Tema 6

Muestreo
Muestreo
• El muestreo es un método que permite a los investigadores inferir información sobre
una población basándose en los resultados de un subconjunto de la población, sin tener
que investigar a cada individuo:
• La población objetivo es todo el grupo sobre el que desea sacar conclusiones.
• La muestra o población de estudio es el grupo específico de personas del que se
recopilarán datos.
• Reducir el número de personas en un estudio reduce el costo y la carga de trabajo, pero
el tamaño muestral debe de ser lo suficientemente grande como para poder detectar
una asociación verdadera (poder estadístico).
• También es importante que los individuos seleccionados sean representativos de toda la
población.
Muestreo: tres cuestiones

1. ¿QUIÉN? Define la población objeto de estudio:

criterios de inclusión y exclusión
2. ¿CÓMO? Métodos de muestreo
3. ¿CUÁNTOS? Número de individuos a reclutar
RECUERDA…
Flujo del estudio en un diseño experimental:
Población objetivo
• En la investigación clínica, definimos población como un grupo de personas que
comparten una característica o condición común, generalmente la enfermedad. La
población también se puede definir en términos de ubicación geográfica, edad,
ingresos u otras características.
• Es necesario seleccionar un grupo específico de población de pacientes relativamente
homogéneo. Por ello, es importante definir cuidadosamente la población objetivo de
acuerdo con el propósito y los aspectos prácticos del proyecto.
• La población objetivo puede ser muy amplia o reducida: ej. toda la población adulta
de un país, clientes de una determinada empresa, pacientes con una condición de
salud específica o estudiantes de una sola escuela.

or Sampling frame
Población objetivo
• Los criterios de inclusión y exclusión definen quién puede ser incluido o excluido de un estudio
y permiten a los investigadores estudiar las necesidades de un grupo relativamente
homogéneo con precisión (ej. personas con cierta enfermedad). En conjunto, se les conoce
como criterios de elegibilidad:
• Los criterios de inclusión identifican a la población de estudio de manera consistente,
confiable, uniforme y objetiva.
• Los criterios de exclusión incluyen factores o características que hacen que la población
reclutada no sea elegible para el estudio. Estos factores pueden ser factores de confusión
(la confusión ocurre cuando las variables de estudio se ven afectadas por factores que no
son directamente relevantes para la pregunta de investigación). Los criterios de exclusión
incluyen los criterios de inclusión.

or Sampling frame
Población objetivo

Si los criterios de elegibilidad son demasiado restrictivos:

• Ventajas: incrementa la homogeneicidad del grupo (más fácil será encontrar
diferencias).
• Inconvenientes: reduce el número de pacientes elegibles y disminuye la
aplicabilidad de los resultados a la población general.

vs.
Ejemplo:
Ejemplo:
Ejemplo:
Muestra
• En la mayoría de casos es prácticamente imposible localizar y tener acceso a toda la
población objetivo. Por tanto, el enfoque práctico en la investigación clínica es incluir
una parte de esta población: población de muestra o población de estudio.
• El proceso de seleccionar una población muestra de la población objetivo se denomina
método de muestreo.
• Al realizar un estudio de investigación, debemos considerar que la muestra sea, en la
medida de lo posible, representativa de la población objetivo, con el menor error
posible y sin sustituciones ni carácter incompleto.
• Si la población es muy grande, demográficamente mixta y geográficamente dispersa,
puede resultar complicado garantizar que la muestra sea representativa.
Muestra
• La falta de una muestra representativa afecta a la validez de los resultados y puede dar
lugar a varios sesgos de selección, como (entre otros) sesgos de muestreo: algunos
miembros de una población tienen sistemáticamente más probabilidades de ser
seleccionados en una muestra que otros.
Sesgo de selección

• El sesgo de selección es una forma de error sistemático que ocurre cuando la

selección de sujetos para un estudio conduce a un resultado que es
sistemáticamente diferente al de la población objetivo.
• El sesgo de selección suele ocurrir en estudios observacionales donde la selección de
participantes no es aleatoria (estudios de cohortes, estudios de casos y controles y
estudios transversales). También ocurre en estudios intervencionistas o ensayos
clínicos debido a una mala aleatorización.
• Existen varias fuentes potenciales de sesgo de selección que pueden afectar el
estudio, ya sea durante el reclutamiento de los participantes o en el proceso de
garantizar que permanezcan en el estudio. Algunos ejemplos son:
• Utilizar un procedimiento defectuoso para seleccionar a los participantes (ej.
criterios de inclusión y exclusión mal definidos).
• La existencia de razones externas que podrían explicar por qué algunos
participantes quieren participar en el estudio y otros no.
• Que algunos participantes tengan más probabilidades de ser seleccionados que
otros.
Tipos de sesgos de selección
• El sesgo de selección es un término general que incluye varios tipos de sesgos:
1. El sesgo de muestreo o de verificación ocurre cuando algunos miembros de la
población objetivo tienen sistemáticamente más probabilidades de ser incluidos en la
muestra que otros.
2. El sesgo de deserción ocurre cuando los participantes que abandonan un estudio son
sistemáticamente diferentes de los que permanecen.
3. El sesgo de autoselección o sesgo de voluntariado surge cuando los individuos deciden
por sí mismos si quieren participar o no en el estudio. Debido a esto, los participantes
pueden diferir de aquellos que no lo hacen, por ejemplo, en términos de motivación.
4. El sesgo de supervivencia es una forma de error lógico que lleva a los investigadores
que estudian un grupo a sacar conclusiones centrándose únicamente en ejemplos de
individuos exitosos (los "sobrevivientes") en lugar del grupo en su conjunto.
5. El sesgo de falta de respuesta se observa cuando las personas que no responden a una
encuesta son diferentes de manera significativa de quienes sí lo hacen. Los que no
respondieron pueden no querer o no poder participar, lo que lleva a su
subrepresentación en el estudio.
6. El sesgo de cobertura insuficiente se produce cuando algunos miembros de su
población no están representados en la muestra. Es común en el muestreo por
conveniencia, donde se recluta una muestra que es fácil de obtener.
Métodos de muestreo
Métodos de muestreo

• Las técnicas de muestreo se subdividen en dos grandes grupos:

• Muestreo probabilístico: implica una selección aleatoria, lo que permite a los
investigadores hacer inferencias estadísticas sólidas sobre todo el grupo.
• Muestreo no probabilístico: implica una selección no aleatoria basada en la
conveniencia u otros criterios, lo que permite a los investigadores recopilar datos
fácilmente.

https://www.youtube.com/watch?v=huVsdOZkeTc
Métodos de muestreo
Muestreo probabilístico
Muestreo probabilístico
• Comienza con un marco de muestreo completo de todos los individuos elegibles del
cual selecciona su muestra.
• Todas las personas elegibles tienen la posibilidad de ser elegidas para la muestra con lo
que se pueden generalizar mejor los resultados de su estudio.
• Los métodos de muestreo probabilístico tienden a consumir más tiempo y ser más
costosos que el muestreo no probabilístico.
• Se utiliza principalmente en investigaciones cuantitativas.

Aleatorio simple Sistemático

De una etapa
Estratificado Por conglomerados
Multietapa
Muestreo probabilístico: aleatorio simple
• Aleatorio simple: Para realizar este tipo de muestreo, se puede utilizar
herramientas como generadores de números aleatorios u otras técnicas que se
basan completamente en el azar.

• Ejemplo: desea seleccionar una muestra aleatoria simple de 1000 empleados

de una empresa de marketing en redes sociales. Asigna un número a cada
empleado en la base de datos de la empresa del 1 al 1000 y utiliza un
generador de números aleatorios para seleccionar 100 números.
Muestreo probabilístico: sistemático
• Sistemático: Cada miembro de la población aparece con un número, pero en lugar de
generar números aleatoriamente, los individuos se eligen a intervalos regulares.
• Es importante asegurarse de que no haya ningún patrón oculto en la lista que pueda
sesgar la muestra.
• Ejemplo: Todos los empleados de la empresa aparecen en orden alfabético. De los
primeros 10 números, seleccionas aleatoriamente un punto de partida: el número 6. A
partir del número 6, se selecciona una de cada 10 personas de la lista (6, 16, 26, 36,
etc.) y terminas con una muestra de 100 personas. Atención a los patrones ocultos: ej.
si la base de datos de recursos humanos agrupa a los empleados por equipo, y los
miembros del equipo se enumeran en orden de antigüedad, existe el riesgo de que su
intervalo omita a las personas en roles junior, lo que resulta en una muestra sesgada
hacia los empleados senior.
 Muestreo probabilístico: estratificado
• Estratificado: Implica dividir la población en subpoblaciones (estratos) que pueden diferir
en alguna característica que sea relevante. Permite sacar conclusiones más precisas al
garantizar que cada subgrupo esté adecuadamente representado en la muestra.
• Pasos: (1) dividir la población en subgrupos (estratos) según la característica relevante (por
ejemplo, identidad de género, rango de edad, nivel de ingresos); (2) calcular cuántas
personas se deben muestrear de cada subgrupo en función de las proporciones generales
de la población y (3) utilizar un muestreo aleatorio o sistemático para seleccionar una
muestra de cada subgrupo.
• Ejemplo: La empresa tiene 800 empleadas y 200 empleados. Quiere asegurarse de que la
muestra refleje el equilibrio de género de la empresa, por lo que clasifica la población en
dos estratos según el género. Luego se utiliza un muestreo aleatorio en cada grupo,
seleccionando 80 mujeres y 20 hombres, lo que da una muestra representativa de 100
personas.
Muestreo probabilístico: por conglomerados
• Por conglomerados: También implica dividir la población en subgrupos, pero cada
subgrupo debe tener características similares a la muestra total (conglomerado o cluster).
• En lugar de muestrear individuos de cada subgrupo, se seleccionan aleatoriamente
subgrupos enteros. Si es posible, se seleccionan todos los individuos incluidos en cada
conglomerado.
• Este muestreo es adecuado para poblaciones grandes y dispersas, pero hay más riesgo de
error en la muestra, ya que podría haber diferencias sustanciales entre los conglomerados
(es difícil garantizar que los conglomerados muestreados sean realmente representativos
de toda la población).
• Ejemplo: la empresa tiene oficinas en 10 ciudades de todo el país (todas con
aproximadamente la misma cantidad de empleados en funciones similares). Si no se tiene
la capacidad de viajar a todas las oficinas para recopilar todos los datos, se utiliza un
muestreo aleatorio para seleccionar 3 oficinas que serían los clusters.
• Otro ej.: escuelas.
(more precise) (less precise)
Muestreo probabilístico: multietapa
• Multietapa: se suele considerar como una versión extendida del muestreo por
conglomerados.
• En el muestreo de múltiples etapas, se divide la población en conglomerados y se
seleccionan algunos conglomerados en la primera etapa. En cada etapa posterior,
divide aún más los grupos seleccionados en grupos más pequeños y repite el proceso
hasta llegar al último paso. En el último paso, solo selecciona algunos miembros de
cada grupo para su muestra.
• Este método es útil para recopilar datos de poblaciones grandes y dispersas.
Métodos de muestreo
Muestreo no probabilístico
Muestreo no probabilístico:
• En una muestra no probabilística, los individuos se seleccionan según criterios no aleatorios y no
todos los individuos tienen posibilidades de ser incluidos.
• No se puede estimar el efecto del error de muestreo y existe un riesgo significativo de terminar con
una muestra no representativa que produzca resultados no generalizables: mayor riesgo de sesgo de
muestreo.
• Sin embargo, se debe tratar de minimizar al máximo los sesgos para que la muestra sea lo más
representativa posible de la población.
• Los métodos de muestreo no probabilístico tienden a ser más fáciles, más baratos y más
convenientes, y son útiles para la investigación exploratoria y la generación de hipótesis: a menudo
se usan en investigaciones exploratorias y cualitativas donde el objetivo no es probar una hipótesis
sobre una población amplia, sino desarrollar una comprensión inicial de una población pequeña o
poco investigada.

Consecutive or sequencial
Muestreo no probabilístico: por conveniencia
• Un muestreo por conveniencia incluye a los individuos que resultan ser más accesibles para el
investigador (reclutando individuos principalmente porque están disponibles, dispuestos o son
de fácil acceso o contacto a nivel práctico).
• Probablemente es el más común de todas las técnicas de muestreo.
• Es es una forma fácil y económica de recopilar datos iniciales, pero no hay manera de saber si
la muestra es representativa de la población, por lo que no puede producir
resultados generalizables. Las muestras de conveniencia corren el riesgo de sufrir sesgos de
muestreo.
• Ejemplo: estás investigando opiniones sobre los servicios de apoyo estudiantil en tu
universidad, por lo que después de cada una de tus clases, les pides a tus compañeros que
completen una encuesta sobre el tema. Esta es una manera conveniente de recopilar datos,
pero como solo encuestó a estudiantes que tomaban las mismas clases que usted en el mismo
nivel, la muestra no es representativa de todos los estudiantes de su universidad.
Muestreo no probabilístico: por juicio
• En el muestreo intencional, crítico o por juicio: implica que el investigador utilice su
experiencia para seleccionar una muestra que sea más útil para los propósitos de la
investigación. Es decir, se seleccionan intencionalmente a los participantes en función de sus
características, conocimientos, experiencias o algún otro criterio.
• Una muestra intencional eficaz debe tener criterios y fundamentos claros para la inclusión:
asegúrese siempre de describir sus criterios de inclusión y exclusión y tenga cuidado con que
el sesgo del observador afecte sus argumentos.
• Ejemplo: desea saber más sobre las opiniones y experiencias de los estudiantes
discapacitados en su universidad, por lo que selecciona intencionalmente una cantidad de
estudiantes con diferentes necesidades de apoyo para recopilar una gama variada de datos
sobre sus experiencias con los servicios estudiantiles.
Muestreo no probabilístico: consecutivo
• El muestreo consecutivo o secuencial es una técnica de muestreo no probabilístico en
la que el investigador recolecta múltiples muestras durante un período de tiempo.
• A diferencia del muestreo probabilístico, las muestras no se seleccionan al azar y, por
tanto, pueden no ser representativas de la población. P.ej. Los pacientes que asisten a
un hospital privado pueden tener ingresos más altos que los pacientes que asisten a
un hospital público.
• Las principales ventajas son la flexibilidad (programación), mientras que la principal
desventaja es que las muestras no son verdaderamente aleatorias y es posible que los
resultados no se generalicen a la población general.

Consecutive or sequencial
Ejemplo:
Muestreo no probabilístico: de respuesta voluntaria
• El muestreo de respuesta voluntaria está basado principalmente en la facilidad de acceso
(similar a una muestra de conveniencia), pero, en lugar de que el investigador elija a los
participantes y los contacte directamente, las personas se ofrecen como voluntarias (por
ejemplo, respondiendo a una encuesta pública en línea).
• Las muestras de respuestas voluntarias siempre están sesgadas (mucho o poco) ya que
algunas personas tendrán inherentemente más probabilidades de ofrecerse como voluntarias
que otras, lo que genera un sesgo de autoselección.
• Ejemplo: envías una encuesta a todos los estudiantes de tu universidad y muchos estudiantes
deciden completarla. Sin duda, esto puede darle una idea del tema, pero es más probable
que las personas que respondieron sean aquellas que tienen opiniones firmes sobre los
servicios de apoyo estudiantil, por lo que no puedes estar seguro de que sus opiniones sean
representativas de todos los estudiantes.
Muestreo no probabilístico: “bola de nieve”
• El muestreo por bola de nieve se utiliza para reclutar participantes a través de otros
participantes, particularmente cuando resulta difícil acceder a la población.
• La cantidad de personas a las que tienes acceso aumenta a medida que te pones en
contacto con más personas. La desventaja aquí también es la representatividad, ya que
no hay forma de saber qué tan representativa es su muestra debido a que los
participantes dependen de que les recluten otros, lo cual implica un sesgo de
muestreo.
• Ejemplo: estás investigando experiencias de personas sin hogar en tu ciudad. Como no
existe una lista de todas las personas sin hogar en la ciudad, no es posible realizar un
muestreo probabilístico. Conoces a una persona que acepta participar en la
investigación y te pone en contacto con otras personas sin hogar que conoce en la
zona.
Non-probability random sampling: quota sampling
• El muestreo por cuotas se basa en la selección no aleatoria de un número o proporción
predeterminada de unidades (cuota).
• Primero se divide la población en subgrupos mutuamente excluyentes (llamados estratos)
y luego se reclutan unidades de muestra hasta alcanzar la cuota predeterminada. Estas
unidades comparten características específicas, determinadas por el investigador antes de
formar sus estratos. El objetivo del muestreo por cuotas es controlar qué o quién
constituye su muestra.
• Ejemplo: desea medir el interés de los consumidores en un nuevo servicio de entrega de
productos agrícolas en Boston, centrado en las preferencias dietéticas. Se divide la
población en consumidores de carne, vegetarianos y veganos, y se extrae una muestra de
1000 personas. Como la empresa quiere atender a todos los consumidores, establece una
cuota de 200 personas para cada grupo dietético. De esta manera, todas las preferencias
dietéticas estarán igualmente representadas en su investigación y podrá comparar
fácilmente estos grupos. Continúas reclutando hasta llegar a la cuota de 200 participantes
para cada subgrupo.
Tamaño muestral
Muestreo Recuerda la primera diapo!

• El muestreo es un método que permite a los investigadores inferir información sobre

una población basándose en los resultados de un subconjunto de la población, sin tener
que investigar a cada individuo:
• La población objetivo es todo el grupo sobre el que desea sacar conclusiones.
• La muestra o población de estudio es el grupo específico de personas del que se
recopilarán datos.
• Reducir el número de personas en un estudio reduce el costo y la carga de trabajo, pero
el tamaño muestral debe de ser lo suficientemente grande como para poder detectar
una asociación verdadera (poder estadístico).
• También es importante que los individuos seleccionados sean representativos de toda la
población.
Tamaño muestral
• El tamaño de la muestra debe ser predeterminado, abordado analíticamente y
suficientemente grande para representar a la población.
• Una muestra más grande conduciría a un desperdicio de recursos, al riesgo de
que se pierda el verdadero efecto del tratamiento debido a la heterogeneidad de
una población grande y consumiría mucho tiempo.
• Una muestra más pequeña no proporcionaría la respuesta adecuada a la
pregunta de investigación (sesgo de muestreo).
• Se debe prestar atención al abandono de los pacientes durante el cálculo del tamaño
de la muestra.
Tamaño muestral
• Un análisis de potencia es un cálculo para determinar un tamaño de muestra mínimo
para el estudio.
• Se compone de cuatro componentes principales:
1. Poder estadístico: la probabilidad de que una prueba detecte un efecto de cierta
magnitud, si lo hay, generalmente establecida en 80% o más.
2. Tamaño de muestra: el número mínimo de observaciones necesarias para observar
un efecto de cierto tamaño con un nivel de potencia determinado.
3. Nivel de significatividad (alfa): el riesgo máximo de rechazar una hipótesis nula
verdadera que está dispuesto a asumir, normalmente fijado en un 5%.
4. Tamaño del efecto esperado: una forma estandarizada de expresar la magnitud del
resultado esperado de su estudio, generalmente basada en estudios similares o un
estudio piloto.
Recuerda la estadística…

• Ho: No hay diferencias significativas entre • Ho: El sospechoso no es culpable.

el tratamiento A y B.
• HA: El sospechoso es culpable.
• HA: Sí hay diferencias significativas entre el
tratamiento A y el B.

• La hipótesis nula nunca se acepta. O se

rechaza o no se rechaza:
• Si se rechaza la hipótesis nula, se acepta
la alternativa: sí hay diferencias
significativas entre el tratamiento A y el
B (cierra una puerta).
• Si no se rechaza la hipótesis nula implica
que NO SE HAN PODIDO DEMOSTRAR
diferencias (pero deja la puerta abierta a
que las haya).
• Si se rechaza la hipótesis nula, implica que
las pruebas son suficientes para
determinar que el sospechoso es culpable.
• Si no se rechaza la hipótesis nula, implica
que no hay pruebas suficientes para
determinar que el sospechoso es culpable
(lo cual no implica que sea inocente).
 Ho: El sospechoso NO es culpable.
Recuerda la estadística… HA: El sospechoso SÍ culpable.

H0 is true H0 is false
(thus HA is true)
Afirmo que NO
es culpable
cuando SÍ lo es
Fail to reject H0
VERDADERO FALSO
NEGATIVE NEGATIVO

or ⍺
Afirmo que SÍ es
culpable cuando
(power)
NO lo es
Reject H0
FALSO VERDADERO
POSITIVO POSITIVE

• Para los estadísticos, un falso positivo (error de tipo I) es más grave que un falso negativo (error de tipo II).
• En la práctica clínica, esto suele ser cierto: ver un efecto cuando no lo hay (por ejemplo, creer que un
fármaco ineficaz funciona) es peor que pasar por alto un efecto (por ejemplo, un fármaco eficaz no pasa
un ensayo clínico). Pero este no es siempre el caso: cualquiera de los tipos de error podría ser peor
dependiendo de la investigación.
Vamos a ver un ejemplo…
Recuerda la estadística…

H0 is true H0 is false
(thus HA is true)
or β
1-⍺ (nivel de confianza)
Fail to reject H0 FALSO
VERDADERO
NEGATIVO NEGATIVO

or ⍺
(nivel de significación) (potencia)

Reject H0 FALSO VERDADERO

POSITIVO POSITIVE

• Error tipo I o error alfa (falso positivo): el rechazo de la hipótesis nula cuando en realidad es cierta.
• El nivel de confianza se define como 1-⍺, y suele establecerse en 95% o 99% (por lo que ⍺ = 0,05 y
0,01 respectivamente).
 Ojo que el nivel de confianza y el intérvalo
Recuerda la estadística… de confianza no son lo mismo! Estamos
simplificando conceptos para hacerlo más
sencillo.
Recuerda la estadística…

H0 is true H0 is false
(thus HA is true)
or β
1-⍺ (nivel de confianza)
Fail to reject H0 FALSO
VERDADERO
NEGATIVO NEGATIVO

or ⍺
(nivel de significación) (potencia)

Reject H0 FALSO VERDADERO

POSITIVO POSITIVE

• Error tipo II o error beta (falso negativo): no rechazo de la hipótesis nula cuando en realidad es falsa (ej. cuando no
vemos diferencias entre un placebo y un fármaco cuando en realidad sí hay diferencia entre los grupos).
• La potencia de un estudio se define como 1-β y es la probabilidad de rechazar correctamente la hipótesis nula cuando
esta es falsa. Es decir, es la probabilidad de hallar diferencias entre dos tratamientos que realmente son diferentes.
• La potencia se suele fijar en el 80-90% (β=0,2 y 0,1 respectivamente). Esto significa que, de cada 100 veces que
testeemos una droga que sí es efectiva, solo encontraremos diferencias estadísticamente significativas entre los grupos
en el 80-90% de las veces.
Recuerda la estadística…

La desviación estándar mide la dispersión de una distribución de datos. Entre más

dispersa está una distribución de datos, más grande es su desviación estándar.
Una más: el tamaño del efecto
• El tamaño del efecto es la diferencia mínima entre los grupos estudiados que el investigador desea
detectar o la diferencia entre la estimación y el parámetro desconocido que el investigador desea
estimar.
• Es decir, es el tamaño de un efecto para que sea clínicamente significativo. Por ejemplo, en un
ensayo clínico, el tipo de efecto que haría que valga la pena cambiar de tratamiento o, en un
estudio de cohorte, el tamaño del riesgo que implica un peligro público.

intervention with dry needling.

intervention with inhibitory Kinesiotaping.
no intervention (control).
Pasos para calcular el tamaño muestral:
1. Define el nivel de significación (normalmente 5% o 1%).
2. Selecciona la potencia que quieres que tenga el estudio (normalmente 80% o 90%).
3. Para datos continuos, calcula la desviación estándar. Para datos binarios, calcula la
incidencia del resultado en el grupo de control (para un ensayo) o en el grupo no
expuesto (para un estudio de casos y controles o un estudio de cohorte).
4. Calcula el tamaño del efecto (buscando en la bibliografía o haciendo un estudio piloto).
5. A continuación, se puede calcular el tamaño de muestra utilizando:
a) tablas de tamaños muestrales,
b) una fórmula o
c) un programa. Ej. G*power
(https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-
arbeitspsychologie/gpower.html)
6. A menudo se requiere cierta negociación para equilibrar el poder, el tamaño del efecto
y un tamaño de muestra alcanzable.
7. Siempre se debe ajustar hacia arriba el tamaño de muestra requerido debido a los
abandonos o pérdidas que puedan ocurrir.
 Example of formula for clinical superiority design in RCT with continuous variable:

https://www.statisticshowto.com/tables/z-table/

N=size per group;

zx= the standard normal deviate for a one or two sided x;
δ0= a clinically acceptable margin;
S2= Polled standard deviation of both comparison groups.

Other formulas at:

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3256489/
More info:
https://www.statisticshowto.com/probability-and-statistics/find-sample-size/
PPT = Pressure Pain Threshold
IKT = Inhibitory Kinesio taping
DN = dry needling