La finalidad de este ejercicio es dar un repaso a la producción de datos poblacionales y conocer un poco más a la población LGBT+.
Con motivo del día del orgullo LGBT (que pasó hace ya algunos días), hemos calculado estadísticas, tablas y gráficos que contribuyan a conocer mejor a la población LGBT+ en México, apoyándonos de la Encuesta Nacional sobre Diversidad Sexual y de Género (ENDISEG), levantada en 2021 por el Instituto Nacional de Estadística y Geografía (INEGI).
Consulta la ENDISEG completa aquí
Sin embargo, antes de presentar las cifras y gráficos, queremos usar este post para dar un repaso a consideraciones mínimas que deben existir al trabajar datos poblacionales, de tal forma que podamos entender mejor qué se hizo en la ENDISEG y cómo entender los datos provenientes de encuestas.
1.- Al trabajar con encuestas es imprescindible conocer el Diseño Muestral con el que fue elaborado.
Las encuestas a hogares y viviendas suelen utilizar un diseño muestral. Esto significa que no levantan información en la totalidad de las viviendas, hogares o personas del país, sino en una muestra seleccionada mediante criterios estadísticos.
Un diseño muestral es el conjunto de procedimientos que define cómo se seleccionan las unidades que serán encuestadas. Incluye decisiones como el tamaño de la muestra, la forma de selección de viviendas, hogares o personas, la estratificación, los conglomerados territoriales y los factores de expansión que permitirán transformar los datos muestrales en estimaciones poblacionales.
Para construir este diseño se parte de un marco muestral. El marco muestral es el listado, estructura o conjunto organizado de unidades a partir del cual se selecciona la muestra. En encuestas nacionales, este marco suele construirse con información proveniente de censos, conteos, registros administrativos y otras fuentes oficiales. Su función es permitir que la selección de viviendas y personas no sea arbitraria, sino estadísticamente controlada.
En este proceso se forman estratos, es decir, agrupaciones de unidades con características similares. Estos estratos pueden considerar variables sociodemográficas, económicas y territoriales, como edad, sexo, características de la vivienda, acceso a servicios, tamaño de localidad, entidad federativa o ubicación geográfica. La estratificación ayuda a mejorar la precisión de las estimaciones y a garantizar que distintos grupos de la población estén adecuadamente representados en la encuesta.
A partir del marco muestral, se seleccionan viviendas ubicadas en conglomerados territoriales, como Áreas Geoestadísticas Básicas (AGEB) o Unidades Primarias de Muestreo (UPM). Este procedimiento permite que una vivienda, hogar o persona encuestada represente a un conjunto más amplio de unidades con características similares dentro de determinados estratos poblacionales y geográficos.
De esta manera, las encuestas pueden producir estimaciones representativas sin necesidad de visitar todas las viviendas del país. Esto reduce de manera considerable los costos operativos y de levantamiento, al mismo tiempo que permite generar información estadística útil para el análisis social, económico y demográfico.
Te dejamos aquí mismo la nota del Diseño Muestral de la ENDISEG donde podrás aprender un poco más sobre diseño muestral:
ENDISEG 2021, Diseño muestral, INEGI.
2.- Para obtener las cifras a nivel poblacional, debemos usar el Factor de Expansión
Una vez que entendemos que cada persona encuestada representa a un número determinado de personas en la población, podemos introducir el concepto de factor de expansión.
El factor de expansión indica a cuántas personas representa cada observación de la muestra. Por ejemplo, si una persona encuestada tiene un factor de expansión de 455, significa que esa persona representa aproximadamente a 455 personas con características similares dentro del estrato donde fue seleccionada.
Esto también aplica a sus respuestas. Si esa persona declaró tener escolaridad hasta secundaria, entonces, al aplicar el factor de expansión, esa respuesta no cuenta únicamente como un caso observado en la muestra, sino como una estimación de 455 personas con escolaridad hasta secundaria dentro de la población representada.
Por ello, cuando trabajamos con encuestas, la clave no está solo en contar cuántas personas respondieron determinada opción, sino en sumar los factores de expansión de quienes dieron esa respuesta. De esta manera, los resultados muestrales se transforman en estimaciones poblacionales.
En términos simples: no se suma únicamente el número de personas encuestadas, sino el número de personas que cada una representa. Así podemos aproximarnos al tamaño de una población, subpoblación o grupo específico dentro de un territorio, entidad federativa o país.
Por ejemplo, si queremos estimar cuántas personas tienen escolaridad hasta secundaria en México, debemos identificar a quienes respondieron esa categoría y sumar sus factores de expansión. Esa suma nos dará la estimación poblacional.
En una encuesta con diseño muestral, el dato poblacional no se obtiene contando solo los casos de la muestra, sino sumando los factores de expansión de los casos que cumplen con la característica analizada.
En la ENDISEG 2021 se encuestaron 43,737 viviendas, que representan aproximadamente 36.4 millones de viviendas, así como 44,189 personas, que representan alrededor de 97.2 millones de personas de 15 años y más.
Los factores de expansión varían según el diseño muestral, los estratos y la ubicación geográfica. Por ejemplo, una persona encuestada en Ciudad de México, donde en 2022 residían alrededor de 7.6 millones de personas de 15 años y más, puede representar a un número distinto de personas que una persona encuestada en Zacatecas, donde habitaban poco más de un millón de personas en el mismo periodo.
En el caso de la población LGBT+, los casos observados en la encuesta variaron por entidad en un rango aproximado de 40 a 110 personas. Si no se consideraran los factores de expansión, podría cometerse el error de trabajar solo con la muestra, lo que nos llevaría a creer que la población LGBT+ en el país es muy reducida, inferior a 2,500 personas y no podriamos inferir resultados a la población total.
A continuación veremos los resultados para los datos muestrales obtenidos de la ENDISEG 2021 a nivel entidad.
En estos datos podemos observar que la mayor cantidad de entrevistas a personas de la comunidad LGBT+ se dieron en Yucatán, Querétaro y Colima. Las primeras dos entidades tienen cerca de 1.8 millones de habitantes mayores a 15 años, mientras que Colima ronda los 577 mil.
Las entidades con menos casos fueron Michoacán, Baja California y Tamaulipas. En cuarto lugar la Ciudad de México.
¿Qué sucede al aplicar los factores de expansión?
Veamos…
Al aplicar los factores de expansión, las estimaciones adquieren una dimensión distinta: Los primeros lugares son México, Ciudad de México y Veracruz, entidades con tamaños poblacionales grandes y donde la probabilidad ha jugado a favor, ya que al representar a más población, la muestra ha colocado a las entidades más pobladas como las de mayor población LGBT+.
Las encuestas que se realizan bajo un diseño muestral requieren que se aplique el mismo diseño muestral (a través de un factor de expansión) para obtener las cifras poblacionales objetivo.
3.- Se precisa conocer los Coeficientes de Variación para garantizar la representatividad de los datos
También es posible que, al trabajar con datos obtenidos a partir de una muestra, algunas estimaciones no tengan suficiente precisión para representar adecuadamente a la población de interés.
Esto ocurre con especial frecuencia cuando se analizan subpoblaciones o grupos pequeños dentro de la encuesta. Aunque el diseño muestral sea representativo para la población general, no siempre garantiza la misma precisión para todos los subconjuntos poblacionales. Cuando el número de casos observados es reducido, la estimación poblacional puede volverse menos precisa: a menor cantidad de datos disponibles, mayor incertidumbre estadística.
Para evaluar qué tan precisa puede ser una estimación, se utiliza el coeficiente de variación (CV). Este indicador expresa, en porcentaje, la relación entre el error estándar y la estimación puntual. En términos simples, permite conocer qué tan grande es la variabilidad estadística de una estimación en relación con su propio tamaño.
Por ejemplo, una estimación basada en pocos casos puede generar un valor expandido aparentemente alto, pero con un coeficiente de variación elevado. Esto significa que la cifra debe interpretarse con cautela, ya que puede tener una alta incertidumbre asociada.
Comúnmente, INEGI incluye el coeficiente de variación en sus tabulados y utiliza criterios de referencia para orientar la lectura de las estimaciones. Cuando el CV se encuentra entre 0% y 15%, la variabilidad se considera baja, por lo que la estimación tiene mayor precisión estadística. Cuando el CV se ubica entre 15.01% y 30%, la variabilidad es moderada: la estimación aún puede utilizarse, pero debe interpretarse con cautela. Finalmente, cuando el CV es mayor a 30%, la variabilidad es alta y se recomienda no utilizar la cifra para realizar inferencias sólidas sobre la población, ya que la muestra puede no ser suficiente para estimar con precisión ese subconjunto.
Por esta razón, al analizar datos poblacionales por entidad federativa o por subcategorías específicas no basta con observar únicamente la estimación expandida. También es necesario revisar el coeficiente de variación, los intervalos de confianza y el número de casos observados en la muestra. Estos elementos permiten distinguir entre cifras estadísticamente más robustas y estimaciones que deben leerse como aproximaciones con mayor incertidumbre.
Veamos los datos anteriores pero con sus respectivos CV.
La regla general es clara: una estimación con un coeficiente de variación mayor a 30% no debe interpretarse como una cifra definitiva ni como una estimación suficientemente precisa para realizar inferencias sólidas.
En el caso de las estimaciones de población LGBT+ por entidad federativa en México, ninguna entidad presentó un CV mayor a 30%. Por ello, es posible realizar comparaciones y análisis territoriales con estos datos, siempre manteniendo una lectura prudente y considerando que se trata de estimaciones derivadas de una encuesta.
Sin embargo, el problema puede aparecer cuando buscamos desagregar más la información. Por ejemplo, si quisiéramos analizar únicamente a personas LGBT+ de 45 años en Yucatán, tendríamos que calcular nuevamente el coeficiente de variación para ese subgrupo específico. Al tratarse de una muestra mucho más pequeña, es probable que el CV aumente considerablemente, lo que reduciría la precisión de la estimación.
Esta es una limitación importante en muchos trabajos poblacionales: el tamaño de muestra debe ser suficiente para producir estimaciones con niveles aceptables de precisión. De lo contrario, cualquier inferencia sobre ese grupo puede volverse cuestionable o tener un nivel bajo de confianza estadística.
Comúnmente, existen cruces mínimos que sí pueden realizarse con mayor estabilidad, como entidad federativa y sexo, o incluso desagregaciones a nivel municipal cuando el tamaño de muestra lo permite. Sin embargo, mientras más específica sea la población analizada, mayor será el riesgo de trabajar con pocos casos observados y, por tanto, con estimaciones menos precisas.
Una estrategia frecuente en demografía y análisis poblacional consiste en agrupar categorías. Si el cruce entre Yucatán y personas de 45 años no ofrece suficiente precisión por su alta variabilidad, puede ser más adecuado agrupar la edad en quinquenios, decenios, intervalos de 15 años o categorías más amplias, como menores de 45 años y personas de 45 años y más.
Agrupar categorías permite aumentar el número de casos observados dentro de cada grupo, reducir la variabilidad estadística y aproximarnos de mejor manera a la pregunta de investigación. No elimina por completo la incertidumbre, pero puede mejorar la estabilidad de las estimaciones y hacer que los resultados sean más útiles para el análisis.
4.- Toda estimación debe incluir Intervalos de confianza
Cuando obtenemos datos poblacionales mediante factores de expansión, estamos realizando una estimación bajo un esquema de selección probabilística. Esto significa que cada vivienda, hogar o persona incluida en el marco muestral tiene una probabilidad conocida, aunque no necesariamente igual, de ser seleccionada en la encuesta.
En una encuesta con diseño muestral complejo, la selección puede ocurrir en varias etapas. Por ejemplo, primero puede seleccionarse una unidad territorial, como una manzana, AGEB o Unidad Primaria de Muestreo; después, dentro de esa unidad, pueden seleccionarse viviendas, hogares o personas.
Pensemos en un ejemplo simplificado. Supongamos que una manzana es seleccionada entre 400 manzanas posibles. La probabilidad de seleccionar esa manzana sería:
1 / 400
Después, dentro de esa manzana, una persona es seleccionada entre 1,500 personas posibles. La probabilidad de seleccionar a esa persona, dado que su manzana ya fue seleccionada, sería:
1 / 1,500
La probabilidad total de selección se obtiene multiplicando ambas probabilidades:
1 / 400 × 1 / 1,500 = 1 / 600,000
Esto equivale a una probabilidad de selección de aproximadamente:
0.00000167
Este ejemplo es únicamente ilustrativo, pero ayuda a entender por qué cada persona encuestada puede representar a muchas más personas dentro de la población. En términos generales, mientras menor sea la probabilidad de selección de una unidad, mayor será el número de personas que representa en la estimación poblacional.
El factor de expansión se relaciona con esta probabilidad de selección. De manera simplificada, puede entenderse como el inverso de la probabilidad de ser seleccionado, aunque en la práctica también puede ajustarse por no respuesta, calibración poblacional y otros procedimientos propios del diseño muestral.
Por esta razón, las cifras obtenidas a partir de encuestas no deben interpretarse como conteos exactos, sino como estimaciones estadísticas. El valor puntual estimado representa la mejor aproximación disponible con base en la muestra, pero está sujeto a variabilidad muestral. Es decir, si se levantara otra muestra bajo el mismo diseño, el resultado podría variar.
Comúnmente, las estimaciones derivadas de encuestas se acompañan de intervalos de confianza al 95%. Estos intervalos se calculan a partir del error estándar del estimador y permiten expresar un rango de valores plausibles para la población estimada. En términos simples, el intervalo de confianza muestra que el dato no es una cifra única e inamovible, sino una aproximación estadística construida a partir de una muestra probabilística.
Por ejemplo, si una encuesta estima una población de 4.9 millones de personas, el intervalo de confianza puede indicar que el valor poblacional plausible se encuentra entre 3.6 y 6.4 millones. Así, la estimación puntual permite comunicar una cifra central, mientras que el intervalo de confianza permite mostrar el margen de incertidumbre estadística asociado a esa cifra.
A continuación, se presenta una ilustración que resume esta idea: a partir de una muestra probabilística se obtiene una estimación puntual, y mediante el intervalo de confianza se comunica el rango de incertidumbre asociado a esa estimación.
Considerando que cada estimación lleva un intervalo de confianza, es importante compartir estos valores cuando comunicamos resultados, logrando así una comparación más técnica de los valores.
En el ejemplo de la población LGBT+ en México, el estimador puntual usando los factores de expansión nos dió 4.99 millones de habitantes, con un rango que va de 3.6 millones a 6.4 millones al calcular intervalos de confianza al 95%, por lo que la cifra real en un ejercicio censal exhaustivo rondaría este rango.
A continuación, la información presentada anteriormente pero con sus intervalos superior e inferior.
Los intervalos de confianza no cambian los resultados estimados, pero si nos dan un mejor panorama de cómo se distribuye la población LGBT+ en las entidades del país.
De manera gráfica, la población LGBT+ por entidad se presenta a continuación.
¡¡Hágale zoom!!
Los intervalos de confianza ahora juegan un papel interesante en el análisis: Si bien el Estado de México se encuentra en un indiscutible primer lugar, el resto de entidades entra en disputas, por ejemplo:
La CDMX estima puntualmente 310,788 personas, mientras que Veracruz 307,858, una diferencia de 2,930 personas que anteriormente nos había hecho concluir que en CDMX había más población LGBT+ que en Veracruz. Sin embargo, al considerar los intervalos de confianza y comparar sus rangos completos, observamos que los rangos de ambas entidades coinciden en la mayoría de casos. En palabras simples: hay mucha probabilidad de que el valor verdadero de CDMX y de Veracruz coincidan
Cuando los intervalos de confianza se superponen entre dos poblaciones, NO podemos garantizar diferencia entre sus resultados. Por tanto, la conclusión de que en CDMX hay más población LGBT+ respecto a Veracruz es estadísticamente incorrecta.
Esto es uno de los detalles más importantes que debemos conocer al trabajar con datos expandidos, no es tan sencillo dar conclusiones, debemos siempre considerar los rangos que nos dan los intervalos de confianza, al menos para comparar entre grupos.
Un ejemplo de una comparación que si revela diferencia sería comparar Ciudad de México con Querétaro: El intervalo de CDMX va de 211 mil hasta 410 mil, el de QRO va de 121 mil a 185 mil. En ningun caso estos se superponen, de hecho en el gráfico se nota. Por tanto aquí si podemos hablar de que hay evidencia suficiente para concluir que hay más población LGBT+ en CDMX que en Querétaro.
Ahora que sabemos esto, podemos hacer muchas más observaciones con nuestros datos.
6.- Mejoremos el análisis usando porcentajes, tasas y proporciones
Otra forma de hacer comparaciones poblacionales y que nos mete en menos problemas es mediante proporciones y tasas, es decir midiendo los fenómenos de forma relativa a la población.
A continuación, los resultados de obtener proporciones dividiendo los casos encontrados de población LGBT+ por entidad entre la población mayor a 15 años en las mismas entidades.
Al comparar los datos con la población total de cada entidad, la lectura cambia. Lo que en números absolutos puede parecer una cantidad elevada de personas LGBT+, en términos relativos representa porcentajes pequeños respecto al total de la población de 15 años y más. Ninguna entidad se acerca al 10%.
Este cambio de perspectiva es importante. Por ejemplo, el Estado de México aparece entre las entidades con mayor número absoluto de personas LGBT+, debido a su gran tamaño poblacional. Sin embargo, cuando calculamos la proporción de personas LGBT+ respecto a su población total de 15 años y más, la entidad desciende hasta las últimas posiciones, con una proporción ubicada entre 2.5% y 4.9%.
Esto muestra una diferencia clave entre trabajar con valores absolutos y trabajar con proporciones. En términos absolutos, las entidades más pobladas tienden a concentrar más personas. En cambio, las proporciones permiten comparar de manera más justa entre territorios de distinto tamaño, ya que relacionan la población LGBT+ estimada con el total de habitantes de cada entidad.
INEGI reporta que aproximadamente 5% de la población de 15 años y más en México se identifica como LGBT+. Sin embargo, al incorporar intervalos de confianza, podemos observar que esta estimación debe leerse dentro de un rango más amplio, aproximadamente entre 3.7% y 6.6%, si antes asegurabamos que 1 de cada 20 personas era parte de la comunidad LGBT+, ahora podemos pensar que incluso la cifra puede llegar a 1 de cada 15.
Esto recuerda que no se trata de un conteo exacto, sino de una estimación derivada de una encuesta probabilística.
Al observar las proporciones por entidad, Colima, Yucatán y Querétaro aparecen como las entidades con mayor presencia relativa de población LGBT+ respecto a su población de 15 años y más, con valores de 8.73%, 8.20% y 8.13%, respectivamente. Estos resultados son consistentes con la información observada en la muestra y con los criterios estadísticos revisados previamente, como los factores de expansión, los intervalos de confianza y los coeficientes de variación.
En el caso de subpoblaciones como la población LGBT+ y sus distintas desagregaciones (lesbiana, gay, bisexual, trans, entre otras) resulta especialmente útil calcular su proporción respecto al total de personas de 15 años y más. Este indicador permite realizar comparaciones territoriales más equilibradas, ya que considera el tamaño poblacional de cada entidad y no solo el número absoluto de personas estimadas.
Por ello, las proporciones no sustituyen a los valores absolutos, sino que los complementan. Mientras los valores absolutos muestran dónde se concentra un mayor número de personas, las proporciones permiten identificar en qué entidades la población LGBT+ tiene mayor peso relativo dentro de la estructura poblacional.
Dejaremos para una siguiente publicación un análisis más detallado sobre los patrones territoriales que aparecen al comparar entidades, subcategorías e indicadores de precisión estadística.
Un último detalle sobre la población LGBT+
Aunque contamos con datos estadísticos provenientes de muestras, estimaciones poblacionales y proporciones, todavía existe la posibilidad de que las cifras no reflejen completamente la realidad. ¿Por qué ocurre esto?
En el análisis de subpoblaciones aparece un fenómeno especialmente importante: la posible subestimación de la cifra verdadera.
Esta subestimación puede ocurrir incluso cuando la encuesta cuenta con un buen diseño muestral, factores de expansión adecuados y procedimientos estadísticos correctamente aplicados. El problema no siempre proviene del diseño de la encuesta, sino también de la forma en que las personas responden (o deciden no responder) ciertas preguntas.
En temas sensibles, como la orientación sexual o la identidad de género, algunas personas pueden preferir no declarar que pertenecen a una subpoblación específica. Esto puede deberse al estigma, al miedo, a la inseguridad, a la falta de confianza hacia la persona encuestadora, al contexto del hogar durante la entrevista o a otras condiciones sociales que influyen en la respuesta. Como resultado, una parte de la población LGBT+ puede no quedar registrada como tal dentro de la encuesta.
En el caso de la población LGBT+, algunas estimaciones pueden sugerir que esta población presenta mayores niveles educativos, mejores ingresos o una mayor concentración en zonas urbanas. Sin embargo, estos patrones deben interpretarse con cautela. Es posible que en territorios rurales, comunidades pequeñas o espacios donde el estigma social sea más fuerte, las personas tengan menos disposición a declarar su orientación sexual o identidad de género. Esto podría generar una subrepresentación de ciertos grupos y territorios dentro de los datos disponibles.
Por tanto, las cifras obtenidas mediante encuestas no deben leerse como conteos exactos, sino como aproximaciones estadísticas. Son herramientas valiosas para conocer la magnitud y distribución de la población LGBT+, pero también deben acompañarse de una lectura crítica sobre sus posibles limitaciones, especialmente cuando se trabaja con subpoblaciones expuestas a estigma, discriminación o condiciones de invisibilidad social.
¿Qué podemos concluir del ejercicio?
Primero, en estadística no todo es tan evidente: Cuando pensabamos haber obtenido una cifra de nuestra muestra, comprendimos que había que usar factores de expansión para obtener el valor poblacional.
En segundo lugar, garantizar que estos datos son precisos mediante el Coeficiente de Variación se vuelve imprescindible.
Tercero, resulta que este valor debe, de preferencia, presentarse con intervalos de confianza, de tal manera que cualquier comparación considere el rango donde el valor tiene probabilidad de aparecer.
En cuarto lugar, vimos que hay que añadir que las comparaciones entre subgrupos o entidades no arrojan conclusiones a menos que los intervalos no se superpongan, cambiando la sencillez con la que pensabamos podiamos leer los datos.
Por último vimos que los datos poblacionales no deben solo leerse y compararse como tal, es bueno considerar el total de personas habitante en un territorio para obtener proporciones o tasas que nos ayuden a entender y comparar mejor.
Si bien, la población LGBT+ mantiene una fuerte presencia en el país durante el mes de junio, es aún una minoría proporcional, por lo que darle visibilidad a sus causas continua siendo una tarea importante en donde la estadística juega un papel relevante.