Resumen de Tamaños de muestra para estimar prevalencia animal que aseguran cortos intervalos de confianza

Osval Antonio Montesinos López, Abelardo Montesinos López, Eric Eduardo Santos Fuentes, Patricia Edwigis Valladares Celis, Martha Alicia Magaña Echeverría

• español

  El calculo del tamano de las muestras juega un rol importante en el diseno optimo de experimentos veterinarios y agricolas para la estimacion de proporciones de una poblacion, incluyendo la prevalencia de enfermedades. Esta investigacion propone un metodo de tres pasos para determinar el tamano de muestra exacto para datos binomiales que asegura precision en la estimacion de la proporcion, y muestra numericamente el grado de subestimacion que produce el uso de la formula tradicional (aproximacion normal) para el calculo del tamano de la muestra. El paso 1 obtiene un tamano de muestra que garantiza que la anchura relativa completa del intervalo de confianza ( r w ) es mas estrecha que la amplitud deseada (re); el paso 2 incrementa iterativamente el tamano de muestra hasta que r w es mas pequeno que la amplitud deseada (re) con un grado de certeza especificado (�×) y el paso 3 obtiene el numero de conglomerados requeridos. Datos simulados fueron creados para ilustrar el metodo propuesto;

  ademas se presenta un cuadro con escenarios utiles para los investigadores. Un programa en el paquete estadistico R es dado y explicado, de tal manera que reproduce los resultados de una manera sencilla.

• English

  Sample size calculation plays an important role in the design of optimal veterinary and agricultural experiments for estimate population proportions including disease prevalence. This research proposes a method with three steps to determine the exact sample size for a binomial distribution that ensures precision in the estimated proportion and numerically displays the degree of underestimation that occurs using the traditional formula (normal approximation) for calculating the sample size. Step 1 obtain a sample size that guarantees that the relative mean width of the CI ( r w ) is narrower than the desired width (re); the step 2 iteratively increase the sample size until r w is smaller than the desired width (re) with a specified degree of certainty (�×) and step 3 get the required number of clusters. Simulated data were created and tables presented showing possible scenarios.

  An R program is given and explained that will reproduce the results in an easy way.