Lección 1: Conociendo a las participantes

Bienvenida

Antes de analizar la expresión de miles de genes conviene conocer a las personas detrás de las muestras: ¿qué edad tienen?, ¿cuánto tiempo llevan con el diagnóstico?, ¿qué tratamientos reciben? En esta lección describimos a las 33 participantes del estudio con estadística descriptiva, tablas y gráficas.

Lo que necesitas saber antes: lo básico de R y de dplyr/ggplot2. No necesitas saber nada de RNA-seq.

Al terminar podrás:

Distinguir variables continuas y categóricas, y saber cómo resumir cada una.
Calcular media, mediana, desviación estándar y rango intercuartílico.
Construir tablas de frecuencias y una Tabla 1 que describa a la cohorte.
Evaluar si una variable sigue una distribución normal con histogramas, gráficas Q–Q y la prueba de Shapiro–Wilk.
Elegir una prueba adecuada para comparar dos grupos.

Tiempo estimado: 45 a 60 minutos.

Mapa de la lección

flowchart LR
  A["volunteer_info
una fila por voluntaria"] --> B["Tipos de
variables"]
  B --> C["Resúmenes
numéricos"]
  B --> D["Tablas de
frecuencias"]
  C --> E["Tabla 1"]
  D --> E
  C --> F["Distribución:
histograma y Q–Q"]
  F --> G["Normalidad:
Shapiro–Wilk"]
  G --> H["Comparar
grupos"]
  G --> I["Figura S3"]

Glosario

Estos son los términos que usaremos. Vuelve aquí cada vez que lo necesites.

Variable continua: puede tomar cualquier valor numérico dentro de un rango (edad, dosis).
Variable categórica: clasifica en grupos (grupo, nefritis sí/no).
Media: el promedio. Es sensible a valores extremos.
Mediana: el valor del centro al ordenar los datos. Es robusta a valores extremos.
Desviación estándar (DE): qué tanto se alejan los datos de la media, en promedio.
Rango intercuartílico (RIC): intervalo entre el percentil 25 (Q1) y el 75 (Q3); contiene a la mitad central de los datos.
Distribución normal: distribución simétrica en forma de campana.
Histograma: gráfica de barras que muestra cuántos datos caen en cada intervalo.
Densidad: versión suavizada del histograma.
Gráfica Q–Q: compara los cuantiles de los datos con los de una distribución normal teórica.
Prueba de Shapiro–Wilk: prueba estadística de normalidad.
Valor p: probabilidad de observar datos tan extremos como los nuestros si la hipótesis nula fuera cierta.
Prueba t: compara las medias de dos grupos; supone normalidad.
Prueba de Wilcoxon (Mann–Whitney): compara dos grupos sin suponer normalidad.
Prueba exacta de Fisher: evalúa la asociación entre dos variables categóricas; funciona bien con pocos datos.

Resumen visual de la lección 1.

1. Preparación

library(GeneExprLupusMx) # nuestros datos
library(tidyverse)       # manipulación de tablas (dplyr) y gráficas (ggplot2)
library(cowplot)         # unir varias gráficas en un panel

Usamos los mismos colores para cada grupo en todas las lecciones:

group_color <- c(Ctrl = "#96d4ccff", SLE = "#b493b4ff")

2. Los datos: `volunteer_info`

volunteer_info tiene una fila por voluntaria (no por muestra), con su información clínica y de reclutamiento:

dim(volunteer_info)
#> [1] 33 16
glimpse(volunteer_info)
#> Rows: 33
#> Columns: 16
#> $ Volunteer_ID           <chr> "QR011", "QR013", "QR014", "QR017", "QR020", "Q…
#> $ Volunteer              <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, …
#> $ Group                  <fct> Ctrl, Ctrl, SLE, SLE, SLE, SLE, Ctrl, SLE, Ctrl…
#> $ Age_years              <int> 25, 23, 32, 22, 42, 23, 38, 32, 27, 37, 39, 47,…
#> $ Years_with_diagnosis   <int> NA, NA, 5, 4, 5, 4, NA, 12, NA, 6, NA, 4, 6, 10…
#> $ Age_at_diagnosis_years <int> NA, NA, 27, 18, 37, 19, NA, 20, NA, 31, NA, 43,…
#> $ SLEDAI                 <int> NA, NA, 1, 1, 0, 0, NA, 1, NA, 1, NA, 0, 0, 1, …
#> $ Nephritis              <fct> NA, NA, Yes, No, No, No, NA, No, NA, No, NA, Ye…
#> $ Treatment_GCC          <lgl> NA, NA, TRUE, TRUE, FALSE, FALSE, NA, TRUE, NA,…
#> $ GCC_drug               <chr> NA, NA, "PDN", "PDN", NA, NA, NA, "PDN", NA, "P…
#> $ GCC_dose_mg            <dbl> NA, NA, 5.0, 8.0, NA, NA, NA, 5.0, NA, 2.5, NA,…
#> $ Treatment_AM           <lgl> NA, NA, TRUE, FALSE, TRUE, FALSE, NA, TRUE, NA,…
#> $ Treatment_MMF          <lgl> NA, NA, TRUE, FALSE, FALSE, FALSE, NA, FALSE, N…
#> $ Treatment_AZT          <lgl> NA, NA, FALSE, FALSE, TRUE, FALSE, NA, TRUE, NA…
#> $ Treatment_MTT          <lgl> NA, NA, FALSE, FALSE, FALSE, FALSE, NA, FALSE, …
#> $ Time_of_recruitment    <date> 2022-06-01, 2022-06-01, 2022-06-01, 2022-06-01…

Muchas columnas solo tienen sentido para las pacientes (por ejemplo, los años con diagnóstico), así que en los controles valen NA. Guardamos a las pacientes en un objeto aparte, porque lo usaremos seguido:

patients <- filter(volunteer_info, Group == "SLE")
nrow(patients)
#> [1] 23

3. Paso 1: identificar el tipo de cada variable

El tipo de variable decide cómo resumirla, cómo graficarla y qué prueba usar:

Tipo	Variables en `volunteer_info`	Se resume con	Se grafica con
Continua	`Age_years`, `Age_at_diagnosis_years`, `Years_with_diagnosis`, `GCC_dose_mg`	media (DE) o mediana [RIC]	histograma, cajas, Q–Q
Categórica	`Group`, `Nephritis`, `SLEDAI` (0/1), `GCC_drug`	n (%)	barras
Lógica (sí/no)	`Treatment_GCC`, `Treatment_AM`, `Treatment_MMF`, `Treatment_AZT`, `Treatment_MTT`	n (%)	barras
Fecha	`Time_of_recruitment`	rango, conteo por mes	barras por fecha

SLEDAI está guardada como número (0 o 1), pero es categórica: 1 indica enfermedad activa (puntaje SLEDAI ≥ 6) y 0, sin actividad o con actividad baja (0–5 puntos). Promediarla no tendría mucho sentido; conviene contarla.

4. Paso 2: resumir variables continuas

4.1 Media, mediana y dispersión

Empecemos con la edad, comparando controles y pacientes:

volunteer_info %>%
  group_by(Group) %>%
  summarise(n      = n(),
            mean   = mean(Age_years),
            sd     = sd(Age_years),
            median = median(Age_years),
            q1     = quantile(Age_years, 0.25),
            q3     = quantile(Age_years, 0.75),
            min    = min(Age_years),
            max    = max(Age_years))
#> # A tibble: 2 × 9
#>   Group     n  mean    sd median    q1    q3   min   max
#>   <fct> <int> <dbl> <dbl>  <dbl> <dbl> <dbl> <int> <int>
#> 1 Ctrl     10  29.9  6.31     27  25    35.8    23    39
#> 2 SLE      23  33.6  8.54     34  27.5  40.5    19    47

Las pacientes tienen, en promedio, unos 4 años más que los controles. En la sección 8 veremos si esa diferencia es mayor de lo que esperaríamos por azar.

4.2 Resumir varias variables a la vez

Para las variables que solo existen en las pacientes, pasamos la tabla a formato largo y resumimos cada variable. na.rm = TRUE ignora los valores faltantes:

continuous_vars <- c("Age_at_diagnosis_years", "Years_with_diagnosis", "GCC_dose_mg")

patients %>%
  pivot_longer(all_of(continuous_vars), names_to = "variable", values_to = "value") %>%
  group_by(variable) %>%
  summarise(n      = sum(!is.na(value)),
            mean   = mean(value, na.rm = TRUE),
            sd     = sd(value, na.rm = TRUE),
            median = median(value, na.rm = TRUE),
            min    = min(value, na.rm = TRUE),
            max    = max(value, na.rm = TRUE))
#> # A tibble: 3 × 7
#>   variable                   n  mean    sd median   min   max
#>   <chr>                  <int> <dbl> <dbl>  <dbl> <dbl> <dbl>
#> 1 Age_at_diagnosis_years    23 27.8   8.97     27  16      43
#> 2 GCC_dose_mg               13  4.5   1.54      5   2.5     8
#> 3 Years_with_diagnosis      23  5.78  4.67      4   1      17

Observa que GCC_dose_mg tiene n = 13, aunque 15 pacientes reciben glucocorticoides: en dos casos no se registró la dosis.

¿Media o mediana? Si los datos son simétricos, media y mediana se parecen y la media (con su DE) es un buen resumen. Si hay valores extremos o la distribución está sesgada, usa la mediana y el RIC. En Years_with_diagnosis, la mediana (4 años) es menor que la media: unas pocas pacientes con muchos años de diagnóstico “jalan” la media hacia arriba.

5. Paso 3: tablas de variables categóricas

5.1 Frecuencias y porcentajes

¿Cuántas pacientes tienen nefritis?

patients %>%
  dplyr::count(Nephritis) %>%
  mutate(percent = round(100 * n / sum(n), 1))
#>   Nephritis  n percent
#> 1        No 20      87
#> 2       Yes  3      13

5.2 Tratamientos

Cada tratamiento está en su propia columna (TRUE/FALSE). Para contarlos todos juntos, los pasamos a formato largo. Al sumar TRUE/FALSE, R cuenta los TRUE:

treatments <- patients %>%
  pivot_longer(starts_with("Treatment_"), names_to = "treatment", values_to = "receives") %>%
  group_by(treatment) %>%
  summarise(n = sum(receives), percent = round(100 * mean(receives), 1)) %>%
  arrange(desc(n))

knitr::kable(treatments, col.names = c("Tratamiento", "n", "%"))

Tratamiento	n	%
Treatment_AM	17	73.9
Treatment_GCC	15	65.2
Treatment_AZT	6	26.1
Treatment_MMF	6	26.1
Treatment_MTT	1	4.3

knitr::kable() convierte cualquier tabla de R en una tabla con formato para documentos como este.

ggplot(treatments, aes(x = reorder(treatment, n), y = n)) +
  geom_col(fill = group_color["SLE"]) +
  geom_text(aes(label = paste0(percent, "%")), hjust = -0.2) +
  coord_flip() +
  scale_y_continuous(limits = c(0, 23)) +
  labs(x = NULL, y = "Número de pacientes (de 23)", title = "Tratamientos de las pacientes") +
  theme_minimal()

Los antimaláricos (AM) y los glucocorticoides (GCC) son los tratamientos más frecuentes.

5.3 Tablas de contingencia

Una tabla de contingencia cruza dos variables categóricas. ¿Qué glucocorticoide y qué dosis recibe cada paciente?

table(drug = patients$GCC_drug, dose_mg = patients$GCC_dose_mg, useNA = "ifany")
#>       dose_mg
#> drug   2.5 3 5 8 <NA>
#>   PDN    3 1 6 1    0
#>   PDS    0 0 2 0    2
#>   <NA>   0 0 0 0    8

useNA = "ifany" muestra también los faltantes: 8 pacientes no reciben glucocorticoides (<NA> en ambas) y 2 reciben PDS sin dosis registrada.

Reto 1. ¿Cuántas pacientes reciben 0, 1, 2 o 3 tratamientos inmunosupresores distintos de los glucocorticoides (AM, MMF, AZT, MTT)?

Pista: rowSums() suma columnas fila por fila; los TRUE cuentan como 1.

Ver solución

patients %>%
  mutate(n_treatments = rowSums(across(c(Treatment_AM, Treatment_MMF,
                                         Treatment_AZT, Treatment_MTT)))) %>%
  dplyr::count(n_treatments)
#>   n_treatments n
#> 1            0 6
#> 2            1 6
#> 3            2 9
#> 4            3 2

La mayoría de las pacientes recibe uno o dos de estos tratamientos; 6 no reciben ninguno.

6. Paso 4: la Tabla 1

Casi todos los artículos clínicos incluyen una Tabla 1 que describe a los participantes por grupo. La construiremos con tres funciones pequeñas que convierten una columna en texto con el formato habitual:

mean_sd    <- function(x) sprintf("%.1f (%.1f)", mean(x, na.rm = TRUE), sd(x, na.rm = TRUE))
median_iqr <- function(x) sprintf("%.1f [%.1f–%.1f]", median(x, na.rm = TRUE),
                                  quantile(x, 0.25, na.rm = TRUE), quantile(x, 0.75, na.rm = TRUE))
n_pct      <- function(x) sprintf("%d (%.0f%%)", sum(x, na.rm = TRUE), 100 * mean(x, na.rm = TRUE))

mean_sd(volunteer_info$Age_years)
#> [1] "32.5 (8.0)"

Ahora aplicamos cada función a cada grupo. summarise() crea una columna por característica (con nombres cortos en inglés) y luego “giramos” la tabla para que los grupos queden como columnas:

table1 <- volunteer_info %>%
  group_by(Group) %>%
  summarise(
    n                    = as.character(n()),
    age                  = mean_sd(Age_years),
    age_at_diagnosis     = mean_sd(Age_at_diagnosis_years),
    years_with_diagnosis = median_iqr(Years_with_diagnosis),
    sledai_active        = n_pct(SLEDAI == 1),
    nephritis            = n_pct(Nephritis == "Yes"),
    gcc                  = n_pct(Treatment_GCC),
    am                   = n_pct(Treatment_AM),
    mmf                  = n_pct(Treatment_MMF),
    azt                  = n_pct(Treatment_AZT),
    mtt                  = n_pct(Treatment_MTT)
  ) %>%
  pivot_longer(-Group, names_to = "characteristic") %>%
  pivot_wider(names_from = Group, values_from = value)

table1
#> # A tibble: 11 × 3
#>    characteristic       Ctrl       SLE          
#>    <chr>                <chr>      <chr>        
#>  1 n                    10         23           
#>  2 age                  29.9 (6.3) 33.6 (8.5)   
#>  3 age_at_diagnosis     NaN (NA)   27.8 (9.0)   
#>  4 years_with_diagnosis NA [NA–NA] 4.0 [2.0–6.5]
#>  5 sledai_active        0 (NaN%)   10 (43%)     
#>  6 nephritis            0 (NaN%)   3 (13%)      
#>  7 gcc                  0 (NaN%)   15 (65%)     
#>  8 am                   0 (NaN%)   17 (74%)     
#>  9 mmf                  0 (NaN%)   6 (26%)      
#> 10 azt                  0 (NaN%)   6 (26%)      
#> 11 mtt                  0 (NaN%)   1 (4%)

Para presentarla, cambiamos los nombres cortos por etiquetas legibles. Guardarlas en un vector aparte separa los datos de su presentación:

table1_labels <- c(
  n                    = "n",
  age                  = "Edad, años, media (DE)",
  age_at_diagnosis     = "Edad al diagnóstico, media (DE)",
  years_with_diagnosis = "Años con diagnóstico, mediana [RIC]",
  sledai_active        = "SLEDAI activo (≥ 6), n (%)",
  nephritis            = "Nefritis, n (%)",
  gcc                  = "Glucocorticoides, n (%)",
  am                   = "Antimaláricos, n (%)",
  mmf                  = "Micofenolato, n (%)",
  azt                  = "Azatioprina, n (%)",
  mtt                  = "Metotrexato, n (%)"
)

table1 %>%
  mutate(characteristic = table1_labels[characteristic]) %>%
  knitr::kable(col.names = c("Característica", "Ctrl", "SLE"))

Característica	Ctrl	SLE
n	10	23
Edad, años, media (DE)	29.9 (6.3)	33.6 (8.5)
Edad al diagnóstico, media (DE)	NaN (NA)	27.8 (9.0)
Años con diagnóstico, mediana [RIC]	NA [NA–NA]	4.0 [2.0–6.5]
SLEDAI activo (≥ 6), n (%)	0 (NaN%)	10 (43%)
Nefritis, n (%)	0 (NaN%)	3 (13%)
Glucocorticoides, n (%)	0 (NaN%)	15 (65%)
Antimaláricos, n (%)	0 (NaN%)	17 (74%)
Micofenolato, n (%)	0 (NaN%)	6 (26%)
Azatioprina, n (%)	0 (NaN%)	6 (26%)
Metotrexato, n (%)	0 (NaN%)	1 (4%)

Tabla 1. Características sociodemográficas y clínicas de las 33 voluntarias: 10 controles sanas (Ctrl) y 23 pacientes con lupus eritematoso sistémico (SLE). Las variables continuas se resumen como media (DE) o mediana [RIC], y las categóricas como n (%). Se consideró enfermedad activa un puntaje SLEDAI ≥ 6. DE, desviación estándar; RIC, rango intercuartílico; SLEDAI, SLE Disease Activity Index.

La tabla original se encuentra en el artículo.

En los controles, las filas clínicas aparecen como NA, NaN o 0 (NaN%) porque esas variables no aplican: no tienen diagnóstico ni tratamiento. En un artículo las escribiríamos como “—”.

Reto 2. Reemplaza los valores sin sentido de los controles por "—".

Pista: grepl("NA|NaN", Ctrl) detecta esos valores.

Ver solución

table1 %>%
  mutate(Ctrl = ifelse(grepl("NA|NaN", Ctrl), "—", Ctrl),
         characteristic = table1_labels[characteristic]) %>%
  knitr::kable(col.names = c("Característica", "Ctrl", "SLE"))

Característica	Ctrl	SLE
n	10	23
Edad, años, media (DE)	29.9 (6.3)	33.6 (8.5)
Edad al diagnóstico, media (DE)	—	27.8 (9.0)
Años con diagnóstico, mediana [RIC]	—	4.0 [2.0–6.5]
SLEDAI activo (≥ 6), n (%)	—	10 (43%)
Nefritis, n (%)	—	3 (13%)
Glucocorticoides, n (%)	—	15 (65%)
Antimaláricos, n (%)	—	17 (74%)
Micofenolato, n (%)	—	6 (26%)
Azatioprina, n (%)	—	6 (26%)
Metotrexato, n (%)	—	1 (4%)

7. Paso 5: ¿siguen una distribución normal?

Muchas pruebas estadísticas (como la prueba t) suponen que los datos siguen una distribución normal. Antes de usarlas hay que revisarlo. Lo haremos de tres formas complementarias.

7.1 Histograma con curva de densidad

El histograma muestra la forma de los datos; la curva de densidad la suaviza. Una distribución normal se ve como una campana simétrica.

ggplot(volunteer_info, aes(x = Age_years)) +
  geom_histogram(aes(y = after_stat(density)), binwidth = 2,
                 fill = "grey85", color = "grey30") +
  geom_density(color = "blue3", linewidth = 1) +
  labs(x = "Edad (años)", y = "Densidad", title = "Edad de las 33 participantes") +
  theme_minimal()

after_stat(density) pone el histograma en la misma escala que la curva de densidad.

7.2 Gráfica Q–Q

La gráfica Q–Q compara cada dato con el valor que tendría si la distribución fuera perfectamente normal. Si los puntos siguen la línea roja, los datos son aproximadamente normales; si se curvan o se separan en los extremos, no lo son.

ggplot(volunteer_info, aes(sample = Age_years)) +
  stat_qq(shape = 1, size = 2) +
  stat_qq_line(color = "red3", linewidth = 1) +
  labs(x = "Cuantiles teóricos", y = "Cuantiles de la muestra", title = "Q–Q de la edad") +
  theme_minimal()

Los puntos de la edad siguen la línea bastante bien.

7.3 Prueba de Shapiro–Wilk

La prueba de Shapiro–Wilk pone un número a lo que vemos en las gráficas:

Hipótesis nula: los datos vienen de una distribución normal.
p < 0.05: hay evidencia de que no son normales.
p ≥ 0.05: no hay evidencia en contra de la normalidad.

shapiro.test(volunteer_info$Age_years)
#> 
#>  Shapiro-Wilk normality test
#> 
#> data:  volunteer_info$Age_years
#> W = 0.95378, p-value = 0.1713

Apliquémosla a las cuatro variables continuas de una vez:

normality <- tibble(variable = c("Age_years", continuous_vars)) %>%
  mutate(
    values  = map(variable, ~ na.omit(volunteer_info[[.x]])),
    n       = map_int(values, length),
    W       = map_dbl(values, ~ shapiro.test(.x)$statistic),
    p_value = map_dbl(values, ~ shapiro.test(.x)$p.value),
    normal  = p_value >= 0.05 # TRUE = compatible con normalidad
  ) %>%
  dplyr::select(-values)

knitr::kable(normality, digits = 3)

variable	n	W	p_value	normal
Age_years	33	0.954	0.171	TRUE
Age_at_diagnosis_years	23	0.920	0.066	TRUE
Years_with_diagnosis	23	0.841	0.002	FALSE
GCC_dose_mg	13	0.783	0.004	FALSE

La edad y la edad al diagnóstico son compatibles con una distribución normal; los años con diagnóstico y la dosis de glucocorticoides no.

Cuidado con muestras pequeñas. Con pocos datos (aquí, n = 13 para la dosis) la prueba tiene poco poder: puede no detectar desviaciones reales. Y que p ≥ 0.05 no demuestra normalidad; solo dice que no hay evidencia en contra. Por eso siempre se combina la prueba con las gráficas.

8. Paso 6: comparar dos grupos

La normalidad decide qué prueba usar:

Datos	Prueba	Función en R
Normales	prueba t	`t.test()`
No normales o n pequeña	Wilcoxon (Mann–Whitney)	`wilcox.test()`
Dos variables categóricas	exacta de Fisher	`fisher.test()`

8.1 ¿Difiere la edad entre controles y pacientes?

La edad es aproximadamente normal, así que usamos la prueba t:

ggplot(volunteer_info, aes(x = Group, y = Age_years, fill = Group)) +
  geom_boxplot(alpha = 0.8, outlier.shape = NA) +
  geom_jitter(width = 0.15, size = 2) +
  scale_fill_manual(values = group_color) +
  labs(x = NULL, y = "Edad (años)") +
  theme_minimal() +
  theme(legend.position = "none")


t.test(Age_years ~ Group, data = volunteer_info)
#> 
#>  Welch Two Sample t-test
#> 
#> data:  Age_years by Group
#> t = -1.3863, df = 23.036, p-value = 0.1789
#> alternative hypothesis: true difference in means between group Ctrl and group SLE is not equal to 0
#> 95 percent confidence interval:
#>  -9.242292  1.824901
#> sample estimates:
#> mean in group Ctrl  mean in group SLE 
#>            29.9000            33.6087

p > 0.05: no hay evidencia de que la edad difiera entre controles y pacientes. Es una buena noticia: los grupos son comparables en edad, así que la edad no debería confundir las comparaciones de expresión génica.

8.2 ¿Se asocia la nefritis con la actividad de la enfermedad?

Ambas variables son categóricas y hay muy pocas pacientes con nefritis, así que usamos la prueba exacta de Fisher:

table(SLEDAI = patients$SLEDAI, Nephritis = patients$Nephritis)
#>       Nephritis
#> SLEDAI No Yes
#>      0 12   1
#>      1  8   2
fisher.test(table(patients$SLEDAI, patients$Nephritis))
#> 
#>  Fisher's Exact Test for Count Data
#> 
#> data:  table(patients$SLEDAI, patients$Nephritis)
#> p-value = 0.5596
#> alternative hypothesis: true odds ratio is not equal to 1
#> 95 percent confidence interval:
#>    0.1284169 191.1868934
#> sample estimates:
#> odds ratio 
#>   2.857952

Con solo 3 pacientes con nefritis no hay poder para detectar una asociación (p > 0.05). “No encontrar diferencia” no es lo mismo que “demostrar que no hay diferencia”.

Reto 3. ¿Llevan más años con el diagnóstico las pacientes con enfermedad activa (SLEDAI == 1) que las que no tienen actividad o la tienen baja (SLEDAI == 0)? Elige la prueba según la sección 7.3.

Pista: Years_with_diagnosis no es normal.

Ver solución

Como Years_with_diagnosis no es normal, usamos la prueba de Wilcoxon:

patients %>%
  group_by(SLEDAI) %>%
  summarise(n = n(), median_years = median(Years_with_diagnosis))
#> # A tibble: 2 × 3
#>   SLEDAI     n median_years
#>    <int> <int>        <dbl>
#> 1      0    13          4  
#> 2      1    10          4.5

wilcox.test(Years_with_diagnosis ~ SLEDAI, data = patients, exact = FALSE)
#> 
#>  Wilcoxon rank sum test with continuity correction
#> 
#> data:  Years_with_diagnosis by SLEDAI
#> W = 69.5, p-value = 0.8022
#> alternative hypothesis: true location shift is not equal to 0

Las medianas son casi iguales (4 y 4.5 años) y p > 0.05: no hay evidencia de diferencia. exact = FALSE evita un aviso cuando hay valores empatados.

9. Para terminar: la figura del artículo

Reunamos lo aprendido en la Figura suplementaria S3 del artículo: para cada variable continua, un histograma con su curva de densidad (arriba) y su gráfica Q–Q (abajo). Como repetiremos lo mismo cuatro veces, lo guardamos en una función:

distribution_panel <- function(x, title, binwidth) {
  df <- data.frame(value = na.omit(x))
  p_value <- shapiro.test(df$value)$p.value

  p_hist <- ggplot(df, aes(x = value)) +
    geom_histogram(aes(y = after_stat(density)), binwidth = binwidth,
                   fill = "grey85", color = "grey30") +
    geom_density(color = "blue3", linewidth = 1) +
    labs(x = NULL, y = "Densidad",
         title = sprintf("%s (Shapiro–Wilk p = %.3f)", title, p_value)) +
    theme_classic(base_size = 12)

  p_qq <- ggplot(df, aes(sample = value)) +
    stat_qq(shape = 1, size = 2) +
    stat_qq_line(color = "red3", linewidth = 1) +
    labs(x = "Cuantiles teóricos", y = "Cuantiles de la muestra") +
    theme_classic(base_size = 12)

  plot_grid(p_hist, p_qq, ncol = 1, align = "v")
}

figure_s3 <- plot_grid(
  distribution_panel(volunteer_info$Age_years,        "Edad",                 binwidth = 2),
  distribution_panel(patients$Age_at_diagnosis_years, "Edad al diagnóstico",  binwidth = 2),
  distribution_panel(patients$Years_with_diagnosis,   "Años con diagnóstico", binwidth = 2),
  distribution_panel(patients$GCC_dose_mg,            "Dosis de GC, mg",      binwidth = 0.5),
  labels = c("A", "B", "C", "D"), label_size = 18, nrow = 1
)
figure_s3

Figura suplementaria S3. Distribución y evaluación de la normalidad de las variables continuas. Cada panel muestra el histograma con la curva de densidad (arriba) y la gráfica Q–Q (abajo) de (A) la edad de todas las voluntarias (n = 33) y, en las pacientes (n = 23), (B) la edad al diagnóstico, (C) el tiempo desde el diagnóstico y (D) la dosis de glucocorticoides (GC). El título de cada panel incluye el valor p de la prueba de Shapiro–Wilk. En las gráficas Q–Q, los cuantiles de la muestra se comparan con los cuantiles teóricos de una distribución normal (línea roja). Las figuras ilustran las propiedades de distribución de las variables y su desviación de la normalidad, evaluada con la prueba de Shapiro–Wilk.

La figura suplementaria original se encuentra en el material suplementario del artículo.

Para guardarla en alta resolución:

ggsave("Figura_S3_normalidad.png", figure_s3, width = 20, height = 7, dpi = 300)

10. Resumen

Paso	Función clave	¿Para qué?
Conocer los datos	`glimpse()`	Ver tipos y valores de cada columna
Resumir continuas	`summarise()` con `mean()`, `sd()`, `median()`, `quantile()`	Describir centro y dispersión
Contar categóricas	`dplyr::count()`, `table()`	Frecuencias y tablas de contingencia
Tabla 1	`summarise()` + `pivot_wider()` + `knitr::kable()`	Describir la cohorte por grupo
Distribución	`geom_histogram()` + `geom_density()`	Ver la forma de los datos
Normalidad	`stat_qq()`, `shapiro.test()`	Decidir qué prueba usar
Comparar grupos	`t.test()`, `wilcox.test()`, `fisher.test()`	Evaluar diferencias entre grupos
Figura	`cowplot::plot_grid()`	Combinar gráficas en un panel

Errores comunes de principiante

Promediar variables categóricas codificadas como números (como SLEDAI 0/1).
Reportar la media de datos sesgados: usa la mediana [RIC].
Olvidar los NA: usa na.rm = TRUE y reporta la n real de cada variable.
Usar la prueba t sin revisar la normalidad.
Interpretar p ≥ 0.05 como “no hay diferencia”: con muestras pequeñas, puede faltar poder estadístico.

11. Próximos pasos

Con la cohorte caracterizada, el siguiente paso es analizar la expresión génica de estas mismas participantes. En la lección De las cuentas de RNA-seq a la exploración de datos importarás y normalizarás las cuentas, y explorarás la estructura de los datos con heatmaps y PCA. Lo aprendido aquí orienta el diseño de ese análisis: por ejemplo, la edad no difiere entre grupos, por lo que no representa una fuente importante de confusión.

Para continuar, da clic en el botón Siguiente lección: De las cuentas de RNA-seq a la exploración de datos al final de esta página.

↑ Volver a Inicio

Información de la sesión

sessionInfo()
#> R version 4.6.2 (2026-10-29)
#> Platform: x86_64-pc-linux-gnu
#> Running under: Ubuntu 24.04.5 LTS
#> 
#> Matrix products: default
#> BLAS:   /usr/lib/x86_64-linux-gnu/openblas-pthread/libblas.so.3 
#> LAPACK: /usr/lib/x86_64-linux-gnu/openblas-pthread/libopenblasp-r0.3.26.so;  LAPACK version 3.12.0
#> 
#> locale:
#>  [1] LC_CTYPE=C.UTF-8       LC_NUMERIC=C           LC_TIME=C.UTF-8       
#>  [4] LC_COLLATE=C.UTF-8     LC_MONETARY=C.UTF-8    LC_MESSAGES=C.UTF-8   
#>  [7] LC_PAPER=C.UTF-8       LC_NAME=C              LC_ADDRESS=C          
#> [10] LC_TELEPHONE=C         LC_MEASUREMENT=C.UTF-8 LC_IDENTIFICATION=C   
#> 
#> time zone: UTC
#> tzcode source: system (glibc)
#> 
#> attached base packages:
#> [1] stats     graphics  grDevices utils     datasets  methods   base     
#> 
#> other attached packages:
#>  [1] cowplot_1.2.0              lubridate_1.9.5           
#>  [3] forcats_1.0.1              stringr_1.6.0             
#>  [5] dplyr_1.2.1                purrr_1.2.2               
#>  [7] readr_2.2.0                tidyr_1.3.2               
#>  [9] tibble_3.3.1               ggplot2_4.0.3             
#> [11] tidyverse_2.0.0            GeneExprLupusMx_0.1.0.9000
#> 
#> loaded via a namespace (and not attached):
#>  [1] utf8_1.2.6         sass_0.4.10        generics_0.1.4     stringi_1.8.9     
#>  [5] hms_1.1.4          digest_0.6.39      magrittr_2.0.5     evaluate_1.0.5    
#>  [9] grid_4.6.2         timechange_0.4.0   RColorBrewer_1.1-3 fastmap_1.2.0     
#> [13] jsonlite_2.0.0     scales_1.4.0       textshaping_1.0.5  jquerylib_0.1.4   
#> [17] cli_3.6.6          rlang_1.3.0        withr_3.0.3        cachem_1.1.0      
#> [21] yaml_2.3.12        otel_0.2.0         tools_4.6.2        tzdb_0.5.0        
#> [25] vctrs_0.7.3        R6_2.6.1           lifecycle_1.0.5    fs_2.1.0          
#> [29] ragg_1.5.2         pkgconfig_2.0.3    desc_1.4.3         pkgdown_2.2.1     
#> [33] pillar_1.11.1      bslib_0.12.0       gtable_0.3.6       glue_1.8.1        
#> [37] systemfonts_1.3.2  xfun_0.62          tidyselect_1.2.1   knitr_1.52        
#> [41] farver_2.1.2       htmltools_0.5.9    labeling_0.4.3     rmarkdown_2.32    
#> [45] compiler_4.6.2     S7_0.2.2

Estadística descriptiva, tablas y normalidad de los datos clínicos

2026-10-31

Bienvenida

Mapa de la lección

Glosario

1. Preparación

2. Los datos: `volunteer_info`

3. Paso 1: identificar el tipo de cada variable

4. Paso 2: resumir variables continuas

4.1 Media, mediana y dispersión

4.2 Resumir varias variables a la vez

5. Paso 3: tablas de variables categóricas

5.1 Frecuencias y porcentajes

5.2 Tratamientos

5.3 Tablas de contingencia

6. Paso 4: la Tabla 1

7. Paso 5: ¿siguen una distribución normal?

7.1 Histograma con curva de densidad

7.2 Gráfica Q–Q

7.3 Prueba de Shapiro–Wilk

8. Paso 6: comparar dos grupos

8.1 ¿Difiere la edad entre controles y pacientes?

8.2 ¿Se asocia la nefritis con la actividad de la enfermedad?

9. Para terminar: la figura del artículo

10. Resumen

Errores comunes de principiante

11. Próximos pasos

Información de la sesión

Lección 1: Conociendo a las participantes

Estadística descriptiva, tablas y normalidad de los datos clínicos

2026-10-31

Bienvenida

Mapa de la lección

Glosario

1. Preparación

2. Los datos: volunteer_info

3. Paso 1: identificar el tipo de cada variable

4. Paso 2: resumir variables continuas

4.1 Media, mediana y dispersión

4.2 Resumir varias variables a la vez

5. Paso 3: tablas de variables categóricas

5.1 Frecuencias y porcentajes

5.2 Tratamientos

5.3 Tablas de contingencia

6. Paso 4: la Tabla 1

7. Paso 5: ¿siguen una distribución normal?

7.1 Histograma con curva de densidad

7.2 Gráfica Q–Q

7.3 Prueba de Shapiro–Wilk

8. Paso 6: comparar dos grupos

8.1 ¿Difiere la edad entre controles y pacientes?

8.2 ¿Se asocia la nefritis con la actividad de la enfermedad?

9. Para terminar: la figura del artículo

10. Resumen

Errores comunes de principiante

11. Próximos pasos

Información de la sesión

2. Los datos: `volunteer_info`