CAPITULO 8 ARON Y ARON

 Potencia es la capacidad para cumplir objetivos

 Es la probabilidad de cumplir con los objetivos en determinada situación
 La potencia estadística de un estudio es la probabilidad de que ese estudio tenga un
resultado significativo si la hipótesis es verdadera.

En este texto se estudiará el concepto de potencia estadística, que es, como se calcula, que
factores le influye y porque es importante,

Tamaño de efecto: es el punto crucial para comprender la potencia y un tema considerable para
comprender las investigaciones psicológicas.

¿Qué es la potencia estadística? es la probabilidad de que ese estudio tenga un resultado

significativo si la hipótesis es verdadera, en el caso de que sea falsas, no nos interesa lograr un
resultado significativo.

*Si la hipótesis es verdadera no significa que nuestro experimento tendrá un resultado

significativo automáticamente, ya que puede que la muestra seleccionada de la población no sea
lo suficiente extrema para rechazar la hipótesis nula.

*Cuando un estudio tiene chances de menos del 50% de resultar significativo, aun si la hipótesis de
investigación es verdadera, decimos que el estudio tiene baja potencia.

*Cuando un estudio tiene chances de más del 50% de resultar significativo, decimos que el estudio
tiene alta potencia.

Existen 2 tipos de errores en las pruebas de significación  Tipo I y Tipo II

Se trata de los errores respecto a obtener resultados equivocados luego de la aplicación de

procedimientos correctos, no errores de cálculo, ni de utilizar procedimientos malos.

Error Tipo I y alfa

Si en un estudio se establece el corte de nivel de significación en una probabilidad muy alta

(ejemplo 20%), la hipótesis nula seria rechazada muy fácilmente, y si hacemos esto en muchos
estudios, decidiríamos casi siempre que la hipótesis de investigación se sustenta, pero en realidad
no deberíamos hacerlo.

La probabilidad de cometer un error tipo I se denomina alfa y en la mayoría de los estudios, alfa es
igual a 0,05.

La seguridad que tienen los investigadores para saber que no cometieron el error tipo I es saber
que la probabilidad es baja (menos del 5% si utilizamos el nivel de significación 0,05), y como no
pueden saber si lo cometieron o no, existen intentos de tratar de disminuir el nivel de significación
a 0,001, pero el costo es más alto al establecer niveles demasiado extremos. De eso se
profundizará a continuación.
Error Tipo II y beta

Si se establece un nivel de significación muy riguroso como el 0,001, se corre el riesgo de que la
hipótesis de investigación sea verdadera pero como el resultado es tan extremo no se pueda
rechazar la hipótesis nula, siendo que ésta es falsa.

Los errores Tipo II preocupa a los psicólogos que utilizan aplicaciones practicas pues un error de
este tipo podría provocar que no se implemente un procedimiento practico útil.

Como en este tipo de errores tampoco el investigador puede saber si lo cometió o no, se puede
reducir la probabilidad estableciendo un nivel de significación muy indulgente (p<0,10 o p<0,20)
pues, aunque el estudio arroje una diferencia muy pequeña, hay chances de que los resultados
sean significativos, pero también tiene un costo y es que se corre demasiado riesgo de cometer un
error Tipo I.

Un error Tipo II ocurre cuando decimos que el experimento no es concluyente (no rechazamos la
hipótesis nula) y en realidad nuestra hipótesis era verdadera.

 La potencia de un experimento es la probabilidad de si la hipótesis de investigación es

verdadera, el experimento la sustenta, quiere decir, que se rechace la hipótesis nula.
 Potencia es la probabilidad de no cometer un error Tipo II.

Relación entre errores Tipo I y Tipo II

Protegerse contra un tipo de error aumenta los chances de cometer el otro.

 Si se establece un nivel de significación de ejemplo 0,001 aumentamos beta.

 Si se establece un nivel de significación de ejemplo 0,20, aumentamos alfa.

La negociación de este conflicto se resuelve por la convención de que los niveles de significación
estándar tienen que estar entre el 5% y el 1%.

Posibles decisiones correctas y erróneas en la prueba de hipótesis:

Verdadera / Falsa

Decisión Error Tipo I

correcta
p=potencia p=alfa
Error Tipo II Decisión
correcta
p= beta p= 1-beta

*Cuadros superiores: Si se sostiene la hipótesis de investigación, se rechaza la hipótesis nula

* Cuadros inferiores: Si el estudio no es concluyente, no se puede rechazar la hipótesis nula.

La tabla muestra los modos de tomar la decisión correcta y de cometer los errores, además de los
nombres de la probabilidad de cada una de las cuatro posibles decisiones correctas o erróneas.
Puntuación Z: Número de desviaciones estándar que hay por encima o por debajo de la media de
población.

Calculo de la potencia estadística:

El calculo de la potencia implica calcular el área de la porción sombreada en la distribución de

medias de las poblaciones (área bajo la curva)

*Es importante observar que la forma en la que se calcula la potencia no tiene nada que ver con el
resultado real del estudio. De hecho, los investigadores por lo general calculan la potencia antes
de realizar el estudio.

Resumen de los pasos para calcular la potencia estadística (4 pasos):

1. Reunir info necesaria: media y desvío estándar de la población 2 (distribución

comparativa), media predicha de la población 1 (población que recibió el procedimiento
experimental) y realizar diagrama de las dos distribuciones.
2. Determinar en la distribución comparativa, el punto de corte para rechazar la hipótesis
nula.
3. Determinar la puntuación Z del punto de corte anterior, pero en la distribución de medias
de la población que recibe la manipulación experimental.
4. Utilizar la tabla de áreas bajo la curva normal, determinar la probabilidad de obtener un
registro más extremo que esa puntación Z.

*Los procedimientos que se an descrito se aplican cuando estamos frente a una población
conocida y frente a una sola muestra. Si es una situación más compleja, calcular la potencia es más
trabajoso. Para ello, se utilizarán las tablas de ponencia.

Tablas de potencia

Estas tablas fueron preparadas por Cohen, Kraemer & Thiemann, entre otros.

Utilizar las tablas requiere la misma información que el calculo directo de la potencia explicado
más arriba.

En el libro se trata más de entender el concepto de potencia más que de calcular el número, y de
entender que factores influyen en la potencia y como se aplica todo esto a la planificación de
experimentos y a la interpretación de los resultados de las investigaciones.

¿Qué factores determinan la potencia de un estudio? (son 2)

Hay dos factores principales, el tamaño del efecto predicho por la hipótesis de investigación
(tamaño de efecto) y la cantidad de participantes (tamaño de muestra).

La potencia se ve afectada también por el nivel de significación elegido, si se utiliza una prueba de
una o dos colas, y por el tipo de procedimiento de prueba de hipótesis utilizado.

1.- Tamaño del efecto

La medida en la cual dos distribuciones no se superponen, se denomina tamaño del efecto, porque
es la medida en la cual el experimento tiene el efecto de separar las dos poblaciones, es decir
cuanto mayor sea la diferencia esperada entre las medias de las dos poblaciones, mayor es el
tamaño del efecto y a menor varianza en las dos poblaciones, mayor es el tamaño del efecto, en
cualquier caso  a mayor tamaño de efecto, mayor potencia.

*La idea general es que cuanto mayor es la diferencia esperada entre las medias de las dos
poblaciones, mayor potencia tiene el estudio.

*a menor varianza, mayor potencia (en la psicología)

* a menor superposición entre las dos distribuciones, mayor es la probabilidad de que el estudio
arroje un resultado significativo.

Calculo del tamaño del efecto

Se calcula sobre la base de dos números: la predicción del investigador en cuanto a la diferencia
entre las medias de las dos poblaciones, y el desvío estándar poblacional (varianza).

La regla para calcular el tamaño del efecto es dividir la diferencia predicha entre las medias por el
desvío estándar poblacional:

d = μ1 – μ2
 

d = símbolo del tamaño del efecto o “cohen”

μ1 = media población 1 predicha (manipulación experimental)

μ2 = media población 2 (distribución comparativa)

desvío estándar de la población 2

Un alcance más general del tamaño del efecto

Ej: Si un estudio tiene tamaño de efecto de 0,25 y hay otro de 2,0, sabremos que el efecto fue
mucho mayor en el segundo estudio, aun si las medidas utilizadas y la cantidad de participantes
fueran completamente diferentes. Este calculo nos permite comparar estudios diferentes pues
estandariza.

*Una de las importantes aplicaciones del tamaño del efecto se ocupa en el procedimiento
denominado meta-análisis, el cual proporciona a los investigadores una herramienta precisa y
objetiva con el fin de combinar y comparar los resultados de distintos estudios acumulados acerca
de un tema determinado.

Reglas del tamaño del efecto

Si supiéramos cual es el tamaño del efecto que debiéramos esperar no necesitaríamos la

investigación, pero Cohen ha establecido algunas reglas basadas en los efectos descubiertos en las
investigaciones psicológicas en general, para determinar cuándo un efecto es pequeño, mediano o
grande. Así, si un investigador cree que un estudio debería tener un efecto mediano, Cohen
descubrió que hay números específicos que son típicos de los efectos medianos, y así para cada
caso.

Según cohen se establecen ciertas reglas para el tamaño del efecto:

Pequeño: d = 0,2
Mediano: d = 0,5
Grande: d = 0,8

*A mayor tamaño del efecto, mayor es la potencia.

*Las reglas de Cohen también son útiles para interpretar resultados de estudios ya que nos proporcionan un
parámetro para decidir acerca de la importancia del efecto de un estudio con relación a lo que es típico en
psicología.

2.- Tamaño de la muestra

*A mayor cantidad de personas, mayor potencia y menor desviación estándar de la distribución de medias.

Las distribuciones medias pueden ser estrechas por dos razones: 1) las poblaciones de individuos tienen
desviación estándar pequeña (tamaño de efecto) 2) el tamaño de la muestra es grande.

*El tamaño de la muestra no tiene nada que ver con el tamaño del efecto pero ambos influyen en la potencia.

Calculo del tamaño de la muestra necesario para determinado nivel de potencia

Los investigadores calculan la potencia para decidir cuantos participantes incluirán en el estudio, y para que
estos tengan un nivel de potencia harto se necesitan los suficientes participantes.

¿Qué otros factores influyen sobre la potencia? (son 3)

1.- Nivel de significación (alfa): Un nivel de significación menos extremo (como 0,10), significa mas
potencia, y un nivel de significación más extremo (como 0,001) implica menor potencia.

2.- Prueba de una cola versus prueba de dos colas: Utilizar una prueba de este tipo hace más difícil
obtener significación en cualquiera de las dos colas. Si todas las demás condiciones se mantienen, la
potencia será menor con una prueba de dos colas que con una.

3.- Tipo de procedimiento de prueba de hipótesis: El investigador puede elegir entre más de un
procedimiento para probar su hipótesis.

Papel que desempeña la potencia al diseñar un experimento

Es crucial determinar la potencia al diseñar un experimento, ya que, si es baja, aun si la hipótesis de

investigación resultara verdadera, sería poco probable que el estudio arrojara resultados significativos, por lo
que los investigadores intentarían buscar formas practicas de aumentarla hasta un nivel aceptable.

¿Qué es un nivel aceptable de potencia?

Cohan sugiere que un estudio debería tener aproximadamente un 80% de potencia para que valga la pena
realizarlo, aunque el costo (por ejemplo, el de analizar mayor cantidad de personas) puede estar fuera de
nuestro alcance.

¿Cómo podemos aumentar la potencia de una investigación? (Son 6)

Cambiando cualquiera de los siguientes factores:

1. Aumentar la diferencia predicha entre medias poblacionales: No se trata de que el investigador

prediga arbitrariamente una nueva diferencia, pero si es posible plantear de otra manera el estudio
para que el investigador espere una mayor cantidad de diferencia de medias.
2. Disminuir el desvío estándar poblacional: Hay dos maneras: una, utilizando una población menos
diversa que la que se pensó originalmente, y dos, utilizando condiciones y medidas de prueba mas
precisas.
 3. Aumentar el tamaño de la muestra: El método más directo para aumentar la potencia es mediante
el análisis de una mayor cantidad de personas.
4. Utilizar un nivel de significación menos riguroso: Comúnmente se protege razonablemente el
estudio del error tipo I estableciendo el nivel de significación en 0,05, por lo tanto, no hay mucho que
hacer para aumentar la potencia en este sentido.
5. Utilizar una prueba de una cola: Si bien esto depende de la lógica de la hipótesis que se esta
estudiando, tampoco hay mucho que hacer para aumentar la potencia en este sentido.
6. Utilizar un procedimiento de prueba de hipótesis más sensible: Si hay más alternativas, esto es
adecuado, pero generalmente el investigador elige el procedimiento más sensible, por lo que no hay
mucho que hacer tampoco en este sentido.

¿Qué papel cumple la potencia cuando un resultado es significativo? Significación estadística versus
significación práctica

Si bien un estudio con mayor tamaño del efecto puede ser más significativo, un estudio con tamaño del efecto
pequeño también puede resultar significativo. Es más probable que esto suceda cuando el estudio tiene un
alto nivel de potencia debido a otros factores, como por ejemplo una gran muestra.

El mensaje que se quiere transmitir es que existen dos pasos para la evaluación de un estudio. Primero
viendo si el resultado es estadísticamente significativo (que tiene un efecto real) y segundo, viendo si el
tamaño de efecto es lo suficientemente grande para que el resultado del estudio sea útil o interesante.

Un estudio con una gran cantidad de participantes, que resulta estadísticamente significativo, puede tener o
no un gran tamaño del efecto.

Un nivel p pequeño podría ser el resultado de un gran tamaño del efecto, pero bien podría ser también la
consecuencia de el gran tamaño de muestra.

p indica la fuerza de la evidencia en favor de un efecto distinto de cero, p no indica el tamaño de ese efecto
distinto de cero.

¿Qué papel cumple la potencia cuando un resultado no es significativo?

Un resultado no significativo es un resultado no concluyente.

El resultado no significativo de un estudio con una potencia alta sugiere que, o bien la hipótesis de
investigación es falsa o bien existe un efecto menor del que se predijo al calcular la potencia.

Potencia, tamaño del efecto e intervalos de confianza

A mayor potencia, mas estrechos son los intervalos de confianza ya que a cualquier tamaño del efecto, cuanto
mayor sea la potencia, más estrecha será la distribución de las medias muestrales, por lo que será menor el
intervalo de confianza.

Meta-análisis

Es un procedimiento que combina resultados de diferentes estudios, incluso aquellos que usan diferentes
métodos de medición, con el fin de sacar conclusiones generales; la idea es combinar tamaños del efecto.

*Durante la década de 1980 aumentaron las revisiones a través del meta-analisis y parece estar
transformándose en el método estándar para la revisión del material existente de investigaciones en áreas
comunes.

Controversias y limitaciones: Continuación de la controversia acerca de la significación estadística.

Tamaño del efecto versus significación estadística.

La significación se refiere a la fuerza de la evidencia en favor de un efecto distinto de 0. Si nuestro resultado

es significativo 0,05 es bueno, si es a nivel 0,001 es aun mejor. Sin embargo, un resultado puede no ser
importante en el sentido de implicar un gran tamaño del efecto.

La psicóloga Scarr observó que la palabra “significativo” es desafortunada, ya que en lenguaje ordinario
significa “importante” y recomendó que se cambiara por “confiable” pero no se ha cambiado hasta el
momento.