TAMAO DE EFECTO Y POTENCIA ESTADISTICA

0.- Introduccin..............................................................................................................2
1.- Nivel de significacin como criterio de decisin.....................................................2
2.- Potencia de la prueba................................................................................................4
3.- Tamao de efecto......................................................................................................7
3.1.- Anlisis post hoc....................................................................................................7
3.2.- Anlisis a priori.....................................................................................................8
4.- Tamao de efecto mediante G*Power....................................................................10
5.- Tamao de efecto y potencia en la Correlacin de Pearson...................................13
6.- Tamao de efecto y potencia en Regresin Mltiple..............................................15
7.- Tamao de efecto mediante Lenguaje R.................................................................17
Bibliografa..................................................................................................................19
Internet.........................................................................................................................19

Carlos Camacho
Universidad de Sevilla

TAMAO DE EFECTO Y POTENCIA ESTADISTICA

0.- Introduccin
Las prximas pginas son una reflexin sobre el uso (y abuso) de las pruebas de significacin
estadstica, planteadas en trminos dicotmicos (S, No), donde no hay matices y cuyo acento se
pone en la Hiptesis nula (nada ocurre). Desde esta perspectiva, como se sabe, interesa rechazar
dicha hiptesis, concluyendo que ocurre algo porque no ocurre nada.
La idea es orientar las decisiones desde criterios sustantivos, donde el nfasis se ponga en aquello
que se desea destacar ms que en la negacin de la ausencia de aquello que se propone. En este
sentido, interesa resaltar las recomendaciones de la A.P.A. (American Psychological Association),
que repite insistentemente desde hace ya ms de una dcada, y entre las que destacamos las
siguientes:
1.- Expresar en las tomas de decisiones el valor de probabilidad exacto, por ejemplo
p 0.003 o p 0.025 y no simplemente si se rebasa o no el listn del 0.01 o 0.05, como
p 0.01 , que nada dice de su probabilidad real.
2.- Ofrecer intervalos de confianza en la estimacin de los parmetros. Un intervalo de
confianza no solamente nos indica lo que algo no es, sino tambin el rango de valores (y
sus probabilidades) de lo que pudiera ser. Mucho ms que el s o el no de la prueba de
significacin. Otorga mucha mayor flexibilidad y proporciona toda una gama de hiptesis
posibles.
3.- Indicar el tamao de efecto. Se insiste en encontrar una magnitud relevante para nuestros
propsitos de investigacin, que ofrezca significacin prctica en el rea de la psicologa
aplicada donde estemos trabajando y no la puramente estadstica que tan slo nos dice que
lo observado es probablemente ms que cero.
Aqu trataremos este ltimo punto. Y a este respecto, un artculo muy recomendable de Cohen es
Cosas que he aprendido (hasta ahora). Es un artculo sencillo donde se hacen algunas reflexiones
bastante sensatas en torno a los contrastes de hiptesis. Tambin sobre las recomendaciones de la
A.P.A., ver Psychology with style para las cuestiones generales y APA Style, 5th edition para
aspectos ms especficos.

1.- Nivel de significacin como criterio de decisin

La lgica de estas pruebas, como se sabe, consiste en calcular el valor de probabilidad asociado a
un determinado acontecimiento desde la perspectiva de la Hiptesis nula. Si un acontecimiento es
poco probable que ocurra por azar (digamos al 0.05 o 0.01), rechazamos la hiptesis del azar (
H 0 ) y concluimos que ha sucedido algo. En caso contrario, concluimos que probablemente este
valor sea debido al azar.
Para concretar ideas, supongamos que hemos obtenido una correlacin de 0.3 en una muestra de
68 sujetos. Para ello calculamos la distancia en desviaciones tipo que se encuentra este valor de
0.3 del valor establecido por la hiptesis nula, que es 0. Todo ello en el conjunto de la
distribucin muestral de donde se supone ha sido extrado esta muestra. As:
t

rxy 0
1 r

2
xy

N 2

0.3 0
1 0.32
68 2

2.555 P 0.0053

Concluimos que la correlacin es significativa con un valor de P 0.0053 , que nos indica la
probabilidad de equivocarnos ( ) al rechazar la H 0 , porque esa proporcin de veces
obtendremos valores iguales o superiores a 0.3 dada la H 0 .
Nada que objetar. Pero obsrvese el denominador, donde se encuentra el valor de N. Est claro
que el tamao de la muestra juega un papel muy importante. Una muestra grande dar lugar a que
una correlacin pequea sea significativa, tanto como una muestra pequea imposibilitara la
significacin a una correlacin grande. Se deduce de ello que la significacin de una determinada
correlacin es indiferente de su valor siempre que podamos manejar el tamao muestral.
Pongamos un caso relativamente extremo, que en realidad no lo es tanto si nos atenemos a lo
observado en numerosas investigaciones. Tengamos una correlacin de 0.1 observada en una
muestra de 500 sujetos:
t

rxy 0
1 r

2
xy

N 2

0.1 0
1 0.12
500 2

2.243 P 0.012

Concluimos que es significativa al nivel de significacin de 0.012. Pero si nos atenemos a su

magnitud y la interpretamos en algo tan sencillo como su proporcin de variabilidad explicada,
observaremos que slo da cuenta del 1% de dicha variabilidad, o lo que es lo mismo, en trminos
de R cuadrado: R 2 0.12 0.01 . Explica el 1% y no explica el 99%. Visto lo poco que explica y
lo mucho que deja por explicar, no se puede decir que aunque sea significativa sea importante. En
realidad lo que explica es insignificante aunque sea significativo en trminos estadsticos. Aqu el
lenguaje nos juega una mala pasada y nos hace creer que significativo equivale a importante,
3

cuando en realidad, significativo en este contexto slo quiere decir significativamente distinto de
cero. O sea, que hemos observado algo y que ese algo es ms que nada. O seamos todava ms
humildes, porque tampoco quiere decir eso exactamente, sino que hemos observado algo y que
ese algo probablemente sea ms que nada. Es decir, que incluso podra ser nada, con esa coletilla
tan manida del 0.012 de probabilidad. Y dicho sea de paso, Wonnacott (1991, pg. 161) propone
sustituir la expresin tradicional: estadsticamente significativa en el nivel de significacin de
5%, por esta otra estadsticamente discernible en el nivel de error del 5%, bastante ms clara,
en aras de evitar equvocos.
Cuando estudiamos el efecto de algo, lo que nos interesa verdaderamente es la magnitud de dicho
efecto y no que sea diferente de cero, que eso lo va a ser siempre. No tiene sentido aplicar una
dieta de adelgazamiento en la que se demuestra que tras dos meses de escasez se consigue
adelgazar 10 gramos, obviamente significativos estadsticamente hablando (e insignificante en
cuanto a reduccin de peso). Aqu, como en todo se impone la relacin costo-beneficio. Si me
tengo que poner a dieta, por lo menos que adelgace unos cuantos kilos con los que me quede
satisfecho. Nos conformaremos con un mnimo, por ejemplo 5 kilos (efecto pequeo), pero
estaramos ms contentos con 10 kilos (efecto medio), y ya felices con 15 kilos (efecto grande).
En esta lnea, veremos, se maneja Cohen (1988).
Estamos hablando del tamao de efecto, que es algo adems que va en la lgica de cuando
investigamos. Todo el mundo va buscando algo, y que ese algo sea sustancioso, no ms que nada
que ya se sabe. Lo vemos en las siguientes pginas.
2.- Potencia de la prueba
Como indica Cohen (1965), lo fundamental de una investigacin no es cualquier diferencia que
tenga un valor p de significacin estadstica, sino encontrar una diferencia que tenga una
magnitud relevante para nuestra investigacin y que sta sea significativa. Ahora se pone el acento
no en lo que no es sino en lo que es y en cun probable eso que es ocurra. Necesitamos para ello
un cierto aparato estadstico, que aunque conocido por la mayor parte de nosotros, habitualmente
queda arrumbado en el desvn de los recuerdos. Nos referimos al error y a la potencia de la
prueba 1 .
Hay que salir para ello del enfoque inicial de Fisher (1935) en el que el nico punto de referencia
era la H 0 (se rechazaba o no) y adoptar el de Pearson y Neyman (1928), donde se habla de una
H 0 y una hiptesis alternativa, denominada H 1 . As las cosas, hay que elegir entre una y otra.
Para que todo cuadre hay que fijar la H 1 , porque si no se hace, queda en el aire y no podremos
asignarle errores ni no errores. Esto es importante y quiere decir que si nos tropezamos, por
ejemplo, con una correlacin de 0.6, sabremos con ciertas garantas que no procede de una
poblacin cuya correlacin vale cero ( H 0 ), pero no sabremos nunca de donde procede. Hemos
de establecer su procedencia (como hiptesis, claro), lo cual ya es una restriccin y decidir en
consecuencia al respecto. En realidad, aqu la H 1 es lo que creemos que ocurre o debera ocurrir,
y lo que en el fondo estudiamos es la probabilidad de que esto suceda frente a que no suceda ( H 0
).
4

Cunto valdr la probabilidad de que las cosas ocurran de acuerdo con lo que pretendemos?
Vemoslo grficamente segn las dos hiptesis establecidas ( H 0 e H 1 ). Supongamos que en
una determinada muestra la media obtenida vale 2.5 y nos preguntamos por su significacin
estadstica. Tenemos entonces dos distribuciones, la que gira en torno a 0, que es la que establece
la H 0 y la que gira en torno a 2.5, que abarca la zona de influencia de la H 1 .

Como se sabe, se marca una zona crtica a partir del cual se rechaza la H 0 . Esta es la definida
por la raya verde. Por encima de ella tenemos unas pequea probabilidad de encontrarnos
valores que estn en el entorno de la primera curva (la de la H 0 ) y que sin embargo por estar
fuera de las fronteras establecidas, concluimos que no lo estn. Cometemos entonces el error o
de primera especie, que expresa justamente la probabilidad de equivocarnos al rechazar la H 0 ,
siendo sta verdadera.
Pero tambin por debajo de la marca verde nos encontramos valores que estn el la zona de
aceptacin de la H 0 , pero que sin embargo pertenecen a la distribucin definida por H 1 . Aqu
tambin nos equivocamos con estos valores, porque con ellos aceptaremos la H 0 cuando
deberamos rechazarla. Este es el denominado error o de segunda especie, y expresa
justamente la probabilidad de equivocarnos al aceptar la H 0 siendo verdadera la H 1 .
Si expresa la probabilidad de equivocarnos al rechazar la H 0 , entonces 1- , que se
denomina nivel de confianza, indica la probabilidad de tomar la decisin correcta al aceptarla, y
1 (potencia de la prueba), la de tomar la decisin correcta al rechazar la H 0 , lo que es lo
mismo, dada la H 1 , que sta sea verdadera. Este cuadro resumen ofrece las distintas
posibilidades:
Aceptar H 0

Rechazar H 0
5

H 0 verdadera
H 0 falsa

1-

Como lo que nos interesa ahora es poner el acento en lo que ocurre ms que en lo que no ocurre,
nos agarraremos a la probabilidad de que ocurra aquello que pretendemos (la H 1 ), que es
justamente 1 . As pues, en las decisiones estadsticas no slo hemos de manejar , tambin
1 , que nos garantiza mejor nuestros objetivos.
Pero la potencia de la prueba, aunque aporta una informacin interesante, no resuelve la cuestin
de fondo, que es la influencia del tamao de la muestra. Cuanto mayor sea la muestra, menores
sern los errores tipo de las distribuciones asociadas a la H 0 y la H 1 , y por tanto menor el
grado de solapamiento. A partir de un punto no habr solapamiento y la potencia tendr
necesariamente el valor de 1, o sea, que tendremos un 100% de potencia para una H 1 definida.
Grficamente:

No se trata de que cualquier diferencia insignificante para nuestros propsitos sea significativa en
trminos estadsticos. Se trata de encontrar diferencias que tengan cierta sustancia en trminos del
problema que estamos tratando. A esto se le llama tamao de efecto, que es lo que tratamos a
continuacin.

3.- Tamao de efecto

Comentbamos que si nos ponamos a dieta lo hiciramos para lograr una reduccin de peso que
mereciera la pena. Tambin, si hemos de implantar un nuevo mtodo de ingls, que la ventaja en
6

cuanto aprendizaje fuera notoria y no unas cuantas dcimas ms aunque significativas. En

definitiva, no se trata de cualquier diferencia que sea significativa, sino una diferencia que tenga
inters a efectos prcticos y que adems sea significativa. Se pone el acento primeramente en que
la cantidad que encontremos realmente importe (el tamao de efecto), y posteriormente que sea
significativa (el valor de probabilidad).
El tamao de efecto se puede plantear desde dos perspectivas diferentes. La primera, digamos a
priori, antes de cualquier experimento y la segunda, a posteriori o post hoc, una vez hecho para
ver cmo andan las cosas. Es importante la primera porque nos delimita para un tamao de efecto
deseado, el tamao de muestra ptimo, que por un lado nos va evitar coger ms gente de la
necesaria, con el ahorro de tiempo y dinero y por otro lado, salvar una muestra insuficiente con un
tamao de efecto interesante pero no significativo debido a la insuficiencia de datos.
Comencemos por el caso post hoc, ms sencillo para nuestros propsitos, y suficiente para una
primera aproximacin en la lgica de este procedimiento.
Para otros anlisis, como contrastes de medias en grupos independientes, proporciones,
correlaciones.etc., el procedimiento es equivalente, aunque hay que considerar distintos ndices
d del tamao de efecto. Consultar Cohen (1988) a este respecto. Tambin en la siguiente direccin
de Wikipedia y en la UCLA pueden encontrarse un resumen de los ndices ms utilizados
3.1.- Anlisis post hoc
Supongamos que la metodologa tradicional en la enseanza de las matemticas proporciona,
segn el test X, una media de de 30 puntos y una desviacin tipo de 5.5 en la poblacin de
estudiantes de 4 curso de primaria. Suponemos tambin, en aras de simplicidad, que la
distribucin sigue una ley normal. Tengamos ahora una muestra de 250 estudiantes a los que
aplicamos una metodologa nueva en el aprendizaje de las matemticas. Aqu la media conseguida
es de 31 puntos. Nos preguntamos por la efectividad de este nuevo mtodo. Hagamos el contraste
habitual:

X 31 30
1

2.875 P 0.002

5.5
0.348
n
250

Diferencia muy significativa. Concluiramos que el mtodo es extraordinariamente efectivo. Pero

veamos que sucede en realidad desde la perspectiva del tamao de efecto. En primer lugar, el
tamao de efecto propuesto por Cohen (1988) para este contraste de medias obedece a la siguiente
expresin:

X 31 30

0.182

5.5

Y establece que cuando:

d 0 .2
d 0 .5

Efecto pequeo
Efecto medio

d 0 .8

Efecto grande

En este caso es inferior al ms pequeo de los efectos, luego sin ms, se considera que el nuevo
mtodo de enseanza no es efectivo porque presenta una magnitud excesivamente baja aunque sea
muy alta en trminos de significacin estadstica.
Calculemos ahora la potencia de la prueba 1 , que va a ser alta debido al tamao de la
muestra, lo que nos indica que este valor junto al de alpha tienen sentido despus de un tamao
de efecto suficiente, pero no antes.
Si trabajamos para un valor de 0.05 en una prueba unilateral, se sabe que Z=1.645, que nos
marca el lmite a partir del cual rechazaramos la Ho al nivel de 0.05. Este valor en trminos de X
ser:
X Z 0.05 * S X 30 1.645 * 0.348 30.572

Hora, veamos donde se encuentra este valor en el entorno definido por 31, que es el valor
obtenido:

30.572 31
1.229
0.348

Y el rea por encima:

P ( Z 1.229) 0.890

Esta es precisamente la potencia de la prueba. Tenemos una probabilidad de 0.89 de tomar la

decisin correcta al rechazar la hiptesis nula; en este caso, de aceptar la H 1 que nos indica la
procedencia de una poblacin con parmetro 31.
Observamos que hemos rechazado la H 0 con valor 0.002 , muy aceptable y con una
potencia 1 0.89 , tambin muy recomendable, pero con un tamao de efecto insuficiente. Si
consideramos que en nuestra investigacin no podemos admitir un tamao de efecto menor de
0.2, todos los dems clculos resultan intiles aunque den resultados excelentes.
Cmo se debe trabajar? Se debe trabajar definiendo previamente el tamao de efecto mnimo que
por razones sustantivas hemos de admitir en nuestro investigacin, y a continuacin en base a eso,
decidir el tamao de muestra necesario para un y 1 que consideramos conveniente. Este es
el planteamiento a priori, que exponemos a continuacin.

3.2.- Anlisis a priori

Volvamos a nuestro mtodo en enseanza tradicional de media 30 y desviacin tipo 5.5 y veamos
cmo hemos de manejarnos si deseamos implantar el otro mtodo novedoso de aprendizaje. Lo
primero es decidir nuestro tamao de efecto. Supongamos que decidimos no gastar nuestra
energa en ello si el tamao de efecto no es menor de 0.4. Esta decisin implica que la media
obtenida con este nuevo procedimiento no ha de ser menor de:

X 30
0.4
5.5

X 0.4 * 5.5 30 32.2

Ahora hemos de decidir el tamao de muestra necesario par una alpha y potencia deseados.
Supongamos que 0.05 (unilateral) y una potencia de 0.90. Decidimos entonces los valores Z
tanto en la distribucin definida por 30 como para 32.2. En relacin a la primera, el valor de Z
para un valor de 0.05 es 1.645, luego el valor correspondiente para este lmite ser:
X Z 0.05 * S X 30 1.645 *

5.5
XL
N

(1)

Este valor X L ser justamente el que debe dejar por encima un rea de 0.90 en la distribucin
definida por 32.2, que en puntuaciones tipificadas ser:
P ( Z X L ) 0.90 Z 1.282

Y en puntuaciones directas:
X L 32.2
1.282
5.5
N

X L 32.2 1.282 *

5.5
N

(2)

Igualamos (1) y (2):

30 1.645 *

5.5
5.5
32.2 1.282 *
N
N

Haciendo operaciones:
32.2 30 (1.645 1.282) *

5.5
N

2.2 2.927 *

5.5
N

De donde:
N

2.927 2 * 5.52
53.546
2.2 2

Necesitamos 54 sujetos para conseguir un tamao de efecto de 0.4, para 0.05 y 1 0.90 .
Esta es la muestra ptima, no necesitamos coger ms. Con menos no llegamos y con ms nos
sobra.
Tampoco hay que complicarse la vida haciendo clculos porque tenemos varias aplicaciones que
nos lo resuelven, entre las que destaca G*Power.
4.- Tamao de efecto mediante G*Power
Aunque hacer algn clculo a mano es siempre conveniente a efectos ilustrativos, hay que
reconocer que puede resultar un tanto laborioso, especialmente para distribuciones algo ms
complejas que la que acabamos de exponer. Resulta conveniente entonces o bien el recurso a
tablas como expone Cohen en su libro (procedimiento un tanto obsoleto e impreciso) o bien el
recurso a aplicaciones informticas que nos resuelven el procedimiento de inmediato. Hay varios,
aunque posiblemente el mejor sea G*Power. En esta pgina podremos encontrar el programa as
como un tutorial al respecto. Supongamos que nos referimos al caso post hoc de la metodologa
nueva frente a la tradicional, en el caso que estamos tratando. Seleccionamos:

Completando el recuadro correspondiente:

10

El resultado:

11

Valores coincidentes con los realizados a mano (no del todo porque a mano se ha hecho una
aproximacin a la normal y aqu se dan los valores exactos)
Vayamos ahora a tratar el asunto como debe tratarse, esto es, a priori. Decidimos previamente a
nuestra investigacin cul es el tamao de efecto mnimo que hemos de admitir, cual es el valor
deseado y con qu potencia 1 queremos trabajar y en funcin de ello calculamos el
tamao de muestra ptimo para tal efecto. Simplemente tenemos que hacer la siguiente seleccin:

Hemos obtenido prcticamente el mismo nmero de sujetos que en los clculos a mano. No
exactamente los mismos debido a la aproximacin a la distribucin normal que hemos comentado.

12

5.- Tamao de efecto y potencia en la Correlacin de Pearson

Supongamos que deseamos estudiar la correlacin entre dos variables y queremos saber el tamao
de muestra (no ms) conveniente para lograr un determinado efecto. En este sentido,
establecemos primeramente el tamao de efecto necesario para nuestra investigacin, junto al
valor de y 1 . Supongamos que decidimos no menos de un efecto medio ( rxy 0.3 ), un
valor de de 0.05 y una potencia de 0.90. Por razones de simplicidad hacemos la prueba
unilateral.
El planteamiento es equivalente al del contraste de medias, visto anteriormente, pero con un
pequeo problema aadido. Ocurre que la distribucin de la r de Pearson no sigue una ley de
distribucin normal, sino que hay que transformarla a una nueva variable (llammosla z), segn
se indica en esta tabla y cuya desviacin tipo es:
z

1
N 3

Tenemos dos hiptesis, la hiptesis nula que nos indica que nuestra correlacin vale 0 y la
alternativa, que nos dice que vale 0.3. Para rechazar la H 0 al 0.05 el valor de la correlacin en la
nueva distribucin normal ser:
Z Z 0.05 * S z 0 1.645 *

1
ZL
N 3

Y en relacin a la H 1 , para que tengamos una probabilidad de 0.9 de que se encuentre en la

distribucin definida por 0.3:
P ( Z Z L ) 0.90 Z 1.282

Buscando en la tabla la transformada de Z vemos que para una valor de rxy 0.3 su valor de
Z 0.3095 . As pues:
Z L 0.3095
1.282
1
N 3

Z L 0.3095 1.282 *

1
N 3

Para que se cumpla ambas condiciones, que 0.05 en relacin a la H 0 y 1 0.9 en

relacin a la H 1 :
0 1.645 *

1
0.3095 1.282 *
N 3

1
N 3

Haciendo operaciones:

13

 1.645 1.282
N

0.3095

3 92.438

Para la prueba bilateral, tan slo cambiamos el valor de

1.96 1.282

0.3095

que ahora vale 1.96:

3 112 .72

Si recurrimos a G*Power:

Si queremos ver en este contexto cmo aumenta la potencia de la prueba en funcin del tamao de
la muestra:

14

6.- Tamao de efecto y potencia en Regresin Mltiple

Cohen sugiere la siguiente expresin para el tamao de efecto en la regresin Mltiple:
f2

R2
1 R2

Y en relacin a la magnitud de los efectos, se considera que los valores de 0.02, 0.15 y 0.35 son
efectos bajos, medios y altos respectivamente.
Supongamos en este sentido que deseamos aplicar un modelo de regresin con 4 variables
independientes, y operamos con 0.05 y 1 0.95 , cul ser el tamao deseable para un
tamao de efecto medio (o sea, 0.15)? Recurramos al G*Power, que no estamos para ms clculos
a mano:

15

Necesitamos 129 sujetos. Si queremos ver que pasa con la potencia de la prueba:

16

Se observa que si por ejemplo, nos conformamos con una potencia de 0.85 necesitaremos
alrededor de 95 sujetos.

7.- Tamao de efecto mediante Lenguaje R

Quienes estn interesados en el lenguaje R, pueden utilizar el paquete pwr. En este manual tienen
las instrucciones. Para el caso especfico que estamos tratando de contraste de medias, para el
anlisis post hoc, indicaremos lo siguiente:
pwr.t.test(d=0.1818,n=250,sig.level=0.05,type="one.sample",alternative="greater")

One-sample t test power calculation

n
d
sig.level
power
alternative

=
=
=
=
=

250
0.1818
0.05
0.8891147
greater

Y para el caso a priori:

pwr.t.test(d=0.4,power=0.9,sig.level=0.05,type="one.sample",alternative="greater")

One-sample t test power calculation

n
d
sig.level
power
alternative

=
=
=
=
=

54.90553
0.4
0.05
0.9
greater

El tamao de muestra conveniente es 54.90553, o sea 55, el mismo que anteriormente.

Para el caso de la correlacin de Pearson, en el anlisis a priori:
pwr.r.test(r=0.3,power=0.90,sig.level=0.05,alternative="greater")

17

approximate correlation power calculation (arctangh transformation)

n
r
sig.level
power
alternative

=
=
=
=
=

91.95775
0.3
0.05
0.9
greater

Si queremos la prueba bilateral:

pwr.r.test(r=0.3,power=0.90,sig.level=0.05,alternative="two.sided")
approximate correlation power calculation (arctangh transformation)
n
r
sig.level
power
alternative

=
=
=
=
=

112.3961
0.3
0.05
0.9
two.sided

18

Bibliografa
Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Lawrence Erlbaum
Associates, publishers.
Cohen, J. (1992): Cosas que he aprendido (hasta ahora). Anales de psicologa, Vol. 8, N. 1-2,
pags. 3-18. http://www.um.es/analesps/v08/02-08.pdf
Fras Navarro, M. D., Pascual Llobell, J. y Garca Prez, J. F. (2000). Tamao del efecto del
tratamiento y significacin estadstica. Psicothema. Vol. 12, Supl. n 2, pp. 236-240. Direccin
Internet: http://www.psicothema.com/pdf/555.pdf.

Internet
Cohen, J: Cosas que he aprendido (hasta ahora): http://www.um.es/analesps/v08/02-08.pdf
Manual de G*Power: http://www.psycho.uni-duesseldorf.de/aap/projects/gpower/how_to_use_gpower.html
Tamao de efecto: http://web.uccs.edu/lbecker/Psy590/es.htm
Tutorial de Kart Wunsch: http://core.ecu.edu/psyc/wuenschk/docs30/Power30.doc
Tamao de efecto (Wikipedia): http://en.wikipedia.org/wiki/Effect_size
Potencia de una prueba (Wikipedia): http://en.wikipedia.org/wiki/Statistical_power
Potencia y tamao de efecto con R: http://cran.r-project.org/web/packages/pwr/pwr.pdf
G*Power: http://www.psycho.uni-duesseldorf.de/aap/projects/gpower/
Clculo del poder estadstico:http://www.fisterra.com/mbe/investiga/poder_estadistico/poder_estadistico.asp#Tabla%201
HyperStat Online Contents: http://davidmlane.com/hyperstat/ch18_contents.html
Effect size: www.ncddr.org/pd/workshops/07_04_25sr1/handouts/NCDDR_8.0_CalcSynES.ppt
Tamao del efecto del tratamiento y significacin estadstica: http://www.psicothema.com/pdf/555.pdf
APA Style, 5th edition: http://core.ecu.edu/psyc/wuenschk/APA5.htm
PSYCHOLOGY WITH STYLE. A Hypertext Writing Guide: http://www.uwsp.edu/psych/apa4b.htm#A2

19