estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/estandarizacion-directa
Estandarización directa de tasas
Cómo comparar poblaciones con estructuras de edad distintas: el método paso a paso, con un ejemplo donde el ranking se da vuelta.
Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma
1 · Qué resuelve
Comparar tasas entre poblaciones con estructuras por edad distintas, sin que la diferencia de composición contamine la comparación.

Es el tratamiento estándar de una variable de confusión —la edad— en el terreno de las tasas.
2 · El método
Paso 1. Calcular las tasas específicas por grupo de edad en cada población.
Paso 2. Elegir una población de referencia y obtener su estructura: qué proporción tiene en cada grupo.
Paso 3. Aplicar las tasas específicas de cada población a la estructura de referencia:
Paso 4. Comparar las tasas estandarizadas entre sí.
3 · La cuenta, con Catamarca
Las tasas específicas de Catamarca en 2022, multiplicadas una por una por el peso que ese grupo tiene en la población argentina:
| Grupo | Tasa por mil | Peso nacional | Producto |
|---|---|---|---|
| 0 a 9 | 0,69 | 0,1412 | 0,097 |
| 20 a 24 | 0,95 | 0,0770 | 0,073 |
| 40 a 44 | 1,92 | 0,0727 | 0,139 |
| 55 a 59 | 7,76 | 0,0481 | 0,373 |
| 65 a 69 | 21,38 | 0,0380 | 0,812 |
| 75 a 79 | 52,22 | 0,0224 | 1,170 |
| 80 y más | 138,04 | 0,0264 | 3,641 |
| Suma de los 16 grupos | 1,0000 | 8,695 |
El primer grupo es de 0 a 9 años porque el archivo de defunciones junta el primer año de vida con el resto de la infancia: adentro de ese grupo, la mortalidad infantil queda mezclada con la más baja de toda la vida.
4 · Las 24 jurisdicciones, antes y después
Con las defunciones de 2022 del DEIS, la población del Censo 2022 en viviendas particulares y la estructura del país como referencia, el reordenamiento es brutal:
| Jurisdicción | Bruta | Estandarizada | Puesto |
|---|---|---|---|
| Ciudad de Buenos Aires | 10,76 | 7,01 | 1 → 23 |
| La Pampa | 8,17 | 7,65 | 7 → 21 |
| Mendoza | 8,11 | 7,97 | 8 → 18 |
| Catamarca | 7,44 | 8,69 | 12 → 11 |
| Chaco | 8,80 | 11,45 | 6 → 1 |
| Santa Cruz | 5,84 | 8,68 | 23 → 12 |
| La Rioja | 7,25 | 9,32 | 17 → 4 |
| Misiones | 7,43 | 10,35 | 14 → 2 |
5 · El mismo método en el mercado de trabajo
Tasa de desocupación de la población de 15 años y más en los 12 aglomerados más grandes de la EPH, estandarizada con la estructura por edad de la PEA de los 12 juntos:
| Aglomerado | Cruda | Estandarizada | Margen (95 %) | Puesto |
|---|---|---|---|---|
| Gran Resistencia | 9,69 % | 8,70 % | ±2,3 | 1 → 3 |
| Partidos del GBA | 9,68 % | 9,53 % | ±1,2 | 2 → 2 |
| Mar del Plata - Batán | 9,31 % | 9,81 % | ±2,8 | 3 → 1 |
| Gran Córdoba | 8,81 % | 8,58 % | ±1,8 | 4 → 4 |
| CABA | 4,78 % | 5,46 % | ±2,0 | 11 → 10 |
| Gran San Juan | 3,08 % | 3,06 % | ±1,5 | 12 → 12 |
El movimiento de cada tasa es la lección. Resistencia tiene una PEA más joven (16 % de 15 a 24 años, contra 12 % en la referencia), y la desocupación juvenil es más alta en todos lados: al darle la estructura común, su tasa baja un punto. Parte de su tasa alta era composición, no mercado de trabajo. CABA, con una PEA más vieja, se mueve al revés.
6 · Cómo se lee el resultado
Sirve solo para comparar entre poblaciones estandarizadas con la misma referencia, y no para dimensionar el problema real. Para eso está la bruta.
7 · Cuándo hace falta
| Situación | ¿Estandarizar? |
|---|---|
| Comparar provincias, países o departamentos | Sí |
| Comparar la misma población a lo largo del tiempo | Sí: la estructura cambia |
| Comparar grupos con estructuras muy parecidas | no hace falta |
| Describir la carga real de eventos | No: va la bruta |
| Comparar tasas específicas entre sí | no aplica: ya están controladas |
8 · Sus límites
Depende de la referencia elegida. Con otra población estándar, las tasas cambian de nivel: el promedio de las 24 jurisdicciones es 6,23 por mil con la población mundial de la OMS, 8,62 con la argentina y 14,03 con la europea. El orden cambia menos, pero cambia: las cinco primeras y las cinco últimas quedan iguales con las tres referencias, mientras que en el medio de la tabla, con la de la OMS, 11 de las 24 cambian de puesto (Buenos Aires pasa del 9.º al 12.º). Las puntas son firmes; el medio depende de la referencia.
Solo controla lo que se usa para estandarizar. Estandarizar por edad no controla por sexo, nivel socioeconómico ni ninguna otra cosa.
Necesita tasas específicas confiables. Con grupos de pocos casos, las específicas son inestables y la estandarizada hereda esa inestabilidad. Y la hereda amplificada en las edades avanzadas, porque son las que más pesan: el intervalo de Tierra del Fuego es siete veces más ancho que el de CABA.
No reemplaza a un modelo. Para controlar varias variables a la vez conviene una regresión o una regresión de Poisson.
9 · Errores frecuentes
- Interpretar la tasa estandarizada como real.
- Comparar tasas estandarizadas con referencias distintas.
- No declarar cuál fue la población de referencia. Sin eso el número no es reproducible.
- Estandarizar y no informar la bruta.
- Leer diferencias chicas entre estandarizadas sin mirar sus intervalos.
- Usar grupos de edad demasiado amplios, que dejan confusión residual adentro de cada grupo.
- Estandarizar con específicas basadas en muy pocos eventos.
10 · En el software
# R — defunciones 2022 por jurisdicción y edad, del descargable del sitio
library(dplyr)
zip <- tempfile(fileext = ".zip")
download.file("https://estadistica.ar/descargas/estandarizacion.zip", zip, mode = "wb")
d <- read.csv(unz(zip, "estandarizacion/datos/mortalidad-2022.csv"))
std <- read.csv(unz(zip, "estandarizacion/datos/estandares.csv"))
# Paso 2: la estructura de referencia, la población argentina
referencia <- std |> transmute(grupo_edad, peso = argentina / sum(argentina))
sum(referencia$peso) # control: tiene que dar 1
# Pasos 1 y 3: específicas, y su media ponderada con los pesos de referencia
tabla <- d |>
left_join(referencia, by = "grupo_edad") |>
group_by(jurisdiccion) |>
summarise(bruta = sum(defunciones) / sum(poblacion) * 1000,
estandarizada = sum(defunciones / poblacion * peso) * 1000,
ic95 = 1.96 * sqrt(sum(peso^2 * defunciones / poblacion^2)) * 1000) |>
arrange(desc(estandarizada))
tabla
#> Chaco 8.80 11.45 0.23 · Misiones 7.43 10.35 0.21 · ...
# Con paquete: epitools::ageadjust.direct(count, pop, stdpop = ...)
# da el intervalo por el método gamma, mejor con pocos casos
# Python — el mismo cálculo
import io
import urllib.request
import zipfile
import numpy as np
import pandas as pd
pedido = urllib.request.Request("https://estadistica.ar/descargas/estandarizacion.zip",
headers={"User-Agent": "Mozilla/5.0"})
z = zipfile.ZipFile(io.BytesIO(urllib.request.urlopen(pedido).read()))
d = pd.read_csv(z.open("estandarizacion/datos/mortalidad-2022.csv"))
std = pd.read_csv(z.open("estandarizacion/datos/estandares.csv"))
peso = std.set_index("grupo_edad")["argentina"]
peso = peso / peso.sum() # estructura de referencia
d["peso"] = d["grupo_edad"].map(peso)
d["tasa"] = d["defunciones"] / d["poblacion"]
g = d.groupby("jurisdiccion")
tabla = pd.DataFrame({
"bruta": g["defunciones"].sum() / g["poblacion"].sum() * 1000,
"estandarizada": (d["tasa"] * d["peso"]).groupby(d["jurisdiccion"]).sum() * 1000,
"ic95": 1.96 * np.sqrt((d["peso"] ** 2 * d["defunciones"] / d["poblacion"] ** 2)
.groupby(d["jurisdiccion"]).sum()) * 1000,
})
print(tabla.sort_values("estandarizada", ascending=False).round(2).head())Herramientas de este tema
- CalculadoraEstandarización de tasas
- SimuladorLa paradoja de Simpson
- PlantillaEstandarización directa de tasas
- ScriptEstandarización de tasas
Seguir leyendo
Bioestadística · El dato en contexto · 86 de 330
Estadística para Economía y Administración · El dato en contexto · 92 de 318
Estadística para Ciencias Sociales · El dato en contexto · 80 de 288
Estadística para la tesis · Instrumento · 33 de 233
Cómo citar: Montivero, J. L. (2026). Estandarización directa de tasas. estadistica.ar. https://estadistica.ar/conceptos/estandarizacion-directa
estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.
Cómo citar esta entrada
APA (7.ª edición)
Montivero, J. L. (2026). Estandarización directa de tasas. estadistica.ar. https://estadistica.ar/conceptos/estandarizacion-directa
BibTeX
@misc{estadistica_ar_estandarizacion_directa,
author = {Montivero, Jorge Luis},
title = {{Estandarización directa de tasas}},
year = {2026},
howpublished = {\url{https://estadistica.ar/conceptos/estandarizacion-directa}},
note = {estadistica.ar. Consultado el \today},
urldate = {2026-11-16}
}Última actualización: 16 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.