See discussions, stats, and author profiles for this publication at: [Link]
net/publication/379197457
Descripción de población, muestra y muestreo
Chapter · January 2021
DOI: 10.59760/8733385.09
CITATIONS READS
0 1,006
3 authors:
Jorge Emmanuel Erik Díaz-Cervantes
Universidad de Guanajuato Universidad de Guanajuato
16 PUBLICATIONS 35 CITATIONS 55 PUBLICATIONS 314 CITATIONS
SEE PROFILE SEE PROFILE
Lucero Fuentes-Ocampo
Universidad de Guanajuato
11 PUBLICATIONS 7 CITATIONS
SEE PROFILE
All content following this page was uploaded by Jorge Emmanuel on 25 June 2024.
The user has requested enhancement of the downloaded file.
Metodología de la Investigación en Enfermería
Elementos para elaborar un proyecto de investigación
Alicia Álvarez Aguirre
Elizabeth Guzmán Ortiz
José Luis Higuera Sainz
Juan Alberto López González
(Coordinadores)
Primera edición: agosto 2021
D.R. © Ediciones La Biblioteca, S.A. de C.V.
Azcapotzalco la Villa No. 1151
Colonia San Bartolo Atepehuacán
C.P. 07730, México, CDMX.
Tel. 55-6235-0157 y 55-3233-6910
[Link]
ISBN: 978-607-8733-38-5
Diseño de portada:
Alicia Sarahy Martin del Campo Navarro y Pablo Medina Quevedo
Composición tipográfica:
Fernando Bouzas Suárez
La totalidad de los capítulos que integran en este libro fueron arbitrados y sometidos a evaluación
externa, mediante un dictamen de doble ciego, donde participaron especialistas en el área. Las versiones
finales se enriquecieron con las aportaciones de los pares académicos. Asimismo, se empleó un software
especializado para el análisis de similitudes con respecto a otras obras. El Cuerpo Académico UGTO-
CA-96 ESTILO DE VIDA SALUDABLE Y CRONICIDAD mantienen en resguardo los resultados
de este proceso.
Reservados todos los derechos. Queda prohibida la reproducción o transmisión total o parcial del con-
tenido de la presente obra en cualesquiera formas, sean electrónicas, mecánicas o por fotocopia, sin el
consentimiento previo y por escrito de los titulares de los derechos.
Impreso y encuadernado en México
Printed and bound in México
Capítulo IX
Descripción de población, muestra y
muestreo
Jorge Emmanuel Mejía Benavides
Erik Díaz Cervantes
Lucero Fuentes Ocampo
Introducción
Los investigadores están constantemente inmersos dentro de diferentes
procesos en el desarrollo de investigaciones y siempre, dentro de la práctica
de cualquier profesión se busca obtener respuestas y conclusiones que sean
fidedignas acerca de un grupo de personas o elementos objeto de estudio.
La preparación y estructuración de los proyectos de investigación es un
proceso muy complejo, debido a que se deben preparar diferentes aspectos
y uno de ellos como lo menciona Artiles Visbal et al., (2008), es decidir las
personas, familias o sucesos que van a formar parte de este y además que
características o atributos deben poseer para participar. El tamaño de la
muestra, mientras sea más grande sea, aumentará la posibilidad de que sea
representativa de una población, ahí es donde radica su importancia. En
la profesión de enfermería es muy difícil el estudio de todas las personas
o sucesos de interés, por tal motivo es de vital importancia el cálculo de la
cantidad de personas necesarias de una población que serán partícipes en
la investigación y la cual debe ser representativa de esta. Como lo señala
Polit y Tatano (2018) en las investigaciones desarrolladas en el área de la
profesión de enfermería en su mayoría optan por el muestreo no probabi-
lístico, esto a pesar de sus limitantes y las implicaciones de rigor que estas
presentan.
Población
La palabra población no tiene el mismo significado en todos los contextos
(Spiegel, et al., 2009), hablando de manera coloquial la población hace re-
ferencia a X número de habitantes en cierto lugar geográfico, sin embargo,
137
Descripción de población, muestra y muestreo
en el lenguaje de la investigación, se le llama población a la cantidad de
personas o conjunto de elementos totales que cuentan con las caracterís-
ticas de interés para las investigaciones (está representada con la letra N
en las fórmulas), también nombrado universo o colectivo (Suárez, 2021),
las cuales se encuentran en cierta ubicación y tiempo determinado y estas
pueden ser individuos, familias, universidades, profesores, (García-García,
et al., 2013) registros médicos, nacimientos, muestras de laboratorio, etc.,
(López, 2004), un ejemplo claro sería si un investigador realiza un trabajo
donde sea su interés el personal con grado de Licenciatura en enfermería
en un hospital durante cierto año, todas las personas que cuenten con un
título de Licenciatura en enfermería serían la población o universo.
Como lo menciona Polit y Tatano (2018), los investigadores van a de-
finir y especificar qué características deben cumplir para ser parte de la po-
blación, esto se realiza mediante los criterios de elegibilidad (de inclusión
y exclusión). Aunado a eso, Hernández y Carpio (2019) mencionan que
los criterios de inclusión hacen alusión a las características que los sujetos
de estudio deben reunir para formar parte de la muestra y los de exclusión
son características que obligan al sujeto a no incluirse a pesar de cumplir
con los criterios de inclusión.
Dentro del universo se pueden identificar tres tipos: finito, infinito e
hipotético, el finito es aquel donde los elementos que lo integran pueden
ser delimitados y cuantificados, el segundo se identifica cuando los ele-
mentos no tienen límite, es decir, no es posible determinar su magnitud
debido al tamaño y el último hace referencia cuando el tamaño de la po-
blación no es posible definirlo precisamente porque los hechos o eventos
no han ocurrido (Arias-Gómez et al., 2016).
Así mismo, Arias-Gómez et al., (2016) mencionan diferentes niveles
de población, la población objetivo es todo el universo de interés para
el investigador o población diana nombrada así por Grove et al., (2016),
mientras que la población accesible es la parte de la población blanco a la
cual el investigador puede tener acceso razonable, esto podría ser un país,
estado, ciudad, hospital o unidad de atención.
Muestra
Hablar de muestra en el proceso de investigación es hacer referencia a un
pequeño grupo que es la representación del universo, como lo menciona
Hernández, Fernández y Baptista (2014), es un subgrupo de la población
de interés en la cual se van a recabar los datos a estudiar, y esta debe defi-
nirse y delimitarse con precisión y debe ser representativa, lo que permitirá
extrapolar y generalizar los resultados obtenidos en el estudio (Fuentelsaz,
2004; Otzen, 2017). Argibay (2009) afirma que decir que la muestra tenga
138
Mejía | Díaz | Fuentes
representatividad se está diciendo que los resultados obtenidos de la mues-
tra corresponden, representan, sin errores sistemáticos los parámetros de
la población.
La tendencia que tienen los investigadores es la utilización de una fór-
mula que les indique el número de personas o sucesos a encuestar (López,
2004). Sin embargo, se debe tener muy presente lo mencionado por Agui-
lar-Borjas (2005), el incluir más sujetos de estudio en las investigaciones
en el ámbito de la salud no es un sinónimo de que sea una mejor investiga-
ción, por tal razón es importante planear o calcular el tamaño conveniente
de la muestra antes de iniciar dicho estudio.
El proceso del cálculo de la muestra es una operación matemática y
no una simple operación aritmética que va a proporcionar un valor (Gar-
cía-García, et al., 2013), sin embargo, la información de las muestras pue-
de conducir a conclusiones erróneas o muestras sesgadas si no se tiene el
suficiente criterio de rigurosidad para que estas sean representativas de la
población (Polit y Tatano, 2018).
Definir el tamaño de la muestra, depende de diversos factores implicados
que pueden ser de orden logístico o estadístico; los primeras pueden estar
implicados en asuntos de limitaciones económicas o la disponibilidad de los
sujetos de estudio y en los segundos, factores referentes a los errores tipo I y
II (Fernández, 2004), variabilidad y las hipótesis (García-García, et al., 2013).
El tipo I (α) establece la probabilidad de error que están dispuestos
a cometer por un resultado falso positivo, para determinar este se deben
preguntar hasta donde se podrán aceptar los resultados falsos y va a depen-
der en su mayoría de la información existente sobre el problema, mientras
que el tipo II establece la probabilidad de error que están dispuestos a
cometer por un resultado falso negativo, es decir, que tan aceptable es
concluir con la investigación que no existe asociación cuando realmente si
la hay, sin embargo, cometer este tipo de error en las investigaciones trae
consecuencias éticas más evidentes (Random y Rodriguez, 2007). Cabe
mencionar que ambos errores no pueden cometerse en una sola decisión
por el investigador (Díaz, 2009).
La variabilidad como lo menciona Random y Rodriguez (2007), es
quizás uno de los aspectos claves en el cálculo de la muestra, pues cuando
los elementos de observación de un determinado universo son homogé-
neas (hace referencia a que son similares) se dice que hay poca variabilidad
en sus resultados y probablemente no se necesiten muchas observaciones
para realizar una estimación, por el contrario, a medida que la variabilidad
aumenta se tiene un efecto directo sobre el tamaño de la muestra y está irá
en aumento (Grove et al., 2016).
Se deben plantear hipótesis con base en el tipo de investigación, si se
trata de un estudio descriptivo no es necesario la formulación de esta, sin
embargo, para estudios de tipo comparativo es indispensable formularlas,
139
Descripción de población, muestra y muestreo
esto debido a que se van a contrastar las hipótesis y determinar si estas se
rechazan o se aceptan, las cuales toman el nombre de hipótesis nula (H0)
y hipótesis alternativa (H1). Para hacer la contrastación de las hipótesis
pueden ser de dos formas: unilateral (una cola) o bilateral (dos colas), en
la primera va a determinar la dirección de la asociación (mayor o menor),
mientras que la segunda solo determina la asociación y no la dirección
(García-García et al., 2013).
Referente al tipo de estudio o del nivel de la investigación será nece-
sario la formulación de una o más hipótesis, sin embargo, para investiga-
ciones de tipo exploratorio de tipo clínico no se necesita realizar el cálculo
de muestra, pues se tomarán en cuenta todos los casos presentados hasta
el momento, mientras que en estudios epidemiológicos se va a calcular
mediante una muestra para una sola población (Aguilar-Borjas, 2005).
El cálculo de muestra para estudios de tipo descriptivo, donde la varia-
ble principal es de tipo cuantitativa y no se conoce la cantidad de sujetos
o sucesos de observación o la población supera los 10 000, es decir, para
una población infinita se realiza mediante la fórmula que se expresa en la
figura 1, por el contrario, cuando la población es finita, es decir, que se
conoce la totalidad de unidades de observación se realiza de la forma que
se muestra en la figura 2.
Figura 1. Fórmula para población cuantitativa infinita
Figura 2. Fórmula para población cuantitativa finita
Dónde:
n = tamaño de muestra
N = tamaño de la población
Z = valor de Z crítico, calculado en las tablas del área de la curva normal. Llamado también ni-
vel de confianza, este valor suele ser en su mayoría 1.96 debido al valor del nivel de confianza
al 95% que generalmente se elige o se determina su valor mostrado en la tabla 1.
S2 = varianza de la población en estudio (es el cuadrado de la desviación estándar y puede
obtenerse de estudios similares o estudios de tipo piloto).
d = nivel de precisión absoluta, generalmente toma el valor de 0.05.
Para el cálculo de la muestra de las investigaciones en las cuales la variable
principal es de tipo cualitativo en las cuales su población es infinita o se
desconoce el total de unidades de observación o la población es mayor a
140
Mejía | Díaz | Fuentes
10 000 se realiza de la forma que se observa en la figura 3, mientras que
para poblaciones finitas o se conoce la totalidad de unidades observadas se
realiza mediante la siguiente fórmula de la figura 4.
Figura 3. Fórmula para población cualitativa infinita
Figura 4. Fórmula para población cualitativa finita
Dónde:
p = proporción aproximada del fenómeno en estudio en la población de referencia.
q = proporción de la población de referencia que no presenta el fenómeno de estudio (1-p).
La suma de la p y la q siempre debe dar un valor de 1, por ejemplo, si p=.8 q=.2.
n, Z, y d se explican en el párrafo anterior.
Tabla 1. Valor de Z
Nivel de confianza 99% 95% 90%
Valor crítico (Z) 2.58 1.96 1.64
Según Hernández, Fernández y Baptista (2014), el tamaño de muestra
mínimo sugerido en estudios cuantitativos se representan en la tabla 2, así
mismo, los tamaños mínimos de la muestra sugeridos por tipo de análisis
estadístico se muestran en la tabla 3.
Tabla 2. Tamaño mínimo de muestra por tipo de estudio
Tipo de estudio Tamaño mínimo de muestra
Transeccional descriptivo o correlacional 30 casos por grupo o segmento del universo.
Encuesta a gran escala 100 casos para el grupo o segmento más importante del universo y
de 20 a 50 casos para grupos menos importantes.
Causal 15 casos por variable independiente.
Experimental o cuasiexperimental 15 casos por grupo.
Tabla 3. Tamaño mínimo de muestra por tipo de análisis
Tipo de análisis Tamaño mínimo de muestra
Análisis de correlación 64 casos para hipótesis estadísticas/pruebas de una cola y 82 para
dos colas.
Análisis causales o comparativos (diferen- 51 casos por grupo para hipótesis estadísticas/pruebas de una cola
cias significativas entre grupos y 64 para dos colas.
Análisis comparativos en diseños experi- 21 casos por grupo para hipótesis estadísticas/pruebas de una cola.
mentales En pruebas de dos o más colas 27 por grupo.
141
Descripción de población, muestra y muestreo
Como menciona Gamboa (2017), citando a otros autores que el ta-
maño mínimo de elementos de una muestra para poder utilizar funciones
estadísticas en su análisis es de 30 participantes, sin embargo, este número
suele ser muy pequeño para que resulte fiable. Aunado a eso, García-Gar-
cía et al., (2013) recomienda que para estudios piloto se deben incluir en
el tamaño de muestra entre 30 y 50 participantes, los cuales deben incluir
las características que se desean medir en la población objetivo.
Además, existen programas o software que ayudan a realizar el cálculo
de muestra, como lo son G*Power, Epi Info, Epidat que son de versión
gratuita y los que se pueden adquirir por paga son Stata, SAS, Statistica
y Sigma Plot, sin embargo, es de suma importancia comprender cada uno
de ellos y deben usarse de forma crítica para realizar el cálculo de muestra
adecuadamente (García-García et al., 2013).
Muestreo
El muestreo va a implicar la elección de una porción del universo la cual
va a representar la totalidad de este (Polit y Tatano, 2018; Serna, 2019).
Una vez que los sujetos u objetos de estudio son seleccionados se realiza
el muestreo, según Hernández, Fernández y Baptista (2014) y Hernández
y Carpio (2019), el muestro puede dividirse en dos grandes grupos: pro-
babilístico y no probabilístico, el primero hace mención a que todos los
individuos de la población tienen las mismas posibilidades de pertenecer
o ser elegidos para formar parte de la muestra, a diferencia de la no pro-
babilística en la cual la elección de los elementos no va a depender de la
probabilidad, sino que serán elegidos a criterio de las causas relacionadas
con las características de la investigación planteada o a criterio del mis-
mo investigador, sin embargo, este último es menos probable que genere
muestras representativas de la población, aunado a lo anterior; Polit y Ta-
tano (2018) mencionan que las investigaciones en el campo de la enferme-
ría en su mayoría optan por este tipo de muestro a pesar de sus limitantes
y las implicaciones de rigor que estas presentan.
Dentro del muestreo probabilístico existen diferentes formas de rea-
lizarlo con base en la probabilidad y es la mejor forma de obtener una
muestra representativa de la población (Spiegel et al., 2009), sin embargo,
se debe tener en cuenta un factor muy importante antes de determinar el
tamaño de la muestra y es el marco muestral, que Hernández, Fernán-
dez y Baptista (2014) lo refiere como a aquello que nos permite identifi-
car físicamente los elementos de la población (guías telefónicas, listas de
miembros de las asociaciones, directorios especializados, listas oficiales de
escuelas de la zona, base de datos de estudiantes de una universidad, etc.)
142
Mejía | Díaz | Fuentes
y se debe tener en cuenta su exactitud, veracidad, fiabilidad y nivel de co-
bertura en relación al problema que se va a estudiar y población a medir.
Clases de muestreos probabilísticos.
El muestreo aleatorio simple es el más básico que se realiza y un ejemplo
se puede observar en la figura 5, consiste en la formulación de listas de los
integrantes de una población, también conocido como marco de muestreo
(Polit y Tatano, 2018; Grove et al., 2016), dichos integrantes se numeran y
posteriormente se utiliza una tabla de números aleatorios como el ejemplo
de la tabla 4 para obtener el tamaño de muestra deseado, en este tipo de
muestreo al azar es poco probable que se generen sesgos al momento de
elegir la muestra.
Figura 5. Muestreo aleatorio simple
Tabla 4. Tabla de números aleatorios
06 84 10 22 56 72 25 70 69 43
07 63 10 34 66 39 54 02 33 85
03 19 63 93 72 52 13 30 44 40
77 32 69 58 25 15 55 38 19 62
20 01 94 54 66 88 43 91 34 28
El muestreo por tómbola es muy simple y rápido, este muestreo consiste
en colocar un número a cada uno de los elementos muestrales de toda
la población, posteriormente se hacen fichas o papeles con los mismos
números uno por cada elemento muestral, se colocan en un recipiente o
caja, se revuelven y se van sacando las fichas una por una hasta lograr la
cantidad de personas calculadas en la muestra (Hernández, Fernández y
Baptista, 2014).
En el muestreo aleatorio estratificado se representa en la figura 6, se
utiliza cuando el investigador conoce algunas variables de la población las
cuales son importantes para alcanzar la representatividad de esta. Prime-
ramente, la población se divide en dos o más estratos y de esos mismos
estratos de eligen los participantes al azar hasta completar el tamaño de
muestra deseado por el investigador (Polit y Tatano, 2018).
143
Descripción de población, muestra y muestreo
Figura 6. Muestreo estratificado
La figura 7 representa el muestreo sistemático, que implica la selección de
cada participante de una lista y puede realizarse a manera de obtener una
muestra aleatoria. Primeramente, la población se divide entre el tamaño
calculado de la muestra para obtener el intervalo de muestreo (distancia
fija entre los casos seleccionados), por ejemplo, si se requiere una muestra
de 100 participantes en una población de 5,000 personas (el intervalo de
muestreo sería 5,000/100=50), por consiguiente, cada participante se se-
leccionaría cada 50 en la lista establecida con una elección de un número
al azar previamente.
Por ejemplo, si el número aleatorio fuera 25 las personas en el marco
de muestreo con los números 25, 75, 125, etc., serían las personas que se
van a incluir en la muestra a estudiar (Polit y Tatano, 2018), sin embargo,
Grove et al., (2013) afirma que este procedimiento no da la misma posi-
bilidad de ser elegidos a todos los integrantes de la población y por ende
no proporciona una muestra más representativa que el muestreo aleatorio
simple o estratificado.
Figura 7. Muestreo sistematizado
144
Mejía | Díaz | Fuentes
En el muestreo por conglomerados o también conocido como muestreo
por racimos como lo menciona Hernández, Fernández y Baptista (2014),
hace referencia a cuando los participantes se encuentran reunidos en de-
terminados lugares físicos específicos como lo muestra la tabla 5, el inves-
tigador desarrolla un marco de muestreo en que se incluyan todos elemen-
tos (escuelas, estados, ciudades, organizaciones, etc.) con la que se pueda
relacionar los elementos de la población y así poder obtener la muestra. En
algunas ocasiones la selección continúa con varias etapas mejor conocida
como muestreo de etapas múltiples.
Por ejemplo, se puede seleccionar primero los estados, después las
ciudades y por último las escuelas por medio del azar, este tipo se utiliza
frecuentemente cuando el investigador considera importante obtener una
muestra geográficamente dispersa o en otro caso, cuando no existe una
lista completa de todos los elementos de la población (Grove et al., 2013).
Este tipo de muestreo se utiliza cuando existen limitaciones por el inves-
tigador ya sea por recursos financieros, de tiempo o distancias geográficas,
etc.
Tabla 5. Ejemplo de conglomerados
Unidad de muestreo/análisis Posibles conglomerados
Niños Preescolares o primarias.
Adolescentes Secundarias y preparatorias.
Enfermeros Hospitales, clínicas o casas de salud.
Amas de casas Mercados o supermercados.
Empresas Parques industriales.
Clases de muestreos no probabilísticos.
El muestreo por conveniencia implica la selección de los participantes en el
estudio mediante la disponibilidad más conveniente, sin embargo, exis-
tirán sesgos debido a que las personas que están disponibles podrían ser
atípicas de la población y aunque este muestreo es el más débil, también
es el más utilizado.
El muestreo por cuotas se realiza mediante estratos de la población y
los investigadores averiguan cuantas personas requiere dicho estrato y así
pueden asegurar que los diversos segmentos representan la muestra, este
muestreo es similar al muestreo por conveniencia y comparte algunas de-
bilidades, sin embargo, muy pocos investigadores utilizan esta técnica.
El muestreo intencional o también nombrado muestreo de informante
clave por López (2004) utiliza el conocimiento de los investigadores que
tiene acerca de la población para elegir de manera individual a las personas
que van a conformar la muestra, este tipo se utiliza generalmente cuando
145
Descripción de población, muestra y muestreo
se requiere la participación de expertos en el problema que se está estu-
diando (Polit y Tatano, 2018).
En el muestreo en redes o mejor conocido como bola de nieve o cadena
ayuda a buscar los participantes a los cuales sería muy difícil o imposi-
ble obtener por otros medios o que no puedan identificarse previamente.
Consiste en que cuando los investigadores encuentran potenciales partici-
pantes solicitan la ayuda de estos últimos para encontrar otros que cum-
plan las características que se están estudiando (Grove et al.,2013). Este
tipo de muestro es útil cuando se trata de localizar personas con hábitos
poco comunes o comportamientos poco aceptados por la sociedad (Fuen-
telsaz 2004; Hernández y Carpio, 2019).
En el muestreo accidental o consecutivo, menciona Fuentelsaz (2004) que
la selección de los sujetos se va a realizar con base en función de la pre-
sencia de los sujetos en un lugar y tiempo determinado. Por ejemplo, un
encuestador en la calle entrevista a las personas que pasan por ahí en ese
momento, aunque podría parecerse al muestreo probabilístico, en cuestión
no todas las personas tienen la misma posibilidad de participar.
Conclusión
Como todo investigador sabe, el tema de la muestra es de vital importancia
dentro de toda investigación, esto debido a que si se hace adecuadamente
se evitarán sesgos y el resultado podrá generalizarse a otro grupo pobla-
cional con características iguales o semejantes. Existen diferentes métodos
útiles para la selección de la muestra en las investigaciones y estos métodos
se deben elegir basándose en el tipo de estudio a realizar, sin embargo, el
tipo de muestreo que se utilizará al momento de elección de la muestra,
deberá ser aquel en que la probabilidad interfiera en la selección, esto debi-
do a que el sesgo siempre es poco y la representatividad elevada. Además,
para determinar cuál es la cantidad de muestra necesaria va a depender del
tipo del estudio y variables y el investigador decidirá si se estudia el total
de la población o en su defecto, si está es muy grande estudiará una parte
de esta denominada muestra.
Referencias bibliográficas
Aguilar-Borjas, S. (2005). Fórmulas para el cálculo de la muestra en inves-
tigaciones de salud. Salud en Tabasco, 11(1-2), 333-338. [Link]
[Link]/[Link]?id=48711206
Argibay, J. C. (2009). Muestra en investigación cuantitativa. Subjetividad
y procesos cognitivos, 13(1), 13-29.
146
Mejía | Díaz | Fuentes
Arias-Gómez, J., Villasís-Keever, M. Á. y Miranda Novales, M. G. (2016).
El protocolo de investigación III. La población de estudio. Revista
Alergia México, 63(2), 201-206.
Artiles Visbal, L., Otero Iglesias, J. y Barrios Osuna, I. (2008). Metodo-
logía d ela investigación para las ciencias de la salud. Ciencias médicas.
[Link]
Da-de-la-investigaci%C3%[Link]
Díaz Cadavid, A. (2009). Diseño estadístico de experimentos. (2da ed.).
Ciencia y tecnología Universidad de Antioquia.
Fernández, C. (2004). Hablemos de… Cálculo de la muestra. ¿Cómo y por
qué?. GH. Continuada, 3(3), 138-142.
Fuentelsaz Gallegos, C. (2004). Cálculo del tamaño de la muestra. Matro-
nas profesión, 5(18), 5-13.
Gamboa Graus, M. E. (2017). Estadística aplicada a la investigación edu-
cativa. Revista Dilemas contemporáneos: educación, política y valores,
5(2), 1-30.
García-García, J. A., Reding-Bernal, A. y López-Alvarenga, J. C. (2013).
Cálculo del tamaño de la muestra en investigación en educación médi-
ca. Inv Ed Med, 2(8), 217-224.
Grove, S. K., Gray, J. R. y Burns, N. (2016). Investigación en enfermería:
Desarrollo de la práctica enfermera basada en la evidencia. (6ta ed.).
Elsevier.
Hernández Ávila, C. E. y Carpio, N. (2019). Introducción a los tipos
de muestreo. Revista ALERTA, 2(1), 75-79. [Link]
alerta.v2i1.7535
Hernandez Sampieri, R., Fernández Collado, C. y Baptista Lucio, P.
(2014). Metodología de la investigación. (6ta ed.) McGrawHill.
López, P. L. (2004). Población, muestra y muestreo. Punto cero, 9(8),
69-74. [Link]
d=S1815-02762004000100012
Otzen, T. y Manterola, C. (2017). Técnicas de Muestreo sobre una Pobla-
ción a Estudio. International Journal of Morphology, 35(1), 227-232.
[Link]
Polit, D. P. y Tatano Beck, C. (2018). Investigación en enfermería Funda-
mentos para el uso de la evidencia en la práctica de enfermería. (9a ed.).
Wolters Kluwer.
Randón, M. A. y Rodríguez, V. A. (2007). Algunos conceptos básicos
para el cálculo del tamaño de la muestra. Universitas médicas, 48(3),
334-339.
Serna, M. (2019). ¿Cómo mejorar el muestreo en estudios de porte medio
usando diseños con métodos mixtos? Aportes desde el campo de es-
tudios de elite. EMPIRIA. Revista de Metodología de Ciencias Sociales,
(43). [Link]
147
Descripción de población, muestra y muestreo
Spiegel, M. R., Schiller, J. y Srinivasan, R. A. (2013). Probabilidad y esta-
dística. (4ta ed.). McGraw-Hill.
Spiegel, M. R. y Stephens, L. J. (2009). Estadística. (4ta ed.). Mac-
Graw-Hill.
Suárez Ibujés, M. O. (2021). Cálculo del tamaño de la muestra. Repositorio
Digital Universidad Técnica del Norte. [Link]
handle/123456789/765
148
View publication stats
