¿Cuántos participantes necesito? Planificar el tamaño de muestra

Andrzej Szymkowiak · Última revisión: septiembre de 2026

Tu director levanta la vista de tu propuesta y pregunta: "¿Cómo decidiste este número de participantes?". El número de participantes que necesitas depende de tu método de análisis, el tamaño del efecto esperado, el nivel alpha y la potencia objetivo. Un power analysis a priori calcula el N mínimo antes de recoger datos — normalmente apuntando a una potencia ≥ .80 con α = .05 para tu efecto más pequeño esperado — y es el enfoque que los revisores y las agencias de financiación esperan ver.

Uno de los errores de planificación más comunes en la investigación con encuestas es decidir el tamaño de muestra después de recoger los datos. Para entonces ya es demasiado tarde para cambiarlo. Los revisores preguntarán si tenías suficiente potencia para detectar tus efectos. Las agencias de financiación preguntarán cómo justificaste el presupuesto de reclutamiento. Esta guía explica cómo pensar en el tamaño de muestra antes de lanzar tu estudio — y cómo planificar para los participantes que perderás por el camino.

Por qué planificar el tamaño de muestra antes de recoger datos

Tres razones empujan a una planificación temprana.

Potencia estadística. La potencia es la probabilidad de detectar un efecto que realmente existe. Un estudio con baja potencia a menudo pasará por alto efectos reales, lo que lleva a un resultado nulo falso. El mínimo convencional para la potencia es .80, lo que significa que aceptas un 20% de probabilidad de pasar por alto un efecto real. Para alcanzar esa potencia necesitas un tamaño de muestra mínimo — que depende de cuán grande es el efecto y de cuán estricto es tu umbral de significación.

Presupuesto. Reclutar participantes cuesta dinero y tiempo. Conocer de antemano la muestra mínima necesaria te permite estimar el coste antes de comprometerte. Descubrir después que necesitabas el doble de participantes es caro.

Expectativas de los revisores. Las revistas piden cada vez más a los autores que reporten un power analysis. Si tu artículo no incluye uno, los revisores pueden rechazarlo o pedir una revisión. Un power analysis prospectivo, hecho antes de recoger datos, es evidencia más sólida que uno hecho después de conocer los resultados. Para un recorrido completo por las decisiones de diseño que preceden a la recogida de datos, consulta de la pregunta de investigación al cuestionario →.

La lógica del power analysis a priori

El power analysis a priori fija el tamaño de muestra que necesitas antes de recoger datos. Cuatro entradas determinan el N requerido:

1. Tamaño del efecto: el efecto más pequeño que esperas, o el más pequeño que sería prácticamente significativo (tu SESOI — smallest effect size of interest). Básalo en trabajos previos siempre que sea posible — un metaanálisis, el estudio publicado más cercano o un piloto — en lugar de en una etiqueta genérica. Los puntos de referencia de Cohen (1988) (para ANOVA, pequeño f = .10, medio f = .25, grande f = .40; para regresión, pequeño f² = .02, medio f² = .15, grande f² = .35) son solo un último recurso, y tienden a sobrestimar los efectos observados en muchos campos, por lo que planificar en torno a ellos puede dejarte con poca potencia.
2. Alpha (α): el umbral de significación, normalmente .05.
3. Potencia (1 − β): la probabilidad aceptable de detectar el efecto, normalmente .80.
4. Número de predictores o grupos: afecta a los grados de libertad del modelo.

Dadas estas cuatro entradas, una fórmula o calculadora de potencia devuelve el N mínimo. Para t-tests, correlaciones, regresión y ANOVA, lo hace el programa gratuito G*Power (Faul et al., 2007). Para CFA y SEM, la calculadora gratuita de Explonia en /tools/sample-size-sem/ da un N según una regla práctica (casos por parámetro libre, con un mínimo de 200 casos) y un power analysis basado en RMSEA (MacCallum, Browne, & Sugawara, 1996) para los grados de libertad de tu modelo.

¿Cuántos participantes necesitas según el método de análisis?

Estos son puntos de partida, no sustitutos de un cálculo de potencia adecuado. Úsalos para contrastar tu cálculo o para estimaciones rápidas en la fase de propuesta.

Para los structural equation models, el número de parámetros importa. Un CFA simple de dos factores con 12 ítems y una correlación de factores podría estimar alrededor de 25 parámetros. A 5 por parámetro, eso es un mínimo de 125 participantes. Muchos revisores esperan al menos 200 para un CFA multifactor, y más para modelos SEM complejos. Trata todo esto como puntos de partida, no como garantías de potencia adecuada.

Para PLS-SEM, ignora la antigua regla de "diez veces el número de paths": rutinariamente subestima la muestra necesaria y ha sido criticada incluso por sus propios defensores (Hair et al., 2019). Usa el método de la raíz cuadrada inversa (Kock & Hadaya, 2018), que vincula N con el coeficiente de path más pequeño que esperas detectar, o un power analysis formal. Para cualquier modelo de variables latentes, el enfoque más defendible es una simulación de Monte Carlo (Muthén & Muthén, 2002): especificas el modelo y los valores de parámetros esperados, y luego simulas el tamaño de muestra que produce una potencia adecuada y estimaciones estables e insesgadas. Lee más en /methods/sample-size/. Si todavía estás eligiendo entre las dos familias de SEM, consulta PLS-SEM vs CB-SEM: cómo elegir.

Planificar para el abandono y los screen-outs

Tu muestra objetivo es el número de respuestas completas y utilizables. Eso no es lo mismo que el número de personas que empiezan tu encuesta. Dos fuerzas reducen tu recuento final.

Abandono (finalización parcial). Incluso las encuestas bien diseñadas pierden respondientes a mitad de camino. En los paneles online, tasas de abandono del 10–25% son habituales para encuestas de 10–20 minutos. Una encuesta más larga o más exigente puede perder un 30–40% o más.

Screen-outs. Si tu estudio requiere una población específica — usuarios de un producto, padres, profesionales de un campo concreto — descartarás a los participantes que no cumplan los requisitos. Si solo uno de cada tres miembros del panel cumple tus criterios (una tasa de incidencia del 33%), necesitas tres veces más inicios para llenar tu objetivo.

Regla práctica: divide tu N utilizable objetivo entre la tasa de finalización esperada y la tasa de incidencia. Para una guía paso a paso sobre cómo reclutar tu muestra de un panel online, consulta cómo reclutar participantes en Prolific →.

Inicios objetivo = (N utilizable objetivo) ÷ (tasa de finalización) ÷ (tasa de incidencia)

Ejemplo: necesitas 200 respuestas utilizables, esperas un 80% de finalización y tu tasa de incidencia es del 50%. Necesitas 200 ÷ .80 ÷ .50 = 500 inicios. Configura tu pedido de panel para 500 o algo más.

Sobre esa fórmula, añade siempre un margen de seguridad del 10–15%, porque también puedes eliminar respuestas por straight-lining, tiempos de finalización rápidos o controles de atención fallidos.

Coste al reclutar en un panel de pago

Si reclutas a través de un panel de pago como Prolific (disponible dentro del panel en el plan Academic PRO de Explonia), pagas a los participantes principalmente por las respuestas completadas, normalmente una cantidad menor para quien es descartado dentro de la encuesta, más la tarifa de servicio de la plataforma por encima. Las tarifas y comisiones cambian con el tiempo y difieren entre plataformas, así que consulta el precio actual del proveedor antes de presupuestar en lugar de fiarte de una cifra fija. Solo como ilustración: si la tarifa del participante fuera de unas £9 por hora y la encuesta durara 10 minutos, cada respuesta completada costaría aproximadamente £1.50 en pago al participante, antes de la tarifa de servicio. Las encuestas más largas, una menor incidencia (más screen-outs) y criterios de calidad más estrictos elevan todos el total.

Presupuesta el pago a los participantes como:

Pago a participantes ≈ (respuestas completadas) × (duración de la encuesta en horas) × (tarifa por hora), y luego suma los pagos por screen-out dentro de la encuesta y la tarifa de servicio de la plataforma

Esto deja claro por qué importa una medición eficiente: menos ítems innecesarios significan una encuesta más corta, lo que reduce el coste y el abandono al mismo tiempo.

Errores comunes que conviene evitar

• Elegir un número redondo (100, 200) sin un power analysis detrás.
• Usar la regla PLS de "10 veces los paths" — está obsoleta y deja los estudios con poca potencia.
• Hacer un análisis post-hoc de "potencia observada" para justificar un resultado no significativo (Hoenig & Heisey, 2001).
• Olvidar inflar el objetivo por el abandono esperado y los controles de atención fallidos.
• Adivinar el tamaño del efecto en lugar de fundamentarlo en estudios previos, un piloto o un efecto mínimo de interés.
• Tratar "PLS funciona con muestras pequeñas" como una licencia para saltarte la planificación de la muestra.

Preguntas frecuentes

References

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.

Faul, F., Erdfelder, E., Lang, A.-G., & 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

Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.

Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24.

Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261.

MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130-149. https://doi.org/10.1037/1082-989X.1.2.130

Muthén, L. K., & Muthén, B. O. (2002). How to use a Monte Carlo study to decide on sample size and determine power. Structural Equation Modeling, 9(4), 599–620.

Cómo Explonia hace esto por ti

Explonia ofrece una calculadora gratuita de tamaño de muestra para CFA y SEM en /tools/sample-size-sem/. Introduce el número de factores, ítems y paths estructurales: estima los parámetros libres, da un N según una regla práctica con un mínimo de 200 casos y ejecuta un power analysis basado en RMSEA para tu alpha y tu potencia objetivo, con código R que puedes revisar. No cubre t-tests ni ANOVA, y no ajusta por abandono ni por incidencia, así que aplica tú mismo la fórmula de inicios de arriba. No se requiere registro para usar la calculadora.

Para la planificación a nivel de estudio dentro de tu proyecto de encuesta, consulta ejemplos resueltos → para ver cómo se diseña, dimensiona y lanza una encuesta realista. Después de recoger datos y ejecutar tu modelo, consulta cómo reportar los índices de ajuste de SEM → para el siguiente paso.

¿Listo para dimensionar tu estudio con confianza? Planifica tu muestra en Explonia y ejecuta el análisis sobre los datos que recoges. Empieza gratis →