Parámetros del estudio
Test primario: t-test independiente (d=0.40)
α = 0.05 (dos colas)
Potencia objetivo: 80%
Dropout: 20%
σ = 15 pts (piloto interno n=40)
SESOI: Δ ≥ 6 puntos
N requerido / grupo
100
200 total analizados · d=0.40 · 80% power
A reclutar (con dropout)
250
125/grupo · ajuste 20% attrition
Potencia con n=60/grupo
58.4%
Insuficiente · recomendado ≥80%
MDE con n=60/grupo
d=0.52
Δ mín. detectable = 7.7 pts · 80% power
Curva de potencia — t-test de dos muestras
Potencia vs. n por grupo · α = 0.05 · cuatro tamaños de efecto
Análisis de sensibilidad — Tamaño de muestra por efecto
Rango de d plausible (Cohen's d conservador — sin inflar por piloto)
Tabla de sensibilidad — Endpoints primarios
| Cohen's d |
Δ en puntos (σ=15) |
N/grupo (análisis) |
A reclutar/grupo (+20%) |
Total a reclutar |
Potencia con n=60/grupo |
Interpretación |
| 0.30 |
4.5 pts |
176 |
220 |
440 |
37.1% |
Muy grande · difícil de reclutar |
| 0.35 |
5.2 pts |
130 |
163 |
326 |
47.7% |
Grande · limite viable |
| ⭐ 0.40 |
6.0 pts |
100 |
125 |
250 |
58.4% |
SESOI seleccionado — recomendado |
| 0.45 |
6.8 pts |
79 |
99 |
198 |
68.6% |
Factible si la app es muy efectiva |
| 0.50 |
7.5 pts |
64 |
80 |
160 |
77.5% |
Efecto mediano (Cohen) — optimista |
| 0.55 |
8.2 pts |
53 |
67 |
134 |
84.8% |
Sobrepotencia si d real es 0.40 |
| 0.60 |
9.0 pts |
45 |
57 |
114 |
90.3% |
Efecto grande — no asumir sin evidencia |
Endpoints secundarios y análisis adicionales
Correlación: uso vs. mejora
Horas de app · r = 0.30 · 80% power
Sin corrección (α=0.05): n = 85 participantes
Bonferroni α=0.0167 (3 tests): n = 113
Con n=125/grupo → cubierto por diseño principal
Incluido en muestra base
ANOVA: adopción por departamento
RRHH vs. IT vs. Comercial · f=0.25 · 80% power
Total n requerido: 158 (53/dpto.)
k grupos: 3 departamentos
Con muestra de 250 → potencia >95%
Sobrepotenciado con diseño principal
Variante confirmatorio (inversor)
90% power · d=0.40 · para presentación Series A
Ajustes aplicados
⚠️
Ajuste por efecto de piloto: El piloto interno estimó d=0.47. Se redujo a d=0.40 (conservador, −15%) para corregir la inflación de efecto típica en estudios piloto (winner's curse). No se usa el efecto observado directamente.
✅
Ajuste por attrition: La fórmula retorna el n analizado. Se infla 25% (÷0.80) para cubrir 20% de dropout esperado (bajas voluntarias, cambio de empresa). n_reclutar = ceil(n_analizado / 0.80).
📊
Corrección por comparaciones múltiples: Los 3 endpoints secundarios se ajustan con Bonferroni (α=0.05/3=0.0167). El endpoint primario mantiene α=0.05. Esto está reflejado en los cálculos de correlación.
Supuestos del análisis
Test primariot-test indep. (dos colas)
Asignación1:1 (control:tratamiento)
α primario0.05 (dos colas)
Potencia objetivo80% (1−β)
Cohen's d0.40 (conservador)
σ esperada15 puntos (0–100)
SESOI (Δ mín)6 puntos
Dropout20%
Libreríastatsmodels 0.14
DistribuciónNormal (central limit)
Plantilla de reporte reproducible (IRB / memoria de proyecto)
Se realizó un análisis de potencia a priori para determinar el tamaño de muestra necesario para detectar una diferencia en el índice de productividad autopercibida entre el grupo de intervención (módulo IA de microhábitos) y el grupo control. Se definió como efecto mínimo de interés clínico una diferencia de 6 puntos en la escala 0–100 (d = 0.40, ajustado conservadoramente desde el piloto interno d = 0.47 para corregir la inflación de efecto). Con α = .05 (dos colas) y potencia = .80, un t-test de dos muestras independientes requiere n = 100 participantes por grupo (200 en total), calculado con statsmodels 0.14. Asumiendo un 20% de abandono, el estudio reclutará 125 participantes por grupo (250 total). Un análisis de sensibilidad mostró que el n requerido varía entre 45 y 176 por grupo para efectos plausibles d = 0.30–0.60 (Figura 1). Los tres endpoints secundarios (correlación uso-productividad y comparación entre departamentos) se powered con corrección Bonferroni (α = .0167) y quedan cubiertos por la muestra principal.
❌
Nota sobre potencia post-hoc / observada: No se reporta potencia observada tras la recogida de datos. Hacerlo es circular (función determinista del p-valor) e informa nada nuevo. Si el estudio ya está realizado, comunicar la potencia mediante el intervalo de confianza del efecto observado o un análisis de sensibilidad de efecto mínimo detectable a ese n.