Responde sin consultar el texto. Al terminar, vuelve a esta pregunta y comprueba si cambió tu respuesta.
1. Un cantón reporta 104 % de cobertura con la tercera dosis de hexavalente. Lo más probable es que:
El numerador y el denominador no correspondan a las mismas personas
Todos los niños están vacunados y sobran dosis
Se vacunó a niños dos veces por indicación médica
La vacuna tiene más de una dosis por frasco
TipRespuesta de la pregunta 1
a. Una cobertura mayor al 100 % indica un desajuste: niños de otros cantones, duplicados o un denominador desactualizado.
3.1 Objetivos y pregunta de trabajo
Al terminar este capítulo podrás:
distinguir el registro nominal, el consolidado administrativo, la encuesta y la estimación internacional;
reconocer qué pregunta puede responder cada fuente y cuál no;
explicar por qué una cobertura administrativa puede superar el 100 %;
documentar una fuente en el catálogo del proyecto antes de usarla.
Pregunta de trabajo: el informe de un cantón muestra 104 % de cobertura con la tercera dosis de hexavalente. ¿Está todo vacunado?
3.2 Cuatro tipos de fuentes
Fuente
Unidad
Qué responde bien
Qué no responde
Registro nominal
Una dosis de una persona identificada
Esquema completo, oportunidad, deserción individual, búsqueda de pendientes
Personas nunca registradas
Consolidado administrativo
Dosis por establecimiento, mes y grupo de edad
Volumen de vacunación, tendencias, logística
Quién completó el esquema; duplicados
Encuesta poblacional
Niño de un hogar muestreado
Cobertura independiente del registro, causas de no vacunación
Áreas pequeñas; precisión limitada
Estimación OMS/UNICEF
País y año
Comparación internacional coherente
Diferencias dentro del país
El registro nominal es la fuente más rica, porque cada fila es una dosis de una persona. Permite saber si un niño completó su serie y cuándo. El consolidado suma dosis sin identidad: diez segundas dosis pueden corresponder a diez niños o, con duplicados, a siete. Las encuestas miran desde la población, no desde el servicio: encuentran a los niños que nunca llegaron al vacunatorio, pero con muestras que no alcanzan para un cantón pequeño. Las estimaciones WUENIC de la OMS y UNICEF combinan los datos administrativos que informa cada país con las encuestas disponibles y un juicio documentado (Burton et al., 2009). Por eso pueden diferir de la cifra nacional sin que ninguna sea un error de cálculo.
3.3 Del registro nominal al consolidado: lo que se pierde
Con el registro sintético del capítulo 2 construimos un consolidado mensual, como el que llenaría un establecimiento:
registro <-generar_registro_nominal(n =2000, semilla =2026)registro$vacuna_codigo <-normalizar_vacuna(registro$vacuna)registro$mes <-format(registro$fecha_vacunacion, "%Y-%m")consolidado <-aggregate(id_persona ~ canton + mes + vacuna_codigo + dosis,data = registro, FUN = length)names(consolidado)[names(consolidado) =="id_persona"] <-"dosis_aplicadas"head(consolidado[consolidado$vacuna_codigo =="HEXAVALENTE", ], 6)
En el consolidado ya no podemos preguntar cuántos niños tienen las tres dosis de hexavalente: solo sabemos cuántas terceras dosis se aplicaron. Tampoco podemos distinguir una fila cargada dos veces de dos niños distintos. Comparemos el número de terceras dosis con el número de niños distintos que las recibieron:
La diferencia corresponde a duplicados que el consolidado cuenta como vacunaciones. En el registro nominal podemos detectarlos y quitarlos; en el consolidado quedan escondidos.
3.4 El denominador: de dónde sale el 104 %
La cobertura administrativa divide dosis aplicadas por una población objetivo. En Ecuador esa población suele salir de las proyecciones del INEC, que el paquete pobecu pone a disposición. Una proyección se calcula años antes y no observa la migración reciente. Además, el numerador cuenta a los niños atendidos en el cantón, vivan o no en él.
Simulemos el problema. En nuestro registro sintético conocemos la población verdadera de cada cantón. Supongamos que la proyección oficial subestima en 12 % la población del cantón C01, porque llegaron familias después de la proyección, y que C01 además vacuna a niños de C04 que viajan a su centro de salud:
personas <-attr(registro, "personas")nacidos_2025 <- personas[format(personas$fecha_nacimiento, "%Y") =="2025", ]verdadera <-table(nacidos_2025$canton)proyectada <-round(verdadera *c(C01 =0.88, C02 =1.03, C03 =0.97, C04 =1.05, C05 =1.00))hexa3_2025 <- hexa3[hexa3$id_persona %in% nacidos_2025$id_persona, ]hexa3_2025 <- hexa3_2025[!duplicated(hexa3_2025[c("id_persona", "dosis")]), ]# Lugar de vacunación: 30 % de los niños de C04 se vacunan en C01.set.seed(1)lugar <- hexa3_2025$cantonde_c04 <-which(lugar =="C04")lugar[sample(de_c04, round(0.3*length(de_c04)))] <-"C01"dosis_lugar <-table(factor(lugar, levels =names(verdadera)))dosis_residencia <-table(factor(hexa3_2025$canton, levels =names(verdadera)))comparacion <-data.frame(canton =names(verdadera),cobertura_administrativa =round(100*as.numeric(dosis_lugar / proyectada), 1),cobertura_real =round(100*as.numeric(dosis_residencia / verdadera), 1))comparacion
El cantón C01 parece tener una cobertura mayor que la real por dos errores que se suman: el denominador subestimado y el numerador inflado por niños de otro cantón. El C04 parece peor de lo que está, porque sus niños vacunados se contaron en C01. Los dos errores no se compensan; se trasladan de un territorio a otro.
largo <-rbind(data.frame(canton = comparacion$canton, tipo ="Administrativa", valor = comparacion$cobertura_administrativa),data.frame(canton = comparacion$canton, tipo ="Real", valor = comparacion$cobertura_real))ggplot(largo, aes(canton, valor, fill = tipo)) +geom_col(position =position_dodge(width =0.75), width =0.7) +geom_hline(yintercept =100, linetype =2, colour ="grey40") +scale_fill_manual(values =c(Administrativa ="#c0712b", Real ="#1f5f8b")) +labs(x ="Cantón (sintético)", y ="Cobertura (%)", fill =NULL) +theme_minimal(base_size =12) +theme(legend.position ="top")
Figura 3.1: Cobertura de la tercera dosis de hexavalente en la cohorte sintética de 2025: administrativa (lugar de vacunación y población proyectada) frente a la real (residencia y población verdadera).
El resultado reproduce la pregunta de trabajo: C01 supera el 100 % aunque una parte de su cohorte sigue sin la tercera dosis, y C04 aparece muy por debajo de su cobertura real. En los demás cantones la diferencia es menor porque sus errores de proyección son pequeños y nadie cruza el límite cantonal. Una cobertura mayor al 100 % no demuestra que todos estén vacunados: demuestra que el numerador y el denominador no hablan de las mismas personas.
3.5 El catálogo de fuentes
Antes de usar una fuente, el proyecto la registra en datos/catalogo.csv. Si la verificación no se hizo, el campo lo dice:
Un catálogo con fuentes «PENDIENTE» no es un defecto: es honesto. El defecto sería presentar una cifra cuya licencia, versión o fecha de corte nadie revisó.
3.6 Responder la pregunta de trabajo
Un 104 % no dice que todo el cantón esté vacunado. Indica que el numerador incluye a personas que el denominador no contiene (niños de otros cantones, duplicados) o que el denominador está desactualizado. Antes de reportarlo, conviene revisar los duplicados en el registro nominal, comparar el lugar de vacunación con la residencia y contrastar con una encuesta o con la cobertura nominal por cohorte (capítulo 6).
3.7 Limitaciones
El catálogo de este capítulo incluye fuentes cuya publicación abierta y desagregación aún no se verificaron; su estado lo indica.
La simulación del denominador usa errores elegidos para ilustrar el mecanismo. El tamaño real de esos errores en Ecuador requiere comparar proyecciones, nacidos vivos inscritos y encuestas.
3.8 Ejercicios
Fuente adecuada. Para cada pregunta, elige la fuente más adecuada y justifica: (a) ¿qué niños del establecimiento tienen pendiente la segunda dosis de rotavirus?; (b) ¿cómo se compara la cobertura de Ecuador con la de Perú en 2024?; (c) ¿por qué las familias de una parroquia no vacunan?
Duplicados. Calcula, para cada vacuna y dosis, la diferencia entre filas y niños distintos en el registro sintético. ¿Qué vacuna tiene más duplicados?
Sensibilidad del denominador. Repite la comparación suponiendo que la proyección de C01 es correcta. ¿Cuánto cambia su cobertura administrativa?
Catálogo. Agrega al catálogo una fila para una fuente que uses en tu trabajo, con su estado de verificación real.
TipSoluciones razonadas
Registro nominal: solo él identifica a cada niño y sus dosis. (b) WUENIC: usa un método común para todos los países. (c) Encuesta, o un estudio cualitativo: el registro no contiene las razones de quien nunca acudió.
aggregate(id_persona ~ vacuna_codigo + dosis, registro, function(x) length(x) - length(unique(x))). Las vacunas con más dosis aplicadas tienden a acumular más duplicados en números absolutos; compáralo también como proporción.
Reemplaza 0.88 por 1 en proyectada. La cobertura administrativa de C01 baja, pero sigue por encima de la real por los niños de C04: el error del numerador no depende del denominador.
La respuesta depende de la fuente; lo importante es no escribir «VERIFICADA» sin haber revisado la URL, la versión y las condiciones de uso.
3.9 Autoevaluación
Responde antes de abrir cada respuesta. Si fallas una, vuelve a la sección correspondiente antes de continuar.
3.9.1 Comprobación
2. ¿Qué pregunta NO puede responder un consolidado de dosis aplicadas por establecimiento y mes?
Cuántas terceras dosis se aplicaron en marzo
Cómo cambió el volumen de vacunación en el año
Cuántos niños completaron las tres dosis de hexavalente
Cuántas dosis se usaron para planificar biológicos
TipRespuesta de la pregunta 2
c. El consolidado no tiene identidad de personas, así que no puede saber quién completó una serie.
3. Las estimaciones OMS/UNICEF (WUENIC) pueden diferir de la cobertura administrativa nacional porque:
Usan otra definición de vacuna
Combinan datos administrativos, encuestas y un juicio documentado
Solo consideran a niños urbanos
Se calculan con proyecciones de otro país
TipRespuesta de la pregunta 3
b. WUENIC integra varias fuentes con un método común para comparar países. La diferencia no implica un error de cálculo.
4. En la simulación del capítulo, el cantón C04 parece tener menor cobertura de la real porque:
Su proyección sobreestima mucho la población
Tiene más duplicados
No vacuna a ningún niño
Parte de sus niños se vacuna en C01 y se cuenta allí
TipRespuesta de la pregunta 4
d. Con el lugar de vacunación como numerador, los niños que cruzan el límite cantonal se restan de un territorio y se suman a otro.
3.9.2 Transferencia a tu trabajo
5. Necesitas saber por qué las familias de una parroquia no vacunan a sus hijos. ¿Qué fuente es más adecuada?
El registro nominal
El consolidado mensual
Las estimaciones WUENIC
Una encuesta o un estudio cualitativo en la parroquia
TipRespuesta de la pregunta 5
d. Las razones de no vacunación no están en los registros del servicio; hay que preguntar en la población.
6. Vas a usar una fuente cuya licencia no revisaste. En el catálogo del proyecto deberías:
Marcarla como VERIFICADA para no frenar el análisis
Registrarla con estado PENDIENTE y no presentar cifras como definitivas hasta revisarla
No registrarla
Copiar la licencia de otra fuente similar
TipRespuesta de la pregunta 6
b. El catálogo debe reflejar lo que realmente se verificó. Un estado PENDIENTE honesto vale más que una verificación inventada.
3.10 Ideas que debes conservar
Cada fuente responde preguntas distintas; el registro nominal es la única que permite seguir a una persona.
El consolidado no puede distinguir duplicados ni medir esquemas completos.
Una cobertura mayor al 100 % señala un desajuste entre numerador y denominador, no una protección total.
Burton, A. et al. (2009). WHO and UNICEF estimates of national infant immunization coverage: methods and processes. Bulletin of the World Health Organization, 87(7), 535-541. https://doi.org/10.2471/BLT.08.053819
Jackson, M. L., & Nelson, J. C. (2013). The test-negative design for estimating influenza vaccine effectiveness. Vaccine, 31(17), 2165-2168.
Lopez Bernal, J., Cummins, S., & Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, 46, 348-355. https://doi.org/10.1093/ije/dyw098
Ministerio de Salud Pública del Ecuador. (2024). Vigilancia de eventos supuestamente atribuidos a la vacunación o inmunización (ESAVI) graves y de eventos adversos de interés especial (EVADIE).
Ministerio de Salud Pública del Ecuador. (2025). Norma técnica del Sistema Integrado de Vigilancia Epidemiológica (SIVE).
Orenstein, W. A. et al. (1985). Field evaluation of vaccine efficacy. Bulletin of the World Health Organization, 63(6), 1055-1068.
Organización Panamericana de la Salud. (2021). Manual de vigilancia de eventos supuestamente atribuibles a la vacunación o inmunización en la Región de las Américas.
pobecu contributors. (s. f.). pobecu: poblaciones ecuatorianas para análisis en R. Recuperado 31 de octubre de 2026, de https://github.com/f-slg/pobecu