El café se enfriaba sobre la mesa mientras la epidemióloga repasaba, historia clínica a historia clínica, los datos que alimentarán el primer gran estudio español pensado para predecir el riesgo de cáncer de mama de forma personalizada. No hablamos de una cifra global para todas las mujeres, sino de un número distinto para cada una. En varios hospitales del país, equipos de investigación han empezado a cruzar información genética, clínica y de estilo de vida con un objetivo tan ambicioso como cotidiano: adelantarse a la enfermedad. Y, aunque suene sorprendente, la primera herramienta de ese arsenal no es un superordenador, sino algo mucho más humilde y poderoso: la estadística descriptiva. 🔎
«Antes de predecir nada, tenemos que entender a quién estamos mirando. Y para eso, lo primero es contar, ordenar y describir.»
Lo que pasó con el riesgo de cáncer de mama
Lo que pasó es que en España arrancó un estudio para calcular, mujer por mujer, el riesgo de cáncer de mama. Hasta ahora, buena parte de la prevención se ha basado en reglas de calendario: si tienes cierta edad, te toca mamografía. El nuevo enfoque quiere afinar esa red: en lugar de tratar a todas las mujeres como si tuvieran la misma probabilidad, propone estimar un riesgo individual combinando decenas de variables. 🧠
Los investigadores hablan de herramientas conocidas: R y Python para procesar los datos, regresión logística y árboles de decisión para modelar, y métricas como la precisión, la curva ROC o el test de Chi-cuadrado para validar. Pero antes de que cualquiera de esos modelos entre en escena, hay un paso invisible que casi nadie cuenta en los titulares: describir los datos. ¿Cuántas mujeres hay en la muestra? ¿A qué edad se diagnostican? ¿Los datos están limpios o llenos de huecos? Sin esa fotografía inicial, ningún algoritmo sofisticado tiene sobre qué apoyarse.
Este reportaje toma prestada esa fotografía para contar, paso a paso, cómo la estadística descriptiva convierte una montaña de historias clínicas en un puñado de números que cualquiera puede leer.
Por qué importa estadísticamente el riesgo de cáncer de mama
Importa porque la estadística descriptiva es el control de calidad de todo lo que viene después. Un modelo predictivo del riesgo de cáncer de mama entrenado sobre datos que nadie ha mirado con lupa es como un edificio levantado sobre cimientos sin inspeccionar: puede aguantar… o desplomarse en el peor momento. 💡
La estadística descriptiva no intenta predecir ni contrastar hipótesis: resume. Y lo hace con tres grandes grupos de medidas:
- Medidas de tendencia central 🎯: la media (el promedio), la mediana (el valor que parte la muestra en dos mitades) y la moda (el valor más frecuente). Nos dicen «por dónde está el centro».
- Medidas de dispersión 📏: el rango, la desviación típica, el rango intercuartílico (RIC) y el coeficiente de variación. Nos dicen «cómo de repartidos están los datos alrededor de ese centro».
- Medidas de posición y forma: cuartiles, percentiles, asimetría. Nos permiten detectar colas largas, valores atípicos y sesgos.
En un estudio de riesgo, describir bien la edad al diagnóstico marca la diferencia entre invitar a cribado a la población correcta o dejar fuera a mujeres jóvenes con casos precoces. Por eso la fase descriptiva no es «el aburrido paso previo»: es donde se detectan los errores antes de que se vuelvan caros.
Mirando los números (tabla + Figura 1)
Para verlo con las manos en la masa, usamos una muestra de 200 mujeres diagnosticadas y observamos una sola variable: la edad en el momento del diagnóstico. Los valores que siguen son datos ilustrativos para uso docente (no proceden del estudio real; están construidos para enseñar). La tendencia general —más casos en la franja de 50 a 69 años— es coherente con la epidemiología descrita en los datos de mortalidad del Instituto Nacional de Estadística (INE). 📚
| Grupo de edad | Casos (f) | Frecuencia relativa | Frecuencia acumulada |
|---|---|---|---|
| 30–39 | 12 | 6,0 % | 12 |
| 40–49 | 38 | 19,0 % | 50 |
| 50–59 | 66 | 33,0 % | 116 |
| 60–69 | 52 | 26,0 % | 168 |
| 70–79 | 24 | 12,0 % | 192 |
| 80–89 | 8 | 4,0 % | 200 |
| Total | 200 | 100 % | — |
La barra más alta canta sola: la franja de 50–59 años concentra un tercio de los casos (33 %). Pero el gráfico de barras solo nos cuenta «cuántos por grupo». Para exprimir la variable de verdad necesitamos resumirla en unos pocos estadísticos.
El resumen en cinco números
| Medida descriptiva | Valor |
|---|---|
| Media | 57,6 años |
| Mediana | ≈ 57,6 años |
| Moda (clase modal) | 50–59 años |
| Primer cuartil (Q1) | 50 años |
| Tercer cuartil (Q3) | 66,5 años |
| Rango intercuartílico (RIC) | 16,5 años |
| Desviación típica | ≈ 12,0 años |
| Coeficiente de variación | 20,8 % |
| Mínimo / Máximo | 30 / 89 años |
Fíjate en un detalle bonito: media y mediana casi coinciden (≈ 57,6), señal de una distribución bastante simétrica alrededor del centro. La desviación típica de 12 años nos dice que la mayoría de casos se sitúa, grosso modo, entre los 45 y los 70 años.
Qué nos dice el modelo (Figura 2)
Aquí la estadística descriptiva entra en acción con su herramienta más elegante: el diagrama de caja (boxplot). En una sola imagen resume cinco números —mínimo, Q1, mediana, Q3 y máximo— y revela de un vistazo la dispersión y la posible presencia de valores atípicos. Es el retrato robot de la variable. 📈
El boxplot nos susurra tres cosas: (1) el 50 % de las mujeres se diagnostica entre los 50 y los 66,5 años —la anchura de la caja—; (2) la mediana, casi centrada, confirma la simetría; y (3) aplicando la regla del 1,5 × RIC (vallas en 25,3 y 91,3 años) ningún caso queda fuera: en esta muestra no hay valores atípicos. Y ese «no hay» también es un hallazgo. Un solo diagnóstico a los 24 años, por debajo de la valla inferior, sería un outlier que obligaría a preguntarse por factores genéticos como BRCA1/2. Así, la estadística descriptiva no solo resume: lanza las preguntas que después responderán los modelos predictivos. ✅
Lo que el aula puede aprender sobre el cáncer de mama
Este caso es un regalo para clase porque une algo emocionalmente cercano —la salud— con las herramientas más básicas y transferibles de la estadística. Antes de hablar de inteligencia artificial, el alumnado puede aprender a mirar los datos como lo hacen los investigadores del riesgo de cáncer de mama. Puedes ampliar la práctica con los recursos interactivos de canaldocente.es para que cada estudiante construya su propio boxplot. 🧮
Retos para el aula 🎯
- Con la tabla de frecuencias, calcula a mano la media usando las marcas de clase (puntos medios de cada intervalo) y comprueba que obtienes 57,6 años.
- Dibuja el histograma con barras contiguas y compáralo con el gráfico de barras de la Figura 1: ¿qué cambia y por qué?
- Explica con tus palabras por qué media y mediana casi coinciden. ¿Qué forma tendría la distribución si la media fuera mucho mayor que la mediana?
- Interpreta el coeficiente de variación del 20,8 %. ¿Dirías que la edad al diagnóstico es una variable muy dispersa o poco dispersa?
- Aplica la regla del 1,5 × RIC y verifica los límites (25,3 y 91,3 años). Inventa una edad que sí sería un valor atípico y explica qué significaría clínicamente.
- Debate: si el estudio solo recogiera mujeres mayores de 50 años, ¿cómo cambiarían la media, la moda y las conclusiones? (Introduce la idea de sesgo de muestreo.)
- Reto avanzado 🧠: propón qué variable descriptiva adicional (IMC, edad de la primera regla, antecedentes familiares…) resumirías primero antes de entrenar un modelo, y justifica por qué.
Reflexión final
Volvamos a la escena del principio: el café frío, las historias clínicas, la epidemióloga que aún no ha escrito una sola línea de código. Su trabajo de esa mañana —contar, ordenar, calcular medias y cuartiles, dibujar una caja— parece modesto al lado de los titulares sobre inteligencia artificial y medicina personalizada. Pero es exactamente ahí donde empieza todo. 💡
La estadística descriptiva es la lente que enfoca el problema del riesgo de cáncer de mama antes de disparar la foto definitiva. Enseña una lección que sirve para la ciencia y para la vida: no se puede predecir bien lo que no se ha entendido primero. Si quieres seguir tirando del hilo entre datos, salud y aula, encontrarás más historias como esta en el blog de canaldocente.es. Porque detrás de cada gran modelo predictivo hay, siempre, una tabla de frecuencias que alguien se tomó la molestia de mirar con calma. 📚