Cómo justificar diseño, muestra y análisis en la solicitud FPU

La FPU 2026 abre el 20 de octubre y cierra el 20 de noviembre, y en ese mes tienes que escribir una memoria corta en la que la metodología ocupa dos o tres párrafos. Ahí es donde una comisión de tu rama decide si tu tesis es un plan o un deseo, y no lo decide por lo original de la hipótesis: lo decide por si los números cuadran. Este artículo va de esos dos o tres párrafos. Si lo que buscas es el documento largo, el que escribirás después con tu director y que ya no tiene límite de caracteres, está en el plan de análisis de datos de una tesis.

Qué mira la comisión cuando llega a tu metodología

Quien lee tu solicitud es un profesor de tu misma rama, no de tu tema exacto, con una pila de memorias delante y unos minutos para cada una. No va a discutirte la hipótesis: para eso está la firma de tu director. Va a comprobar tres cosas que se ven de un vistazo. Que el diseño puede contestar la pregunta que has escrito. Que la muestra que prometes es alcanzable en los cuatro años del contrato. Y que los análisis que nombras corresponden a ese diseño y a esa muestra.

La incoherencia entre esas tres cosas es lo que se penaliza, y casi siempre aparece en el mismo sitio: el verbo del objetivo. «Determinar el efecto de la rumiación sobre la sintomatología depresiva» es una afirmación causal, y un diseño transversal no la sostiene. O cambias el verbo —«examinar la asociación entre»— o cambias el diseño. Cuesta diez segundos y es lo primero que se nota leyendo en diagonal.

El espacio juega en tu contra y conviene aceptarlo pronto. Comprueba el límite exacto de caracteres en el texto de tu convocatoria, pero cuenta con párrafos, no con páginas. Eso te obliga a elegir: o escribes tres frases densas que se pueden comprobar, o escribes generalidades. «Se realizarán los análisis estadísticos pertinentes mediante SPSS» no resta por sosa; resta porque no hay nada dentro que evaluar, y una frase que no se puede evaluar ocupa el sitio de otra que sí.

El párrafo del tamaño muestral, que casi nadie escribe

Hay dos maneras de fallar aquí y las dos son igual de frecuentes. La primera es no justificar nada: «se reclutará una muestra aproximada de 300 participantes». La segunda es justificar sin origen: «el tamaño muestral se calculó con G*Power y resultó en N = 128». Las dos dejan el mismo agujero, y es justo el que el evaluador va a buscar: de dónde sale el tamaño del efecto que has metido en ese cálculo.

Un párrafo defendible tiene cinco piezas y cabe en tres líneas. El efecto esperado y su procedencia: un metaanálisis de tu área, un estudio publicado comparable o, cuando no hay nada, el efecto más pequeño que te resultaría interesante. El contraste principal: uno solo, el que sostiene la tesis, no los quince análisis secundarios. Alfa, potencia y si el contraste es uni o bilateral. El programa y su versión, porque eso es lo que permite reproducir el número. Y la pérdida prevista, con el porcentaje que vas a inflar y de dónde lo sacas.

Puesto en limpio queda así: «El tamaño muestral se calculó para el contraste principal, la comparación entre grupo de intervención y grupo control en la medida post. Tomando como referencia el efecto medio del metaanálisis de [cita] (d = 0.50), con α = .05 bilateral y potencia = .80, G*Power 3.1.9.7 devuelve 64 participantes por grupo (N = 128). Previendo un 20 % de pérdidas en el seguimiento a seis meses, se reclutarán 160.» Cuatro frases, todas comprobables, y cualquiera con G*Power abierto recompone el 64 en un minuto. Vale la pena ver las cuentas una vez, porque cambian lo que estás dispuesto a prometer: esa misma comparación entre dos grupos pide 128 participantes para una d = 0.50 y 352 para una d = 0.30, y una regresión múltiple con cinco predictores llega a .80 con 92 participantes si el efecto es medio (f² = 0.15) pero necesita 647 si es pequeño (f² = 0.02).

El error caro está en la primera pieza. Es tentador usar el efecto que te salió en el piloto, pero un piloto de 20 personas estima el efecto con un intervalo de confianza enorme, y si te salió grande fue en buena parte porque salió grande: planificar sobre esa cifra te deja sin potencia en el estudio de verdad. La opción honesta cuando no hay literatura es declarar el efecto mínimo de interés y decirlo con esas palabras. Si lo que tienes es un efecto en otra métrica —una r, una eta cuadrado parcial, una diferencia de medias con su DT—, la calculadora de tamaño del efecto lo convierte a la métrica que pide tu cálculo, y el detalle largo está en cómo calcular el tamaño muestral de una tesis.

Si la muestra ya está fijada: sensibilidad, no potencia post hoc

En muchas FPU no eliges el N. El grupo ya tiene una cohorte montada, o vas a trabajar con la muestra clínica que pase por una unidad concreta, que son los pacientes que son. Escribirlo es mejor que disimularlo, y el cálculo se hace al revés: en vez de preguntar cuántos necesitas para detectar un efecto, preguntas qué efecto puedes detectar con los que vas a tener. Eso es un análisis de sensibilidad, y sale del mismo menú de G*Power cambiando una opción.

El párrafo que convence es este: «La muestra disponible en la cohorte es de 120 participantes. Con α = .05 bilateral y potencia = .80, el estudio detecta correlaciones a partir de r = .25; las asociaciones menores quedan fuera del alcance del diseño y se interpretarán mediante intervalos de confianza, no mediante contrastes de hipótesis.» Fíjate en lo que hace ese texto: reconoce un límite y a la vez demuestra que lo has calculado, que es lo contrario de esconderlo. Un evaluador perdona una muestra modesta; lo que no perdona es que parezca que no te has enterado.

Lo que no se escribe nunca es una potencia post hoc calculada con el efecto que observaste. Es el valor p reexpresado con otro disfraz —un p pequeño da siempre potencia alta— y no informa de nada nuevo; parte de quien te evalúa lo sabe, y a esos les cuesta credibilidad. El porqué, con las cuentas delante, está en el análisis de potencia post hoc.

No prometas análisis que no vas a poder hacer

La tentación es evidente: una lista de técnicas sofisticadas parece ambición. Funciona al revés. Cada técnica que nombras es una promesa que la comisión puede contrastar contra tu N, contra tu calendario y contra el currículum de tu grupo, y cuando una de las tres no cuadra, lo que se lee no es ambición sino desconocimiento del coste. La regla es corta: cada análisis que nombras necesita una muestra que lo sostenga, un plan B escrito en una línea («si el modelo no converge, se estimará una versión con los factores colapsados») y alguien que lo haya hecho antes. Lo último no es burocracia, porque en la solicitud va también el historial de tu director y de su grupo, y un análisis que no aparece por ningún lado en ese historial es una incoherencia entre dos documentos que se leen seguidos. Estos son los cuatro sitios donde se rompe.

El SEM que no cabe. Un modelo estructural con seis factores latentes y veinticinco indicadores estimado con N = 90 lo más probable es que no converja, y si converge no te vas a fiar de los errores estándar. Las convenciones que se citan —entre 10 y 20 casos por parámetro estimado, o unos 200 participantes como orientación mínima— son convenciones y así hay que presentarlas, pero sirven para ver de lejos que el modelo pesa más que la muestra. Si la muestra no puede crecer, escribe la alternativa: análisis de rutas con puntuaciones observadas, o estimar primero el modelo de medida y la estructura después.

El multinivel con ocho centros. Los datos anidados en colegios o en hospitales son multinivel por diseño, pero la varianza del nivel superior se estima con el número de grupos, no con el número de participantes: con ocho centros, ochocientos alumnos no te salvan. La convención más citada pide unos 30 grupos, y alrededor de 50 si te interesan las interacciones entre niveles. Con menos, la salida honesta es errores estándar robustos por conglomerado, o el centro como efecto fijo, y decirlo en la memoria en vez de esperar a la discusión de la tesis.

El longitudinal de dos olas vendido como otra cosa. Con dos medidas puedes estimar un panel cruzado, pero no separar la parte estable de la persona del cambio dentro de ella: para eso hacen falta tres olas como mínimo. Si el calendario da para dos, escribe dos y escribe qué se puede concluir con dos. Un diseño modesto y bien delimitado se defiende; un diseño modesto vendido como fuerte, no.

El «y además, aprendizaje automático». Suele aparecer al final, cuando el proyecto ya está escrito, y casi siempre sin muestra de validación, sin decir quién lo va a programar y sin explicar qué pregunta contesta que no conteste la regresión de dos líneas más arriba. Si no puedes responder a esas tres cosas en una frase, esa línea resta en vez de sumar.

La cadena objetivo, diseño, variable y análisis

La metodología que se lee bien es una cadena en la que se ve cada eslabón: objetivo, diseño que lo permite, variable con su instrumento, análisis que produce la respuesta. Escrita ocupa poco. «Objetivo 2: examinar si la regulación emocional media la asociación entre uso problemático de redes sociales y sintomatología depresiva en adolescentes. Diseño transversal, N = 400 en doce institutos públicos. Predictor, mediador y criterio se miden con [instrumentos, con su fiabilidad publicada]. Se estimará un modelo de mediación simple con 5.000 remuestreos bootstrap e intervalos percentiles corregidos por sesgo.»

Esa cadena le ahorra trabajo al evaluador, pero sobre todo te lo ahorra a ti, porque al escribirla aparecen tus propios agujeros: un objetivo sin instrumento, un instrumento que mide algo parecido pero no lo que dice el objetivo, un análisis que has puesto por costumbre y que no contesta a ninguna pregunta de la lista. Si dudas de qué prueba corresponde a cada diseño, la guía está en cómo elegir el test estadístico.

Un aviso concreto para el ejemplo de arriba, porque es el diseño más pedido en psicología: la potencia del efecto indirecto no es la del efecto total. Fritz y MacKinnon (2007) mostraron que, cuando las dos rutas son pequeñas, detectar la mediación pide varios cientos de participantes —por encima de 500—, mientras que con dos rutas medias bastan menos de cien. Si tu proyecto vive de una mediación, el tamaño muestral se calcula para la mediación, no para la correlación de partida.

Qué hacer entre el 20 de octubre y el 20 de noviembre

Un mes da de sobra si el orden es el correcto, y el orden no es el que parece. Semana 1: cierra los objetivos, revisa sus verbos y decide cuál es el contraste principal, porque hay uno y todo lo demás es secundario. Semana 2: haz el cálculo de potencia o el de sensibilidad, escribe el párrafo y guarda la captura de G*Power en la carpeta del proyecto. La vas a necesitar otra vez en la tesis y en el primer artículo, y dentro de dos años no te acordarás de los parámetros que metiste.

Semana 3: escribe la metodología entera y pasa cada análisis nombrado por la misma pregunta, si lo sostiene tu N, tachando lo que no. Semana 4: léelo como si fueras el evaluador y deja margen para la sede electrónica. Mira además el calendario interno de tu universidad: el aval del director y los trámites del centro tienen sus propias fechas y no coinciden con las del ministerio.

La comprobación que más cosas caza se hace en cinco minutos: lee solo los párrafos de metodología, en voz alta, con la lista de objetivos al lado. Si hay un objetivo sin análisis, o un análisis que no contesta a ningún objetivo, ahí está la grieta. Es exactamente el ejercicio que hará quien te evalúe, con la diferencia de que él lo hará una vez y tú puedes hacerlo diez.

Preguntas frecuentes

¿Cuándo se abre la convocatoria FPU 2026?

Según el calendario anunciado, el plazo de solicitud va del 20 de octubre al 20 de noviembre de 2026. Comprueba siempre la fecha y la hora exactas de cierre en el texto oficial publicado en el BOE y en la sede electrónica del ministerio, porque el plazo termina a una hora concreta del último día y las incidencias de última hora no lo amplían.

¿Hay que incluir un análisis de potencia en la memoria de la FPU?

No es un apartado obligatorio con ese nombre, pero es la forma estándar de justificar un tamaño muestral y ocupa dos líneas. Sin él, «se reclutarán 300 participantes» es una cifra sin origen que el evaluador no puede comprobar. Con él, la comprueba en un minuto y pasa a lo siguiente, que es lo que te interesa.

¿Cómo justifico el tamaño muestral si todavía no tengo datos?

Precisamente porque no los tienes, el cálculo es a priori. Declaras el efecto que esperas y de dónde lo sacas (un metaanálisis, un estudio comparable o el efecto mínimo que te interesaría detectar), el contraste principal, el alfa, la potencia, si es uni o bilateral, y el programa con su versión. Después inflas por la pérdida prevista y dices el porcentaje.

¿Qué tamaño del efecto pongo si no hay estudios previos en mi tema?

El efecto mínimo de interés, escrito con esas palabras: el más pequeño que cambiaría algo en la práctica o en la teoría. Es una decisión defendible y transparente. Los baremos convencionales de Cohen (1988) sirven como último recurso, siempre presentados como convención y no como ley. Lo que no debes usar es el efecto observado en tu piloto, porque con muestras pequeñas está inflado.

¿Puedo cambiar el análisis si me conceden la ayuda?

Sí. La memoria no es un contrato y las tesis evolucionan; lo que no puedes es inventar la justificación a posteriori. Deja escrito el plan B en la propia memoria («si no se cumple el supuesto de normalidad multivariada, se estimará con estimador robusto») y, cuando tengas los datos, registra la versión definitiva en una plataforma como OSF. Así el cambio deja de ser sospechoso y pasa a estar documentado.

¿Cuánto tiene que ocupar la metodología en la memoria de proyecto?

Lo que te deje el límite de caracteres de tu convocatoria, que conviene mirar antes de escribir. En la práctica hablamos de dos a cuatro párrafos densos, y el orden de prioridad es este: diseño, muestra con su justificación, análisis principal y una línea de plan B. Si algo se cae por falta de espacio, que sea la lista de análisis secundarios.

Con el diseño explícito, un tamaño muestral que cualquiera puede recomputar y una lista de análisis que tu N aguanta, la metodología deja de ser el punto débil de la solicitud y pasa a ser lo que la sostiene. Si el proyecto se complica —datos anidados, medidas repetidas, un modelo que no sabes si convergerá con la muestra que vas a tener—, lo vemos en una sesión de consultoría estadística y sales de ella con el párrafo escrito.