3 Capítulo 3 — Describir lo que ves

Epidemiología aplicada en acuicultura — Parte I: Fundamentos

Dónde encaja esto — Fundamentos. Describir los datos con honestidad es la base común para medir, comparar y actuar en las cinco fases del marco.

3.1 Panorama

Antes de poder probar si el agua de río causa más BKD, o si una vacuna funciona, hay que ser capaz de describir lo que tienes delante —con claridad, con honestidad y en números que otros puedan verificar—. Esto es epidemiología descriptiva, y es donde comienza toda investigación: resumir la enfermedad y sus determinantes por animal, lugar y tiempo (Thrusfield y Christley, 2018).

Este capítulo enseña el kit descriptivo que de verdad usa un especialista en salud de peces: cómo reconocer el tipo de cada variable, cómo resumir su centro y su dispersión, y cómo ver su forma con un primer conjunto de gráficos. Seguimos usando el registro aquafarms_register.csv del Capítulo 2 y —como verás— incluso este pequeño registro esconde dos trampas que atrapan a alguien cada semana.

3.2 3.1 Preparación

pacman::p_load(rio, here, tidyverse, janitor, gtsummary)

register <- import(here("data", "aquafarms_register.csv"))

register <- register |>
  mutate(prevalence = round(n_positive / n_sampled * 100, 1))

3.3 3.2 Conoce tus variables

Cada columna tiene un tipo, y el tipo decide qué resumen y qué gráfico son válidos. Dos grandes familias:

Variables cuantitativas (numéricas) miden cuánto: continuas (cualquier valor en una escala: water_temp_c, prevalence) y discretas (conteos enteros: n_stocked, n_positive).

Variables cualitativas (categóricas) describen de qué tipo: nominales (categorías sin orden: species, farm), ordinales (categorías ordenadas, p. ej. un puntaje de lesión “leve < moderado < severo”) y binarias (el caso especial de dos niveles: “positivo a SRS: sí/no”).

Por qué importa. Puedes sacar la media de una variable continua, pero la “media” de species es un sinsentido —ahí cuentas categorías—. Acierta el tipo y el resumen correcto casi se elige solo.

3.4 3.3 El centro de los datos

Tres medidas clásicas de tendencia central, más una que la salud de peces necesita más que la mayoría de los campos: media (mean()), mediana (median()), moda y media geométrica.

Empieza con las ocho temperaturas del salmón:

salmon_temps <- register |>
  filter(species == "Atlantic salmon") |>
  pull(water_temp_c)

round(mean(salmon_temps), 2)   # 12.29
median(salmon_temps)           # 12.2

Media y mediana coinciden (≈12,3 °C): las temperaturas del salmón son casi simétricas. Ahora mira lo que pasa cuando, por descuido, promediamos entre todas las operaciones.

3.4.1 Trampa 1 — el promedio que no describe a nadie

round(mean(register$water_temp_c), 1)   # 23.1
median(register$water_temp_c)           # 27.35

La “temperatura promedio de cultivo” es 23,1 °C —pero ni una sola unidad está cerca de 23 °C—. Nuestras operaciones viven en dos mundos térmicos separados (salmón cerca de 12 °C; tilapia y camarón cerca de 28–30 °C), así que la media global cae en el vacío entre ambos. Esto es una distribución bimodal, y cualquier número único engaña. La solución no es un estadístico más astuto; es describir por grupo (lo hacemos en §3.6).

3.4.2 Trampa 2 — la media secuestrada

round(mean(register$n_stocked))   # 86882
median(register$n_stocked)        # 30489.5

Aquí la media es casi tres veces la mediana. La razón son los estanques de camarón: con cientos de miles de animales, arrastran la media muy por encima de donde está la mayoría. Esto es asimetría a la derecha, y está por todas partes en los datos de acuicultura. Cuando los datos son asimétricos, la mediana es el resumen honesto de la unidad típica. Reportar un conteo medio de piojos sin decir que los datos son asimétricos puede sobreestimar seriamente una infestación “típica” (Lepe-López et al., 2021).

La media geométrica merece mención porque la salud de peces vive en escalas multiplicativas. Las cargas de patógenos y los títulos de anticuerpos suelen reportarse como media geométrica. Calcúlala como exp(mean(log(x))).

3.5 3.4 La dispersión de los datos

Rango (range()) — del mínimo al máximo; sensible a los extremos.
Cuantiles e IQR (IQR()) — los percentiles 25 y 75 encierran la mitad central; robusto a atípicos, se empareja con la mediana.
Varianza y desviación estándar (var(), sd()) — la DE está en las mismas unidades que los datos, así que es la que reportas.
Coeficiente de variación (CV) — la DE como porcentaje de la media (sd(x)/mean(x)*100); al no tener unidades, permite comparar variabilidad entre escalas distintas.

round(sd(salmon_temps), 2)   # 0.98 -> las jaulas de salmón son térmicamente muy parecidas
IQR(register$prevalence)

El CV es la herramienta para “¿qué varía más entre unidades —el peso del salmón o el del camarón?—”, donde las DE crudas no son comparables (un salmón pesa ~2.900 g y un camarón ~18 g).

3.6 3.5 La forma de los datos

Los números resumen; las imágenes revelan. Un histograma muestra la distribución de una variable continua y es la forma más rápida de detectar asimetría, bimodalidad y errores. Este es nuestro primer uso de ggplot2:

ggplot(register, aes(x = n_stocked)) +
  geom_histogram(bins = 10) +
  labs(title = "Los números de siembra son asimétricos a la derecha",
       x = "Animales sembrados por unidad", y = "Número de unidades")

Para ver la Trampa 1, compara los mundos térmicos con un boxplot:

ggplot(register, aes(x = species, y = water_temp_c)) +
  geom_boxplot() +
  labs(x = NULL, y = "Temperatura del agua (°C)")

Por qué la forma importa más allá de describir. Muchas pruebas estadísticas (del Capítulo 5 en adelante) asumen datos simétricos, “normales”. Cuando una variable es muy asimétrica —como suelen ser los conteos—, o usas métodos diseñados para esa forma o transformas la variable (a menudo con un logaritmo) primero.

3.7 3.6 Describir como un epidemiólogo

El hábito descriptivo es resumir por grupo —el eje “lugar/animal”— en lugar de amontonar todo:

register |>
  group_by(species) |>
  summarise(
    n_units     = n(),
    mean_temp   = mean(water_temp_c),
    med_stocked = median(n_stocked),
    mean_prev   = mean(prevalence)
  )

Para una versión lista para publicar, gtsummary::tbl_summary() arma una tabla descriptiva con formato en una sola llamada. El eje restante, tiempo, es plano aquí porque el registro es de un solo mes; describir la enfermedad en el tiempo —la curva epidémica— tiene su propio tratamiento en el Capítulo 13 (la descripción de la mortalidad semanal por SRS según la estación en Diethelm-Varela et al., 2025, es un buen ejemplo de ese paso descriptivo bien hecho antes de modelar).

3.8 3.7 Interpretación en el centro de cultivo

La estadística descriptiva no es un calentamiento que apuras para llegar al análisis “de verdad” —en un centro de cultivo es, a menudo, el análisis—. La tabla agrupada ya le dice a un encargado dónde mirar: qué especie carga la mayor prevalencia promedio este mes, cuán juntas van térmicamente las jaulas, y si alguna unidad es un atípico que merece una visita. Y las dos trampas no son académicas: un consultor que reporta una media única entre sistemas mezclados (Trampa 1), o una media de piojos sobre datos asimétricos (Trampa 2), engañará a su cliente con un número técnicamente correcto pero prácticamente inútil.

3.9 3.8 Ejercicios

Inténtalo tú (3.1). Arma el resumen agrupado de §3.6 y agrega una columna con la DE de mean_weight_g. ¿Qué especie varía más en peso?

3.2 Calcula media y mediana de prevalence para todo el registro. ¿Son cercanas? ¿Qué te dice eso sobre la forma de la distribución, sin graficar?

3.3 Haz un histograma de mean_weight_g. ¿Por qué no es un único pico suave?

3.4 Calcula el coeficiente de variación de water_temp_c por separado para salmón y para tilapia. ¿Qué especie experimenta más variabilidad térmica relativa entre sus unidades?

3.5 Un colega reporta “la siembra promedio de la operación es de unos 87.000 animales por unidad”. Explica en una o dos frases por qué esto engaña, y propón una mejor descripción de una frase.

3.10 Resumen y qué sigue

La epidemiología descriptiva resume la enfermedad por animal, lugar y tiempo, y es donde comienza toda investigación.
Cada variable tiene un tipo que dicta su resumen y su gráfico.
Centro: media, mediana, moda —y la media geométrica para cargas y títulos—. La mediana es el resumen honesto cuando los datos son asimétricos.
Dispersión: rango, IQR, varianza, DE y el CV sin unidades para comparar entre escalas.
Forma: histogramas y boxplots revelan asimetría y bimodalidad que los resúmenes esconden.
Describe siempre por grupo; dplyr::summarise() y gtsummary::tbl_summary() son tus caballos de batalla.

En el Capítulo 4 — ¿Cuánta enfermedad hay? convertimos los conteos crudos de este registro en las dos medidas fundamentales de frecuencia de enfermedad: prevalencia e incidencia.

3.11 Referencias y lecturas

Thrusfield M, Christley R. Veterinary Epidemiology. 4.ª ed. Wiley-Blackwell; 2018.
Lepe-López M, …, Mardones FO. Factores epidemiológicos asociados a la infección por Caligus rogercresseyi en el sur de Chile. Front Vet Sci. 2021;8:595024.
Diethelm-Varela B, …, Mardones FO. Epidemiología del SRS en salmón de cultivo. J Fish Dis. 2025;e70097.
Dohoo I, Martin W, Stryhn H. Veterinary Epidemiologic Research. 2.ª ed. VER Inc.; 2009.

Archivos de este capítulo: reutiliza data/aquafarms_register.csv del Capítulo 2.