En el laboratorio clínico, un gráfico bien construido puede revelar patrones, tendencias y relaciones que permanecen ocultas en tablas de números. La visualización de datos no es solo una herramienta de presentación: es una parte fundamental del análisis científico que permite:
En esta práctica trabajaremos con BD_pacientes.csv, que contiene:
Al finalizar esta práctica, serán capaces de:
Competencias Técnicas:
Competencias Aplicadas:
⏱️ DISTRIBUCIÓN DEL TIEMPO (120 minutos)
├── 15 min → Teoría: Tipos de gráficos y criterios de selección
├── 30 min → Práctica 1: Gráficos básicos (columnas, barras, torta)
├── 35 min → Práctica 2: Dispersión, correlación y regresión
├── 20 min → Práctica 3: Personalización profesional
├── 15 min → Introducción a herramientas avanzadas
└── 05 min → Conclusiones y cierreLa elección del tipo de gráfico depende de:
Uso: Comparar valores entre categorías
Cuándo usar:
Ventajas: Fácil comparación visual, intuitivo
Limitaciones: No muestra dispersión de datos, solo promedios
Uso: Mostrar relación entre dos variables numéricas
Cuándo usar:
Ventajas: Muestra toda la variabilidad, detecta patrones no lineales
Limitaciones: Requiere más interpretación
Uso: Mostrar tendencias temporales o secuencias ordenadas
Cuándo usar:
Ventajas: Excelente para visualizar cambios temporales
Limitaciones: Datos deben estar ordenados lógicamente
Uso: Mostrar distribución de frecuencias de una variable
Cuándo usar:
Ventajas: Muestra la distribución completa
Limitaciones: Depende del tamaño de intervalos (bins)
Uso: Comparar distribuciones entre grupos
Cuándo usar:
Ventajas: Muy informativo, muestra dispersión y valores extremos Limitaciones: Menos intuitivo para audiencias no técnicas
| Objetivo | Variables | Gráfico Recomendado | Ejemplo Clínico |
|---|---|---|---|
| Comparar grupos | 1 categórica + 1 numérica | Columnas/Barras | COL promedio por grupo |
| Correlación | 2 numéricas | Dispersión | COL vs LDL |
| Tendencia temporal | Tiempo + 1 numérica | Líneas | Control de calidad |
| Distribución | 1 numérica | Histograma | Distribución de glucosa |
| Comparar dispersiones | 1 categórica + 1 numérica | Box Plot | HDL por sexo |
| Proporciones | 1 categórica | Torta | % de pacientes por grupo |
| Curva de calibración | Concentración + Absorbancia | Dispersión + Línea | Método colorimétrico |
Paso 1: Abrir BD_pacientes.csv en LibreOffice Calc
Archivo → Abrir → Seleccionar BD_pacientes.csv
En el diálogo de importación:
- Separado por: Coma
- Conjunto de caracteres: UTF-8Paso 2: Verificar la importación correcta
Deben aparecer columnas: - Paciente | Edad | COL | HDL | LDL | TG | ApoA | ApoB | Lpa | Glc | Insulin | HbGlc | PCR | Condicion
Objetivo: Comparar los niveles promedio de colesterol entre los tres grupos de riesgo.
Crear una tabla resumen en celdas vacías (por ejemplo, en columnas O-P):
En O1: "Condicion"
En P1: "COL Promedio"
En O2: Normal
En O3: Alto
En P2: =PROMEDIO.SI($N$2:$N$104;O2;$C$2:$C$104)
[Copiar fórmula a P3:P4]Explicación de la fórmula:
PROMEDIO.SI(rango_criterio; criterio; rango_promedio)Insertar → Gráfico
Asistente de gráficos - Paso 1:
✓ Tipo de gráfico: Columna
✓ Subtipo: Normal (primer icono)
→ Siguiente
Asistente de gráficos - Paso 2:
✓ Rango de datos: $O$1:$P$3
✓ Primera fila como etiqueta: SÍ
✓ Primera columna como etiqueta: SÍ
→ Siguiente
Asistente de gráficos - Paso 3:
✓ Deja las series de datos como están
→ Siguiente
Asistente de gráficos - Paso 4:
Título: "Colesterol Total por Grupo de Riesgo"
Subtítulo: "n=103 pacientes"
Eje X: "Grupo"
Eje Y: "Colesterol (mg/dL)"
→ FinalizarDeberían ver tres columnas mostrando que:
Objetivo: Visualizar múltiples parámetros promedio del grupo “Alto riesgo”.
En una nueva área (columnas R-S):
R1: "Parámetro" S1: "Valor Promedio (mg/dL)"
R2: COL S2: =PROMEDIO.SI($N$2:$N$104;"Alto";$C$2:$C$104)
R3: HDL S3: =PROMEDIO.SI($N$2:$N$104;"Alto";$D$2:$D$104)
R4: LDL S4: =PROMEDIO.SI($N$2:$N$104;"Alto";$E$2:$E$104)
R5: TG S5: =PROMEDIO.SI($N$2:$N$104;"Alto";$F$2:$F$104)Seleccionar R1:S5
→ Insertar → Gráfico
Tipo: Barra (horizontal)
Título: "Perfil Lipídico Promedio - Grupo Alto Riesgo"
Eje X: "Concentración (mg/dL)"
Eje Y: (dejar vacío, ya están las etiquetas)Ventaja de barras horizontales: Mejor legibilidad de nombres largos en el eje vertical.
Objetivo: Mostrar la proporción de pacientes en cada grupo.
En U1: "Condicion" V1: "Cantidad"
En U2: Normal V2: =CONTAR.SI($N$2:$N$104;U2)
En U3: Alto V3: =CONTAR.SI($N$2:$N$104;U3)Seleccionar U1:V3
→ Insertar → Gráfico
Tipo: Circular
Subtipo: Circular con explode (opcional: separar una porción)
Título: "Distribución de Pacientes por Grupo de Riesgo"
Mostrar leyenda: Sí (derecha)
Mostrar valores: PorcentajeClic derecho en el gráfico → Insertar etiquetas de datos
Formato de etiquetas de datos:
✓ Mostrar categoría
✓ Mostrar porcentaje
○ Mostrar valor (opcional)Interpretación: Deberían ver aproximadamente:
Los gráficos científicos deben ser:
Vamos a mejorar el gráfico de columnas del Ejercicio 1.1.
Doble clic en el gráfico para entrar en modo de ediciónClic derecho en el título → Formato de título
Pestaña Fuente:
- Familia: Liberation Sans (o Arial)
- Tamaño: 14 pt
- Estilo: Negrita
Pestaña Efectos de fuente:
- Color: NegroTítulo mejorado: “Colesterol Total por Grupo de Riesgo Cardiovascular”
Eje Y (Valores):
Clic derecho en el eje Y → Formato de eje
Pestaña Escala:
- Mínimo: 0 (o 150 si quieren ampliar)
- Máximo: 300 (o Automático)
- Intervalo mayor: 50
✓ Mostrar líneas de cuadrícula
Pestaña Etiqueta:
- Mostrar etiquetas: Sí
- Orientación: Horizontal
Pestaña Números:
- Categoría: Número
- Decimales: 0Eje X (Categorías):
Clic derecho en el eje X → Formato de eje
- Orientación: Horizontal (o 45° si hay muchas categorías)
- Fuente: Liberation Sans, 11 ptClic en una columna → Clic derecho → Formato de series de datos
Pestaña Área:
Grupo Normal: #4472C4 (azul profesional)
Grupo Alto: #C00000 (rojo)
Pestaña Borde:
- Estilo de línea: Continua
- Ancho: 0.5 pt
- Color: Gris oscuro (#404040)Paleta de colores recomendada para ciencia:
Clic derecho en la leyenda → Formato de leyenda
Posición: Derecha (o Abajo según espacio)
Fuente: Liberation Sans, 10 pt
Fondo: TransparenteClic derecho en el fondo → Formato de área del gráfico
Pestaña Área:
- Color: Blanco (#FFFFFF)
Pestaña Bordes:
- Estilo: Sin línea (o línea fina gris)Clic derecho en líneas de cuadrícula → Formato de cuadrícula mayor
- Estilo: Punteada o discontinua
- Ancho: 0.25 pt
- Color: Gris claro (#D0D0D0)El gráfico debe lucir limpio, profesional y listo para incluir en un informe científico.
Para usar el gráfico en documentos o presentaciones:
Método 1 (recomendado):
1. Clic en el gráfico (sin entrar en modo edición)
2. Clic derecho → Exportar como imagen
3. Formato: PNG (para web/presentaciones) o SVG (vectorial)
4. Resolución: 300 dpi mínimo para publicaciones
Método 2:
1. Clic en el gráfico
2. Ctrl+C (copiar)
3. Pegar en otro documento (Word, LibreOffice Writer)Formatos recomendados: - PNG: Presentaciones, web (300 dpi) - SVG: Publicaciones científicas (vectorial, escalable) - PDF: Informes profesionales (alta calidad)
La correlación mide la fuerza y dirección de la relación lineal entre dos variables.
Coeficiente de correlación de Pearson (r):
r = Σ[(Xi - X̄)(Yi - Ȳ)] / √[Σ(Xi - X̄)² · Σ(Yi - Ȳ)²]
Interpretación:
r = +1.00 → Correlación positiva perfecta
r = +0.70 → Correlación positiva fuerte
r = +0.50 → Correlación positiva moderada
r = +0.30 → Correlación positiva débil
r = 0.00 → Sin correlación
r = -0.30 → Correlación negativa débil
r = -1.00 → Correlación negativa perfectaCorrelaciones esperadas en bioquímica clínica:
Objetivo: Visualizar la correlación entre colesterol total y LDL.
Seleccionar dos columnas:
- Columna C (COL) + Columna E (LDL)
- Rango: C1:C104 y E1:E104 (incluir encabezados)
- Mantener presionada la tecla Ctrl para selección múltipleInsertar → Gráfico
Tipo: XY (Dispersión)
Subtipo: Solo puntos (primer icono)
Rango de datos:
✓ Series en columnas
✓ Primera fila como etiqueta
Configuración:
Título: "Correlación entre Colesterol Total y LDL"
Eje X: "Colesterol Total (mg/dL)"
Eje Y: "LDL-Colesterol (mg/dL)"Clic derecho en los puntos → Formato de series de datos
Pestaña Línea:
- Estilo: Ninguno
Pestaña Símbolo:
- Símbolo: Círculo (●)
- Tamaño: 0.15 cm
- Color: #4472C4 (azul)
- Borde: Sí, gris oscuro, 0.3 ptInterpretación visual: Deberían observar una correlación positiva clara (puntos alineados de abajo-izquierda a arriba-derecha).
Objetivo: Visualizar cómo se distribuyen los dos grupos de riesgo en la correlación COL-LDL.
Necesitamos crear dos series separadas (una por grupo). En columnas vacías (por ejemplo, Y-AB):
Y1: "COL_Normal" Z1: "LDL_Normal"
AA1: "COL_Alto " AB1: "LDL_Alto"Usar fórmulas para extraer datos por grupo:
En Y2: =SI($N2="Normal";$C2;NOD())
En Z2: =SI($N2="Normal";$E2;NOD())
En AA2: =SI($N2="Alto";$C2;NOD())
En AB2: =SI($N2="Alto";$E2;NOD())
[Copiar fórmulas hacia abajo hasta fila 104]Nota: La función NOD() crea valores
vacíos que no se graficarán. Si LibreOffice Calc está configurado en
idioma inglés, la función es NA()
Seleccionar Y1:AB104
Insertar → Gráfico → XY (Dispersión)
Se crearán automáticamente 2 series diferentesSerie 1 (Normal):
- Color: #70AD47 (verde)
- Símbolo: Círculo ●
- Tamaño: 0.12 cm
Serie (Alto):
- Color: #C00000 (rojo)
- Símbolo: Cuadrado ■
- Tamaño: 0.12 cmClic derecho en leyenda → Formato de leyenda
Posición: Abajo o derecha
Texto:
- Normal (n=21)
- Alto (n=82)Interpretación: Deberían observar que los grupos se distribuyen a lo largo de la línea de correlación, con el grupo “Alto” en la zona de valores más elevados.
Objetivo: Visualizar una correlación negativa.
Seleccionar:
- Columna D (HDL): Eje X
- Columna F (TG): Eje Y
Insertar → Gráfico XY
Título: "Relación Inversa entre HDL y Triglicéridos"
Eje X: "HDL-Colesterol (mg/dL)"
Eje Y: "Triglicéridos (mg/dL)"Interpretación: Los puntos deberían mostrar tendencia descendente (arriba-izquierda a abajo-derecha), indicando que: - HDL alto → TG bajos (protector) - HDL bajo → TG altos (riesgo)
Esto refleja una relación fisiopatológica importante en el síndrome metabólico.
La línea de tendencia es la recta que mejor ajusta a los datos, minimizando la distancia al cuadrado de todos los puntos (método de mínimos cuadrados).
Ecuación de la recta:
y = a + bx
Donde:
y = variable dependiente (LDL)
x = variable independiente (COL)
a = intersección (ordenada al origen)
b = pendiente (cambio en y por unidad de x)Coeficiente de determinación (R²):
R² = proporción de varianza explicada por el modelo
R² = 1.00 → Ajuste perfecto (100%)
R² = 0.90 → Ajuste muy bueno (90%)
R² = 0.70 → Ajuste moderado (70%)
R² = 0.30 → Ajuste débil (30%)
R² = 0.00 → Sin ajusteVamos a agregar una línea de regresión al gráfico COL vs LDL.
Doble clic en el gráfico de dispersión COL vs LDLClic en los puntos de datos (serie)
→ Clic derecho → Insertar curva de tendencia
Tipo: Lineal
✓ Mostrar ecuación
✓ Mostrar coeficiente de determinación (R²)Clic derecho en la línea de tendencia → Formato de curva de tendencia
Pestaña Línea:
- Color: Rojo o negro (#C00000)
- Ancho: 1.5 pt
- Estilo: Continua
Pestaña Ecuación:
Posición: Arriba a la izquierda (donde no tape puntos)
Fuente: 10 ptDeberían ver algo como:
y = 0.85x - 20.5
R² = 0.92Interpretación: - Pendiente (b = 0.85): Por cada 1 mg/dL de aumento en COL, el LDL aumenta 0.85 mg/dL - R² = 0.92: El 92% de la variabilidad del LDL se explica por el COL - Correlación muy fuerte: Lo esperado, ya que el LDL es el principal componente del colesterol total
No todos los datos biológicos siguen una relación lineal. A veces se necesitan modelos más complejos.
Imaginen que tienen una curva de calibración de un ensayo ELISA (no está en BD_pacientes, es un ejemplo):
Concentración (ng/mL) | Absorbancia (450 nm)
0 | 0.05
10 | 0.25
50 | 0.80
100 | 1.35
200 | 1.70
500 | 1.85Crear tabla en una hoja nueva
Insertar → Gráfico XY (Dispersión)
Eje X: Concentración
Eje Y: AbsorbanciaInsertar curva de tendencia:
Opción 1: Lineal
- Funciona bien en rango medio
- Falla en extremos (saturación)
Opción 2: Logarítmica
- y = a · ln(x) + b
- Mejor para curvas de saturación
Opción 3: Polinómica (grado 2)
- y = a + bx + cx²
- Muy buena para curvas sigmoideas parciales
Comparar R² de cada modelo y elegir el mejorCriterio de selección:
Los residuos son las distancias verticales entre los puntos observados y la línea de tendencia.
Después de obtener la ecuación de regresión (ejemplo: y = 0.85x - 20.5):
En columna nueva (ej: AG):
AG1: "LDL Predicho"
AG2: =0.85*C2-20.5
En columna AH:
AH1: "Residuo"
AH2: =E2-AG2 [LDL real - LDL predicho]
Copiar hacia abajoCrear gráfico XY:
Eje X: COL (C2:C104)
Eje Y: Residuos (AH2:AH104)
Agregar línea horizontal en y=0:
- Insertar → Forma → Línea horizontalInterpretación de residuos:
La ecuación de Friedewald estima LDL a partir de otras variables:
LDL = COL - HDL - (TG/5)
(cuando TG < 400 mg/dL)1. Calcular LDL estimado:
En columna AI: =C2-D2-(F2/5)
2. Comparar con LDL medido:
Crear gráfico XY:
Eje X: LDL medido (columna E)
Eje Y: LDL estimado (columna AI)
3. Agregar línea de identidad (y=x):
Insertar curva de tendencia
Si pendiente ≈ 1 y R² ≈ 1 → Buena concordancia
4. Calcular sesgo:
=PROMEDIO(AI2:AI104 - E2:E104)Interpretación: Esta validación es importante antes de usar ecuaciones estimativas en la práctica clínica.
Calc es excelente para gráficos estándar, pero tiene limitaciones para: - Gráficos estadísticos avanzados (violin plots, heatmaps) - Análisis multivariado (PCA, clustering) - Gráficos animados o interactivos - Procesamiento de grandes volúmenes de datos (>100,000 puntos)
Para estos casos, existen herramientas especializadas de código abierto:
gnuplot es un programa de línea de comandos para crear gráficos científicos de alta calidad.
Guardar BD_pacientes.csv y crear un script
(grafico.gp):
# Script gnuplot para correlación COL-LDL
set terminal png size 800,600
set output 'col_vs_ldl.png'
set title "Correlación COL vs LDL"
set xlabel "Colesterol Total (mg/dL)"
set ylabel "LDL-Colesterol (mg/dL)"
set grid
set datafile separator ","
plot 'BD_pacientes.csv' using 3:5 with points pt 7 ps 0.5 lc rgb "blue" title "Pacientes", \
x*0.85-20.5 with lines lw 2 lc rgb "red" title "Regresión"Ejecutar:
gnuplot grafico.gpVentajas: Script completamente reproducible, ideal para análisis automatizados.
R es un lenguaje de programación estadística con capacidades gráficas extraordinarias.
install.packages("ggplot2") # Gráficos elegantes
install.packages("readr") # Importar CSV
install.packages("dplyr") # Manipulación de datos# Limpiar el entorno de trabajo: elimina todos los objetos cargados en la sesión
rm(list = ls())
# Liberar memoria no utilizada (garbage collection)
gc()
# Cargar las librerías necesarias
library(ggplot2) # Para crear gráficos avanzados
library(readr) # Para importar datos en formato CSV de forma eficiente
# Establecer el directorio de trabajo donde se encuentran los archivos de datos y donde se guardarán los resultados
setwd("/elegir/el/directorio/de/trabajo")
# Importar el archivo de datos en formato CSV
# El archivo contiene información de pacientes, incluyendo niveles de colesterol y su condición de riesgo
datos <- read_csv("BD_pacientes.csv")
# Crear un gráfico de dispersión que muestra la relación entre colesterol total y LDL,
# coloreado según la condición de riesgo del paciente
ggplot(datos, aes(x = `COL (mg/dL)`, y = `LDL (mg/dL)`, color = Condicion)) +
# Añadir puntos al gráfico: tamaño 2 y transparencia (alpha) para mejorar la visualización de superposiciones
geom_point(size = 2, alpha = 0.6) +
# Añadir una línea de regresión lineal con intervalo de confianza sombreado (se = TRUE)
geom_smooth(method = "lm", se = TRUE, color = "black") +
# Etiquetas del gráfico: título, subtítulo y nombres de los ejes
labs(
title = "Correlación entre Colesterol Total y LDL",
subtitle = "n = 103 pacientes",
x = "Colesterol Total (mg/dL)",
y = "LDL-Colesterol (mg/dL)",
color = "Grupo de Riesgo"
) +
# Definir manualmente los colores para cada categoría de riesgo:
# - Normal: verde
# - Alto: rojo
scale_color_manual(values = c("Normal" = "#70AD47",
"Alto" = "#C00000")) +
# Usar un tema minimalista para un diseño limpio y profesional
theme_minimal() +
# Personalizar el tamaño y estilo del texto del título y los ejes
theme(
plot.title = element_text(size = 14, face = "bold"),
axis.title = element_text(size = 11)
)
# Guardar el gráfico generado como un archivo PNG de alta resolución (300 dpi)
# Dimensiones: 8 pulgadas de ancho por 6 de alto
ggsave("correlacion_col_ldl.png", width = 8, height = 6, dpi = 300)| Característica | LibreOffice Calc | gnuplot | R (ggplot2) |
|---|---|---|---|
| Curva de aprendizaje | Baja | Media | Media-Alta |
| Interfaz | GUI | Comandos | Comandos + GUI |
| Gráficos básicos | ✅ Excelente | ✅ Muy bueno | ✅ Excelente |
| Gráficos estadísticos | ⚠️ Limitado | ✅ Bueno | ✅ Excepcional |
| Personalización | ⚠️ Limitada | ✅ Alta | ✅ Muy alta |
| Reproducibilidad | ⚠️ Manual | ✅ Scripts | ✅ Scripts |
| Velocidad (big data) | ❌ Lento | ✅ Rápido | ✅ Rápido |
| Costo | Gratis | Gratis | Gratis |
| Uso en laboratorio | ✅ Diario | ⚠️ Ocasional | ✅ Investigación |
Recomendación:
gnuplot:
R y ggplot2:
Python (alternativa):
Las publicaciones biomédicas tienen requisitos estrictos para figuras:
RESOLUCIÓN
─────────────────────────────────────
Mínimo: 300 dpi (puntos por pulgada)
Óptimo: 600 dpi para gráficos de línea
Web: 150 dpi aceptable
FORMATO DE ARCHIVO
─────────────────────────────────────
Preferido: TIFF, EPS (vectoriales)
Aceptado: PDF, PNG de alta calidad
Evitar: JPG (compresión con pérdida)
DIMENSIONES
─────────────────────────────────────
1 columna: 8-9 cm de ancho
2 columnas: 17-18 cm de ancho
Altura: Máximo 20-24 cm
TIPOGRAFÍA
─────────────────────────────────────
Fuente: Arial, Helvetica, o similar sans-serif
Tamaño: 6-8 pt (mínimo legible)
Etiquetas: Debe ser legible al reducir a tamaño final
COLORES
─────────────────────────────────────
Modo: RGB para digital, CMYK para impresión
Contraste: Suficiente para impresión B&N
Accesible: Distinguible para daltónicosAntes de enviar un gráfico a publicación, verificar:
❌ Barras 3D con efectos de sombra
✅ Barras 2D planas y clarasPor qué: Los efectos 3D distorsionan la percepción de valores y se ven poco profesionales.
❌ Usar 8 colores diferentes en un gráfico
✅ Usar 3-4 colores máximo, con significado claro❌ Eje Y: "Concentración"
✅ Eje Y: "Concentración de Glucosa (mg/dL)"❌ Eje Y que no empieza en 0 (para barras)
✅ Eje Y desde 0 o indicar claramente el corte❌ Exportar a 72 dpi (resolución de pantalla)
✅ Exportar a 300+ dpi para impresión❌ Fuente 4 pt que desaparece al reducir
✅ Fuente ≥6 pt legible al tamaño finalAzul: #4472C4 rgb(68, 114, 196)
Naranja: #ED7D31 rgb(237, 125, 49)
Gris: #A5A5A5 rgb(165, 165, 165)
Amarillo: #FFC000 rgb(255, 192, 0)
Verde: #70AD47 rgb(112, 173, 71)Viridis: #440154 → #31688e → #35b779 → #fde724
(morado → azul → verde → amarillo)LibreOffice Calc: - Gráficos: https://help.libreoffice.org/latest/es/text/schart/main0000.html?DbPAR=CHART - Análisis de datos: https://help.libreoffice.org/latest/en-US/text/scalc/01/statistics_sampling.html?DbPAR=CALC
gnuplot: - Manual completo versión 6: http://www.gnuplot.info/docs_6.0/Gnuplot_6.pdf - Demos interactivos: http://gnuplot.sourceforge.net/demo/
R: - CRAN: https://cran.r-project.org/ - ggplot2 book: https://ggplot2-book.org/ - R Graph Gallery: https://r-graph-gallery.com/
📚 Visualización de Datos Científicos: - “Fundamentals of Data Visualization” - Claus Wilke (gratuito online) https://clauswilke.com/dataviz/
📊 Guías de Estilo: - Nature Figure Guidelines: https://www.nature.com/nature/for-authors/final-submission - Science Figure Preparation: https://www.science.org/content/page/instructions-preparing-initial-manuscript
Procesamiento de Imágenes: - GIMP (gratuito): Alternativa a Adobe Photoshop para edición de gráficos https://www.gimp.org/
Stack Overflow: Preguntas sobre R y ggplot2 https://stackoverflow.com/questions/tagged/ggplot2
CrossValidated: Estadística y visualización https://stats.stackexchange.com/
Ask LibreOffice: Soporte comunitario https://ask.libreoffice.org/
En esta práctica de 2 horas, has aprendido a:
✅ Seleccionar el tipo de gráfico apropiado según el tipo de datos y objetivo del análisis
✅ Crear gráficos científicos en LibreOffice Calc (columnas, dispersión, líneas, torta)
✅ Personalizar elementos clave (títulos, ejes, leyendas, colores)
✅ Analizar correlaciones mediante gráficos de dispersión
✅ Agregar líneas de tendencia e interpretar ecuaciones de regresión
✅ Conocer herramientas avanzadas (gnuplot, R) para análisis más complejos
✅ Preparar figuras de calidad publicable siguiendo estándares científicos
En el laboratorio clínico:
En investigación:
Para profundizar:
📖 Lectura Recomendada: - “Data Visualization: A Practical Introduction” - Kieran Healy - “Storytelling with Data” - Cole Nussbaumer Knaflic
🎓 Cursos Online (gratuitos): - DataCamp: Introduction to Data Visualization with ggplot2 - Coursera: Data Visualization with Python (alternativa)
💡 Consejo Final:
“El mejor gráfico es aquel que comunica la información de forma clara, honesta y hermosa. La visualización de datos no es solo una herramienta técnica, es un arte que combina ciencia, diseño y comunicación. Practiquen, experimenten, y nunca dejen de preguntarse: ¿Este gráfico cuenta la historia correcta?”