1 Introducción y Objetivos de Aprendizaje

Este documento constituye una guía metodológica y técnica orientada a la organización, tabulación y representación visual de datos en investigación biomédica y clínica. El diseño instruccional del tema vincula de forma sinérgica la teoría estadística descriptiva, la implementación computacional en el entorno RStudio y el compromiso con la integridad ética en la comunicación de resultados científicos.

1.1 Objetivo Cognoscitivo

Comprender los fundamentos teóricos y las metodologías de organización de datos mediante distribuciones de frecuencias (simples y agrupadas), dominando el cálculo técnico y consistencia lógica de los intervalos de clase, y discriminar con rigor científico la estructura o herramienta gráfica óptima según la escala de medición de la variable bajo estudio.

1.2 Objetivo Actitudinal

Desarrollar una sólida honestidad intelectual y precisión ética en la representación visual de datos, rechazando de manera sistemática deformaciones, omisiones o adornos que sesguen la interpretación de la evidencia en salud, valorando la reproducibilidad del código como pilar de la transparencia científica.

2 Metodologías de Organización: Distribuciones de Frecuencia

La organización de datos es la base de la estadística descriptiva. Consiste en condensar información caótica en estructuras ordenadas denominadas tablas o distribuciones de frecuencias.

2.1 Tipos de Frecuencias

Sea un conjunto de datos con un tamaño de muestra \(n\):

Frecuencia Absoluta (\(f_i\) o \(n_i\)): El número de veces que se repite un valor individual o que cae dentro de un intervalo de clase específico en la muestra. Cumple que \(\sum_{i=1}^{k} f_i = n\).
Frecuencia Relativa (\(p_i\)): La proporción de observaciones que corresponden a cada valor o intervalo. Se calcula como \(p_i = \frac{f_i}{n}\). La sumatoria de las frecuencias relativas es estrictamente igual a 1 (\(\sum_{i=1}^{k} p_i = 1\)). Multiplicada por 100 expresa la frecuencia porcentual.
Frecuencia Acumulada (\(F_i\)): La suma de las frecuencias absolutas de todos los valores inferiores o iguales al límite superior del intervalo actual. Representa la cantidad de observaciones acumuladas hasta ese punto.
Frecuencia Relativa Acumulada (\(P_i\)): La proporción acumulada de observaciones inferiores o iguales al límite actual (\(P_i = \frac{F_i}{n}\)). Multiplicada por 100 expresa el porcentaje acumulado.

2.2 Distribuciones de Frecuencias Simples

Se emplean para variables cualitativas (nominales u ordinales) o cuantitativas discretas con un rango estrecho de valores distintos. Cada categoría única se lista de forma individual con sus respectivas frecuencias.

2.3 Distribuciones de Frecuencias Agrupadas

Se requieren para variables cuantitativas continuas (ej. peso corporal, presión arterial, creatinina sérica) que asumen muchos valores distintos. El procedimiento matemático sistemático para agrupar datos incluye:

2.3.1 Paso 1: Cálculo del Rango (\(R\))

El rango es la distancia total entre la observación más grande (\(X_{\text{máx}}\)) y la más pequeña (\(X_{\text{mín}}\)): \[R = X_{\text{máx}} - X_{\text{mín}}\]

2.3.2 Paso 2: Determinación del Número de Intervalos de Clase (\(k\))

Existen diversos criterios para decidir la cantidad de clases. Una de las aproximaciones metodológicas más empleadas es la Regla de Sturges: \[k = 1 + 3.322 \log_{10}(n)\] El valor obtenido se aproxima al entero inmediato superior o inferior buscando la conveniencia analítica y la legibilidad.

2.3.3 Paso 3: Cálculo de la Amplitud del Intervalo (\(A\) o \(i\))

Consiste en dividir el rango entre el número de clases estimadas: \[A = \frac{R}{k}\]

2.3.4 Paso 4: Establecimiento de Límites de Clase

Los intervalos deben ser construidos bajo dos reglas lógicas fundamentales: 1. Exhaustivos: Deben cubrir la totalidad de las observaciones (desde el mínimo hasta el máximo). 2. Mutuamente Excluyentes: Una observación individual debe pertenecer a un único intervalo. Para evitar ambigüedades en las fronteras de clase (ej. si una clase termina en 30 y la siguiente inicia en 30, ¿dónde cae exactamente el valor 30?), se definen límites de clase reales o continuos utilizando decimales (ej. [20.5, 30.5), [30.5, 40.5)) o aplicando notación matemática de intervalos semiabiertos.

3 Correspondencia Gráfica según Escala de Medición

La elección del gráfico no es una decisión estética; es una decisión metodológica que está supeditada estrictamente a la escala de medición de la variable.

3.1 Variables Cualitativas (Categóricas)

3.1.1 Escala Nominal

Diagrama de Barras (Bar Chart): Representa frecuencias sobre el eje vertical y categorías en el horizontal. Las barras deben dibujarse estrictamente separadas por espacios vacíos (gaps). Esto refleja visualmente que no existe una continuidad ni un orden inherente entre las categorías de la variable.
Diagrama de Sectores (Pastel / Pie Chart): Útil únicamente para ilustrar proporciones de un todo cuando las categorías nominales son pocas (de 2 a un máximo de 4, ej. presencia/ausencia de comorbilidad). No debe abusarse de este gráfico por la dificultad del ojo humano para evaluar áreas angulares comparado con longitudes lineales.

3.1.2 Escala Ordinal

Diagrama de Barras Ordenado: Es indispensable utilizar un gráfico de barras donde se respete estrictamente el orden secuencial o jerárquico de las categorías (ej. Estadio I, II, III, IV del cáncer; Leve, Moderado, Severo).
Advertencia: El uso de diagramas de sectores para variables ordinales está prohibido en la comunicación científica porque destruye la jerarquía visual natural de los datos.

3.2 Variables Cuantitativas (Numéricas)

3.2.1 Cuantitativas Discretas

Diagrama de Barras o de Puntos: Adecuado cuando el número de valores enteros es pequeño. Las barras también van separadas para denotar la imposibilidad de valores intermedios (decimales).

3.2.2 Cuantitativas Continuas (Escalas de Intervalo o Razón)

Histograma (Histogram): Es un gráfico de rectángulos verticales adyacentes específicos para representar distribuciones de frecuencias agrupadas. A diferencia de las barras cualitativas, en el histograma las barras se dibujan juntas, sin espacios de separación (adyacentes). El ancho del rectángulo representa la amplitud de la clase y su altura corresponde a la frecuencia o densidad. Refleja la naturaleza continua de la variable subyacente y permite caracterizar visualmente la simetría y dispersión de la muestra.
Diagrama de Caja y Bigotes (Boxplot): Es un dispositivo visual altamente descriptivo basado en el resumen de cinco números:
1. Valor Mínimo (excluyendo atípicos).
2. Primer Cuartil (\(Q_1\) / Percentil 25).
3. Mediana o Segundo Cuartil (\(Q_2\) / Percentil 50).
4. Tercer Cuartil (\(Q_3\) / Percentil 75).
5. Valor Máximo (excluyendo atípicos).
- La “caja” central contiene el 50% central de las observaciones, abarcando desde el \(Q_1\) hasta el \(Q_3\). Su ancho es el Rango Intercuartílico (\(RIC = Q_3 - Q_1\)). Los “bigotes” se extienden hasta el último dato que no supere \(1.5 \times RIC\) desde las fronteras de la caja. Los puntos más allá de este rango se grafican de forma individual como valores atípicos (outliers). Permite comparar distribuciones entre múltiples grupos clínicos simultáneamente.
Polígono de Frecuencias (Frequency Polygon): Gráfico de líneas trazado sobre los puntos medios (marcas de clase) de las barras de un histograma. Es útil para superponer y comparar la distribución de dos o más poblaciones en un mismo plano espacial sin la interferencia visual de las barras sólidas.
Función de Distribución Acumulativa Empírica (ECDF): Grafica el porcentaje acumulado (\(P_i\)) en el eje de las ordenadas contra los valores de la variable en las abscisas. Muestra directamente la proporción de sujetos que se encuentran por debajo de un umbral específico.

4 Ética de la Información y Deformaciones Visuales

La honestidad intelectual en la comunicación biomédica exige representar los datos de manera que reflejen la realidad sin generar sesgos cognitivos o falsas impresiones. Un gráfico distorsionado puede inducir a errores en diagnósticos epidemiológicos, exageración en la eficacia de fármacos o alarmismo innecesario.

4.1 Anti-patrones Visuales que Deben Rechazarse

4.1.1 1. Truncamiento del Eje Vertical (Falta del Cero Basal)

En gráficos de magnitudes directas (como diagramas de barras), el eje vertical debe iniciar estrictamente en cero. Truncar el eje para iniciar cerca de la variación mínima de los datos exagera geométricamente diferencias insignificantes, induciendo a error al lector.

Nota Metodológica: El gran estadístico John Tukey señalaba que, en fases de Análisis Exploratorio de Datos (EDA), omitir el cero basal puede ser admisible para magnificar y analizar pequeños residuos o patrones sutiles. Sin embargo, en reportes de difusión científica final o publicaciones, esto constituye una violación ética a menos que esté debidamente señalada la escala y justificada en variables de intervalo específicas (como la temperatura en grados Celsius).

4.1.2 2. Uso Indebido de Efectos Tridimensionales (3D)

Los efectos 3D, sombras o cilindros en diagramas bidimensionales actúan como ruido visual decorativo (chartjunk). La perspectiva tridimensional altera las proporciones reales de las áreas y de las alturas de las barras, haciendo que el lector no pueda correlacionar de forma visualmente honesta la barra con el eje vertical de medida.

4.1.3 3. Pictogramas Desproporcionados

Sustituir barras por figuras (como jeringas, personas u hospitales) y escalarlas proporcionalmente al dato es una distorsión grave. Si el dato se duplica y el diseñador duplica el alto y ancho de la imagen, el área total de la figura se cuadruplica (\(2^2\)), y en el caso de figuras volumétricas se octuplica (\(2^3\)), distorsionando de forma no lineal la percepción de la magnitud real.

4.1.4 4. Manipulación del Ancho de los Intervalos (Bins) en Histogramas

Variar de forma arbitraria o selectiva el ancho de los intervalos de clase o sus límites permite al investigador ocultar valles, asimetrías o fabricar falsas normalidades estéticas para sesgar deliberadamente la interpretación teórica.

5 Práctica en Laboratorio Computacional usando R

El procesamiento y la visualización descriptiva reproducible se realizarán mediante RStudio utilizando el motor gráfico contemporáneo ggplot2 (basado en la gramática de gráficos) y herramientas complementarias de tabulación.

5.1 Paquetes Esenciales

ggplot2: Permite graficar capa por capa de forma estructurada, garantizando la exactitud matemática de las escalas y la exclusión de sombras o distorsiones 3D.
dplyr: Fundamental para la manipulación, selección y transformación de datos usando el operador pipe (%>%).
gtsummary: Proporciona funciones avanzadas para imprimir resúmenes descriptivos con formato profesional directamente exportable.
descr: Proporciona descriptivos rápidos de frecuencias absolutas y acumuladas.

5.2 Implementación de Código en R (Template Práctico)

A continuación se modela la sintaxis que ejecutaremos en la sesión de laboratorio. Para efectos de reproducibilidad, primero crearemos un conjunto de datos clínicos sintético (\(n = 150\) pacientes).

5.2.1 Generación del Dataset Clínico de Prueba

# Fijar semilla para reproducibilidad de la muestra aleatoria
set.seed(2026)

# Creación de base de datos simulada de pacientes
clinicos <- data.frame(
  ID = 1:150,
  Sexo = factor(sample(c("Femenino", "Masculino"), 150, replace = TRUE)),
  Estadio_Cancer = factor(sample(c("I", "II", "III", "IV"), 150, replace = TRUE, 
                                 prob = c(0.4, 0.3, 0.2, 0.1)), ordered = TRUE),
  Fumador = factor(sample(c("No Fumador", "Fumador"), 150, replace = TRUE, prob = c(0.7, 0.3))),
  Edad = round(rnorm(150, mean = 48, sd = 12)),
  Colesterol = round(rlnorm(150, meanlog = 5.3, sdlog = 0.25))
)

# Estructura del dataset
str(clinicos)

## 'data.frame':    150 obs. of  6 variables:
##  $ ID            : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Sexo          : Factor w/ 2 levels "Femenino","Masculino": 1 1 1 2 1 1 1 2 2 2 ...
##  $ Estadio_Cancer: Ord.factor w/ 4 levels "I"<"II"<"III"<..: 1 1 4 2 3 3 1 2 3 1 ...
##  $ Fumador       : Factor w/ 2 levels "Fumador","No Fumador": 2 2 2 2 1 2 2 2 1 1 ...
##  $ Edad          : num  62 41 38 54 56 45 53 54 52 41 ...
##  $ Colesterol    : num  191 227 143 183 242 208 214 145 227 176 ...

5.2.2 Funciones de Tabulación Descriptiva

5.2.2.1 Frecuencias Simples (Variables Cualitativas)

# Usando R Base
tabla_sexo <- table(clinicos$Sexo)
tabla_sexo

## 
##  Femenino Masculino 
##        84        66

# Proporciones relativas y porcentajes
prop.table(tabla_sexo)

## 
##  Femenino Masculino 
##      0.56      0.44

prop.table(tabla_sexo) * 100

## 
##  Femenino Masculino 
##        56        44

5.2.2.2 Tabulación Cruzada (Bivariada)

# Cruce de Estadio de Cáncer según estado de tabaquismo
tabla_cruce <- table(clinicos$Estadio_Cancer, clinicos$Fumador)
addmargins(tabla_cruce) # Añade totales marginales

##      
##       Fumador No Fumador Sum
##   I        20         38  58
##   II       12         32  44
##   III       9         25  34
##   IV        2         12  14
##   Sum      43        107 150

5.2.2.3 Distribución de Frecuencia Agrupada (Variables Continuas)

Estructuraremos la variable Edad determinando sus intervalos bajo Sturges.

n <- nrow(clinicos)
# Sturges: k = 1 + 3.322 * log10(n)
k_sturges <- round(1 + 3.322 * log10(n))
min_edad <- min(clinicos$Edad)
max_edad <- max(clinicos$Edad)
rango_edad <- max_edad - min_edad
amplitud_edad <- ceiling(rango_edad / k_sturges)

# Generar puntos de corte para intervalos semiabiertos
cortes_edad <- seq(min_edad - 1, min_edad - 1 + (k_sturges * amplitud_edad), 
                   by = amplitud_edad)

# Agrupación con cut()
clinicos$Edad_Grupo <- cut(clinicos$Edad, breaks = cortes_edad, right = FALSE)

# Tabulación utilizando paquete 'descr'
descr::freq(clinicos$Edad_Grupo, plot = FALSE)

## clinicos$Edad_Grupo 
##         Frequency Percent
## [19,26)         7   4.667
## [26,33)         5   3.333
## [33,40)        20  13.333
## [40,47)        30  20.000
## [47,54)        31  20.667
## [54,61)        31  20.667
## [61,68)        20  13.333
## [68,75)         6   4.000
## Total         150 100.000

5.2.2.4 Automatización de la “Tabla 1” en Medicina (`gtsummary`)

# gtsummary y dplyr ya están cargados desde el setup inicial
clinicos %>%
  select(Sexo, Estadio_Cancer, Fumador, Edad, Colesterol) %>%
  tbl_summary(
    by = Fumador,
    statistic = list(
      all_continuous() ~ "{mean} (± {sd})",
      all_categorical() ~ "{n} ({p}%)"
    )
  ) %>%
  add_overall() %>%
  bold_labels()

Characteristic	Overall N = 150¹	Fumador N = 43¹	No Fumador N = 107¹
Sexo
Femenino	84 (56%)	25 (58%)	59 (55%)
Masculino	66 (44%)	18 (42%)	48 (45%)
Estadio_Cancer
I	58 (39%)	20 (47%)	38 (36%)
II	44 (29%)	12 (28%)	32 (30%)
III	34 (23%)	9 (21%)	25 (23%)
IV	14 (9.3%)	2 (4.7%)	12 (11%)
Edad	49 (± 11)	47 (± 12)	49 (± 11)
Colesterol	211 (± 60)	215 (± 66)	210 (± 57)
¹ n (%); Mean (± SD)

5.2.3 Funciones de Graficación Científica Reproducible

5.2.3.1 Gráfico de Barras con `ggplot2` (Variable Cualitativa Ordinal)

Las barras van separadas para denotar categorías cualitativas discretas.

ggplot(clinicos, aes(x = Estadio_Cancer, fill = Estadio_Cancer)) +
  geom_bar(color = "black", width = 0.7) +
  scale_fill_brewer(palette = "Blues", name = "Estadio Clínico") +
  labs(
    title = "Distribución de Pacientes según Estadio de Cáncer",
    subtitle = "Muestra simulada, n = 150 pacientes (2026)",
    x = "Estadio del Cáncer (Escala Ordinal)",
    y = "Frecuencia Absoluta (Número de Pacientes)"
  ) +
  theme_minimal() +
  theme(legend.position = "none") # Evita redundancia visual

5.2.3.2 Histograma con `ggplot2` (Variable Cuantitativa Continua)

Las barras se dibujan adyacentes para denotar continuidad matemática.

ggplot(clinicos, aes(x = Edad)) +
  geom_histogram(breaks = cortes_edad, color = "black", fill = "#3182bd") +
  labs(
    title = "Distribución por Grupos de Edad en Pacientes Clínicos",
    subtitle = "Histograma de Frecuencias con intervalos de Sturges (Amplitud = 8 años)",
    x = "Edad del Paciente (Años)",
    y = "Frecuencia Absoluta"
  ) +
  scale_x_continuous(breaks = cortes_edad) +
  theme_classic()

5.2.3.3 Diagrama de Caja y Bigotes o Boxplot con `ggplot2`

Útil para comparar la variabilidad de una variable continua según grupos cualitativos.

ggplot(clinicos, aes(x = Sexo, y = Colesterol, fill = Sexo)) +
  geom_boxplot(alpha = 0.7, outlier.color = "red", outlier.size = 2.5) +
  geom_jitter(width = 0.15, alpha = 0.3, color = "gray20") + # Superpone puntos de datos reales
  scale_fill_manual(values = c("Femenino" = "#e9a3c9", "Masculino" = "#a1d76a")) +
  labs(
    title = "Comparación de Niveles de Colesterol según Sexo",
    subtitle = "Diagrama de Caja con identificación de valores atípicos (en rojo)",
    x = "Sexo del Paciente",
    y = "Colesterol Sérico (mg/dL)"
  ) +
  theme_bw() +
  theme(legend.position = "none")

Resumen Temático: Tabulación y Visualización Científica de Datos

Estructura Teórica, Precisión Ética e Implementación Analítica en R

Giovanni Francisco Guevara, MD., MPH, PhD(c)

2026-08-19