De kans op een type-2 fout, oftewel 1 - de power, kun je berekenen als je weet ten opzichte van welke effect size je die kans wil berekenen.
Voor een gegeven alpha, steekproefomvang en effect size ligt beta (de kans op een type-2 fout) en dus de power vast. Dit is makkelijk te zien in R (zie http://oupsy.nl/help/24/wat-is-r-en-hoe-installeer-ik-het): bij de functie 'pwr.t.test' kun je de met 'n', 'd' en 'sig,level' (default .05) je power berekenen, bijvoorbeeld:
> pwr.t.test(n=20, d=.5)
Two-sample t test power calculation
n = 20
d = 0.5
sig.level = 0.05
power = 0.337939
alternative = two.sided
NOTE: n is number in *each* group
De kans op een type-2 fout is, met een gemiddelde effect size, en 40 proefpersonen, dus 1 - .338 = .66%.
Of andersom: als je bijvoorbeeld wil weten hoeveel mensen je nodig hebt om de kans op een type-2 fout net als de kans op een type-1 fout op 5% te houden (dus een power van 95%), is dat heel verschillend voor een klein, gemiddeld, of groot effect:
> pwr.t.test(power=.95, d=.2)
Two-sample t test power calculation
n = 650.6974
d = 0.2
sig.level = 0.05
power = 0.95
alternative = two.sided
NOTE: n is number in *each* group
> pwr.t.test(power=.95, d=.5)
Two-sample t test power calculation
n = 104.9279
d = 0.5
sig.level = 0.05
power = 0.95
alternative = two.sided
NOTE: n is number in *each* group
> pwr.t.test(power=.95, d=.8)
Two-sample t test power calculation
n = 41.59414
d = 0.8
sig.level = 0.05
power = 0.95
alternative = two.sided
NOTE: n is number in *each* group
De beste manier om hier een beetje 'feeling' mee te krijgen, is zelf te spelen met de power voor verschillende situaties. Je kunt dit visueel maken met de 'plot' functie, bijvoorbeeld:
plot(seq(0,1,by=.1), power.t.test(n=25, d=seq(0,1,by=.1))$power, type='l', xlab="Cohen's d", ylab="power")
En dan krijg je:

Terwijl je het met 50 mensen per groep al veel beter doet:
plot(seq(0,1,by=.1), power.t.test(n=50, d=seq(0,1,by=.1))$power, type='l', xlab="Cohen's d", ylab="power")

Power is een vrij complex begrip, maar natuurlijk erg belangrijk om goed onderzoek te kunnen ontwerpen.
Voor de duidelijkheid: deze extra uitleg in R geef ik om het gemakkelijk te maken hier zelf mee te spelen (SPSS kan dat niet). Dit is geen examenstof!