Calculadora de Tamaño de Muestra
Calcule el tamaño de muestra requerido con estimación del tamaño del efecto basada en la literatura, matriz de sensibilidad a través de niveles de potencia y código R/Python reproducible (incluye guía de verificación).
- Complete el diseno del estudio, el tipo de desenlace principal y la potencia estadistica objetivo.
- Haga clic en AI Run y recibira directamente en el chat los calculos de tamano muestral con analisis de sensibilidad.
- Ajuste los supuestos y solicite recalculos o comparaciones entre escenarios alternativos.
Qué hace esta herramienta
Un asistente de cálculo del tamaño de muestra para investigadores clínicos y biomédicos. Proporcione su diseño de estudio, resultado primario, tamaño del efecto esperado, nivel de significancia y potencia objetivo — la IA usa fórmulas estadísticas establecidas para calcular el tamaño de muestra requerido, muestra todos los pasos intermedios y ajusta según la tasa de abandonos esperada. El resultado incluye una matriz de sensibilidad que muestra cómo varía el tamaño de muestra según distintas suposiciones de efecto y potencia.
Por qué una matriz en lugar de un único número
Su tamaño del efecto prespecificado casi siempre es incierto. Los tamaños del efecto publicados suelen estar sobreestimados debido al sesgo de estudios pequeños y la publicación selectiva. La matriz de sensibilidad — que muestra tamaños de muestra en una cuadrícula de tamaños del efecto plausibles (p. ej., d de Cohen = 0,3 a 0,6) y niveles de potencia (80%, 85%, 90%) — proporciona un rango de planificación realista.
Estimación del tamaño del efecto a partir de la literatura
Si no dispone de una estimación previa, la IA le guiará para buscar en PubMed estudios publicados similares y extraer sus tamaños del efecto observados. También le recordará que los tamaños del efecto publicados pueden sobrestimar el efecto real; usar un valor un 20–30% menor que el publicado es una práctica conservadora recomendada por los bioestadísticos.
Diseños de estudio compatibles
ECAs paralelos de dos brazos (superioridad, no inferioridad, equivalencia), diseños pareados (cruzados, antes-después), estudios de cohorte prospectivos, estudios de caso-control, encuestas transversales de prevalencia y estudios de precisión diagnóstica (sensibilidad, especificidad, AUC). Para diseños más complejos como ECAs por conglomerados, se explican los parámetros clave y se recomienda consultar a un especialista.
Código reproducible
La IA genera código R ejecutable (paquetes pwr, MASS o survival según corresponda) y/o código Python (statsmodels, pingouin) para cada cálculo, con todos los parámetros declarados explícitamente. Puede volver a ejecutarlo de forma independiente para verificar el resultado.
Verificación y limitaciones
Los cálculos del tamaño de muestra implican supuestos; esta herramienta es un apoyo de planificación, no una herramienta regulatoria. Siempre verifique los tamaños de muestra finales con software validado (G*Power, PASS, nQuery) y, para ensayos clínicos regulados, consulte a un bioestadístico cualificado.