Análisis estadísticos

En esta página

• Análisis estadísticos clásicos
• Metanaálisis
• Análisis geoespaciales
• Minería de texto
• Redes neuronales

Una vez obtenidos los datos debemos analizarlos. Tanto R como Python incluyen librerías para el análisis estadístico como podrían realizarse en programas con los que estamos más familiarizados como son SPSS, Stagrapchis o Stata.

Sin embargo, como recordarás, nuestros lenguajes de programación son de código abierto y colaborativos. Gracias a esto, la versatilidad que tienen para incluir todo tipo de análisis estadísticos es muy alta. Cualquier procedimiento que se desarrolle puede ser escrito en una librería y ofrecido de forma gratuita para su uso en R y Python sin esperar a que las empresas correspondientes a los programas de análisis estadísticos clásicos los incluyan y hasta que la empresa proveedora (Osakidetza en este caso) los adquiera. Es decir, no existen intermediarios, las pruebas estadísticas van desde los desarrolladores hasta los usuarios.

A continuación te mostramos algunos ejemplos de análisis estadísticos que puedes realizar con nuestros lenguajes de programación.

---

Análisis estadísticos clásicos

Por supuesto, siempre podremos realizar análisis estadísticos clásicos. A continuación te mostramos algunos ejemplos:

# ============================================
# Análisis Estadístico en R - Ejemplo
# ============================================

# 1. Generamos de datos simulados
set.seed(123) # Fijamos la semilla para reproducibilidad

# Creamos dos grupos con datos simulados
grupo_A <- rnorm(50, mean = 70, sd = 10) # Grupo A: media 70, desviación estándar 10
grupo_B <- rnorm(50, mean = 75, sd = 12) # Grupo B: media 75, desviación estándar 12

# Combinamos los datos en un dataframe
datos <- data.frame(
  Grupo = rep(c("A", "B"), each = 50),
  Valor = c(grupo_A, grupo_B)
)

# ============================================
# 2. Análisis descriptivo
# ============================================

# Resumen estadístico general
summary(datos)

    Grupo               Valor       
 Length:100         Min.   : 47.29  
 Class :character   1st Qu.: 66.42  
 Mode  :character   Median : 73.47  
                    Mean   : 73.55  
                    3rd Qu.: 79.57  
                    Max.   :101.25  

# Resumen por grupo
library(dplyr)
resumen_por_grupo <- datos %>%
  group_by(Grupo) %>%
  summarise(
    Media = mean(Valor),
    Mediana = median(Valor),
    Desviacion_Estandar = sd(Valor),
    Minimo = min(Valor),
    Maximo = max(Valor)
  )
print(resumen_por_grupo)

# A tibble: 2 × 6
  Grupo Media Mediana Desviacion_Estandar Minimo Maximo
  <chr> <dbl>   <dbl>               <dbl>  <dbl>  <dbl>
1 A      70.3    69.3                9.26   50.3   91.7
2 B      76.8    76.8               10.9    47.3  101. 

# ============================================
# 3. Visualización de datos
# ============================================

library(ggplot2)

# Boxplot para comparar los grupos
ggplot(datos, aes(x = Grupo, y = Valor, fill = Grupo)) +
  geom_boxplot() +
  labs(title = "Comparación de Grupos", x = "Grupo", y = "Valor") +
  theme_minimal()

# Histograma para cada grupo
ggplot(datos, aes(x = Valor, fill = Grupo)) +
  geom_histogram(alpha = 0.6, position = "identity", bins = 15) +
  labs(title = "Distribución de Valores por Grupo", x = "Valor", y = "Frecuencia") +
  theme_minimal()

# ============================================
# 4. Pruebas de hipótesis
# ============================================

# Prueba t de Student para comparar las medias de los dos grupos
t_test <- t.test(grupo_A, grupo_B)
print(t_test)

    Welch Two Sample t-test

data:  grupo_A and grupo_B
t = -3.1766, df = 95.593, p-value = 0.002007
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -10.42039  -2.40534
sample estimates:
mean of x mean of y 
 70.34404  76.75690 

# Verificamos si los datos cumplen con la normalidad (Shapiro-Wilk test)
shapiro_A <- shapiro.test(grupo_A)
shapiro_B <- shapiro.test(grupo_B)

print(shapiro_A)

    Shapiro-Wilk normality test

data:  grupo_A
W = 0.98928, p-value = 0.9279

print(shapiro_B)

    Shapiro-Wilk normality test

data:  grupo_B
W = 0.99073, p-value = 0.9618

# Verificamos la homogeneidad de varianzas (Prueba de Levene)
library(car)
levene_test <- leveneTest(Valor ~ Grupo, data = datos)
print(levene_test)

Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  1  0.5309 0.4679
      98               

# ============================================
# Resultados e interpretación
# ============================================
cat("\nResultados del análisis:\n")

Resultados del análisis:

cat("1. Resumen descriptivo:\n")

1. Resumen descriptivo:

print(resumen_por_grupo)

# A tibble: 2 × 6
  Grupo Media Mediana Desviacion_Estandar Minimo Maximo
  <chr> <dbl>   <dbl>               <dbl>  <dbl>  <dbl>
1 A      70.3    69.3                9.26   50.3   91.7
2 B      76.8    76.8               10.9    47.3  101. 

cat("\n2. Prueba t de Student:\n")

2. Prueba t de Student:

print(t_test)

    Welch Two Sample t-test

data:  grupo_A and grupo_B
t = -3.1766, df = 95.593, p-value = 0.002007
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -10.42039  -2.40534
sample estimates:
mean of x mean of y 
 70.34404  76.75690 

cat("\n3. Normalidad (Shapiro-Wilk):\n")

3. Normalidad (Shapiro-Wilk):

cat("Grupo A: p-value =", shapiro_A$p.value, "\n")

Grupo A: p-value = 0.9278568 

cat("Grupo B: p-value =", shapiro_B$p.value, "\n")

Grupo B: p-value = 0.9617732 

cat("\n4. Homogeneidad de varianzas (Levene):\n")

4. Homogeneidad de varianzas (Levene):

print(levene_test)

Levene's Test for Homogeneity of Variance (center = median)
      Df F value Pr(>F)
group  1  0.5309 0.4679
      98               

---

Metanaálisis

Nuestros lenguajes de programación también permiten realizar metaanalisis clásicos, en red, umbrella, metaregresiones… A continuación os dejamos un ejemplos básico:

# Instalar y cargar el paquete metafor
library(metafor)

Warning: package 'metafor' was built under R version 4.4.3

Cargando paquete requerido: Matrix

Cargando paquete requerido: metadat

Warning: package 'metadat' was built under R version 4.4.3

Cargando paquete requerido: numDeriv

Loading the 'metafor' package (version 4.8-0). For an
introduction to the package please type: help(metafor)

Adjuntando el paquete: 'metafor'

The following object is masked from 'package:car':

    vif

# Crear un conjunto de datos de ejemplo
# Supongamos que tenemos 5 estudios con tamaños de efecto (yi) y varianzas (vi)
data <- data.frame(
  study = c("Estudio 1", "Estudio 2", "Estudio 3", "Estudio 4", "Estudio 5"),
  yi = c(0.2, 0.5, -0.1, 0.3, 0.4),   # Tamaños de efecto
  vi = c(0.04, 0.03, 0.05, 0.02, 0.04) # Varianzas
)

# Visualizar los datos
print(data)

      study   yi   vi
1 Estudio 1  0.2 0.04
2 Estudio 2  0.5 0.03
3 Estudio 3 -0.1 0.05
4 Estudio 4  0.3 0.02
5 Estudio 5  0.4 0.04

# Realizar el meta-análisis (modelo de efectos aleatorios)
meta_result <- rma(yi = yi, vi = vi, data = data, method = "REML")

# Resumen de los resultados del meta-análisis
print(meta_result)

Random-Effects Model (k = 5; tau^2 estimator: REML)

tau^2 (estimated amount of total heterogeneity): 0.0016 (SE = 0.0241)
tau (square root of estimated tau^2 value):      0.0394
I^2 (total heterogeneity / total variability):   4.42%
H^2 (total variability / sampling variability):  1.05

Test for Heterogeneity:
Q(df = 4) = 5.0217, p-val = 0.2851

Model Results:

estimate      se    zval    pval   ci.lb   ci.ub      
  0.2902  0.0829  3.5023  0.0005  0.1278  0.4527  *** 

---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# Crear un forest plot para visualizar los resultados
forest(meta_result, slab = data$study)

# Funnel plot para evaluar sesgos de publicación
funnel(meta_result)

# Análisis de heterogeneidad
cat("Heterogeneidad:\n")

Heterogeneidad:

cat(paste("Q =", meta_result$QE, ", p =", meta_result$QEp, "\n"))

Q = 5.02173913043478 , p = 0.28507418936044 

cat(paste("I^2 =", round(meta_result$I2, 2), "%\n"))

I^2 = 4.42 %

---

Análisis geoespaciales

Nuestros lenguajes de programación permiten realizar análisis geoespaciales, dándonos la capacidad de realizar estudios epidemiológicos complejos. A continuación os mostramos un ejemplo de ello:

# Cargamos las bibliotecas necesarias
library(sf)
library(ggplot2)
library(dplyr)

# Descargamos los datos geoespaciales del País Vasco
euskadi <- st_read("mapa/TERRITORIOS_5000_ETRS89.shp")

Reading layer `TERRITORIOS_5000_ETRS89' from data source 
  `C:\Users\Aprai\Desktop\Trabajo\Osakidetza\R y Python en Osakidetza\mapa\TERRITORIOS_5000_ETRS89.shp' 
  using driver `ESRI Shapefile'
Simple feature collection with 3 features and 5 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 463435.2 ymin: 4702192 xmax: 603082.2 ymax: 4811579
Projected CRS: ETRS89 / UTM zone 30N

# Creamos datos simulados de población
poblacion_data <- data.frame(
  provincia = c("ARABA / ÁLAVA", "BIZKAIA", "GIPUZKOA"),
  poblacion = c(331549, 1159443, 727121)
)

# Unimos los datos de población con los datos geoespaciales
euskadi_poblacion <- euskadi %>%
  left_join(poblacion_data, by = c("TERRITORIO" = "provincia"))

# Creamos el mapa
mapa_euskadi <- ggplot(data = euskadi_poblacion) +
  geom_sf(aes(fill = poblacion)) +
  scale_fill_viridis_c(name = "Población", 
                       labels = scales::comma_format()) +
  labs(title = "Población por provincia en el País Vasco",
       subtitle = "Datos simulados - 2025",
       caption = "Fuente: Datos simulados") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),
        plot.subtitle = element_text(hjust = 0.5))

# Mostramos el mapa
print(mapa_euskadi)

---

Minería de texto

En la actualidad, la minería y análisis de texto se encuentra en auge debido a la información que se puede obtener. Nuestros lenguajes de programación también tienen la capacidad de realizar dichos análisis. A continuación os unos presentamos un pequeños ejemplos:

Realizado en R

library(tm)
library(wordcloud)
library(RColorBrewer)

# ============================================
# 1. Crear un conjunto de datos de texto
# ============================================

# Ejemplo: textos simulados
textos <- c(
  "El análisis de minería de texto permite extraer información útil de documentos.",
  "Las nubes de palabras son una forma visual atractiva para representar frecuencias.",
  "R es un lenguaje poderoso para realizar minería de texto y análisis estadístico.",
  "La limpieza del texto es un paso fundamental antes del análisis.",
  "Los algoritmos de minería de texto pueden identificar patrones en grandes volúmenes de datos."
)

# Crear un Corpus (estructura para manejar texto)
corpus <- Corpus(VectorSource(textos))

# ============================================
# 2. Limpieza del texto
# ============================================

corpus <- corpus %>%
  tm_map(content_transformer(tolower)) %>%    # Convertir a minúsculas
  tm_map(removePunctuation) %>%               # Eliminar puntuación
  tm_map(removeNumbers) %>%                   # Eliminar números
  tm_map(removeWords, stopwords("spanish")) %>% # Eliminar palabras vacías (stopwords) en español
  tm_map(stripWhitespace)                     # Eliminar espacios en blanco adicionales

# ============================================
# 3. Análisis de frecuencias
# ============================================

# Crear una matriz de términos (Term-Document Matrix)
tdm <- TermDocumentMatrix(corpus)

# Convertir la matriz a un formato más manejable
matriz <- as.matrix(tdm)

# Calcular la frecuencia total de cada palabra
frecuencias <- sort(rowSums(matriz), decreasing = TRUE)

# Crear un dataframe con las palabras y sus frecuencias
df_frecuencias <- data.frame(
  palabra = names(frecuencias),
  frecuencia = frecuencias
)

print(head(df_frecuencias)) # Mostrar las palabras más frecuentes

                palabra frecuencia
texto             texto          4
análisis       análisis          3
minería         minería          3
documentos   documentos          1
extraer         extraer          1
información información          1

# ============================================
# 4. Generar la nube de palabras
# ============================================

set.seed(123) # Fijar semilla para reproducibilidad

wordcloud(
  words = df_frecuencias$palabra,
  freq = df_frecuencias$frecuencia,
  min.freq = 1,                     # Frecuencia mínima para incluir palabras
  max.words = 100,                  # Número máximo de palabras a mostrar
  random.order = FALSE,             # Ordenar por frecuencia (no aleatorio)
  colors = brewer.pal(8, "Dark2")   # Paleta de colores atractiva
)

# ============================================
# Resultados e interpretación
# ============================================
cat("\nLas palabras más frecuentes son:\n")

Las palabras más frecuentes son:

print(head(df_frecuencias))

                palabra frecuencia
texto             texto          4
análisis       análisis          3
minería         minería          3
documentos   documentos          1
extraer         extraer          1
información información          1

Realizado en Python

from wordcloud import WordCloud
import matplotlib.pyplot as plt


# Texto de ejemplo
text = 'Python R Data Science Machine Learning Visualization Analysis'

# Crear la nube de palabras
wordcloud = WordCloud(width=800, height=400, background_color='white').generate(text)

# Mostrar la nube de palabras
plt.figure(figsize=(10, 5))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')

(np.float64(-0.5), np.float64(799.5), np.float64(399.5), np.float64(-0.5))

plt.show()

---

Redes neuronales

Los algoritmos de redes neuronales (muy utilizados en Inteligencia Artificial) se encuentran en nuestro día a día. Dichos algoritmos también se pueden realizar con nuestros lenguajes de programación. A continuación tienes un pequeño ejemplo:

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
from sklearn.decomposition import PCA

# Cargar el dataset Iris (un problema de clasificación clásico)
iris = datasets.load_iris()
X = iris.data
y = iris.target

# Dividir en conjunto de entrenamiento y de prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Crear una red neuronal MLP (Perceptrón multicapa)
mlp = MLPClassifier(hidden_layer_sizes=(5,), max_iter=1000, activation='relu', random_state=42)

# Entrenar la red neuronal
mlp.fit(X_train, y_train)

MLPClassifier(hidden_layer_sizes=(5,), max_iter=1000, random_state=42)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

# Realizar predicciones
y_pred = mlp.predict(X_test)

# Evaluar precisión del modelo
accuracy = accuracy_score(y_test, y_pred)
print(f'Precisión en el conjunto de prueba: {accuracy:.2f}')

Precisión en el conjunto de prueba: 0.93

# Visualizar la red neuronal (esquemáticamente)
# Usaremos PCA para reducir a 2D las características y poder visualizarlas

pca = PCA(n_components=2)
X_r = pca.fit_transform(X)

# Visualización de los datos y las predicciones
plt.figure(figsize=(10, 7))

# Visualizamos los puntos de datos
plt.scatter(X_r[:, 0], X_r[:, 1], c=y, cmap=plt.cm.viridis, edgecolor='k', s=50)

# Visualizamos el resultado de las predicciones
plt.title("Clasificación del Iris con red neuronal MLP")
plt.xlabel("Componente principal 1")
plt.ylabel("Componente principal 2")
plt.colorbar()

<matplotlib.colorbar.Colorbar object at 0x0000027DE74C9940>

plt.show()

# weights:  26
initial  value 259.012592 
iter  10 value 0.986480
iter  20 value 0.225311
iter  30 value 0.139585
iter  40 value 0.098961
iter  50 value 0.038200
iter  60 value 0.022839
iter  70 value 0.013774
iter  80 value 0.008530
iter  90 value 0.005172
iter 100 value 0.003044
final  value 0.003044 
stopped after 100 iterations

---

¡Esto no es el final!

Te hemos mostrado algunos ejemplos de uso de nuestros lenguajes de programación. Sin embargo, existen mucho mas: técnicas de muestreo y remuestro, Algoritmo supervisados y no supervisados…

R y Python en Osakidetza R y Python en Osakidetza Inicio /index.html Primeros pasos Flujo de trabajo /flujo_trabajo.html Interfaces /interfaz_trabajo.html Gestión y Análisis Obtención y gestión Datos /Gestion_dato.html Análisis estadísticos /estadistica.html Más usos /mas_usos.html Difusión resultados Difusión propia /difusion_propia.html Difusión de conocimientos /difusion_externa.html https://www.osakidetza.euskadi.eus/portada-hospital-santa-marina/

Osakidetza, Hospital Santa Marina. 2025. I Apraiz; S Ballesteros; R Blanco.

Análisis estadísticos – R y Python en Osakidetza Análisis estadísticos – R y Python en Osakidetza Análisis estadísticos – R y Python en Osakidetza R y Python en Osakidetza