La estimación precisa de la prevalencia es crucial para la planificación de la salud pública, especialmente para enfermedades raras o condiciones de baja prevalencia. Este estudio evaluó métodos frecuentistas y bayesianos para estimar la prevalencia, abordando desafíos como pruebas diagnósticas imperfectas, verificación parcial del estado de la enfermedad y muestras no probabilísticas. La post-estratificación se aplicó como un método novedoso y se utilizó para mejorar la representatividad y corregir sesgos. Tres escenarios fueron analizados: (1) verificación completa utilizando un estándar de oro, (2) estimación con una prueba diagnóstica de sensibilidad y especificidad conocidas, y (3) verificación parcial del estado de la enfermedad limitada a los positivos en la prueba. En todos los escenarios, los ajustes de post-estratificación aumentaron las estimaciones de prevalencia y la longitud de los intervalos, resaltando la importancia de tener en cuenta la variabilidad de la población. Los métodos bayesianos demostraron ventajas en la integración de información previa y modelado de incertidumbre, especialmente bajo condiciones de alta variabilidad y baja prevalencia. Entre los hallazgos clave se incluyó la flexibilidad de los enfoques bayesianos para mantener las estimaciones dentro de rangos plausibles y la efectividad de la post-estratificación en corregir sesgos en muestras no probabilísticas. Los métodos frecuentistas proporcionaron intervalos más estrechos pero estaban limitados para abordar las incertidumbres inherentes. Este estudio subraya la necesidad de ajustes metodológicos en estudios epidemiológicos, ofreciendo soluciones sólidas para desafíos del mundo real. Estos resultados tienen implicaciones significativas para mejorar la toma de decisiones en salud pública y el diseño de estudios de prevalencia en contextos con recursos limitados o no probabilísticos.