🧮Calculadoras de Tamaño Muestral y Potencia

Desarrollado por José María Montiel Company — Universitat de València.

Herramientas integrales para el cálculo de tamaño muestral y potencia estadística.

1. Parámetros del estudio (Potencia)

Tipo de planteamiento
α actual: 0,050
Comparación de dos grupos independientes

Medias (dos grupos)

Se asume similar en ambos grupos.

Tamaños muestrales

2. Resultados de potencia

Desplazamiento Δ (unidades Z)

—

Potencia (1 − β)

—

Error tipo II (β)

—

Selecciona el modo y ajusta los parámetros para ver los resultados inmediatamente.

Configuración (2 Medias Independientes)

Resultados

n₁

—

n₂

—

n total ajustado

—

Configuración (2 Proporciones Independientes)

Resultados

n₁

—

n₂

—

n total ajustado

—

Configuración (1 Muestra)

Estimación IC (Media / Proporción)

Calcula n para estimar con margen de error ±E.

Resultado Contraste

n

—

n ajustado

—

Resultado Estimación (IC)

n (IC)

—

n ajustado

—

Configuración (ANOVA de un factor)

Resultados

n por grupo

—

n total

—

f de Cohen: Pequeño≈0.10, Medio≈0.25, Grande≈0.40.

Configuración (Pareadas / Repetidas)

Resultado

n (pares)

—

n ajustado

—

Var(Δ)

—

Configuración (Diseño por Conglomerados/Cluster)

Calcula el factor de inflación (DE) por correlación intraclase.

Resultado Clúster

DE (Design Effect)

—

n total ajustado

—

# clústeres aprox.

—

DE = 1 + (m − 1)·ICC

Guía de uso Contraste

1) Define el contraste

  • Escoge módulo: 2 Medias, 2 Proporciones, 1 Muestra, ANOVA, Pareadas o Clúster.
  • Selecciona tipo y efecto (crudo o estandarizado).

2) Parámetros

  • α: 0.05. Potencia: 0.80–0.90.
  • Asignación n₂/n₁: 1 para balanceado.

Ejemplos (Click para cargar)

1. Diseño basado en Riesgo Relativo (RR)

Se asume comparación de dos proporciones con asignación 1:1.

Parámetros de efecto

Parámetros de diseño

2. Diseño basado en Odds Ratio (OR)

El riesgo p₁ se deriva de p₀ y la OR objetivo.

Parámetros de efecto

Parámetros de diseño

3. Visualizador de efecto y tamaño muestral

Resultados y métricas clave

RR (p₁/p₀)

—

OR (asociada)

—

Δ (p₁−p₀)

—

n por grupo

—

n total ajustado

—

Clasificación

—

Diferencia Absoluta (Barra de efecto)

Escala de diferencia absoluta |p₁−p₀| (Máx 30%)
Ajusta p₀, p₁ o el RR objetivo para ver los resultados inmediatamente.

1. Parámetros del test y de la población

Calcula n para estimar **Sensibilidad** y **Especificidad** con una precisión ($\pm E$) dada.

2. Resultado y desglose

n enfermos (para Se)

—

n sanos (para Sp)

—

n total base

—

n total ajustado

—

IC Se

—

IC Sp

—

Precisión Se (barra)

Escala ±E (0–0.20)

Precisión Sp (barra)

Escala ±E (0–0.20)

Interpretación

—

Define sensibilidades, especificidades y la prevalencia esperada de la enfermedad.

1. Parámetros de diseño (Kappa)

Calcula n para estimar **Kappa** con una precisión ($\pm E_{\kappa}$) dada.

2. Resultado y desglose

Pe (azar)

—

Po (observada)

—

n base

—

n ajustado

—

IC κ aproximado

—

Clasificación κ

—

Precisión κ (barra)

Escala ±E (0–0.30)
Define el Kappa que esperas obtener, el margen de error y el número de categorías.

1) Walter et al. (1998) — prueba sobre ICC

Diseño para detectar ICC ≥ ρ₁ frente a H₀: ICC = ρ₀ con k mediciones por sujeto.

Resultados Walter aparecerán aquí.

2) Bonett (2002) — precisión del IC de ICC

Calcula n para que el IC tenga una anchura total ≤ W.

Resultados Bonett aparecerán aquí.

3) Bland–Altman — CI para la media y Tamaño muestral para Límites de Acuerdo (LoA)

Dos utilidades: A) precisión de la diferencia media (CI de la media), y B) tamaño muestral para que los Límites de Acuerdo observados queden dentro de ±Δ (método Lu et al., 2016).

A) CI de la diferencia media (simple)

Estima n para obtener un IC de la media de las diferencias con una anchura total deseada W.

Resultados CI media aparecerán aquí.

B) Tamaño muestral para Límites de Acuerdo (LoA) — método Lu et al. (simulación)

Objetivo: hallar n tal que la probabilidad de obtener Límites de Acuerdo observados (media $\pm 1.96 \cdot s$) dentro de $\pm \Delta$ sea $\ge$ potencia deseada.

Ajuste los valores para recalcular la simulación.

Nota: Este método utiliza **simulación Monte-Carlo** (Lu et al., 2016). Proceso intensivo.

1. Encuestas (Proporción poblacional)

Calcula n para estimar una **proporción** ($\pm E$).

n₀ (infinito)

—

n (ajustada por N)

—

n ajustada por pérdidas

—

IC aproximado

—

Precisión E (Barra de error)

Escala 0–0.20 (margen ±E)
Define p, el margen de error E y el nivel de confianza. Si introduces N, se aplica la corrección por población finita.

2. Validación de Cuestionarios

Aproximación basada en la **regla sujetos/ítem** (AFE/AFC).

n con ratio elegido

—

n mínimo por regla 5–10

—

n final recomendado

—

n ajustada (pérdidas)

—

Interpretación

—

Combina la regla sujetos/ítem con un rango sugerido 5–10 y un mínimo absoluto recomendado.

3. Fiabilidad (α de Cronbach y Coeficiente r)

A) Estimación de α de Cronbach

n base (α)

—

n ajustada (α)

—

IC esperado

—

B) Estimación de correlación (r)

n base (r)

—

n ajustada (r)

—

IC esperado

—

Estimaciones basadas en aproximaciones normales (Fisher z para r y expresiones asintóticas para α).

1) Prueba de Correlación (H₀: ρ=0 vs H₁: ρ≠0)

Diseño para detectar una correlación |ρ| = ρ₁ frente a la hipótesis nula ρ₀ = 0.

Resultados Pearson H0 vs H1 aparecerán aquí.

2) Precisión del IC de Pearson

Calcula el tamaño (n) para que el IC tenga una anchura total ≤ W.

Resultados Pearson IC aparecerán aquí.

Guía Rápida para el Diseñador de Estudios

Objetivo de cada módulo

  • Potencia: Calcula la probabilidad de éxito (1−β) de un estudio si este se realiza con los tamaños muestrales (n₁, n₂) y el efecto (Δ, RR, OR) que espera. Útil para verificar si un estudio ya publicado o en marcha es viable.
  • Contraste / Estimación: Calcula el tamaño muestral (n) necesario para alcanzar una potencia deseada (contraste) o una precisión deseada (± E, estimación).
  • RR / OR: Cuando quieras detectar un tamaño de efecto específico (ej., RR=0.5 o OR=2.0) y ver el impacto de la prevalencia basal (p₀).
  • Diagnóstico: Para validar una nueva prueba y estimar su Sensibilidad y Especificidad con un margen de error (± E) aceptable.
  • Concordancia Categórica (Kappa): Para planificar el número de observaciones necesarias para validar una escala categórica entre observadores.
  • Concordancia Numérica (ICC/BA): Para planificar estudios con medidas continuas de Bland–Altman o Coeficiente de Correlación Intraclase (ICC).
  • Encuestas y Validación: Para la planificación de encuestas transversales o la fase inicial de validación de un cuestionario.
  • Correlación de Pearson: Calcula el tamaño muestral para detectar una correlación lineal esperada (ρ₁) o para estimar el coeficiente con un intervalo de confianza de anchura controlada.