso de **G*Power**, la herramienta gratuita estándar en la academia para realizar análisis de poder y calcular el tamaño de la muestra.
Un cálculo adecuado es fundamental para diseñar un estudio con la capacidad suficiente para detectar los efectos que nos interesan.

1. Instalación de G*Power

Primero, descarguemos e instalemos el programa. Es un proceso rápido y seguro.

Ir al Sitio Oficial

G*Power es desarrollado por la Universidad Heinrich-Heine de Düsseldorf.
Accede a su sitio oficial de descargas:
Sitio de Descarga de G*Power

Seleccionar la Versión

En la sección de descargas, encontrarás versiones para Windows y Mac.
Haz clic en la que corresponda a tu sistema operativo.

Instalar el Programa

En Windows:
Ejecuta el archivo .zip que descargaste y sigue las instrucciones del instalador.
Proceso estándar: Siguiente > Siguiente > Finalizar.

En Mac:
Abre el archivo .dmg descargado y arrastra el ícono de **G*Power a tu carpeta de Aplicaciones**.

¡Listo! Ya tienes G*Power instalado en tu ordenador.

2. Conociendo la Interfaz Principal

La interfaz principal de G*Power se divide en cinco áreas clave:

  1. Test family (Familia de pruebas):
    Elige la familia estadística general (p. ej., Pruebas t, Pruebas F, Pruebas χ²).

  2. Statistical test (Prueba estadística):
    Selecciona la prueba específica (p. ej., Correlación, ANOVA, Chi-cuadrado).

  3. Type of power analysis (Tipo de análisis de poder):
    Define el objetivo. El más común es A priori, usado para calcular el tamaño de muestra antes del estudio.

  4. Input Parameters (Parámetros de entrada):
    Introduce los valores necesarios para el cálculo (tamaño del efecto, nivel de significancia, potencia).

  5. Output Parameters (Parámetros de salida):
    Aquí se muestran los resultados del cálculo.

3. Cálculo para una Correlación de Pearson

Escenario

Un docente quiere determinar si existe una relación entre las horas de actividad física y los niveles de ansiedad en estudiantes de Medicina.

Pasos

  • Test family: Exact
  • Statistical test: Correlation: Bivariate normal model
  • Type of power analysis: A priori
Parámetro Valor
Tails Two
Correlation ρ H1 0.30
α err prob 0.05
Power (1-β) 0.80
Correlation ρ H0 0

Resultado:
Tamaño total = 84 participantes

Interpretación:
Se necesitan 84 estudiantes para detectar una correlación media (r=0.30) con potencia 0.80 y α=0.05.

Visualización del Gráfico de Poder

  • Haz clic en X-Y plot for a range of values.
  • Selecciona Plot sample size as a function of Power (1-β).
  • Clic en Draw plot.

El gráfico muestra cómo el tamaño muestral crece al aumentar la potencia o reducir el efecto esperado.

Buenas Prácticas

  • Justifica tus parámetros: Usa evidencia o estudios previos.
  • Aumenta la muestra en 10–20% por posibles pérdidas de datos.
  • Recuerda: “Basura entra, basura sale”. La calidad del cálculo depende de los supuestos iniciales.

4. Prueba t de Student (Dos grupos)

Escenario

Comparar el nivel promedio de ansiedad entre hombres y mujeres universitarios.

Pasos

  • Test family: t tests
  • Statistical test: Means: Difference between two independent means (two groups)
  • Type of power analysis: A priori
Parámetro Valor
Tails Two
Effect size d 0.50
α err prob 0.05
Power (1-β) 0.80
Allocation ratio (n2/n1) 1

Resultado:
Total sample size = 128 (64 por grupo)

Interpretación:
Para detectar una diferencia media (d=0.5) con potencia 0.80 y α=0.05, se necesitan 64 participantes por grupo.

5. ANOVA de un Factor (Más de Dos Grupos Categóricos)

Escenario

Un investigador desea comparar el nivel de estrés académico entre tres carreras universitarias: Medicina, Enfermería y Psicología.

Pasos

  • Test family: F tests
  • Statistical test: ANOVA: Fixed effects, omnibus, one-way
  • Type of power analysis: A priori
Parámetro Valor
Effect size f 0.25 (efecto medio)
α err prob 0.05
Power (1-β) 0.80
Number of groups 3

Referencia de Cohen (1988)
- Pequeño: f = 0.10
- Medio: f = 0.25
- Grande: f = 0.40

Resultado:
Total sample size = 159 (aprox. 53 por grupo)

Interpretación:
Para detectar diferencias medias entre tres grupos con α=0.05 y potencia 0.80, se requieren 159 participantes en total.

6. Asociación entre Dos Variables Categóricas (Chi-Cuadrado)

Escenario

Un investigador desea saber si existe asociación entre el género (masculino/femenino) y la preferencia de especialidad médica (clínica, quirúrgica o salud pública).

Pasos

  • Test family: Chi² tests
  • Statistical test: Goodness-of-fit tests: Contingency tables
  • Type of power analysis: A priori
Parámetro Valor
Effect size w 0.30 (efecto medio)
α err prob 0.05
Power (1-β) 0.80
df (grados de libertad) (filas - 1) × (columnas - 1) = (2-1)×(3-1)=2

Referencia de Cohen (1988)
- Pequeño: w = 0.10
- Medio: w = 0.30
- Grande: w = 0.50

Resultado:
Total sample size ≈ 88 participantes

Interpretación:
Para detectar una asociación de tamaño medio entre dos variables categóricas (2×3), se requieren aproximadamente 88 participantes.

7. Conclusión General

Ahora sabes cómo usar G*Power para calcular el tamaño muestral en los principales tipos de análisis:

Tipo de estudio Prueba Tamaño del efecto Variable dependiente Variable independiente
Correlacional Pearson r Numérica Numérica
Comparativo (2 grupos) t de Student d Numérica Categórica (2 niveles)
Comparativo (>2 grupos) ANOVA f Numérica Categórica (>2 niveles)
Asociación entre categorías Chi-cuadrado w Categórica Categórica

Consejo final: Documenta siempre tus supuestos y justificaciones estadísticas.
La transparencia en el diseño fortalece la credibilidad y replicabilidad de tu investigación.