Free Análisis de potencia y tamaño de la muestra Calculadora para investigadores

Calculadora de análisis de potencia para estudios de investigación

El análisis de potencia se utiliza para estimar el tamaño mínimo de muestra necesario para detectar un efecto estadísticamente significativo, controlando la probabilidad de errores de tipo I y tipo II. Un error de tipo I (falso positivo) ocurre cuando un estudio concluye erróneamente que existe un efecto; un error de tipo II (falso negativo) ocurre cuando no se detecta un efecto real. La mayoría de los estudios biomédicos y clínicos buscan una potencia del 80 % (1-β = 0.80) con un nivel de significancia de α = 0.05.

Mediante esta calculadora de potencia estadística, los investigadores especifican el tamaño del efecto esperado, el nivel de significancia, la potencia deseada y el diseño del estudio. La calculadora devuelve entonces el tamaño de muestra necesario. Realizar un análisis de potencia antes de la recopilación de datos garantiza que un estudio no tenga una potencia insuficiente —lo que conlleva el riesgo de un falso negativo— ni sea innecesariamente grande, lo que supone un desperdicio de recursos y plantea problemas éticos relacionados con el reclutamiento innecesario de participantes.

Los tamaños del efecto pueden derivarse de datos piloto, literatura publicada o la diferencia mínima clínicamente importante. Las convenciones de Cohen (pequeño: d = 0.2, mediano: d = 0.5, grande: d = 0.8 para pruebas t; f = 0.10/0.25/0.40 para ANOVA) proporcionan un punto de partida cuando no existen datos previos.

Calculadora de tamaño muestral para ensayos clínicos

Los ensayos clínicos requieren un cálculo riguroso del tamaño de la muestra antes de comenzar el reclutamiento. Los ensayos con potencia estadística insuficiente pueden no detectar diferencias reales entre los tratamientos, mientras que los ensayos con un tamaño de muestra excesivo exponen a más participantes a las condiciones experimentales de lo necesario. Los comités de ética y los organismos financiadores exigen un cálculo del tamaño de la muestra claramente justificado como parte de la aprobación del protocolo.

Esta calculadora admite tres diseños principales de ensayos clínicos. Los ensayos de superioridad evalúan si un nuevo tratamiento es mejor que un control; los datos de entrada necesarios son la diferencia media esperada, la desviación estándar, el nivel de significación y la potencia deseada. Los ensayos de no inferioridad evalúan si un nuevo tratamiento no es inaceptablemente peor que un estándar establecido; el parámetro adicional clave es el margen de no inferioridad. Los ensayos de equivalencia evalúan si dos tratamientos producen el mismo efecto dentro de un límite definido.

Para los ensayos clínicos basados ​​en la supervivencia, la calculadora utiliza la fórmula de la prueba de log-rank, que requiere la razón de riesgo esperada, la tasa de eventos y la duración del seguimiento.

Calculadora de tamaño de muestra para prevalencia

El cálculo del tamaño muestral basado en la prevalencia se utiliza en estudios transversales y epidemiológicos cuyo objetivo principal es estimar la proporción de una población con una condición, exposición o característica específica. A diferencia de los estudios comparativos, estos diseños no ponen a prueba una hipótesis entre grupos, sino que estiman un parámetro poblacional con un nivel de precisión determinado.

El tamaño de muestra necesario para un estudio de prevalencia depende de la prevalencia esperada (p), el margen de error aceptable (d) y el nivel de confianza (normalmente del 95 %, que corresponde a Z = 1.96). Cuando la población de estudio es finita y relativamente pequeña, un factor de corrección para poblaciones finitas reduce el tamaño de muestra requerido.

Mediante la opción de Proporción Única en la calculadora, los investigadores pueden modelar directamente los estudios de prevalencia. Un ejemplo común: estimar la prevalencia de hipertensión en una clínica urbana con una prevalencia esperada del 30 %, un margen de error del 5 % y un nivel de confianza del 95 % requiere aproximadamente 323 participantes antes de considerar la falta de respuesta.

Calculadora de tamaño de muestra para pruebas t

El cálculo del tamaño muestral para la prueba t se aplica al comparar medias entre un grupo y un valor de referencia, dos grupos independientes o mediciones pareadas en los mismos sujetos. Los tres diseños de la prueba t —de una muestra, de dos muestras (independientes) y pareadas— difieren en sus parámetros de entrada y en la interpretación del tamaño muestral resultante.

Para una prueba t de dos muestras, el tamaño de muestra requerido por grupo depende de la diferencia media esperada entre grupos, la desviación estándar combinada, el nivel de significancia, la potencia y la dirección de la prueba. Para una prueba t pareada, el parámetro clave es la diferencia media entre las mediciones pareadas y su desviación estándar, que suele ser menor que la desviación estándar entre sujetos, razón por la cual los diseños pareados son estadísticamente eficientes.

Calculadora de tamaño de muestra para ANOVA

El cálculo del tamaño muestral mediante ANOVA se utiliza cuando un estudio compara las medias de tres o más grupos simultáneamente. En lugar de realizar múltiples pruebas t —lo que aumenta la tasa de error de tipo I—, ANOVA pone a prueba la hipótesis nula general de que todas las medias de los grupos son iguales en un único análisis.

El parámetro clave es la f de Cohen, la medida del tamaño del efecto para el ANOVA. Pequeño: f = 0.10; mediano: f = 0.25; grande: f = 0.40. La calculadora devuelve el tamaño total de la muestra requerido y el desglose por grupo.

Calculadora de tamaño de muestra para pruebas de chi-cuadrado

El cálculo del tamaño muestral mediante la prueba de chi-cuadrado se utiliza en estudios con resultados categóricos; por ejemplo, para comparar las tasas de respuesta, las tasas de complicaciones o la prevalencia de enfermedades entre dos grupos. Para una prueba de chi-cuadrado de dos proporciones, los datos necesarios son las proporciones esperadas en cada grupo, el nivel de significancia y la potencia estadística deseada.

Convenciones de Cohen para el valor w: pequeño = 0.10, mediano = 0.30, grande = 0.50. Un ejemplo práctico: comparar tasas de eventos adversos del 15 % frente al 8 % con una potencia del 80 % y α = 0.05 requiere aproximadamente 300 participantes por grupo antes del ajuste por abandono.