8 Capítulo 8 — ¿Cuántos peces debo muestrear?
Epidemiología aplicada en acuicultura — Parte III: La caja de herramientas del investigador
Dónde encaja esto — Detectar (prevención secundaria). La vigilancia vive o muere según el muestreo. Muy pocos peces y pierdes la enfermedad o produces una estimación inútilmente ancha; demasiados y malgastas dinero. Este capítulo hace del muestreo un cálculo, no una adivinanza, e introduce los esquemas costo-efectivos y basados en riesgo sobre los que corren los programas modernos de Detectar.
8.1 Panorama
Dos preguntas dominan el muestreo práctico. “¿Con qué precisión conozco la prevalencia?” —muestrear para estimar—. Y “¿Puedo confiar en que la enfermedad está ausente?” —muestrear para detectar (o demostrar ausencia)—. Necesitan fórmulas distintas, ambas son fáciles en R, y ambas dependen de decisiones que debes justificar.
8.2 8.1 Preparación
pacman::p_load(rio, here, tidyverse, epiR)8.3 8.2 Cómo extraer la muestra
El tamaño es inútil si la muestra no es representativa. Cuatro métodos, en sofisticación creciente: aleatorio simple (el estándar de oro, pero difícil en una jaula de 40.000 peces), sistemático (cada k-ésimo pez; práctico en cosecha o clasificación), estratificado (muestrea dentro de estratos —jaulas, estanques, tallas— y combina; mejora la precisión) y por conglomerados / multietápico (muestrea unidades enteras y luego peces dentro de ellas; el más barato en terreno, pero los peces dentro de una jaula están correlacionados, así que el tamaño de muestra efectivo es menor que el conteo —el “efecto de diseño”—). La realidad del cultivo —peces alojados en jaulas, enfermedad agrupada por jaula— hace que la mayoría de la vigilancia sea multietápica.
8.4 8.3 Muestrear para estimar una prevalencia
Para estimar una proporción con una precisión elegida (±d) al 95 % de confianza:
n = Z² · p(1−p) / d²
epi.sssimpleestb(N = NA, Py = 0.20, epsilon = 0.05,
error = "absolute", conf.level = 0.95) # 246Eso devuelve 246 peces. Dos palancas importan:
🧮 Epivet Tools — Tamaño de muestra para estimar una prevalencia tools.epivet.cl/ss-estimate — ingresa prevalencia esperada, precisión y (opcionalmente) el tamaño de la población. Modelo de referencia: Ausvet EpiTools.
- La precisión es cara. Afinar a ±3 % eleva el requisito a 683 peces —la precisión escala con 1/d², así que reducir a la mitad el margen casi cuadruplica la muestra—.
- Las poblaciones finitas ayudan. En un estanque de 5.000, la corrección por población finita recorta 246 a 235.
Usa p = 0,5 cuando no tengas una estimación previa; es la más conservadora.
8.5 8.4 Muestrear para detectar enfermedad (demostrar ausencia)
La vigilancia suele preguntar lo opuesto: si la enfermedad estuviera presente a cierto nivel bajo, ¿cuántos peces debo evaluar para estar 95 % seguro de captar al menos un positivo? Esto necesita una prevalencia de diseño —la prevalencia mínima que quieres poder detectar— y usa la fórmula hipergeométrica:
epi.detectsize(N = 20000, prev = 0.02, se = 1, conf.level = 0.95) # ~148- Al 2 % de prevalencia de diseño, necesitas 148 peces; al 5 %, solo 59.
- Las pruebas imperfectas cuestan más. Con sensibilidad 0,90, los 148 suben a 165 —debes sobremuestrear para compensar los peces que la prueba perderá—.
🧮 Epivet Tools — Tamaño de muestra para detectar enfermedad tools.epivet.cl/ss-detect — población, prevalencia de diseño y sensibilidad de la prueba (modos de prueba perfecta e imperfecta). Modelo de referencia: Ausvet EpiTools.
Un resultado negativo apoya la probabilidad de ausencia, la columna de la vigilancia por árbol de escenarios que construimos en el Capítulo 12.
8.6 8.5 Muestreo basado en riesgo y costo-efectivo
Evaluar peces al azar rara vez es el mejor uso del dinero. El muestreo basado en riesgo apunta a los animales, jaulas o sitios más probablemente positivos. Para el SRS esto es concreto: muestrear peces moribundos o recién muertos con lesiones macroscópicas, de dos o tres jaulas, aumenta fuertemente la probabilidad de detección, y un esquema de unos cinco peces por jaula es costo-efectivo frente al muestreo aleatorio (Delphino et al., 2021; Laurin et al., 2020).
8.7 8.6 Interpretación en el centro de cultivo
Todo plan de vigilancia encierra tres decisiones honestas: la prevalencia de diseño, la confianza que necesitas y la prueba que usarás. Hazlas explícitas y el tamaño de muestra se deduce; déjalas implícitas y “evaluamos 30 peces” no significa nada.
8.8 8.7 Ejercicios
Inténtalo tú (8.1). Calcula el tamaño de muestra para estimar la prevalencia de Streptococcus en un estanque de tilapia de 10.000 peces con ±4 %, asumiendo una prevalencia esperada del 15 %. Luego recalcula sin estimación previa (p = 0,5) y compara.
8.2 Quieres estar 95 % seguro de detectar AHPND si está presente en al menos el 1 % de un estanque de 200.000 camarones, con una prueba de Se = 0,85. ¿Cuántos camarones aproximadamente, y por qué la baja prevalencia de diseño lo hace exigente?
8.3 Explica, con el efecto de diseño, por qué muestrear 300 peces de una sola jaula te dice menos que 300 peces repartidos en diez jaulas.
8.4 Un encargado propone muestrear al azar peces aparentemente sanos para la vigilancia del SRS. Con el principio basado en riesgo, sugiere un esquema más barato con mayor probabilidad de detección y justifícalo.
8.9 Resumen y qué sigue
- Cómo muestreas (aleatorio, sistemático, estratificado, por conglomerados) importa tanto como cuántos.
- Estimar una prevalencia: n = Z²p(1−p)/d²; la precisión escala con 1/d²; las poblaciones finitas reducen n.
- Detectar enfermedad necesita una prevalencia de diseño; los blancos más raros y las pruebas imperfectas exigen muestras mayores.
- El muestreo basado en riesgo apunta a los positivos más probables y es la columna costo-efectiva de la vigilancia real.
En el Capítulo 9 — ¿Es realmente la causa? cerramos la Parte III y el arco de Anticipar.
8.10 Referencias y lecturas
- Dohoo I, Martin W, Stryhn H. Veterinary Epidemiologic Research. 2.ª ed. VER Inc.; 2009.
- Delphino MKVC, Mardones FO, et al. Costo-efectividad de la vigilancia longitudinal del SRS. J Fish Dis. 2021;44:315–326.
- Laurin E, Gardner IA, et al. Desempeño diagnóstico y muestreo basado en riesgo para P. salmonis. J Fish Dis. 2020;43:1167–1175.
Archivos de este capítulo: ninguno nuevo.