Bioinformática Estadística

Guillermo Ayala Universidad de Valencia
Bioinformática Estadística
Análisis estadístico de datos ómicos
2
Copyright ©5 de febrero de 2019
Guillermo Ayala
Guillermo.Ayala@uv.es
This work is free. You can redistribute it and/or modify it under the terms of
the Do What The Fuck You Want To Public License, Version 2, as published by
Sam Hocevar. See http://www.wtfpl.net/ for more details.
ii
Índice general
I Introducción 1
1 Estadística y datos ómicos 3
1.1 Estructura de los datos . . . . . . . . . . . . . . . . . . 3
1.2 Análisis de datos . . . . . . . . . . . . . . . . . . . . . 4
1.3 Sobre herramientas online . . . . . . . . . . . . . . . . 5
1.4 Paquetes transversales . . . . . . . . . . . . . . . . . . 6
1.5 Jerga . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Datos ordenados . . . . . . . . . . . . . . . . . . . . . 6
1.7 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . 7
2 R y Bioconductor 9
2.1 Sobre R y su instalación . . . . . . . . . . . . . . . . . 9
2.1.1 De cómo instalarlo . . . . . . . . . . . . . . . . 9
2.2 Lo primero con R . . . . . . . . . . . . . . . . . . . . . 10
2.3 Una sola muestra . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Varias muestras . . . . . . . . . . . . . . . . . . 14
2.4 Datos golub . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 La función apply . . . . . . . . . . . . . . . . . . . . . 21
2.6 Listas . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7 Funciones con R . . . . . . . . . . . . . . . . . . . . . 25
2.8 Sobre Bioconductor . . . . . . . . . . . . . . . . . . . . 28
2.9 Paquetes para tami . . . . . . . . . . . . . . . . . . . . 28
3 Anotación 29
3.1 AnnotationDbi . . . . . . . . . . . . . . . . . . . . . . 30
3.2 ChipDb . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 OrgDb . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 TxDb . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5 BSgenome . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6 OrganismDb . . . . . . . . . . . . . . . . . . . . . . . 49
3.7 biomaRt . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.8 KEGGREST . . . . . . . . . . . . . . . . . . . . . . . 51
3.9 Tareas habituales con anotaciones . . . . . . . . . . . 51
3.9.1 Cambiar identificadores de un ExpressionSet . 52
3.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 55
II Datos 57
4 Microarrays 59
4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Affymetrix GeneChip . . . . . . . . . . . . . . . . . . . 59
4.3 Obteniendo los datos . . . . . . . . . . . . . . . . . . . 60
iii
iv ÍNDICE GENERAL
4.4 Sonda y conjunto de sondas . . . . . . . . . . . . . . . 60

4.5 Variabilidad intra y entre arrays . . . . . . . . . . . . 61
4.6 Control de calidad . . . . . . . . . . . . . . . . . . . . 64
4.6.1 Dibujo de la media-diferencia de Tukey o dibujo
de Bland-Altman . . . . . . . . . . . . . . . . 64
4.6.2 MA plots . . . . . . . . . . . . . . . . . . . . . 65
4.6.3 Densidades y diagramas de cajas . . . . . . . . 67
4.6.4 Utilizando arrayQualityMetrics . . . . . . . . . 68
4.6.5 Corrigiendo errores técnicos . . . . . . . . . . . 68
4.7 Método MAS5 . . . . . . . . . . . . . . . . . . . . . . 69
4.7.1 Corrección de fondo . . . . . . . . . . . . . . . 69
4.7.2 Cálculo del valor de expresión . . . . . . . . . . 70
4.8 Robust multichip average (RMA) . . . . . . . . . . . . 71
4.8.1 Corrección de fondo . . . . . . . . . . . . . . . 72
4.8.2 Normalización de cuantiles . . . . . . . . . . . 72
4.8.3 Resumen . . . . . . . . . . . . . . . . . . . . . 74
4.9 MAS5 y RMA con affy . . . . . . . . . . . . . . . . . . 75
4.10 Otros métodos posibles . . . . . . . . . . . . . . . . . . 76
4.11 Cómo hacer un preprocesado sencillo a partir de datos
de expresión . . . . . . . . . . . . . . . . . . . . . . . . 78
4.12 Otros métodos de normalización . . . . . . . . . . . . 79
5 Datos de microarrays 81
5.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2 sample.ExpressionSet . . . . . . . . . . . . . . . . . . . 81
5.3 Datos golub . . . . . . . . . . . . . . . . . . . . . . . . 83
5.4 Datos ALL . . . . . . . . . . . . . . . . . . . . . . . . 85
5.5 Construyendo un ExpressionSet . . . . . . . . . . . . 86
5.6 Un experimento con levadura . . . . . . . . . . . . . . 92
5.7 De cómo utilizar un ExpressionSet . . . . . . . . . . . 94
5.8 NCBI GEO . . . . . . . . . . . . . . . . . . . . . . . . 96
5.9 GSE21779 . . . . . . . . . . . . . . . . . . . . . . . . 96
5.10 GSE1397 . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.11 Datos GSE20986 . . . . . . . . . . . . . . . . . . . . . 100
5.12 GSE34764 . . . . . . . . . . . . . . . . . . . . . . . . 101
5.13 ArrayExpress . . . . . . . . . . . . . . . . . . . . . . . 102
5.14 Varios . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.14.1 Guardando la matriz de expresión . . . . . . . 102
5.15 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 103
6 Datos de RNA-seq 105

6.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 105
6.2 Flujo de trabajo con RNA-seq . . . . . . . . . . . . . . 105
6.3 Repositorios . . . . . . . . . . . . . . . . . . . . . . . . 107
6.4 Formato FASTA . . . . . . . . . . . . . . . . . . . . . 107
6.5 Formato FASTQ . . . . . . . . . . . . . . . . . . . . . 107
6.6 De SRA a fastq . . . . . . . . . . . . . . . . . . . . . . 112
6.7 Control de calidad de un experimento RNA-seq con
EDASeq . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.8 STAR y samtools . . . . . . . . . . . . . . . . . . . . . 113
6.9 Bowtie2 . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.10 Utilizando tophat y samtools . . . . . . . . . . . . . . 117
6.11 GSE37211: paquete parathyroidSE . . . . . . . . . . . 117
6.12 GSE64099 . . . . . . . . . . . . . . . . . . . . . . . . . 119
ÍNDICE GENERAL v
6.13 GSE63776 a partir de conteos . . . . . . . . . . . . . . 120

6.14 Normalización de RNA-seq . . . . . . . . . . . . . . . 121
6.14.1 RPKM . . . . . . . . . . . . . . . . . . . . . . . 123
6.14.2 Método TMM: Media ajustada de M-valores . 123
6.14.3 Mediana de los cocientes . . . . . . . . . . . . . 125
6.14.4 Homogeneizando los percentiles . . . . . . . . . 127
6.15 Estudios de caso . . . . . . . . . . . . . . . . . . . . . 127
6.15.1 SRP064411 . . . . . . . . . . . . . . . . . . . . 127
6.16 Datos simulados . . . . . . . . . . . . . . . . . . . . . 129
III Expresión diferencial 131

7 Expresión diferencial marginal 133
7.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 133
7.2 Algo de notación . . . . . . . . . . . . . . . . . . . . . 133
7.3 Selección no específica o filtrado independiente . . . . 134
7.3.1 Utilizando apply . . . . . . . . . . . . . . . . . 135
7.3.2 Utilizando genefilter . . . . . . . . . . . . . . . 137
7.3.3 Utilizando nsFilter . . . . . . . . . . . . . . . . 139
7.4 Fold-change . . . . . . . . . . . . . . . . . . . . . . . . 139
7.5 Los peligros de la selección no específica . . . . . . . . 140
7.6 Expresión diferencial de un solo gen . . . . . . . . . . 141
7.7 Comparamos dos condiciones . . . . . . . . . . . . . . 143
7.8 Comparando más de dos condiciones . . . . . . . . . . 145
7.9 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 147
8 Comparaciones múltiples 149

8.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 149
8.2 Control fuerte y control débil del error . . . . . . . . . 152
8.3 Relación entre las tasas de error tipo I . . . . . . . . . 153
8.4 p valores y p valores ajustados . . . . . . . . . . . . . 154
8.5 Métodos que controlan la FWER . . . . . . . . . . . . 154
8.5.1 Los métodos en un solo paso . . . . . . . . . . 154
8.5.2 Los métodos por pasos de bajada . . . . . . . . 155
8.5.3 Método por pasos de subida . . . . . . . . . . . 156
8.6 Métodos que controlan el FDR . . . . . . . . . . . . . 156
8.7 Utilizando genefilter y p.adjust . . . . . . . . . . . . . 157
8.7.1 Cálculo de p-valores ajustados . . . . . . . . . 157
8.7.2 Genes con expresión diferencial . . . . . . . . . 157
8.8 El q-valor . . . . . . . . . . . . . . . . . . . . . . . . . 158
8.9 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 162
9 Expresión diferencial con microarrays 163

9.1 Método SAM . . . . . . . . . . . . . . . . . . . . . . . 163
9.1.1 El método . . . . . . . . . . . . . . . . . . . . 163
9.1.2 Cálculo de s0 . . . . . . . . . . . . . . . . . . . 166
9.1.3 SAM con samr . . . . . . . . . . . . . . . . . . 166
9.1.4 SAM con otro tipo de covariables . . . . . . . 167
9.1.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . 168
9.2 Limma . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.2.1 El modelo limma . . . . . . . . . . . . . . . . . 169
9.2.2 Datos gse44456 con limma . . . . . . . . . . . . 173
9.2.3 Un diseño cruzado con limma . . . . . . . . . . 174
9.3 Un comentario técnico importante . . . . . . . . . . . 177
vi ÍNDICE GENERAL
10 Expresión diferencial con datos RNASeq 179

10.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 179
10.2 Una muestra por condición . . . . . . . . . . . . . . . 179
10.3 edgeR . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
10.3.1 Estimación de una dispersión común . . . . . . 181
10.3.2 Un test exacto . . . . . . . . . . . . . . . . . . 182
10.3.3 Dispersiones posiblemente distintas . . . . . . . 184
10.3.4 edgeR: PRJNA297664 . . . . . . . . . . . . . . 185
10.4 Un método de cuasi-verosimilitud . . . . . . . . . . . . 186
10.5 SAMseq . . . . . . . . . . . . . . . . . . . . . . . . . . 186
10.5.1 SAMseq: PRJNA297664 . . . . . . . . . . . . . 188
10.6 DESeq2 . . . . . . . . . . . . . . . . . . . . . . . . . . 189
10.6.1 Método . . . . . . . . . . . . . . . . . . . . . . 189
10.6.2 Paquete . . . . . . . . . . . . . . . . . . . . . . 193
10.7 Material adicional . . . . . . . . . . . . . . . . . . . . 193
10.8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 194
10.9 Diseños apareados . . . . . . . . . . . . . . . . . . . . 194
11 Tamaño muestral y potencia 195
12 Generando un informe 197

12.1 Identificando el grupo de genes . . . . . . . . . . . . . 198
12.2 R2HTML . . . . . . . . . . . . . . . . . . . . . . . . . 199
12.3 ReportingTools . . . . . . . . . . . . . . . . . . . . . . 200
12.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 201
IV Reducción de dimensión y clasificación 203

13 Componentes principales 205
13.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 205
13.2 Componentes principales . . . . . . . . . . . . . . . . . 205
13.3 Componentes principales de los datos golub . . . . . . 209
13.4 ¿Muestras o genes? . . . . . . . . . . . . . . . . . . . . 213
13.5 ¿Tipificamos los datos? . . . . . . . . . . . . . . . . . . 215
13.6 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . 216
13.7 Componentes principales . . . . . . . . . . . . . . . . . 218
14 Análisis cluster 221

14.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 221
14.2 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
14.2.1 Un ejemplo artificial . . . . . . . . . . . . . . . 222
14.2.2 Un ejemplo con muestras . . . . . . . . . . . . 223
14.2.3 Un ejemplo con genes . . . . . . . . . . . . . . 223
14.3 Disimilaridades . . . . . . . . . . . . . . . . . . . . . . 224
14.3.1 Distancias euclídea y de Manhattan . . . . . . 224
14.3.2 Disimilaridades utilizando coeficientes de corre-
lación . . . . . . . . . . . . . . . . . . . . . . . 225
14.3.3 Matriz de disimilaridades . . . . . . . . . . . . 226
14.4 Disimilaridades entre grupos de observaciones . . . . 227
14.5 Cluster jerárquico . . . . . . . . . . . . . . . . . . . . 228
14.6 Distancia cofenética . . . . . . . . . . . . . . . . . . . 232
14.7 Métodos de particionamiento . . . . . . . . . . . . . . 233
14.7.1 Método de las k-medias . . . . . . . . . . . . . 233
14.7.2 Particionamiento alrededor de los mediodes . . 235
ÍNDICE GENERAL vii
14.8 Silueta . . . . . . . . . . . . . . . . . . . . . . . . . . 235

14.9 Análisis cluster y datos de expresión de gen . . . . . . 237
14.10Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . 239
14.10.1 Un análisis de los datos ALL . . . . . . . . . . 239
14.10.2 Análisis cluster de GSE20986 . . . . . . . . . . 242
14.11Otras aproximaciones y problemas . . . . . . . . . . . 242
14.12Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 243
V Análisis de grupos de genes 245

15 Grupos de genes 247
15.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 247
15.2 Homo sapiens . . . . . . . . . . . . . . . . . . . . . . . 248
15.3 Grupos con levadura . . . . . . . . . . . . . . . . . . . 250
15.4 Grupos para GSE1397 . . . . . . . . . . . . . . . . . . 251
15.5 Grupos GO para levadura . . . . . . . . . . . . . . . . 253
15.6 Grupos GO para humanos . . . . . . . . . . . . . . . . 254
15.7 Grupos para Arabidopsis thaliana . . . . . . . . . . . . 254
15.8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 254
16 Test de Fisher unilateral 255

16.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 255
16.2 fisher.test . . . . . . . . . . . . . . . . . . . . . . . . . 257
16.3 Sobre la elección del universo de genes . . . . . . . . . 258
16.4 Utilizando Category y GOstats . . . . . . . . . . . . . 258
16.4.1 GSE1397 . . . . . . . . . . . . . . . . . . . . . 258
16.4.2 GSE20986 . . . . . . . . . . . . . . . . . . . . . 261
16.4.3 ALL . . . . . . . . . . . . . . . . . . . . . . . . 263
16.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 265
17 Análisis de conjuntos de genes 267

17.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . 267
17.2 Sobre la distribución de la matriz de expresión . . . . 267
17.3 Conjunto(s) de genes . . . . . . . . . . . . . . . . . . 268
17.4 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . 269
17.4.1 Un ejemplo simulado de Efron y Tibshirani . . 269
17.5 Cuantificando asociación gen-fenotipo . . . . . . . . . 271
17.6 Enriqueciendo el conjunto de genes . . . . . . . . . . . 271
17.7 Distribuciones condicionadas a los datos . . . . . . . . 272
17.7.1 Distribución de permutación para un gen . . . 272
17.7.2 Distribución de aleatorización . . . . . . . . . . 273
17.8 Limma::genSetTest . . . . . . . . . . . . . . . . . . . 274
17.9 Limma::wilcoxGST . . . . . . . . . . . . . . . . . . . . 274
17.10Limma::CAMERA . . . . . . . . . . . . . . . . . . . . 275
17.11GSA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
17.12GSEA: Gene set enrichment analysis . . . . . . . . . . 279
17.13Estudiando interacciones entre genes individuales y gru-
pos de genes . . . . . . . . . . . . . . . . . . . . . . . . 281
17.14Un método simple pero efectivo . . . . . . . . . . . . . 282
17.15Un método basado en poblaciones finitas . . . . . . . . 283
17.16Análisis de grupos de genes por muestra . . . . . . . . 284
17.16.1 GSVA . . . . . . . . . . . . . . . . . . . . . . . 284
17.17Otros paquetes y bibliografía complementaria . . . . . 285
viii ÍNDICE GENERAL
18 Enriquecimiento de grafos 287

18.1 Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
18.2 NEAT . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
18.3 DEGraph . . . . . . . . . . . . . . . . . . . . . . . . . 289
VI Agregación 293
19 Listas de características ordenadas 295
19.1 Estabilidad de la lista ordenada . . . . . . . . . . . . . 296
19.1.1 Diferentes criterios de ordenación . . . . . . . . 296
19.1.2 Estabilidad frente a cambios en los datos . . . 300
19.2 Agregación de listas . . . . . . . . . . . . . . . . . . . 303
VII Probabilidad y Estadística 305

20 Estadística descriptiva 307
20.1 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
20.2 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 308
20.3 Descriptivas numéricas . . . . . . . . . . . . . . . . . . 308
20.3.1 Media muestral . . . . . . . . . . . . . . . . . . 309
20.3.2 Media ajustada . . . . . . . . . . . . . . . . . . 309
20.3.3 Percentiles . . . . . . . . . . . . . . . . . . . . 310
20.3.4 Varianza y desviación estándar muestrales . . . 311
20.3.5 Rango . . . . . . . . . . . . . . . . . . . . . . . 312
20.3.6 Rango intercuartílico . . . . . . . . . . . . . . 312
20.3.7 La función genérica summary . . . . . . . . . . 312
20.4 MAD . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
20.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 313
20.6 Descripciones gráficas de los datos . . . . . . . . . . . 314
20.6.1 Añadimos variables y seleccionamos casos o va-
riables . . . . . . . . . . . . . . . . . . . . . . . 314
20.6.2 Frecuencias . . . . . . . . . . . . . . . . . . . . 314
20.6.3 Histograma . . . . . . . . . . . . . . . . . . . . 315
20.6.4 Diagramas de cajas . . . . . . . . . . . . . . . . 316
20.6.5 Estimadores kernel de la densidad . . . . . . . 317
20.6.6 Buscando datos anómalos . . . . . . . . . . . . 317
20.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 318
21 Probabilidad 321
21.1 Experimento, suceso y probabilidad . . . . . . . . . . . 321
21.1.1 Contando: variaciones, permutaciones y combi-
naciones . . . . . . . . . . . . . . . . . . . . . 326
21.1.2 Un poco de teoría . . . . . . . . . . . . . . . . 329
21.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 330
21.3 Variable aleatoria . . . . . . . . . . . . . . . . . . . . . 331
21.3.1 Variable aleatoria discreta . . . . . . . . . . . . 331
21.3.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . 332
21.3.3 Variable aleatoria continua . . . . . . . . . . . 333
21.3.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . 335
21.3.5 Función de distribución . . . . . . . . . . . . . 335
21.3.6 Función de distribución muestral o empirica . . 336
21.3.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . 336
21.4 Media y varianza . . . . . . . . . . . . . . . . . . . . . 337
ÍNDICE GENERAL ix
21.4.1 Media de una variable aleatoria discreta . . . . 337

21.4.2 Varianza y desviación típica . . . . . . . . . . . 339
21.5 Variable Bernoulli . . . . . . . . . . . . . . . . . . . . 340
21.6 Variable binomial . . . . . . . . . . . . . . . . . . . . . 340
21.6.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . 343
21.7 Distribución Poisson . . . . . . . . . . . . . . . . . . . 344
21.8 Distribuciones geométrica y binomial negativa . . . . . 346
21.8.1 Distribución geométrica . . . . . . . . . . . . . 346
21.8.2 Distribución binomial negativa . . . . . . . . . 346
21.9 Distribución normal . . . . . . . . . . . . . . . . . . . 347
21.10Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . 352
22 Distribución muestral 353

22.1 Población y muestra aleatoria . . . . . . . . . . . . . . 353
22.2 Distribución muestral de una variable binomial . . . . 353
22.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . 355
22.3 Distribución muestral de la media bajo normalidad . . 355
22.3.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . 358
22.4 Distribución muestral de la media en poblaciones no
normales. Teorema central del límite . . . . . . . . . . 358
22.4.1 Aproximación de la distribución binomial . . . 358
22.4.2 Ilustración del teorema central del límite . . . . 359
22.4.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . 359
23 Estimación 361
23.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 361
23.2 La población . . . . . . . . . . . . . . . . . . . . . . . 361
23.3 Estimación puntual . . . . . . . . . . . . . . . . . . . . 362
23.4 Algunas definiciones . . . . . . . . . . . . . . . . . . . 364
23.5 Estimación puntual de la media . . . . . . . . . . . . . 364
23.6 Intervalo de confianza para la media . . . . . . . . . . 364
23.6.1 Asumimos que conocemos la varianza . . . . . 364
23.6.2 No asumimos la varianza conocida . . . . . . . 367
23.7 Error absoluto y tamaño de la muestra . . . . . . . . . 373
23.8 Estimación de la varianza en poblaciones normales . . 376
24 Contraste de hipótesis 379

24.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 379
24.2 Constrastes para una muestra . . . . . . . . . . . . . . 379
24.2.1 Un contraste unilateral . . . . . . . . . . . . . 379
24.2.2 Y, finalmente, el contraste bilateral . . . . . . 385
24.3 Intervalo de confianza y contraste de hipótesis . . . . . 387
24.4 Contraste de normalidad . . . . . . . . . . . . . . . . 388
24.4.1 Gráficos para evaluar la normalidad . . . . . . 388
24.5 Constrastes de normalidad . . . . . . . . . . . . . . . . 392
24.5.1 Test de Shapiro–Wilk . . . . . . . . . . . . . . 392
24.5.2 Test ji-cuadrado . . . . . . . . . . . . . . . . . 393
24.5.3 Test de Kolmogorov-Smirnov . . . . . . . . . . 393
25 Comparación de dos poblaciones 395

25.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . 395
25.2 Comparación descriptiva de las muestras . . . . . . . . 395
25.3 Comparando las medias de dos poblaciones normales . 399
25.3.1 Estimación de la diferencia de medias . . . . . 399
25.3.2 Contraste de hipótesis . . . . . . . . . . . . . . 402
x ÍNDICE GENERAL
25.3.3 Los contrastes unilaterales o direccionales . . . 404

25.4 Inferencia sobre las varianzas de dos poblaciones normales405
25.4.1 Estimación del cociente de varianzas . . . . . . 405
25.4.2 Contraste de hipótesis para el cociente de va-
rianzas . . . . . . . . . . . . . . . . . . . . . . 406
25.5 Comparación de medias con muestras apareadas . . . 407
25.6 Test de Kolmogorov-Smirnov para dos muestras . . . 410
25.7 Test de Wilcoxon . . . . . . . . . . . . . . . . . . . . . 414
26 Datos categóricos 415

26.1 Estimación de una proporción . . . . . . . . . . . . . . 415
26.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . 416
26.2 Tamaño de la muestra en la estimación de una proporción417
26.2.1 Exercises . . . . . . . . . . . . . . . . . . . . . 418
26.3 Varias variables categóricas . . . . . . . . . . . . . . . 419
26.3.1 Probabilidad y tabla de contingencia . . . . . . 419
26.3.2 Comparación de proporciones . . . . . . . . . 420
26.3.3 Test de Fisher . . . . . . . . . . . . . . . . . . 422
27 Modelos lineales 425

27.1 Coeficiente de correlación de Pearson . . . . . . . . . . 425
27.2 Matriz de covarianzas y matriz de correlaciones . . . 428
27.3 Regresión lineal simple . . . . . . . . . . . . . . . . . . 430
27.4 Regresión lineal múltiple . . . . . . . . . . . . . . . . . 432
27.5 Estimación de β . . . . . . . . . . . . . . . . . . . . . 432
27.6 Algunos casos particulares . . . . . . . . . . . . . . . . 434
27.7 Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . 434
27.8 Distribución muestral de β̂ . . . . . . . . . . . . . . . 434
27.9 Bondad de ajuste . . . . . . . . . . . . . . . . . . . . 435
27.10Valoración de las hipótesis del modelo . . . . . . . . . 436
27.10.1 Homogeneidad de la varianza . . . . . . . . . . 437
27.10.2 Normalidad . . . . . . . . . . . . . . . . . . . 440
27.10.3 Incorrelación de los errores . . . . . . . . . . . 445
27.10.4 Observaciones anómalas y observaciones influ-
yentes . . . . . . . . . . . . . . . . . . . . . . . 445
27.11Inferencia sobre el modelo . . . . . . . . . . . . . . . . 448
27.12Selección de variables . . . . . . . . . . . . . . . . . . 452
27.12.1 Procedimientos que comparan modelos . . . . . 452
27.12.2 Procedimientos basados en criterios . . . . . . 453
28 Conceptos fundamentales de Estadística 455

28.1 Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . 455
28.2 Estimación . . . . . . . . . . . . . . . . . . . . . . . . 457
28.2.1 Estimación insesgada de media y varianza . . . 457
28.2.2 Estimación insesgada del vector de medias y la
matriz de covarianzas . . . . . . . . . . . . . . 458
28.3 Estimador máximo verosímil . . . . . . . . . . . . . . 459
28.4 Contraste de hipótesis . . . . . . . . . . . . . . . . . . 461
28.4.1 Contraste de la media en la poblaciones normales461
28.4.2 Test del cociente de verosimilitudes . . . . . . . 462
28.4.3 Test de Wald . . . . . . . . . . . . . . . . . . . 462
28.4.4 Intervalos de confianza . . . . . . . . . . . . . 463
ÍNDICE GENERAL xi
29 Modelos lineales generalizados 465

29.1 Un modelo lineal generalizado . . . . . . . . . . . . . . 465
29.2 Desviación . . . . . . . . . . . . . . . . . . . . . . . . . 467
29.3 Modelos lineales generalizados para datos binarios . . 467
29.4 Modelo Poisson loglineal . . . . . . . . . . . . . . . . . 468
29.4.1 GLM Poisson e independencia en tablas de con-
tingencia I × J . . . . . . . . . . . . . . . . . . 469
29.5 Verosimilitud de modelos lineales generalizados . . . . 469
29.5.1 Familia de dispersión exponencial . . . . . . . . 469
29.6 Inferencia para modelos lineales generalizados . . . . . 471
29.6.1 Desviación y bondad de ajuste . . . . . . . . . 471
29.6.2 Comparación de modelos utilizando la desviación473
29.6.3 Residuos en un GLM . . . . . . . . . . . . . . . 473
29.6.4 Ajuste de un GLM mediante Newton-Raphson 474
29.6.5 IRLS . . . . . . . . . . . . . . . . . . . . . . . . 474
29.7 ML como mínimos cuadrados reponderados iterativa-
mente . . . . . . . . . . . . . . . . . . . . . . . . . . . 475
29.8 Cuasiverosimilitud Wedderburn(1974) . . . . . . . . . 476
29.8.1 Sobredispersión en GLM Poisson y cuasiverosi-
militud . . . . . . . . . . . . . . . . . . . . . . 476
30 Meta-análisis 477
30.1 Método de Fisher . . . . . . . . . . . . . . . . . . . . . 477
30.2 Método de Stouffer . . . . . . . . . . . . . . . . . . . . 478
31 Miscelánea 479
31.1 Algoritmo bipesado de Tukey de un solo paso . . . . . 479
31.2 Median polish . . . . . . . . . . . . . . . . . . . . . . . 480
31.3 Datos faltantes . . . . . . . . . . . . . . . . . . . . . . 482
31.3.1 Algoritmo de normalización del k-vecino más
próximo . . . . . . . . . . . . . . . . . . . . . . 482
31.4 Datos multimodales . . . . . . . . . . . . . . . . . . . 483
31.4.1 TCGA . . . . . . . . . . . . . . . . . . . . . . . 483
VIII Investigación reproducible 485

32 Investigacion reproducible 487
32.1 Markdown . . . . . . . . . . . . . . . . . . . . . . . . 488
32.2 RMarkdown . . . . . . . . . . . . . . . . . . . . . . . . 488
32.3 RStudio y RMarkdown . . . . . . . . . . . . . . . . . . 488
32.4 emacs y RMarkdown . . . . . . . . . . . . . . . . . . . 488
33 Lo que no se debe hacer pero se hace 491

33.1 Mejor no usarlo . . . . . . . . . . . . . . . . . . . . . . 491
33.2 Combinando información de distintos experimentos . . 492
A Soluciones ejercicios 495
Glosario 523
xii ÍNDICE GENERAL
Prólogo
Sobre la gran cantidad de publicaciones ¿innecesarias? Un

investigador que publique un artículo al mes durante un año tendrá
al final de ese año un total de 12 publicaciones. Después de ese año Y debiera de ser
maravilloso de publicaciones, el siguiente es tan bueno como el ante- posiblemente candidato a
rior. Y sigue publicando un trabajo al mes durante este segundo año. algún premio importante.
Ya reune 24 publicaciones en dos años agotadores. Y esto mismo lo
hace durante 10 años.1 Al final de esta decada prodigiosa tendrá 120 1
Asumimos que no es un su-
publicaciones. Ya ha justificado su vida como investigador. Pero no, perhéroe con algún superpo-
incansable sigue otros diez años y alcanza al cabo de 20 años los 240 der.
publicaciones. Y diez años más. Exhausto él o ella (y cuantos hayan
intentado leer todas estas publicaciones) ya ha llegado a las 360 pu-
blicaciones. Hay una enorme cantidad de investigadores que superan
esta cantidad. La superan ampliamente. Por amor de Dios, no más.
Es seguro (con probabilidad uno) que han participado activamente
en todas estas publicaciones. Pero el resto de los humanos no tienen
la culpa. Hay numerosos estudios sobre el crecimiento del número de
publicaciones. Sin entrar en precisiones innecesarias, en el momento
actual, se tarda unos nueve años en doblar el número de publicacio-
nes.2 2
Un optimista diría que do-
Evidentemente el planeta no tiene un problema de superpoblación blamos el conocimiento que
de personas. Es de publicaciones científicas. la humanidad ha logrado ate-
En campos como las Matemáticas o la Estadística el producto está sorar cada nueve años.
a la vista. Un teorema lleva su prueba y si hay un fallo puede ser visto
y corregido por la comunidad de expertos en ese tema en algún mo-
mento posterior. Todo está a la vista. Sin embargo, en campos como
la Biología o la Medicina las cosas no son así. No es tan fácil compro-
bar la reproducibilidad de los resultados. Es muy recomendable leer
[12]. Reproduce los resultados de una encuesta a 1576 investigadores.
La proporción de trabajos que no se pueden reproducir es enorme.
Los factores que se comentan como importantes son los siguientes de
mayor a menor frecuencia.
1. No incluir una descripción completa del trabajo.
2. Presión por publicar.
3. Trabajos sin un estudio de potencia previo y un análisis pobre
de los resultados.
4. Insuficiente replicación en el laboratorio original.
5. Insuficiente supervisión.
6. La metodología y el código informático utilizado no disponible.
7. Un diseño experimental pobre o inadecuado.
xiii
xiv ÍNDICE GENERAL
8. Los datos originales no disponibles.
9. Fraude.
10. Una revisión por parte de la revista insuficiente.
Con el análisis estadístico de los datos tienen que ver los puntos 3, 6,
7 y 8. Hay que hacer bien las cosas. Y desde el principio.
En muchas ocasiones biólogos o médicos o biotecnólogos o bioquí-
micos o . . . me han indicado que querían aprender más de Probabili-
dad y Estadística. Normalmente después de que les has analizado unos
datos para una tesis o un artículo. Al principio, con interés, les reco-
miendas algún texto esperando que les ayude. El final de la historia
suele ser el mismo. Que no leen nunca el libro. Aprender Estadística
es muy fácil. Se coge un libro sencillo. El libro lleva una página que
pone el número uno. Se lee esa página. Se le da la vuelta y se lee la
Es una opinión poco siguiente numerada con el 2. Y así sucesivamente. Y no hay otra.
compartida.
Estas notas tratan de la aplicación de procedimientos estadísti-

cos al análisis de datos de alto rendimiento. Bonito el nombre pero:
¿qué son datos de alto rendimiento? Datos que rompen lo que tradi-
cionalmente era un prerrequisito en Estadística (multivariante). Mu-
chos procedimientos estadísticos empiezan indicando que el número
de observaciones, n, ha de ser mayor que el número de variables por
observación, p. Actualmente es frecuente (mejor habitual) que los da-
tos no los recoja un experimentador con un lápiz y un papel y luego
los introduzca con mucho trabajo en una hoja de cálculo. Lo hacen
disposivos electrónicos conectados con ordenadores. Por eso los datos
tienen dimensiones p que marean: miles de variables frente a decenas
(con suerte algo más de un centenar) de observaciones o muestras.
3
Uno no está obligado más ¿Y qué hacemos para analizar esto? Lo que se pueda.3 De esto van
que a hacer las cosas lo mejor estas notas, de lo que se pueda. Son unas notas en progreso. Se van
que pueda y no más. añadiendo ideas, técnicas, software y se ve cómo incorporar estos aná-
4
En la medida en que me lisis en nuestro trabajo. También4 voy incorporando nuevos tipos de
voy encontrando con nuevos información. De momento, analizamos datos de expresión de gen (o
tipos de datos que entienda. expresión génica) sabiendo que (la mayor parte de) lo que hacemos
es aplicable en otros contextos. El tema § 4 está dedicado a este tipo
de datos, sus características y técnicas de preprocesado. Es el tema
específico de esta información. Si se sustituye este capítulo por otro
dedicado a otra técnica de adquisición de información casi todo lo que
sigue es aplicable.
Sobre la parte biológica. El objetivo es que estas notas ayuden a

5
Sobre esta cuestión yo diría quien lee y no que demuestren que sabe el que las escribe. 5 En lo bio-
que que el autor se apaña co- lógico hay imprecisión por ignorancia, en lo probabilístico y estadístico
mo puede (que no es mucho) hay imprecisión porque pretenden ser unas notas para un público in-
con los conceptos biológicos. teresado en estos temas pero con formación en Biología, Bioquímica o
Medicina fundamentalmente. Hay que tener interés en la Estadística
y la Informática en cualquier caso para poder seguirlas. En §?? se in-
cluye un repaso de procedimientos estadísticos de modo que podamos
referenciarlos en el resto de temas según se utilizan. En el apéndice
?? se introduce lo básico del uso de R mientras que en apéndice ??
comentamos cómo definir funciones y proponemos ejemplos sencillos.
ÍNDICE GENERAL xv
Sobre R/Bioconductor. Estas notas utilizan sistemáticamente R/-

Bioconductor. Y ningún otro software. 6 6
En [72] podemos ver un
Cuando empecé con esto de la Probabilidad y la Estadística uno trabajo interesante sobre las
leía libros y artículos, entendías aquello y luego intentabas descifrar prestaciones de Bioconduc-
cómo aplicaba (mejor implementaba) estas técnicas el software comer- tor.
cial (en mi caso SPSS). Lo primero era bonito. Los autores intentan
que les entiendas porque tratan de transmitir ideas. Sin embargo, el
software comercial no piensa así (y esto no es necesariamente malo). El
software comercial intenta dar un producto bueno y fácilmente utiliza-
ble para llegar a un máximo de usuarios. Solamente suelen considerar
temas sobre los que hay mucho interés y muchos (potenciales) usua-
rios. Y esto es correcto. No es la opción elegida en estas notas. Hemos
elegido trabajar con software libre. Tanto R como Bioconductor son
el resultado de un gran trabajo coordinado de muchas personas. Algu-
nos son proceden del mundo académico. En otros ocasiones proceden
de empresas para las cuales les resulta interesante que se disponga de
software que permita utilizar su hardware.
En lo que sigue hay distintos niveles de lectura en un mismo texto.
Es un material que se utiliza en dos cursos claramente diferenciados.
TAMI Uno es una breve introducción en 20 horas lectivas en tercer

curso del grado de Bioctecnología de la Universidad de Valencia.
En este curso se utilizan las herramientas más básicas, la opción
simple y rápida. Se pretende ver cosas interesantes y mante-
ner (en lo que se pueda) la programación con R/Bioconductor
simple.
Bioinformática Estadística El segundo curso es un módulo en Bio-

informática Estadística en el master de Bioinformática de la
Universidad de Valencia. Utilizamos todo el material.
Sobre la investigación reproducible. Es ingente la cantidad de

publicaciones científicas que llevan tratamientos estadísticos. En mu-
chas de ellas no es claro qué es lo que realmente han hecho. Citan
un procedimiento estadístico y no indican el software utilizado si está
disponible en la red o, en el caso de que sea propio de los autores,
dónde se puede conseguir.
Sin duda alguna el control de la calidad de los tratamientos es-
tadísticos descansa en que cada lector de una publicación científica
tenga a su disposición el artículo (que básicamente es la explicación
de lo que se ha hecho) así como los datos 7 y todo el código necesa- 7
Los datos sin ningún ti-
rio para reproducir todo el tratamiento estadístico realizado con los po de preprocesamiento. Por
datos. Se repite todo porque en muchas ocasiones lo que se ha descar- ejemplo, si tenemos datos de
tado puede ser tan interesante como lo que se ha publicado. Este es el expresión con Affymetric Ge-
conocido sesgo a publicar los resultados significativos descartando los neChip se debiera de dispo-
no significativos. Sin esto, no se puede realizar un control adecuado ner de los ficheros .CEL.
de un tratamiento estadístico de datos de alto rendimiento (de hecho,
de ningún tipo de datos). Esto nos lleva a los conceptos de progra-
mación literaria o comentada (literate programming) propuesto por
Donald K. Knuth8 y, de un modo más genérico, a la investigación 8
http://en.wikipedia.
reproducible 9 . R/Bioconductor incorpora muchas herramientas pa- org/wiki/Literate_
ra realizar investigación reproducible.10 En particular, este texto está programming
realizado utilizando [160, knitr]. Todos los datos que se utilizan es- 9
http://en.
tán disponibles en bases de datos públicas como (sobre todo) GEO wikipedia.org/wiki/
o ArrayExpress. No de todos los datos que se utilizados tenemos los Reproducibility
10
http://cran.
r-project.
org/web/views/
ReproducibleResearch.
html
xvi ÍNDICE GENERAL
datos sin procesado previo. Los usamos por haber sido analizados en
otros textos o en ejemplos de R/Bioconductor o, simplemente, porque
son bonitos de estudiar.
Es de destacar que recientemente Nature Genetics ha refrendado
el uso de Bioconductor.
Sobre la generación simple de informes. Hemos de poder rea-

lizar un análisis de datos y generar un informe de un modo sencillo.
Esto excluye el uso de herramientas como Word, Excel o similares. En
este texto utilizaremos la opción R/Markdown.
Cómo usar el texto. Se intenta explicar Estadística aplicada a

la Bioinformática. Por ello es un texto que combina ambas cosas.
En ocasiones se utiliza R/Bioconductor como herramienta pedagógica
para ilustrar un concepto. En otras casi hacemos de manual técnico
para usar un paquete de R. En principio, la idea es que vamos leyendo
y ejecutando el código que se inserta. Lo lógico es tener R funcionando
11
Solamente tener en cuen- y, con un copiar y pegar, podemos ir ejecutando el código.11
ta que los caminos hay que
modificarlos adaptándolos a ¿Bioconductor es la única opción? Por supuesto que no. Y tam-
donde tengamos los datos en poco tengo muy claro que sea la mejor. Indudablemente es una de
nuestro ordenador. las mejores. En estas notas el enfasis está en el análisis de datos y,
en particular, en el análisis estadístico de datos. Y desde el pun-
to de vista de la Estadística sí que podemos afirmar que R es la
12
Sin embargo, en mejor opción y Bioconductor es su opción natural.12 En este texto
http://neurolex.org/ utilizamos R/Bioconductor. Es muy recomendable consultar la di-
wiki/Category:Resource: rección http://www.bioconductor.org/help/workflows/ en donde
Gene_Ontology_Tools (en podemos encontrar análisis completos de datos.
concreto buscamos dentro
de la página la expresión ¿Qué necesitamos instalar para poder utilizar estas notas?
“Statistical analysis”) tene- En http://www.uv.es/ayala/docencia/tami/AllTami.R tenemos el
mos una buena muestra de modo de instalar todos los paquetes que se utilizan en estas notas.13
qué podemos hacer y sobre
todo con qué hacerlo.
Funciones y paquetes. A lo largo de las notas utilizamos muchas
13
Quizás no es necesario ins- funciones que corresponden a paquetes distintos. Una función no pue-
talarlo de una vez. Lo más de ser utilizada si no hemos cargado previamente el paquete corres-
conveniente es instalar los pondiente. Si intentamos utilizar la función sin cargar previamente el
paquetes en la medida en que paquete entonces R nos indica que no la encuentra. Con frecuencia
los necesitemos en los distin- indicaremos el nombre de la función y su paquete conjuntamente. Por
tos capítulos. ejemplo, si en el texto vemos annotate::annotation estamos refirién-
donos a la función annotation que se encuentra en el paquete [52,
annotate].
Sobre la estructura del documento. Empezamos en I indicán-

do qué se entiende por Estadística de datos ómicos y con una breve
introducción a R. Acabamos esta parte hablando de anotación. Ne-
cesitamos tener bases de datos (locales u online) que nos permitan
saber qué a qué se refieren nuestras características (variables). ¿Qué
gen o que transcrito o qué exón tengo? ¿Qué relaciones hay entre ellos?
Por ejemplo: ¿qué exones componen un exon? O bien: ¿qué isoformas
tengo de un gen?
En II mostramos los datos con los que trabajamos posteriormente.
Se comenta el tipo de dato, dónde se puede conseguir en bases de
ÍNDICE GENERAL xvii
datos públicas y cómo preprocesarlo (normalizarlo). Finalmente se ve

con cierto detalle los bancos de datos que utilizamos en el resto del
libro. Los datos procesados y preparados para hacer análisis estadísti-
co los tenemos en el paquete [11, tamidata].14 En el momento actual 14
Es un paquete propio que
consideramos datos de expresión obtenidos con microarrays y con la lo alojo en una página de la
técnica RNASeq.15 Universidad de Valencia.
Expresión diferencial, III, es el tema fundamental desde el punto 15
Aunque se pretende am-
de vista estadístico que es la opción de este manual. Se estudian los pliar a otros datos ómicos.
problemas de comparaciones múltiples así como técnicas de expresión
diferencia en microarrays y RNASeq.
En IV hablamos de componentes principales y clustering. Desde
mi (muy) personal punto de vista no son técnicas multivariantes que
deban de usar en exceso en este contexto. Sin embargo, se usan y por
ello se tratan aquí.16 16
Faltaría un tema de cla-
En III nos ocupamos de la expresión diferencial gen a gen (o en sificación supervisada que no
lenguaje más estadístico, marginal). acabo de ver su interés en es-
te contexto.
Este manual se utiliza para distintos cursos. El primero es
Tecnologías de análisis molecular integrado. 17 Se compone de 17 El material se desarrolló
los siguientes apartados indicando su contenido. en origen para esta asignatu-
ra del grado de Biotecnología
1. § 1 presenta el problema del análisis de datos ómicos. de la Universidad de Valen-
2. En § 2 se considera la instalación de R así como la instalación de cia. Se imparte en 25 horas.
los paquetes que utilizamos en este manual. Se han de consultar
las secciones de § 2.1 hasta § 2.5.
3. En § 4 se trata de datos ómicos obtenidos utilizando arrays. Nos
centramos en el caso de arrays de Affymetrix. Hay que leer de
§ 4.1 a § 4.5 aunque el código no es necesario utilizarlo.
4. En § 5 se comentan los datos que utilizamos en el resto del ma-

nual y muchos de ellos están incluidos en [11, tamidata]. Tam-
bién se muestra cómo trabajar con un ExpressionSet. Las sec-
ciones que utilizamos son § 5.2, § 5.6 y § 5.7.
5. De § 7 se utilizan las secciones § 7.1, § 7.2, § 7.4, § 7.6 y § 7.7.

6. De § 8 utilizamos § 8.1, § 8.3, § 8.4. De § 8.5.1 solamente el mé-
todo de Bonferroni. De § 8.6 solamente el método de Benjamini-
Hochberg. Secciones § 8.7 y § 8.8.
7. De § 16 utilizamos § 16.1 y § 16.2.
A todo el material anterior hay que añadir las viñetas incluidas en el

paquete [10]. Estas viñetas cubren el material de uso de R/Biocon-
ductor.
El segundo curso que se imparte con estas notas es Bioinformá-
tica estadística18 y utilizamos todo el material. 18
Se imparte en 45 horas
dentro del máster de Bioin-
formática de la Universidad
de Valencia.
xviii ÍNDICE GENERAL
Parte I
Introducción
1
Capítulo 1
Estadística y datos
ómicos
Estas notas se ocupan de revisar y aplicar técnicas estadísticas a

datos ómicos. En lo fundamental nos ocuparemos de datos de trans-
cripción y proteomas. No estamos interesados en el detalle exhaustivo
del tratamiento de cada tipo de dato. Nos centraremos en lo que tienen
en común y comentaremos lo que diferencia su tratamiento.
El énfasis de este texto es sobre métodos estadísticos. Evita-
remos en lo posible métodos que no utilicen modelos probabilísticos.
Lo que se ha dado en llamar métodos de machine learning. En este
sentido es interesante recordar una frase (que subscribo) de Brian D.
Ripley.
fortunes::fortune(50)
##
## To paraphrase provocatively, 'machine learning is
## statistics minus any checking of models and
## assumptions'.
## -- Brian D. Ripley (about the difference
## between machine learning and statistics)
## useR! 2004, Vienna (May 2004)
1.1 Estructura de los datos

En lo que sigue tendremos distintos tipos de datos pero con una es-
tructura similar. En concreto, observaremos un gran número de carac-
terísticas19 sobre un pequeño número de muestras. Cada característica 19 Features.
medirá la abundancia de moléculas utilizando distintos procedimien-
tos. Esta abundancia puede estar asociada a una sonda o a un grupo de
sondas en un microarray. O bien la información corresponde a un gen
o a un exon, a un péptido, a una proteína. Además esta abundancia se
cuantifica con distintos procedimientos (con frecuencia dependientes
del fabricante del dispositivo). Hablaremos de características sin más.
El número lo denotamos por N donde este valor es grande (miles).
Estas características las observaremos en unas pocas muestras. El nú-
mero de muestras es n (decenas con suerte). Lo básico20 es que N es 20 Y a lo largo de las notas
mucho mayor que n: n ≪ N . En un contexto estadístico clásico N es lo repetiremos muchas veces.
3
4 CAPÍTULO 1. ESTADÍSTICA Y DATOS ÓMICOS
el número de variables y n es el número de muestras. Y justo lo con-

veniente es la situación contraria. De hecho, muchos procedimientos
estadísticos suponen que el tamaño de la muestra supera el número
de variables. En Estadística de alto rendimiento esto no es así. Y eso
da novedad a los procedimientos. Obviamente limita las posibilidades
pero abre un nuevo campo de trabajo.
21
Que podemos llamar ma- Las abundancias las recogemos en una matriz21 que denotaremos
triz de expresión aunque no por
necesariamente hablamos de x = [xij ]i,j=1,...,n
expresión de un gen pero no
parece malo utilizar esta no- donde el valor xij nos 22
cuantifica la abundancia de la característica
menclatura. i en la muestra j. El valor xij será un valor (usualmente) posi-
22
tivo. Si corresponde un DNA microarray entonces mide un nivel de
Una matriz de datos en fluorescencia y tomará valores positivos.23 Sea positivo a no un valor
Estadística suele ser justo al mayor indicará una mayor expresión del gen. Si trabajamos con datos
contrario, esto es, con los obtenidos con RNASeq entonces tendremos conteos, esto es, número
subíndices invertidos. Es de- de lecturas cortas alineadas sobre un gen o sobre un exon o sobre una
cir, la matriz transpuesta de zona genómica de interés. En definitiva el dato primario es un núme-
la que vamos a utilizar aquí. ro entero. Más lecturas indicará más expresión otra vez. Los valores
En ocasiones se utiliza en la observados en una misma fila (una misma características sobre todas
forma clásica pero es más fre- las muestras) se suele decir que son un perfil24 (de un modo genérico
cuente esta forma de dispo- perfil de expresión).
ner los datos. En la matriz de expresión los valores observados para las distintas
23
Algunos procedimientos muestras son independientes aunque posiblemente observados bajo
de procesado previo de los distintas circunstancias. No son pues réplicas de una misma condición
datos conocidos como nor- experimental pero sí se observan independientemente. Los valores de
malización pueden dar lugar expresión para las distintas filas ya no son independientes. Por ejem-
a expresiones negativas. plo, los genes actúan de un modo coordinado.
24
Expression profile. Los datos de la matriz de expresión no son directamente compara-
bles. El nivel de ruido es grande y por ello se han desarrollado técnicas
para corregirlo. Son métodos de corrección de fondo y normalización.
Veremos algunos. En sentido estricto cuando normalizamos los datos
estos dejan de ser independientes. Sin embargo, esto no se suele con-
siderar en la literatura. Los datos después de la normalización siguen
considerándose independientes por columnas (muestras) y dependien-
25
Lo cual no deja de ser pa- tes por filas.25
radójico. De cada muestra tendremos información. Por ejemplo, si es una
muestra control o bien corresponde a una muestra tomada bajo un
26
La palabra tratamiento tratamiento. 26 A esta información o variables que nos describen a
se utiliza en el sentido am- las muestras las llamaremos los metadatos o variable fenotípicas27
plio de diseño experimen- Usualmente tendremos varias variables fenotípicas aunque usualmente
tal: tiempo, una cepa salva- trabajaremos con una cada vez. Denotaremos por y = (y1 , . . . , yn ) los
je frente a una mutada por valores observados de una variable en las n muestras. El caso maś
ejemplo. frecuente de variable fenotípica será cuando tengamos dos grupos de
27
Entendido en un sentido muestras (casos y controles). En28este caso tendremos yi = 1 si es un
amplio: Por variable fenotípi- caso e yi = 0 si es un control. Si tenemos más de dos grupos de
ca podemos estar entendien- muestras a comparar, por ejemplo k grupos, entonces yi ∈ {1, . . . , k}
do el tiempo en que se ha ob- para i = 1, . . . , n.
servado la evolución de una
muestra.
28
Los valores 0 y 1 son arbi-
1.2 Análisis de datos
trarios. Podemos tomar cual- ¿Y qué vamos a hacer con la matriz de expresión y con las variables
quier otro par de valores. fenotípicas? Como siempre lo mejor que podamos. A veces no mucho.
Las técnicas estadísticas que se utilizan son aplicaciones de procedi-
1.3. SOBRE HERRAMIENTAS ONLINE 5
mientos diseñados en muchas ocasiones para el contexto habitual en

que tienes más muestra que variables. Y se usan aquí adaptándolos
con mayor o menor fortuna. Yo diría con mayor o menos sentido en
ocasiones.
El problema más importante es el que se conoce como expre-
sión diferencial. Nos fijamos en una variable fenotipica y en una
característica (gen por ejemplo). ¿Hay asociación entre el perfil de
expresion y la variable fenotípica? Veremos distintos procedimientos
para responder esta pregunta para cada característica. Utilizaremos la
denominación de análisis de expresión diferencial marginal. Sin em-
bargo, en la literatura biológica es más hablar de análisis de expresión
diferencial gen-a-gen.
Las distintas características son dependientes entre si. Una eva-
luación de la posible asociación entre cada característica y la variable
fenotípica es limitada. Nos puede hacer perder información sobre pro-
cesos biológicos de los cuales distintas características nos están dando
información de modo que cada una de ellas recoge una variación no
muy grande pero que conjuntamente es notable. En definitiva, el pro-
blema será estudiar la posible asociación entre grupos de característi-
cas (grupos de filas en la matriz de expresión) y la variable fenotípica
de interés. Es lo que se conoce como análisis de grupos de genes.29 29
Este problema puede en-
También se verán problemas de reducción de dimensión. En con- contrarse bajo distintas de-
creto la técnica más utilizada, análisis de componentes principales. Es nominaciones como: Gene
una técnica instrumental con muchas posibilidades de utilización en set analysis, gene set enrich-
un contexto como es este con datos de alta dimensión. ment analysis, functional en-
Y clasificaremos tanto las características como las muestras como richment testing.
una herramienta exploratoria. Lo que se conoce como análisis cluster.
En lo que sigue se aborda también problemas de cálculo del tamaño

muestral que está ligado al problema de la potencia del test.
Y todo esto siempre atendiendo al tipo de dato que estemos utili-
zando. Sin duda, el más desarrollado son las datos de expresión de gen
utilizando microarrays. Será nuestro tipo de dato de referencia pero
vamos introduciendo otros tipos de datos como pueden ser RNASeq
o datos de abundancia de proteínas.
1.3 Sobre herramientas online

En este texto la opción elegida es R/Bioconductor. Es obvio que
requiere un mayor conocimiento de los procedimientos que se utilizan
pero nos dan una enorme flexibilidad para trabajar. Podemos prepro-
cesar la información y procesarla como queramos. Obviamente hay
que saber cómo hacerlo. Y de esto va el texto. Sin embargo, cada vez
más hay herramientas en línea30 que merecen explorarse (aunque no 30 Online en La vida moder-
sea nuestra opción). En lo que sigue mostramos una enumeración con na.
algún comentario.31 En particular se consideran: 31
No tengo un gran conoci-
miento de su manejo porque
GEPIA http://gepia.cancer-pku.cn/index.html Es una buena insisto no es mi opción per-
implementación para estudios de cáncer. Permite el análisis tan- sonal. Las manejo para ver
to de gen a gen (o marginal) como el análisis de grupos de genes. qué ofrecen pero siempre en-
Todo orientado al estudio de los cánceres. Los datos no los pro- cuentras que harías las cosas
porciona el usuario. Realmente utilizan datos de los proyectos de otra manera. Cosas de la
TCGA y GTEx. edad.
NetworkAnalyst http://www.networkanalyst.ca Es de particu-

lar interés la tabla 1 en [158, pág. 824] en donde se muestra una
comparativa entre distintas herramientas online.
DAVID http://david.abcc.ncifcrf.gov.
g:Profiler http://biit.cs.ut.ee/gprofiler/.
InnateDB con Cytoscape http://www.innatedb.ca y http://www.

cytoscape.org.
Gitools http://www.gitools.org.
1.4 Paquetes transversales

Algunos paquetes que vamos a manejar pretenden cubrir una gran
cantidad de contenidos que vamos a tratar: lectura de la información
generando las clases adecuadas (como Biobase::ExpressionSet o Sum-
marizedExperiment::RangedSummarizedExperiment); normalización;
análisis de expresión diferencial marginal o gen a gen; análisis de enri-
quecimiento para grupos o bien para grafos. En fin, tienen una preten-
sión de análisis global. Usualmente lo que hacen es utilizar distintos
paquetes según realiza una u otra funcionalidad. Dentro de esta ca-
tegoría entran [50, EnrichmentBrowser] o [143, piano]. Los usaremos
aunque siempre suponen una limitación en el análisis que se realiza.
Soy más partidario de utilizar funcionalidades concretas del paquete
más que utilizarlo para todo el análisis.
1.5 Jerga
En un campo como es la Bioinformática un problema mayor es el
lenguaje que se utiliza. Un texto de Estadística o un texto de Genética
32
Sin ser peyorativo, campos tiene una jerga consolidada. Son campos de trabajo maduros.32 Prác-
de investigación viejos. ticamente cada campo de investigación va desarrollando una jerga33
33
Mejor una jerigonza. en donde suele haber una parte interesada. Impedir el acceso a los que
no son de este campo. Aquí el problema es grave porque se mezclan
jergas al mismo tiempo que se desarrolla una nueva. Para intentar evi-
tar esta barrera he incluido un glosario al final del texto que intenta
aclarar los términos y sirva de referencia rápida. Sin embargo, quizás
la mayor dificultad de esta disciplina sea este, entender la jerga de los
34
En mi caso de los biólogos. demás.34
A los informáticos los entien-
do. Hablan menos de hecho.
1.6 Datos ordenados
Un problema que comparte el análisis de datos ómicos con cual-
quier otro problema de análisis de datos es tener unos datos de entra-
35
Tidy data. da ordenados35 así como unas salidas de las distintas funciones que
los analizan que sean ordenadas, fácilmente interpretables y que pue-
dan ser una entrada ordenada para un procedimiento posterior. El
término utilizado en [150] es tidy data. En este texto utilizaremos
distintas herramientas que prestan atención a este aspecto del aná-
lisis que ahorra mucho tiempo de trabajo y muchísimos quebraderos
de cabeza. Entre otros paquetes utilizaremos [13, biobroom] y [119,
broom].
1.7. BIBLIOGRAFÍA 7
1.7 Bibliografía
A lo largo del manual se presta mucha atención a citar con pre-
cisión las referencias originales del material. La comprensión pre-
cisa de las técnicas supone la consulta de la referencia original.36 36
Hay una peligrosa ten-
Un libro que trata cómo hacer las cosas con R/Bioconductor pe- dencia a creer que leyendo
ro no lo que se hace o porqué se hace es [127]. Es una guía de uso un resumen se conoce la téc-
muy bien elaborada. Un texto con un objetivo similar al nuestro es nica. No es cierto. Las re-
[63]. Un manual online que sigue una línea muy similar a este es ferencias bibliográficas siem-
http://genomicsclass.github.io/book/. pre hay que consultarlas.
Capítulo 2
R y Bioconductor
Nuestra opción de trabajo es la utilización de R y Bioconductor.

En adelante, hablaremos de R/Bioconductor. No es la única opción.
Dos buenas opciones de software libre son Babelomics o DAVID Bio-
informatics. Y una opción comercial es Partek Genomics Suite. Sin
embargo, cuando hablamos de análisis estadístico de datos de alto
rendimiento sí que, en el momento actual, es en mi opinión la mejor
opción. Y en este manual sobre todo hablamos de análisis de datos.
2.1 Sobre R y su instalación

2.1.1 De cómo instalarlo
Instalación Los pasos a seguir son los siguientes:
1. Bajamos el programa de la siguiente dirección http://cran.r-

project.org/.
2. Elegimos versión.37 37
Se recomienda cualquier
3. Una vez hemos bajado el paquete se instala ejecutándolo versión de Linux. Si utilizas
con las opciones por defecto. Windows (en esto el mun-
do es bastante libre) elige la
Inicio de una sesión En el escritorio tenemos el icono de R. Sim- correspondiente versión para
plemente clicando1 el icono iniciamos la sesión de trabajo. Windows.
Instalación de un paquete R tiene muchos paquetes que extien-

den el R base que acabamos de instalar. De hecho, es casi im-
posible realizar un análisis estadístico por sencillo que sea sin
utilizar paquetes adicionales de R. Vamos a instalar el paquete
[145, UsingR]. Es un paquete con herramientas para la enseñan-
za de Estadística básica. La opción más simple es escribir en
línea de comandos.
install.packages(`ÙsingR'')
Cargando un paquete Una vez instalado el paquete, para poder

usar las funciones o datos que contenga, debemos cargarlo me-
diante
1 Dios nos perdone por usar esta palabra aunque no creo que lo haga.
9
10 CAPÍTULO 2. R Y BIOCONDUCTOR
library(UsingR)
Ahora podemos utilizar las extensiones que proporciona a R este

paquete.
A lo largo de estas notas iremos aprendiendo a utilizar (lo que necesi-

tamos de) R según lo necesitemos. Sin embargo, una referencia rápida
a la sintaxis de R la podemos encontrar en http://cran.r-project.
org/doc/contrib/Short-refcard.pdf.2 .
Otra opción para instalar es utilizar [118, pacman]. La instalación
38
Elegimos como reposito- de [145, UsingR] sería38
rio https://ftp.cixug.es/
CRAN. pacman::p_install("UsingR",repos="https://ftp.cixug.es/CRAN/")
2.2 Lo primero con R

De cómo trabajar con R
Hay dos formas de trabajar con R. La primera opción es utilizar
un editor en el que escribimos código de R. Lo copiamos y luego lo
pegamos en la línea de comandos de R.3 Dentro de esta manera de
trabajar podemos utilizar distintas editores (que llevan herramientas
para facilitarnos el trabajo).
Con el editor de R El propio programa lleva un editor incorpora-

do. Es básico pero suficiente. Es la opción que utilizaremos en
las clases prácticas.
RStudio Quizás ahora mismo sea la mejor opción. Es un programa

que incorpora el editor, nos muestra las salidas, los gráficos y la
historia previa. De manejo muy simple. http://rstudio.org/.
De cómo conseguir ayuda con R

Supongamos que buscamos ayuda sobre las opciones de la función
que nos dibuja un histograma, hist. Lo más simple es utilizar la ayuda
en html. Utilizamos la siguiente función.
help.start()
Vemos que nos abre el navegador y nos ofrece distintas opciones.

Quizás la opción más simple sea utilizar la herramienta de búsqueda.
Otra opción es
?hist
O simplemente,
2 Una
buena idea es imprimirla y tenerla a mano.
3 Es
la opción más educativa en donde aprendemos realmente a trabajar con el
programa.
2.3. UNA SOLA MUESTRA 11
help(hist)
2.3 Una sola muestra

Supongamos que consideramos una técnica ómica (microarray,
RNAseq). Estamos estudiando la expresión de 10 genes y los valo-
res observados son los siguientes.
## [1] 3 6 3 6 7 1 4 7 4 4
Podemos leer estos datos con
x = c(3,6,3,6,7,1,4,7,4,4)
Tenemos ahora un objeto llamado x
class(x)
## [1] "numeric"
que es un vector formado por números. ¿Cómo puede ver su con-

tenido?
x
## [1] 3 6 3 6 7 1 4 7 4 4
¿Cuál es el primer valor de este vector de datos?
x[1]
## [1] 3
¿Y el que ocupa la posición 7?
x[7]
## [1] 4
Podemos ver los datos que están entre el 3 y el 7. Para ello fijé-
monos en el siguiente código.
3:7
## [1] 3 4 5 6 7
Cuando ponemos dos enteros separados por : nos devuelve todos

los enteros entre el primero y el segundo. Lo mismo lo podemos hacer
con
seq(3,7,1)
## [1] 3 4 5 6 7
Ahora podemos ver los datos que ocupan estas posiciones en el

vector x.
x[3:7]
## [1] 3 6 7 1 4
Podemos tener interés en saber los valores de los datos que ocupan
las posiciones 1, 3 y de la 5 a la 8. Estas posiciones las podemos obtener
con
c(1,3,5:8)
## [1] 1 3 5 6 7 8
y los valores de x serían
x[c(1,3,5:8)]
## [1] 3 3 7 1 4 7
Puede que nuestro interés en ver los datos no venga dado por la
posición que ocupan sino por su valor. Por ejemplo, queremos saber
cuántos de estos datos superan o son iguales a 4. ¿Cómo lo hacemos?
Lo lógico es comparar los valores de x con 4. Lo hacemos con
x >= 4
## [1] FALSE TRUE FALSE TRUE TRUE FALSE TRUE

## [8] TRUE TRUE TRUE
Vemos que nos devuelve un vector diciéndonos si es cierta o no la

condición que hemos preguntado, si es mayor o igual a 4. Pero: ¿qué
valores son? Si hacemos
x[x >= 4]
## [1] 6 6 7 4 7 4 4
Nos devuelve los datos que ocupan las posiciones donde se daba la
condición, donde la condición era cierta. Podemos saber qué valores
toman los datos que son mayores que 37 con
x[x > 6]
## [1] 7 7
o bien los datos que son mayores que 4 y menores o iguales que 6.
x[x > 4 & x <= 6]
## [1] 6 6
Podemos querer que los casos que estamos seleccionando estén en

un nuevo vector.
y = x[x > 4 & x <= 6]
Los valores de y son

y
## [1] 6 6
Podemos querer los que son menores o iguales a 4 o mayores que

6.
x[x <= 4 | x > 6]
## [1] 3 3 7 1 4 7 4 4
¿Y los que son iguales a 4? Observar el uso de ==.
x[x == 4]
## [1] 4 4 4
¿Y en qué posiciones del vector tenemos los valores iguales a 4.
which(x == 4)
## [1] 7 9 10
39 39
El resto de operadores ló-
gicos los encontramos en la
De cómo ordenar un vector Supongamos que queremos ordenar ayuda de Logical Operators:
el vector x. & (&&) corresponde con la
intersección, | (||) correspon-
sort(x) de con la unión y la negación
de una condición la obtene-
## [1] 1 3 3 4 4 4 6 6 7 7 mos con !.
Nos devuelve los valores ordenados. Sin embargo, con frecuencia
necesitamos saber la posición que ocupaban en el vector original estos
valores.
sort(x,index.return = TRUE)
## $x
## [1] 1 3 3 4 4 4 6 6 7 7
##
## $ix
## [1] 6 1 3 7 9 10 2 4 5 8
Hemos ordenado el vector x de menor a mayor. Vamos a ordenar

de mayor a menor.
sort(x,decreasing = TRUE,index.return = TRUE)
## $x
## [1] 7 7 6 6 4 4 4 3 3 1
##
## $ix
## [1] 5 8 2 4 7 9 10 1 3 6
* Ej. 1 — Introducir los siguientes datos en R.

## [1] 9 5 6 5 2 8 3 2 4 9 8 6 6 11 6
## [16] 6 5 5 4 3 9 8 6 7 1 5 6 3 4 3
## [31] 3 4 4 4 3 3 3 5 4 7 2 5 7 2 5
## [46] 3 3 6 8 4 6 2 4 4 7 5 7 7 7 4
## [61] 6 6 6 0 5 3 4 5 4 2 3 6 4 7 2
## [76] 4 10 8 8 3 3 6 4 6 4 3 7 2 5 5
## [91] 5 4 5 9 5 8 8 5 4 3
Se pide:
1.¿Cuál es el valor medio, la varianza y la desviación estándar de
estos valores?
2.¿Cuántos de los valores son 3?
3.¿Cuál es el rango intercuartílico?
4.Ordena el vector y calcula las sumas acumuladas de los valores
ordenados con la función base::cumsum.
40
Estamos generando valo- * Ej. 2 — Ejecutad el siguiente código.40
res con distribución normal x = rnorm(23489,mean=45,sd=2.3)
con media 45 y desviación es-
tándar 2.3. Simplemente son Se pide:
unos datos para trabajar con 1.¿Cuántos valores de x son mayores o iguales de 39.4?
ellos.
2.¿Cuántos valores de x son estrictamente menores que 46?
3.¿Cuántos valores de x son estrictamente menores que 46 y ma-
yores o iguales de 39.4?
4.¿Cuántos valores son tales que su parte entera (por defecto) es
igual a 40? Se puede utilizar también la función base::floor.
2.3.1 Varias muestras

Obviamente no tendremos habitualmente una sola muestra sino
que tendremos más de una muestra. En cada una de ellas tendremos
observada la expresión de los mismos genes. Supongamos que tenemos
la expresión 10 genes en 4 muestras. Simulamos estos datos.
set.seed(123)
(x = matrix(rpois(10*4,lambda=5),nrow=10))
## [,1] [,2] [,3] [,4]

## [1,] 4 9 8 9
## [2,] 7 5 6 8
## [3,] 4 6 6 6
## [4,] 8 5 11 7
## [5,] 9 2 6 1
## [6,] 2 8 6 5
## [7,] 5 3 5 6
## [8,] 8 2 5 3
## [9,] 5 4 4 4
## [10,] 5 9 3 3
¿Qué tipo de dato es x?

class(x)
## [1] "matrix"
Es una matriz. Podemos darle nombre a sus filas y columnas.
colnames(x) = c("sample1","sample2","sample3","sample4")
41 41
El siguiente código es equivalente al anterior y más simple. La función base::c simple-
mente construye un vector
colnames(x) = paste0("sample",1:4) y en cada posición tiene el
nombre de la muestra. Pode-
Además sabemos que en cada fila tenemos la expresión correspon- mos concatenar también nú-
diente a un gen distinto. De momento, supondremos que son “gene1”, meros.
“gene2”, etc. Vamos a cambiarle el nombre las filas utilizando el código
que acabamos de ver.
rownames(x) = paste0("gene",1:10)
¿Qué tenemos ahora?

x
## sample1 sample2 sample3 sample4

## gene1 4 9 8 9
## gene2 7 5 6 8
## gene3 4 6 6 6
## gene4 8 5 11 7
## gene5 9 2 6 1
## gene6 2 8 6 5
## gene7 5 3 5 6
## gene8 8 2 5 3
## gene9 5 4 4 4
## gene10 5 9 3 3
Podemos ver la expresión del gen en la fila 6 y en la columna 2

con
x[6,2]
## [1] 8
o bien con
x["gene6","sample2"]
## [1] 8
Si queremos ver la expresión de los genes en la muestra 2 podemos

hacerlo con
x[,2]
## gene1 gene2 gene3 gene4 gene5 gene6 gene7

## 9 5 6 5 2 8 3
## gene8 gene9 gene10
## 2 4 9
x[,"sample2"]
## gene1 gene2 gene3 gene4 gene5 gene6 gene7

## 9 5 6 5 2 8 3
## gene8 gene9 gene10
## 2 4 9
Ej. 3 — Ejecutad el siguiente código. Nos genera una matriz donde
los valores siguen una distribución normal con media 34 y desviación
estándar 3.21.
x = matrix(rnorm(2345*122,mean=34,sd=3.21),nrow=2345)
Se pide:
1.¿Cuántas columnas tiene la matriz?
2.¿Qué columna tiene la media más alta? Utilizad las funciones
base::apply y base::which.max.
3.¿Qué fila tiene la media más pequeña? Utilizad las funciones
base::apply y base::which.min.
4.¿Qué fila tiene el menor rango intercuartílico? Utilizad las fun-
ciones base::apply y base::which.min.
5.¿En cuántas ocasiones la primera columna es mayor o igual que
la segunda columna de la matriz?
6.Determinamos la media de cada una de las filas. ¿Cuántas filas
son tales que la columna 45 es mayor o igual que el vector de
medias que acabamos de calcular?
2.4 Datos golub

Los datos golub son banco de datos de expresión de genes que
vamos a utilizar. Aparecen en multtest::golub y fueron utilizados en
[61]. Los datos son los niveles de expresión de 3051 genes (que apare-
cen en filas) para 38 pacientes de leucemia. De estos pacientes, 27 de
ellos tienen leucemia linfoblástica aguda (ALL) y los restantes 11 tie-
nen leucemia mieloide aguda (AML). El tipo de tumor viene indicado
por el vector golub.cl donde ALL corresponde con 0 y AML corres-
ponde con 1. Los nombres de los genes los tenemos en golub.gnames.
Cargamos los datos.
data(golub,package = "multtest")
Al cargar estos datos hemos leído varias cosas:

golub.cl Es un vector numérico que toma valores 0 y 1 indicando si
la muestra ha sido obtenida de un enfermo con leucemia linfo-
blástica aguda (0) o leucemia mioloide aguda (1).
golub Es una matriz de expresión donde cada fila corresponde con
un gen y cada columna con una muestra distinta.
golub.gnames Es una matriz con el mismo número de filas de la
matriz golub de modo que la fila i-ésima de golub.gnames nos da
información sobre el gen de cuyos niveles de expresión aparecen
en la fila i-ésima de la matriz golub.
2.4. DATOS GOLUB 17
Empezamos jugando con el vector golub.cl. Podemos ver los valores.
golub.cl
## [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [24] 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
¿Qué tipo de dato tenemos?
class(golub.cl)
## [1] "numeric"
Vemos que son números. Son números que, realmente, indican la

pertenencia a un tipo de cáncer u otro. Por ello es más natural definirlo
como un vector tipo factor.42 Lo hacemos con base::factor. 42
Como en R codificamos las
variables categóricas.
(golub.fac = factor(golub.cl,levels=0:1,labels=c("ALL","AML")))
## [1] ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL ALL
## [23] ALL ALL ALL ALL ALL AML AML AML AML AML AML
## [34] AML AML AML AML AML
## Levels: ALL AML
¿Cuántas muestras tenemos de cada tipo? Un par de opciones para

hacerlo son utilizando la función base::table.
table(golub.fac)
## golub.fac
## ALL AML
## 27 11
o utilizando la función base::summary.
summary(golub.fac)
## ALL AML
## 27 11
Si queremos mostrar la distribución de los dos tipos en forma de

diagrama de barras lo podemos hacer con (ver figura 2.1)
pacman::p_load(ggplot2)
df0 = data.frame(golub.fac)
png(paste0(dirTamiFigures,"RBio39.png"))
ggplot(df0,aes(x=golub.fac))+geom_bar()
dev.off()
Sustituye en el código anterior golub.fac por golub.cl y verás

que el resultado no es el deseable. ¿Por qué? Quizás los números no
es una buena forma de representar categorías o clases.
Nos fijamos en golub. ¿Qué tipo de dato es?
Figura 2.1: Diagrama de barras

con las frecuencias absolutas de
cada tipo de leucemia.
class(golub)
## [1] "matrix"
Es una matriz. En una matriz lo primero es saber cuántas filas

(características aquí) tenemos
nrow(golub)
## [1] 3051
El número de columnas corresponde con el número de muestras.
ncol(golub)
## [1] 38
También podemos obtener las dimensiones de la matriz conjunta-

mente con
dim(golub)
## [1] 3051 38
En la fila i y columna j tiene una cuantificación de la expresión del

43
Ya veremos más adelante gen i-ésimo43 en la j-ésima muestra de nuestra experimentación. Por
de qué gen estamos hablan- ejemplo, el gen en fila 2000 y columna 12 tiene expresión
do.
golub[2000,12]
## [1] 0.19595
44 44
Estos datos han sido Y todos los niveles de este gen lo tendremos con
preprocesados partiendo de
los datos originales. Pueden golub[2000,]
aparecer valores negativos.
En § 5.3 se explica y se en- ## [1] 0.73124 -0.19598 0.51981 -0.54371 0.55596
tiende el porqué del valor ne- ## [6] 1.40683 0.79772 0.59493 0.99503 0.39529
gativo. Lo importante valor ## [11] 0.09834 0.19595 0.85017 -1.39979 1.09789
menor indica menor expre- ## [16] -0.74362 0.44207 0.27698 -0.04128 -1.60767
sión, valor mayor indica ma- ## [21] -1.06221 -1.12665 0.47863 -0.44014 0.22286
yor expresión. ## [26] 0.42795 0.65427 0.07257 -0.28093 -0.20985
## [31] 0.05160 -1.44434 -0.17118 -1.34158 0.92325
## [36] -0.21462 -1.34579 1.17048
45
Expression profile. Estos valores reciben el nombre de perfil de expresión.45 Podemos
representar el perfil de expresión (figura 2.2). Definimos qué van en el
eje de abscisas y en el eje de ordenadas.
muestra = 1:ncol(golub) ## En abscisas el número de la muestra
y2000 = golub[2000,] ## En ordenadas su expresión
df = data.frame(muestra = 1:ncol(golub),y2000= golub[2000,])
ggplot(df,aes(x = muestra,y= y2000))+geom_point()
dev.off()
2.4. DATOS GOLUB 19
Lo podemos ver en figura 2.2(a).

Si queremos ver las expresiones correspondientes a los pacientes
ALL lo podemos hacer con 46 46
Observermos que “==” se
utiliza para comparar e in-
golub[2000,golub.fac == "ALL"] dica TRUE O FALSE según
sea cierta o falsa la condi-
## [1] 0.73124 -0.19598 0.51981 -0.54371 0.55596 ción.
## [6] 1.40683 0.79772 0.59493 0.99503 0.39529
## [11] 0.09834 0.19595 0.85017 -1.39979 1.09789
## [16] -0.74362 0.44207 0.27698 -0.04128 -1.60767
## [21] -1.06221 -1.12665 0.47863 -0.44014 0.22286
## [26] 0.42795 0.65427
y los correspondientes a los pacientes AML.
golub[2000,golub.fac == "AML"]
## [1] 0.07257 -0.28093 -0.20985 0.05160 -1.44434

## [6] -0.17118 -1.34158 0.92325 -0.21462 -1.34579
## [11] 1.17048
Supongamos que volvemos a representar el perfil de expresión del

gen en la fila 2000, y2000, pero pretendemos diferenciar con un color
distinto la condición que nos indica el tipo de leucemia, golub.fac. Lo
podemos hacer con (figura 2.2(b)):
df = data.frame(muestra = 1:ncol(golub),y2000= golub[2000,],

tipo = golub.fac)
ggplot(df,aes(x = muestra,y= y2000,color=tipo))+geom_point()
dev.off()
Otra opción sería representar separadamente47 los datos corres- 47

En facets distintas.
pondientes a cada tipo de leucemia (figura 2.2(c)). También podemos
hacerlo con

tipo = golub.fac)
ggplot(df,aes(x = muestra,y= y2000,colour=tipo))+geom_point() +
xlab("Número de muestra") + ylab("Gen en fila 2000") +
facet_grid(tipo~.)
dev.off()
Podemos colocar los distintos subdibujos (o facets) horizontalmen-

te (2.2(d)).

tipo = golub.fac)
ggplot(df,aes(x = muestra,y= y2000,colour=tipo))+geom_point() +
xlab("Número de muestra") + ylab("Gen en fila 2000") +
facet_grid(. ~ tipo) #Modificamos esta línea
dev.off()
En gráficos (en todo) la simplicidad es un valor. De las tres figuras

anteriores quizás la figura 2.2(b) sea la más adecuada.
(a) (b) (c) (d)
Figura 2.2: (a) Perfil de expresión del gen en la fila 2000. (b) Perfil de expresión del gen en fila 2000 diferenciando el tipo
de leucemia. (c) Perfil de expresión del gen en fila 2000 diferenciando el tipo de leucemia mediante un color distinto.
Utilizamos distintos dibujos (facets) alineados en vertical. (d) Perfil de expresión del gen en fila 2000 diferenciando el
tipo de leucemia mediante un color distinto. Utilizamos distintos dibujos (facets) alineados en vertical.
¿De qué genes estamos hablando? ¿A qué gen corresponde esta

fila? La información la podemos obtener con
golub.gnames[2000,]
¿Qué tipo de datos tenemos ahora?
class(golub.gnames)
## [1] "matrix"
Es una matriz con dimensiones
dim(golub.gnames)
## [1] 3051 3
Cada fila nos da información con el gen del cual tenemos su perfil
de expresión en la matriz golub. En concreto, ¿qué tenemos en la fila
2000?
golub.gnames[2000,]
## [1] "4544" "CDC21 HOMOLOG"

## [3] "X74794_at"
Los datos originales de la experimentación tenían más genes estu-

diados. Se hizo una selección (§ 5.3). Este gen ocupaba la fila 4544 en
la matriz de expresión con todos los genes. Su nombre es
golub.gnames[2000,2]
## [1] "CDC21 HOMOLOG"
El identificador de la sonda Affymetrix o AffyID (??) ocupa la

tercera columna y vale, para este gen,
golub.gnames[2000,3]
## [1] "X74794_at"
2.5. LA FUNCIÓN APPLY 21
Vamos a modificar la matriz golub de modo que recoja la informa-

ción que tenemos de las filas (qué genes son) y de las columnas (qué
tipo de leucemia). Para ello podemos aplicar las funciones rownames
y colnames a dichas matrices.
1. Identificamos las filas con el identificador Affy.
rownames(golub) = golub.gnames[,3]
2. Describimos las columnas con el tipo de leucemia.
colnames(golub) = golub.fac
Tenemos la información de un modo más compacto.
2.5 La función apply

Vamos a explorar los datos golub utilizando la función base::apply.
48 48
Otras muy relacionadas
¿Qué pretendemos hacer? Vamos a realizar dos dibujos. En absci- que utilizaremos son ba-
sas pretendemos dar una medida de localización (media o mediana) de se::lapply y base::sapply.
la expresión del gen en el primer tipo de leucemia, ALL. En ordenadas
lo mismo pero con el segundo tipo, AML.
Primero hemos de calcular estos valores. La función que calcula la
media (muestral) de un vector de números es base::mean. Por ejemplo,
la media del perfil de expresión del gen en la fila 2000 sería
mean(golub[2000,])
## [1] 0.02080211
También parece una buena opción cuantificar el valor alrededor de

donde se observan las expresiones mediante la mediana. La tenemos
con
median(golub[2000,])
## [1] 0.147145
Vemos que son muy distintos indicando asimetría.49 49

Cuando para un conjunto
¿Y cómo lo hacemos para todos los genes de una vez? La función de datos no hay coincidencia
base::apply lo hace. Primero seleccionamos las partes de la matriz entre media y mediana lo que
golub con las muestras ALL y con las muestras AML. sucede es que no hay una dis-
posición simétrica de los da-
golub.ALL = golub[,golub.fac == "ALL"] tos alrededor de estas medi-
golub.AML = golub[,golub.fac == "AML"] das de localización.
Ahora utilizamos base::apply. El primer argumento es la matriz

con la que trabajamos, el segundo argumento indica si la función a
aplicar es por filas (1) o por columnas (2). El tercer argumento es la
función que queremos aplicar. Calculamos la media y la mediana para
cada submatriz de golub.
ALL.mean = apply(golub[,golub.fac == "ALL"],1,mean)

AML.mean = apply(golub[,golub.fac == "AML"],1,mean)
ALL.median = apply(golub[,golub.fac == "ALL"],1,median)
AML.median = apply(golub[,golub.fac == "AML"],1,median)
Representamos las medias de ALL (abscisas) frente a las medias

AML (ordenadas) (figura 2.3(a)).
df = data.frame(x0 = ALL.mean, y0 = AML.mean)

png(paste(dirTamiFigures,"RBio72.png",sep=""))
p = ggplot(df,aes(x=x0,y=y0))+geom_point()
p + xlab("Medias ALL") + ylab("Medias AML")
dev.off()
(a) (b) (c)
Figura 2.3: Medias en muestras AML frente a medias en muestras ALL para datos multtest::golub. En (a) tenemos
los puntos tal cual y en (b) utilizamos un sombreado. (c) Medianas en muestras AML frente a medianas en muestras
ALL para datos multtest::golub. sustituimos la media por la mediana.
En la figura 2.3(a) hay muchos puntos representados. Es un scat-

terplot o diagrama de puntos muy denso. Esto será habitual en lo
que sigue pues trabajamos con grandes bancos de datos. Tantos pun-
tos que se van superponiendo nos impide ver en qué zonas hay una
mayor densidad de puntos. No es útil un dibujo así. Quizás ayude
un sombreado que esté relacionado con la densidad local de puntos
que representamos. Lo conseguimos con el argumento alpha (figura
50
Este argumento alpha in- 2.3(b)).50
dicado como una fracción
1/4 en el ejemplo indica png(paste0(dirTamiFigures,"RBio73.png"))
que cuando se superpongan ggplot(df,aes(x=x0,y=y0))+geom_point(alpha=.25)+xlab("Medias ALL") +
4 puntos entonces se repre- ylab("Medias AML")
senta el punto completamen- dev.off()
te negro. Por debajo se utili-
zan grises. Reproducimos el dibujo sustituyendo la media por la mediana (fi-
gura 2.3(c)).
df = data.frame(x0 = ALL.median, y0 = AML.median)

png(paste(dirTamiFigures,"RBio75.png",sep=""))
p = ggplot(df,aes(x=x0,y=y0))+geom_point(alpha=.25)
p + xlab("Medianas ALL") + ylab("Medianas AML")
dev.off()
* Ej. 4 — Utilizando la matriz de expresión de los datos golub se
pide:
1.Calcular para cada gen la expresión media sin considerar el tipo
de cáncer.
2.5. LA FUNCIÓN APPLY 23
2.Calcular para cada gen la desviación estándar.

3.Representar gráficamente un dibujo que, para cada gen, nos
muestre en abscisas la expresión media y en ordenadas la desvia-
ción estándar.
4.Utilizando la función grDevices::png guardar el dibujo anterior
en un fichero externo.
* Ej. 5 — Con los datos golub se pide:

1.Calcular la expresión media para cada una de las condiciones
definidas por la variable golub.cl.
2.Representar una media frente a la otra.
3.Con la función abline() añadir la recta y = x así como las rectas
y − x = δ e y − x = −δ donde δ es un valor que iremos variando.
4.¿Qué nos indicarían los genes tales que sus puntos asociados
están fuera de la región {(x, y) : |y − x| > δ}.
* Ej. 6 — Consideremos los datos golub. Se pide:

1.Determinar la desviación estándar de las expresiones de cada
gen.
2.Representar un histograma de estas desviaciones estándar.
3.Calcular el percentil de orden 0.9 de las desviaciones calculadas
en el punto anterior. Denotemos este valor por q0.9 .
4.Utilizando la función abline añadir al dibujo del apartado 2 una
línea vertical cuya abscisa coincida con el valor q0.9 .
5.Seleccionar aquellos genes cuya desviación estándar sea mayor
que el valor q0.9 del punto anterior.
* Ej. 7 — El siguiente código genera una matriz y la guarda en x.

set.seed(123)
x = matrix(runif(500),nrow=100)
Ejecuta en código anterior. Las preguntas que siguen se refieren a la
matriz x.
1.¿Cuántas columnas tiene la matriz anterior?
2.Calcula los valores máximos en cada una de las columnas de x.
3.Calcula los valores mínimos de las filas de x.
4.¿En qué fila tenemos el mínimo más pequeño de los mínimos por
fila calculados en 3?
5.¿En qué fila tenemos el mínimo más grande de los mínimos por
fila calculados en 3?
6.Determina el percentil de orden 0.34 de la primera columna de
la matriz x.
7.Calcular el percentil de orden 0.23 de las medias por fila de la
matriz x.
8.¿Cuál es el mínimo, máximo y valor medio de x?
9.Representar un histograma de los datos de la primera columna
de x utilizando [151, ggplot2].
10.Representar un estimador kernel de la densidad de los datos de

la primera columna de x utilizando [151, ggplot2].
11.¿Cuántos elementos de la matriz x son mayores o iguales a 0.12?
12.Para cada fila de la matriz x calcula cuántos valores son menores
o iguales a 0.12.
13.De los valores calculados en 12 determina el rango intercuartílico.
14.¿Cuántas filas son tales que la primera columna es mayor o igual
a la segunda?
** Ej. 8 — Construir un data.frame utilizando los datos multtest::golub

que tenga las siguientes caracteríscas.
1.Cada variable (columna) corresponda a una sonda y cada fila
corresponda con una muestra distinta.
2.Los nombres de las variables han de ser el nombre “probe1”,
“probe2”, etc.
3.Añadir una variable (que llamaremos type que indique el grupo
de leucemia al que pertenece cada muestra. Esta variable ha de
ser de tipo factor y las etiquetas (o labels) han de ser AML
(leucemia mieloide aguda) y ALL (leucemia linfoblástica aguda).
51 51
En lo que sigue veremos
una clase llamada Expres-
sionSet mucho más adecuada
que el data.frame para este 2.6 Listas
tipo de datos.
Las listas son muy importantes en R. En este manual las usa-
remos, entre otras cosas, cuando trabajamos con grupos de genes.
Supongamos que estamos trabajando con un grupo de 10 genes y los
representamos con un número. Por tanto nuestro universo de genes
es el conjunto {1, . . . , 10}. De estos diez genes suponemos que se ha
descrito asociación para los siguientes grupos:
geneset1 = c(1,4)
geneset2 = c(2,5,7,8)
geneset3 = c(1,5,6)
¿Cómo almacenamos esta información? Lo mejor es una lista. La

empezamos creando.
(genesets = vector("list",3))
## [[1]]
## NULL
##
## [[2]]
## NULL
##
## [[3]]
## NULL
De momento la tenemos vacía. Hacemos que el primer elemento

de la lista contenga al primer conjunto.
2.7. FUNCIONES CON R 25
genesets[[1]] = geneset1
También para el segundo y tercero.
Podemos ver lo que tenemos ahora.
genesets
## [[1]]
## [1] 1 4
##
## [[2]]
## [1] 2 5 7 8
##
## [[3]]
## [1] 1 5 6
Parece natural darle un nombre a cada elemento. Supongamos que

pretendemos llamarlos set1, set2 y 3 respectivamente.
names(genesets) = paste0("set",1:3)
Los genes tienen distintas denominaciones como vemos más ade-

lante. De momento, nos conformamos con llamarlos gene1, etc. Cons-
truimos un vector de nombres.
genenames = paste0("gene",1:10)
Convertimos los elementos de la lista utilizando los nombres en

lugar de las posiciones. Por ejemplo, para el primero elemento sería
genesets[[1]] = genenames[geneset1]
Y lo mismo para los otros.
Ya tenemos una lista con los grupos de genes descritos.
2.7 Funciones con R

No podemos trabajar con R sin utilizar funciones.52 La mayor 52
Es un lenguaje funcional.
potencia de R es que podemos definir funciones para extenderlo.
La estructura básica de una función en R es

nombre.funcion = function(argumentos){
CODIGO
resultado
}
Supongamos que queremos calcular la media y desviación estándar de

un vector de datos. La siguiente función puede valer.
MediaDesviacion = function(x){
resultado = c(mean(x),sd(x))
resultado
}
53
También podemos usar re- La función devuelve lo que tiene en la última línea.53 Una vez le
turn. declaramos la función podemos usarla.54 La aplicamos a datos gene-
54
Copiamos y pegamos en lí- rados con distribución normal.
nea de comandos.
x = rnorm(23,mean=12,sd=1.3)
MediaDesviacion(x)
## [1] 12.274904 1.278401
Queremos calcular la media y desviación estándar pero de los datos

que están por encima del percentil de orden p. El valor de p será un
argumento y queremos fijarlo por defecto en 0.5.
MediaDesviacionPercentil = function(x,ordenpercentil = 0.5){

qp = quantile(x,probs=ordenpercentil)
x0 = x[x >qp]
resultado = c(mean(x0),sd(x0))
resultado
}
Y la utilizamos.
MediaDesviacionPercentil(x)
## [1] 13.3144744 0.8567743
Si queremos cambiar el valor por defecto del orden del percentil

hacemos
MediaDesviacionPercentil(x,ordenpercentil=.7)
## [1] 13.7880029 0.6425422
No hemos comprobado que efectivamente es un vector. Además

pretendemos que no nos devuelva nada si no lo que recibe no es un
vector. En este caso que nos avise.
MediaDesviacionPercentilError = function(x,ordenpercentil = 0.5){

if(!is.vector(x)) return("No es un vector")
x0 = x[x >qp]
resultado = c(mean(x0),sd(x0))
resultado
}
Vamos a ver qué tal funciona. Definimos una matriz.

2.7. FUNCIONES CON R 27
y = matrix(1:16,ncol=4)
Comprobamos que no es un vector.
is.vector(y)
## [1] FALSE
Y probamos nuestra función.
MediaDesviacionPercentilError(y)
## [1] "No es un vector"
Funciona y todo. No obstante queda un poco feo que cuando es un

vector simplemente nos devuelve otro vector y hemos de saber que es
una media lo primero y una desviación lo segundo. Podemos devolver
una lista de modo que le demos un nombre a cada cosa.
MediaDesviacionPercentilErrorLista = function(x,ordenpercentil = 0.5){

if(!is.vector(x)) return("No es un vector")
x0 = x[x >qp]
resultado = list(media = mean(x0),de = sd(x0))
resultado
}
Y la probamos.
MediaDesviacionPercentilErrorLista(x)
## $media
## [1] 13.31447
##
## $de
## [1] 0.8567743
Por ello podemos guardar lo que nos devuelve y luego acceder a

cada elemento de la lista.
x.des = MediaDesviacionPercentilErrorLista(x)
Y tendremos que la media es
x.des$media
## [1] 13.31447
y la desviación estándar sería
x.des$de
## [1] 0.8567743
** Ej. 9 — Dado un vector x programar una función que nos de-
vuelva en una lista la media y la varianza del vector. Los elementos
de la lista se han de llamar media y varianza.
** Ej. 10 — Programa una función que tenga como argumentos un

vector x y un valor numérico alpha entre 0 y 1. Eliminar el alpha por
uno de los más pequeños y la misma cantidad de los más grandes. De
lo que queda ha de devolver, en forma de lista, la media y varianza
con los nombres media_ajustada y varianza_ajustada.
2.8 Sobre Bioconductor

En este curso tan (o más) importante que el propio R es Biocon-
ductor. Básicamente es una colección de paquetes de R para Bioinfor-
mática. Se instala con
source("http://www.bioconductor.org/biocLite.R")
biocLite()
Una vez instalado la parte básica de Bioconductor podemos insta-

lar algún paquete adicional (como ALL).
source("http://www.bioconductor.org/biocLite.R")
biocLite("ALL")
Sobre la elección de repositorios. Podemos elegir el repositorio

desde el cual instalamos los paquetes de Bioconductor con
chooseBioCmirror()
También podemos elegir interactivamente el repositorio con
setRepositories()
* Ej. 11 — Instalar los paquetes [71, ggfortify], [46, faraway], [112,

multtest] y [34, edgeR].
2.9 Paquetes para tami

Los paquetes que utilizamos en este manual , tanto de CRAN como
de Bioconductor, los podemos instalar con el script http://www.uv.
es/ayala/docencia/tami/AllTami.R. En particular contemplamos
varias opciones.
• Si pretendemos una instalación de los paquetes básicos hacemos
TIPO = BASICO; source("http://www.uv.es/docencia/tami/AllTami.R")
55 55
Tarda un tiempo y se reco- • Una instalación completa se tiene con
mienda una buena conexión
a Internet. TIPO = TODO; source("http://www.uv.es/docencia/tami/AllTami.R")
Capítulo 3
Anotación
¿De qué variables hablamos? En este manual trabajamos con me-

didas de abundancia entendida como expresión de un gen o presencia
de una mayor cantidad de proteína. En este contexto cuando habla-
mos de variables utilizaremos con frecuencia el nombre de caracterís-
ticas. Estas son nuestras variables. Pero, repetimos, ¿de qué variables
hablamos? En ocasiones nos estaremos refiriendo a expresión de un
gen cuantificado via microarrays o RNASeq o alguna otra técnica. En
otras ocasiones hablaremos de exones o bien, cuando sea pertinente,
de isoformas del gen obtenidas con empalmes alternativos.56 Por tan- 56 Alternative splicing.
to es de gran importancia57 poder manejar para el organismo que nos 57 Estamos al principio del
ocupe bases de datos que nos permitan conocer cómo denominar a texto.
las características: distintos identificadores de genes, exones, isofor-
mas, proteínas. Además cómo pasar de unos identificadores a otros.
Cuáles son las correspondencias entre ellos que con frecuencia no son
correspondencias 1-1. Para cada organismo podemos encontrar bases
de datos disponibles online en la red. Algunas de ellas se ocupan de
más de un organismo. Hay bases de datos específicas de cierto tipo
de genes (como de microRNAs). Es habitual en la práctica del inves-
tigador acudir y usar este tipo de bases de datos con el gran hallazgo
informático de copiar y pegar. Es un trabajo tedioso y, posiblemente,
innnesario. ¿Todo lo que hacemos en este tema se puede hacer de este
modo? Diría que no. En este tema nos ocupamos de cómo acceder a
esta información pero desde R/Bioconductor.58 58
El navegador para leer la
Es muy conveniente consultar http://www.bioconductor.org/ prensa.
help/workflows/annotation/annotation/. Los paquetes de anota-
ción de Bioconductor los tenemos en https://www.bioconductor.
org/packages/release/data/annotation/.
Tipos de paquetes de anotación. Tenemos diferentes tipos de

paquetes de anotación:
ChipDb Se refieren a una plataforma concreta. Por ejemplo, un chip

de microarray. § 3.2
OrgDb Centrados en el organismo.
TxDb Paquetes relativos a transcriptomas de un organismo.
BSgenome Paquetes con genomas.

59 59
En lo que sigue seguimos
el flujo de trabajo annotation
29 de Bioconductor.
30 CAPÍTULO 3. ANOTACIÓN
Bases de datos e identificadores de genes.
3.1 AnnotationDbi
Las bases de datos de tipo ChipDb, OrgDb y TxDb heredan to-
dos los métodos de la clase AnnotationDb que está definida en [109,
AnnotationDbi]. Por ello los métodos aplicables a AnnotationDb son
aplicables a las demás: columns, keytypes, keys y select. Con es-
tos métodos podremos extraer información de las bases de las datos
(objetos de clase ChipDb, OrgDb y TxDb) correspondientes. Previo al
uso de las distintas bases de datos de anotación es pues conveniente
conocer los objetos AnnotationDb.
pacman::p_load("AnnotationDbi")
Para ilustrar los métodos vamos a considerar un paquete de tipo

ChipDb, en concreto [25, hgu133a.db].
pacman::p_load("hgu133a.db")
La información contenida la podemos ver con
ls("package:hgu133a.db")
## [1] "hgu133a" "hgu133a_dbconn"

## [3] "hgu133a_dbfile" "hgu133a_dbInfo"
## [5] "hgu133a_dbschema" "hgu133a.db"
## [7] "hgu133aACCNUM" "hgu133aALIAS2PROBE"
## [9] "hgu133aCHR" "hgu133aCHRLENGTHS"
## [11] "hgu133aCHRLOC" "hgu133aCHRLOCEND"
## [13] "hgu133aENSEMBL" "hgu133aENSEMBL2PROBE"
## [15] "hgu133aENTREZID" "hgu133aENZYME"
## [17] "hgu133aENZYME2PROBE" "hgu133aGENENAME"
## [19] "hgu133aGO" "hgu133aGO2ALLPROBES"
## [21] "hgu133aGO2PROBE" "hgu133aMAP"
## [23] "hgu133aMAPCOUNTS" "hgu133aOMIM"
## [25] "hgu133aORGANISM" "hgu133aORGPKG"
## [27] "hgu133aPATH" "hgu133aPATH2PROBE"
## [29] "hgu133aPFAM" "hgu133aPMID"
## [31] "hgu133aPMID2PROBE" "hgu133aPROSITE"
## [33] "hgu133aREFSEQ" "hgu133aSYMBOL"
## [35] "hgu133aUNIGENE" "hgu133aUNIPROT"
Con el nombre del paquete también tenemos información.
hgu133a.db
## ChipDb object:
## | DBSCHEMAVERSION: 2.1
## | Db type: ChipDb
## | Supporting package: AnnotationDbi
## | DBSCHEMA: HUMANCHIP_DB
## | ORGANISM: Homo sapiens
## | SPECIES: Human
3.1. ANNOTATIONDBI 31
## | MANUFACTURER: Affymetrix
## | CHIPNAME: Human Genome U133 Set
## | MANUFACTURERURL: http://www.affymetrix.com/support/technical/byproduct.affx?product
## | EGSOURCEDATE: 2015-Sep27
## | EGSOURCENAME: Entrez Gene
## | EGSOURCEURL: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA
## | CENTRALID: ENTREZID
## | TAXID: 9606
## | GOSOURCENAME: Gene Ontology
## | GOSOURCEURL: ftp://ftp.geneontology.org/pub/go/godatabase/archive/latest-lite/
## | GOSOURCEDATE: 20150919
## | GOEGSOURCEDATE: 2015-Sep27
## | GOEGSOURCENAME: Entrez Gene
## | GOEGSOURCEURL: ftp://ftp.ncbi.nlm.nih.gov/gene/DATA
## | KEGGSOURCENAME: KEGG GENOME
## | KEGGSOURCEURL: ftp://ftp.genome.jp/pub/kegg/genomes
## | KEGGSOURCEDATE: 2011-Mar15
## | GPSOURCENAME: UCSC Genome Bioinformatics (Homo sapiens)
## | GPSOURCEURL: ftp://hgdownload.cse.ucsc.edu/goldenPath/hg19
## | GPSOURCEDATE: 2010-Mar22
## | ENSOURCEDATE: 2015-Jul16
## | ENSOURCENAME: Ensembl
## | ENSOURCEURL: ftp://ftp.ensembl.org/pub/current_fasta
## | UPSOURCENAME: Uniprot
## | UPSOURCEURL: http://www.uniprot.org/
## | UPSOURCEDATE: Thu Oct 1 23:31:58 2015
En los paquetes de anotación tenemos columns. Algunas de estas

columnas pueden ser keys. Podemos realizar consultas en la base de
datos utilizando una key y pedir que nos devuelva una o más de una
columns.
¿Qué información podemos recuperar utilizando select?
columns(hgu133a.db)
## [1] "ACCNUM" "ALIAS" "ENSEMBL"

## [4] "ENSEMBLPROT" "ENSEMBLTRANS" "ENTREZID"
## [7] "ENZYME" "EVIDENCE" "EVIDENCEALL"
## [10] "GENENAME" "GO" "GOALL"
## [13] "IPI" "MAP" "OMIM"
## [16] "ONTOLOGY" "ONTOLOGYALL" "PATH"
## [19] "PFAM" "PMID" "PROBEID"
## [22] "PROSITE" "REFSEQ" "SYMBOL"
## [25] "UCSCKG" "UNIGENE" "UNIPROT"
Pero: ¿qué información es? Lo obtenemos con60 60

Podemos poner cualquiera
de los nombres anteriores y
help("ENTREZID") nos saldrá la misma ayuda.
No todas las variables que hemos obtenido con columns son utili-
zables para realizar consultas. Aquellas utilizables para las consultas
las podemos conocer con keytypes. A estas variables las llamamos
llaves (keys).
keytypes(hgu133a.db)

## [13] "IPI" "MAP" "OMIM"
¿Cómo conseguir todas los valores de una llave determinada?
head(keys(hgu133a.db,keytype="ENTREZID"))
## [1] "10" "100" "1000"

## [4] "10000" "100008586" "10001"
head(keys(hgu133a.db,keytype="ENSEMBL"))
## [1] "ENSG00000121410" "ENSG00000175899"

## [3] "ENSG00000256069" "ENSG00000171428"
## [5] "ENSG00000156006" "ENSG00000196136"
Supongamos que tenemos algunos identificadores Affy (AffyID) y

pretendemos conocer sus identificadores ENTREZID. Empezamos eli-
61
De ahí el uso de la función giendo cinco identificadores Affy al azar.61
base::sample.
(ids = sample(keys(hgu133a.db,keytype="PROBEID"),5))
## [1] "202288_at" "219673_at" "218510_x_at"

## [4] "209088_s_at" "207778_at"
Vamos a obtener sus identificadores Entrez, los de ENSEMBL y

su SYMBOL.
AnnotationDbi::select(hgu133a.db,keys=ids,
columns=c("ENTREZID","ENSEMBL","SYMBOL"),
keytype="PROBEID")
## PROBEID ENTREZID ENSEMBL SYMBOL

## 1 202288_at 2475 ENSG00000198793 MTOR
## 2 219673_at 254394 ENSG00000111877 MCM9
## 3 218510_x_at 54463 ENSG00000154153 RETREG1
## 4 209088_s_at 29855 ENSG00000118900 UBN1
## 5 207778_at 5969 ENSG00000204787 REG1CP
3.2 ChipDb
Si trabajamos con microarrays (§ 4) nuestras características serán
62
Asociadas a genes. las sondas.62 Estas sondas tendrán un identificador que el fabricante
del chip le ha asignado. Esto no es informativo para nosotros. Hemos
3.2. CHIPDB 33
de poder hacer corresponder este identificador con el gen al que corres-

ponde. Estas bases de datos son de tipo ChipDb. Uno de los chips más
populares de Affymetrix, Affymetrix Human Genome U133. El pa-
quete Bioconductor con la anotación de este chip es [25, hgu133a.db].
Lo cargamos.
pacman::p_load(hgu133a.db)
¿Qué sondas63 tienen correspondencia en Entrez? 63

Probes.
mappedProbes = mappedkeys(hgu133aENTREZID)
Lo guardamos en forma de lista.
mappedProbesList = as.list(hgu133aENTREZID[mappedProbes])
Por ejemplo, la primera posición de la lista nos da el identificador

de Affymetrix64 y su identificador Entrez65 . 64
AffyID.
65
ENTREZID.
mappedProbesList[1]
## $`1053_at`
## [1] "5982"
O el correspondiente a la posición 4567.
mappedProbesList[4567]
## $`205255_x_at`
## [1] "6932"
Si hacemos
ls("package:hgu133a.db")
## [1] "hgu133a" "hgu133a_dbconn"

## [3] "hgu133a_dbfile" "hgu133a_dbInfo"
## [5] "hgu133a_dbschema" "hgu133a.db"
## [7] "hgu133aACCNUM" "hgu133aALIAS2PROBE"
## [9] "hgu133aCHR" "hgu133aCHRLENGTHS"
## [11] "hgu133aCHRLOC" "hgu133aCHRLOCEND"
## [13] "hgu133aENSEMBL" "hgu133aENSEMBL2PROBE"
## [15] "hgu133aENTREZID" "hgu133aENZYME"
## [17] "hgu133aENZYME2PROBE" "hgu133aGENENAME"
## [19] "hgu133aGO" "hgu133aGO2ALLPROBES"
## [21] "hgu133aGO2PROBE" "hgu133aMAP"
## [23] "hgu133aMAPCOUNTS" "hgu133aOMIM"
## [25] "hgu133aORGANISM" "hgu133aORGPKG"
## [27] "hgu133aPATH" "hgu133aPATH2PROBE"
## [29] "hgu133aPFAM" "hgu133aPMID"
## [31] "hgu133aPMID2PROBE" "hgu133aPROSITE"
## [33] "hgu133aREFSEQ" "hgu133aSYMBOL"
## [35] "hgu133aUNIGENE" "hgu133aUNIPROT"
podemos ver todas las correspondencias que nos ofrece el paquete.

Consideremos unos identificadores Affymetrix.
ids = c("39730_at", "1635_at", "1674_at", "40504_at", "40202_at")
Se supone que el chip es hgu95av2. Cargamos el paquete de ano-

tación correspondiente al chip utilizado [27, hgu95av2.db].
pacman::p_load("hgu95av2.db")
Y lo mismo que antes. Ahora tenemos además la correspondencia

entre las sondas y los genes.
columns(hgu95av2.db)

## [13] "IPI" "MAP" "OMIM"
keytypes(hgu95av2.db)

## [13] "IPI" "MAP" "OMIM"
Los identificadores que teníamos eran los AffyID, esto es, los iden-
tificadores de las sondas utilizadas o PROBEID. Podemos plantearnos
su correspondencia con el símbolo o nombre del gen y las proteínas
asociadas en la base de datos PFAM.
columns = c("PFAM","SYMBOL")
AnnotationDbi::select(hgu95av2.db, keys=ids, columns, keytype="PROBEID")
3.3 OrgDb
Este tipo de paquete se refiere a un organismo dado y está centrado
en el gen. Veamos como ejemplo el relativo a ser humano.
pacman::p_load(org.Hs.eg.db)
¿Qué tipo de cosas o qué claves podemos manejar?

3.3. ORGDB 35
columns(org.Hs.eg.db)

## [13] "IPI" "MAP" "OMIM"
## [19] "PFAM" "PMID" "PROSITE"
## [22] "REFSEQ" "SYMBOL" "UCSCKG"
## [25] "UNIGENE" "UNIPROT"
O bien con
keytypes(org.Hs.eg.db)

## [13] "IPI" "MAP" "OMIM"
Por ejemplo, si queremos los primeros identificadores de genes uti-

lizando los identificadores Entrez o ENTREZID tenemos
head(keys(org.Hs.eg.db, keytype="ENTREZID"))
## [1] "1" "2" "3" "9" "10" "11"
Si consideramos sus identificadores en la base de datos Ensembl

entonces podemos usar
head(keys(org.Hs.eg.db, keytype="ENSEMBL"))
## [1] "ENSG00000121410" "ENSG00000175899"

## [3] "ENSG00000256069" "ENSG00000171428"
## [5] "ENSG00000156006" "ENSG00000196136"
Y en Gene Ontology.
head(keys(org.Hs.eg.db, keytype="GO"))
## [1] "GO:0002576" "GO:0003674" "GO:0005576"

## [4] "GO:0005615" "GO:0008150" "GO:0031093"
Supongamos que elegimos un sistema de identificación, por ejem-

plo, ENTREZID. En concreto, los cinco primeros genes.
(ids = keys(org.Hs.eg.db, keytype="ENTREZID")[1:5])
## [1] "1" "2" "3" "9" "10"

A partir de estos identicadores podemos obtener el resto.
AnnotationDbi::select(org.Hs.eg.db,keys=ids,column="SYMBOL",keytype='ENTREZID')
## ENTREZID SYMBOL
## 1 1 A1BG
## 2 2 A2M
## 3 3 A2MP1
## 4 9 NAT1
## 5 10 NAT2
Supongamos que nos fijamos en el gen con código Ensembl ENSG00000000003.
(id = "ENSG00000171428")
## [1] "ENSG00000171428"
Buscamos su correspondencia en Gene Ontology.
(res = AnnotationDbi::select(org.Hs.eg.db, keys=id, column="GO", keytype="ENSEMBL"))
## ENSEMBL GO EVIDENCE ONTOLOGY

## 1 ENSG00000171428 GO:0004060 IBA MF
## 2 ENSG00000171428 GO:0004060 TAS MF
## 3 ENSG00000171428 GO:0005829 TAS CC
## 4 ENSG00000171428 GO:0006805 TAS BP
Como vemos no tenemos una correspondencia 1-1. Al mismo gen le

corresponden distintos términos Gene Ontology. Si solamente tenemos
interés en ellos podemos hacer
res[,"GO"]
## [1] "GO:0004060" "GO:0004060" "GO:0005829"

## [4] "GO:0006805"
Puesto que tenemos identificadores Gene Ontology podemos utili-

zar el paquete [24, GO.db] para obtener los términos Gene Ontology
correspondientes.
pacman::p_load(GO.db)
Y los términos Gene Ontology serían
AnnotationDbi::select(GO.db, keys=res[,"GO"], columns="TERM", keytype="GOID")
3.4 TxDb
Los paquetes TxDb están centrados en el genoma. Vamos a traba-
66
https://en.wikipedia. jar con la mosca de la drosophila melanogaster.66 Cargamos la base
org/wiki/Drosophila_ de datos.
melanogaster.
3.4. TXDB 37
library("GenomicFeatures")
library("TxDb.Dmelanogaster.UCSC.dm3.ensGene")
Al cargar este paquete lo que hemos hecho es leer un objeto que

se llama como el propio paquete y de clase TxDb.67 67
Todos los paquetes de Bio-
conductor que empiezan con
class(TxDb.Dmelanogaster.UCSC.dm3.ensGene) TxDb son de este tipo.
## [1] "TxDb"
## attr(,"package")
## [1] "GenomicFeatures"
Hacemos una copia con un nombre más breve.
txdb = TxDb.Dmelanogaster.UCSC.dm3.ensGene
¿De qué clase es este objeto?
class(txdb)
## [1] "TxDb"
## attr(,"package")
## [1] "GenomicFeatures"
Es pues un objeto de clase TxDb. Tenemos un resumen sobre los

datos contenidos en txdb con
txdb
## TxDb object:
## # Db type: TxDb
## # Supporting package: GenomicFeatures
## # Data source: UCSC
## # Genome: dm3
## # Organism: Drosophila melanogaster
## # Taxonomy ID: 7227
## # UCSC Table: ensGene
## # Resource URL: http://genome.ucsc.edu/
## # Type of Gene ID: Ensembl gene ID
## # Full dataset: yes
## # miRBase build ID: NA
## # transcript_nrow: 29173
## # exon_nrow: 76920
## # cds_nrow: 62135
## # Db created by: GenomicFeatures package from Bioconductor
## # Creation time: 2015-10-07 18:15:53 +0000 (Wed, 07 Oct 2015)
## # GenomicFeatures version at creation time: 1.21.30
## # RSQLite version at creation time: 1.0.0
## # DBSCHEMAVERSION: 1.1
Podemos ver la información de la que disponemos con
columns(txdb)
## [1] "CDSCHROM" "CDSEND" "CDSID"

## [4] "CDSNAME" "CDSSTART" "CDSSTRAND"
## [7] "EXONCHROM" "EXONEND" "EXONID"
## [10] "EXONNAME" "EXONRANK" "EXONSTART"
## [13] "EXONSTRAND" "GENEID" "TXCHROM"
## [16] "TXEND" "TXID" "TXNAME"
## [19] "TXSTART" "TXSTRAND" "TXTYPE"
y con
keytypes(txdb)
## [1] "CDSID" "CDSNAME" "EXONID" "EXONNAME"

## [5] "GENEID" "TXID" "TXNAME"
Para el manejo de este tipo de bases de datos es útil [30, Geno-

micFeatures].
pacman::p_load(GenomicFeatures)
68
En http: Por ejemplo: ¿Qué cromosomas tenemos?68
//ucscbrowser.
genenetwork.org/ seqlevels(txdb)
cgi-bin/hgGateway?
hgsid=732&clade=insect& ## [1] "chr2L" "chr2R" "chr3L"
org=0&db=0 podemos en- ## [4] "chr3R" "chr4" "chrX"
contrar una explicación ## [7] "chrU" "chrM" "chr2LHet"
detallada. ## [10] "chr2RHet" "chr3LHet" "chr3RHet"
## [13] "chrXHet" "chrYHet" "chrUextra"
Cuando se carga la base de datos todos los cromosomas están

activos y lo que hagamos nos dará información sobre todos ellos. Su-
pongamos que no queremos esto. Queremos, por ejemplo, trabajar
solamente con chr2L. Lo conseguimos con
seqlevels(txdb) = "chr2L"
Supongamos que queremos conocer los GENEID de los primeros

genes.
(keysGENEID = head(keys(txdb, keytype="GENEID"),n=3))
## [1] "FBgn0000003" "FBgn0000008" "FBgn0000014"
columns = c("TXNAME", "TXSTART","TXEND","TXSTRAND")

AnnotationDbi::select(txdb, keysGENEID, columns, keytype="GENEID")
## GENEID TXNAME TXSTRAND TXSTART

## 1 FBgn0000003 FBtr0081624 + 2648220
## 2 FBgn0000008 FBtr0100521 + 18024494
## 3 FBgn0000008 FBtr0071763 + 18024496
## 4 FBgn0000008 FBtr0071764 + 18024938
## 5 FBgn0000014 FBtr0306337 - 12632936
## 6 FBgn0000014 FBtr0083388 - 12633349
3.4. TXDB 39
## 7 FBgn0000014 FBtr0083387 - 12633349

## 8 FBgn0000014 FBtr0300485 - 12633349
## TXEND
## 1 2648518
## 2 18060339
## 3 18060346
## 4 18060346
## 5 12655767
## 6 12653845
## 7 12655300
## 8 12655474
Nos devuelve el identificador del gen (GENEID), el nombre del trans-

crito, la hebra o cadena y el punto de inicio y de finalización. Notemos
que el primer gen solo tiene un transcrito mientras que el segundo gen
tiene tres transcritos.
6969
Los objetos TxDb nos permiten obtener las anotaciones como GRanges. ??.
Empezamos con los transcritos.
(txdb.tr = transcripts(txdb))
## GRanges object with 5384 ranges and 2 metadata columns:

## seqnames ranges strand |
## <Rle> <IRanges> <Rle> |
## [1] chr2L 7529-9484 + |
## [2] chr2L 7529-9484 + |
## [3] chr2L 7529-9484 + |
## [4] chr2L 21952-24237 + |
## [5] chr2L 66584-71390 + |
## ... ... ... ... .
## [5380] chr2L 22892306-22918560 - |
## [5381] chr2L 22892306-22918647 - |
## [5382] chr2L 22959606-22960915 - |
## [5383] chr2L 22959606-22961179 - |
## [5384] chr2L 22959606-22961179 - |
## tx_id tx_name
## <integer> <character>
## [1] 1 FBtr0300689
## [2] 2 FBtr0300690
## [3] 3 FBtr0330654
## [4] 4 FBtr0309810
## [5] 5 FBtr0306539
## ... ... ...
## [5380] 5380 FBtr0331166
## [5381] 5381 FBtr0111127
## [5382] 5382 FBtr0111241
## [5383] 5383 FBtr0111239
## [5384] 5384 FBtr0111240
## -------
## seqinfo: 1 sequence from dm3 genome
Como estamos trabajando con el cromosoma chr2L nos devuelve

la información en este nuevo (y mejor) formato. Los que ocupan las
posiciones 1, 2, 3 y 1000 serían
txdb.tr[c(1:3,1000)]

## seqnames ranges strand | tx_id
## <Rle> <IRanges> <Rle> | <integer>
## [1] chr2L 7529-9484 + | 1
## [2] chr2L 7529-9484 + | 2
## [3] chr2L 7529-9484 + | 3
## [4] chr2L 8011405-8026898 + | 1000
## tx_name
## <character>
## [1] FBtr0300689
## [2] FBtr0300690
## [3] FBtr0330654
## [4] FBtr0079533
## -------
También podemos obtener información sobre los exones en modo

de un objeto GRanges.
(txdb.ex = exons(txdb))
## GRanges object with 13850 ranges and 1 metadata column:

## [1] chr2L 7529-8116 + |
## [2] chr2L 8193-8589 + |
## [3] chr2L 8193-9484 + |
## [4] chr2L 8229-9484 + |
## [5] chr2L 8668-9484 + |
## ... ... ... ... .
## [13846] chr2L 22959606-22959815 - |
## [13847] chr2L 22959877-22960833 - |
## [13848] chr2L 22959877-22960876 - |
## [13849] chr2L 22959877-22960915 - |
## [13850] chr2L 22960932-22961179 - |
## exon_id
## <integer>
## [1] 1
## [2] 2
## [3] 3
## [4] 4
## [5] 5
## ... ...
## [13846] 13846
## [13847] 13847
## [13848] 13848
## [13849] 13849
## [13850] 13850
## -------
Como antes el exon que ocupa la posición 123 sería

3.4. TXDB 41
txdb.ex[123]
## GRanges object with 1 range and 1 metadata column:

## seqnames ranges strand | exon_id
## [1] chr2L 277930-278323 + | 123
## -------
Podemos incluir metadatos adicionales como puede ser el identifi-

cador del gen.
transcripts(txdb, columns = c("tx_id","tx_name","gene_id"))

## [1] chr2L 7529-9484 + |
## [2] chr2L 7529-9484 + |
## [3] chr2L 7529-9484 + |
## [4] chr2L 21952-24237 + |
## [5] chr2L 66584-71390 + |
## ... ... ... ... .
## [5380] chr2L 22892306-22918560 - |
## [5381] chr2L 22892306-22918647 - |
## [5382] chr2L 22959606-22960915 - |
## [5383] chr2L 22959606-22961179 - |
## [5384] chr2L 22959606-22961179 - |
## tx_id tx_name gene_id
## <integer> <character> <CharacterList>
## [1] 1 FBtr0300689 FBgn0031208
## [2] 2 FBtr0300690 FBgn0031208
## [3] 3 FBtr0330654 FBgn0031208
## [4] 4 FBtr0309810 FBgn0263584
## [5] 5 FBtr0306539 FBgn0067779
## ... ... ... ...
## [5380] 5380 FBtr0331166 FBgn0250907
## [5381] 5381 FBtr0111127 FBgn0250907
## [5382] 5382 FBtr0111241 FBgn0086683
## [5383] 5383 FBtr0111239 FBgn0086683
## [5384] 5384 FBtr0111240 FBgn0086683
## -------
Obtenemos las regiones CDS con
(txdb.cds = cds(txdb))
## GRanges object with 11003 ranges and 1 metadata column:

## [1] chr2L 7680-8116 + |
## [2] chr2L 8193-8589 + |
## [3] chr2L 8193-8610 + |
## [4] chr2L 8229-8610 + |

## [5] chr2L 8668-9276 + |
## ... ... ... ... .
## [10999] chr2L 22959877-22960833 - |
## [11000] chr2L 22959877-22960873 - |
## [11001] chr2L 22959877-22960876 - |
## [11002] chr2L 22960932-22960995 - |
## [11003] chr2L 22960932-22961048 - |
## cds_id
## <integer>
## [1] 1
## [2] 2
## [3] 3
## [4] 4
## [5] 5
## ... ...
## [10999] 10999
## [11000] 11000
## [11001] 11001
## [11002] 11002
## [11003] 11003
## -------
En los tres casos hemos obtenido un objeto GRanges. A este tipo

de objetos podemos aplicar otros métodos que nos dan información
adicional. Por ejemplo, el número de elementos que lo componen
length(txdb.cds)
## [1] 11003
70
En la salida que sigue nos Podemos ver la hebra en la que están70
hace una tabla de frecuen-
cias. strand(txdb.cds)
## factor-Rle of length 11003 with 2 runs

## Lengths: 5489 5514
## Values : + -
## Levels(3): + - *
71
??. A partir de un objeto de clase TxDb podemos obtener un GRangesList71
en la cual separamos por alguna característica. Por ejemplo, los obje-
tos GRanges para los distintos genes.
transcriptsBy(txdb, by="gene")
## GRangesList object of length 2986:

## $FBgn0000018
## GRanges object with 1 range and 2 metadata columns:
## [1] chr2L 10973443-10975273 - |
## tx_id tx_name
3.4. TXDB 43
## [1] 4279 FBtr0080168

##
## $FBgn0000052
## [1] chr2L 6041178-6045593 - | 3537
## [2] chr2L 6041178-6045970 - | 3538
## [3] chr2L 6041178-6045970 - | 3539
## tx_name
## [1] FBtr0079221
## [2] FBtr0079219
## [3] FBtr0079220
##
## $FBgn0000053
## [1] chr2L 7014861-7023940 - | 3704
## [2] chr2L 7018085-7023940 - | 3705
## tx_name
## [1] FBtr0079431
## [2] FBtr0100353
##
## ...
## <2983 more elements>
## -------
Podemos agrupar los exones por gen.
exonsBy(txdb, by="gene")

## $FBgn0000018
## [1] chr2L 10973443-10974210 - |
## [2] chr2L 10974268-10975273 - |
## exon_id exon_name
## [1] 11021 <NA>
## [2] 11022 <NA>
##
## $FBgn0000052
## [1] chr2L 6041178-6042011 - | 8949
## [2] chr2L 6042075-6044351 - | 8950
## [3] chr2L 6044428-6045526 - | 8951
## [4] chr2L 6044428-6045593 - | 8952
## [5] chr2L 6045894-6045970 - | 8955
## [6] chr2L 6045921-6045970 - | 8956
## exon_name
## [1] <NA>
## [2] <NA>
## [3] <NA>
## [4] <NA>
## [5] <NA>
## [6] <NA>
##
## $FBgn0000053
## [1] chr2L 7014861-7016374 - | 9389
## [2] chr2L 7016437-7017486 - | 9390
## [3] chr2L 7017545-7017966 - | 9391
## [4] chr2L 7018085-7018374 - | 9392
## [5] chr2L 7018149-7018374 - | 9393
## [6] chr2L 7018431-7019080 - | 9394
## [7] chr2L 7019135-7019382 - | 9395
## [8] chr2L 7023529-7023940 - | 9396
## exon_name
## [1] <NA>
## [2] <NA>
## [3] <NA>
## [4] <NA>
## [5] <NA>
## [6] <NA>
## [7] <NA>
## [8] <NA>
##
## ...
## -------
O bien podemos tener los CDS agrupados por transcrito.
cdsBy(txdb, by="tx")

## $1
## seqnames ranges strand | cds_id
## [1] chr2L 7680-8116 + | 1
## [2] chr2L 8193-8610 + | 3
## cds_name exon_rank
## <character> <integer>
## [1] <NA> 1
## [2] <NA> 2
##
## $2
## seqnames ranges strand | cds_id cds_name
## [1] chr2L 7680-8116 + | 1 <NA>
## [2] chr2L 8193-8589 + | 2 <NA>
## [3] chr2L 8668-9276 + | 5 <NA>
3.4. TXDB 45
## exon_rank
## [1] 1
## [2] 2
## [3] 3
##
## $3
## seqnames ranges strand | cds_id cds_name
## [1] chr2L 7680-8116 + | 1 <NA>
## [2] chr2L 8229-8610 + | 4 <NA>
## exon_rank
## [1] 1
## [2] 2
##
## ...
## -------
O los intrones agrupados por transcrito.
intronsByTranscript(txdb)

## $1
## seqnames ranges strand
## <Rle> <IRanges> <Rle>
## [1] chr2L 8117-8192 +
##
## $2
## [1] chr2L 8117-8192 +
## [2] chr2L 8590-8667 +
##
## $3
## [1] chr2L 8117-8228 +
##
## ...
## -------
También podemos tener las regiones UTR 5’ y 3’ agrupadas por

transcrito.
fiveUTRsByTranscript(txdb)

## $1

## [1] chr2L 7529-7679 + | 1
## exon_name exon_rank
## [1] <NA> 1
##
## $2
## [1] chr2L 7529-7679 + | 1
## [1] <NA> 1
##
## $3
## [1] chr2L 7529-7679 + | 1
## [1] <NA> 1
##
## ...
## -------
threeUTRsByTranscript(txdb)

## $1
## [1] chr2L 8611-9484 + | 3
## [1] <NA> 2
##
## $2
## [1] chr2L 9277-9484 + | 5
## [1] <NA> 3
##
## $3
## [1] chr2L 8611-9484 + | 4
## [1] <NA> 2
##
## ...
3.5. BSGENOME 47

## -------
3.5 BSgenome
Estos paquetes contienen datos de secuencias para organismos se-
cuenciados.
BSgenome.Dmelanogaster.UCSC.dm3
pacman::p_load(BSgenome.Dmelanogaster.UCSC.dm3)
tx2seqs = extractTranscriptSeqs(BSgenome.Dmelanogaster.UCSC.dm3,TxDb.Dmelanogaster.UCSC.
La secuencia correspondiente al primer gen sería
tx2seqs[[1]]
## 1880-letter "DNAString" instance

## seq: CTACTCGCATGTAGAGATTTC...TTCAATAAAATTTCCCCAAGT
Si queremos conocer la secuencia entre las posiciones 1000 y 1020

entonces
tx2seqs[[1]][1000:1020]
## 21-letter "DNAString" instance

## seq: ATATTGATGTCTTTCGTACCC
También podemos trasladar estas secuencias a proteínas con
suppressWarnings(translate(tx2seqs[[1]]))
Para todos los transcritos lo hacemos con
suppressWarnings(translate(tx2seqs))
No todo lo que se transcribe se traslada. Para obtener obtener las

que realmente se trasladan se puede hacer
cds2seqs = extractTranscriptSeqs(BSgenome.Dmelanogaster.UCSC.dm3,
cdsBy(txdb, by="tx"))
translate(cds2seqs)
BSgenome.Hsapiens.UCSC.hg19
Estos paquetes contienen datos de secuencias para organismos se-
cuenciados.
pacman::p_load(BSgenome.Hsapiens.UCSC.hg19)
Hsapiens
## Human genome:
## # organism: Homo sapiens (Human)
## # provider: UCSC
## # provider version: hg19
## # release date: Feb. 2009
## # release name: Genome Reference Consortium GRCh37
## # 93 sequences:
## # chr1 chr2
## # chr3 chr4
## # chr5 chr6
## # chr7 chr8
## # chr9 chr10
## # ... ...
## # chrUn_gl000241 chrUn_gl000242
## # chrUn_gl000249
## # (use 'seqnames()' to see all the sequence names,
## # use the '$' or '[[' operator to access a given
## # sequence)
Nos fijamos en las secuencias.
seqNms = seqnames(Hsapiens)
head(seqNms)
## [1] "chr1" "chr2" "chr3" "chr4" "chr5" "chr6"
Nos fijamos en las dos primeras.
getSeq(Hsapiens, seqNms[1:2])
## A DNAStringSet instance of length 2

## width seq names
## [1] 249250621 NNNNNN...NNNNNN chr1
## [2] 243199373 NNNNNN...NNNNNN chr2
Podemos, utilizando un objeto GRanges, obtener la secuencia de

bases en los cromosomas que queramos, en la hebra que queramos,
entre las posiciones que queramos.
rngs <- GRanges(seqnames = c('chr1', 'chr4'), strand=c('+','-'),

ranges = IRanges(start=c(100000,300000),
end=c(100023,300037)))
rngs

## <Rle> <IRanges> <Rle>
3.6. ORGANISMDB 49
## [1] chr1 100000-100023 +

## [2] chr4 300000-300037 -
## -------
## seqinfo: 2 sequences from an unspecified genome; no seqlengths
res <- getSeq(Hsapiens, rngs)

res

## width seq
## [1] 24 CACTAAGCACACAGAGAATAATGT
## [2] 38 GCTGGTCCCTTACTTCCAGTAGAAAAGACGTGTTCAGG
3.6 OrganismDb
Un paquete de tipo OrganismDb nos permite combinar informa-
ción (para el organismo con que estemos trabajando) de GO.db con
el correspondiente TxDb y OrgDb.72 72
Buscar OrganismDb en
Bioconductor.
pacman::p_load(Homo.sapiens)
Tomamos las dos primeras.
keys = head(keys(Homo.sapiens, keytype="ENTREZID"), n=2)

columns = c("SYMBOL","TXNAME")
AnnotationDbi::select(Homo.sapiens, keys, columns, keytype="ENTREZID")
## ENTREZID SYMBOL TXNAME

## 1 1 A1BG uc002qsd.4
## 2 1 A1BG uc002qsf.2
## 3 2 A2M uc001qvk.1
## 4 2 A2M uc009zgk.1
También podemos obtener GRanges.
transcripts(Homo.sapiens, columns=c("TXNAME","SYMBOL"))

## [1] chr1 11874-14409 + |
## [2] chr1 11874-14409 + |
## [3] chr1 11874-14409 + |
## [4] chr1 69091-70008 + |
## [5] chr1 321084-321115 + |
## ... ... ... ... .
## [82956] chrUn_gl000237 1-2686 - |
## [82957] chrUn_gl000241 20433-36875 - |
## [82958] chrUn_gl000243 11501-11530 + |
## [82959] chrUn_gl000243 13608-13637 + |
## [82960] chrUn_gl000247 5787-5816 - |
## TXNAME SYMBOL
## <CharacterList> <CharacterList>
## [1] uc001aaa.3 DDX11L1

## [2] uc010nxq.1 DDX11L1
## [3] uc010nxr.1 DDX11L1
## [4] uc001aal.1 OR4F5
## [5] uc001aaq.2 <NA>
## ... ... ...
## [82956] uc011mgu.1 <NA>
## [82957] uc011mgv.2 <NA>
## [82958] uc011mgw.1 <NA>
## [82959] uc022brq.1 <NA>
## [82960] uc022brr.1 <NA>
## -------
## seqinfo: 93 sequences (1 circular) from hg19 genome
3.7 biomaRt
El paquete [42, biomaRt] es un interfaz para poder acceder a una
73
http://www.biomart. serie de bases de datos que implementan BioMart.73
org.
pacman::p_load(biomaRt)
Podemos ver la lista de mart’s que tenemos (mostramos los pri-

meros).
listMarts(host="www.ensembl.org")
## biomart version
## 1 ENSEMBL_MART_ENSEMBL Ensembl Genes 95
## 2 ENSEMBL_MART_MOUSE Mouse strains 95
## 3 ENSEMBL_MART_SNP Ensembl Variation 95
## 4 ENSEMBL_MART_FUNCGEN Ensembl Regulation 95
Elegimos utilizar ensembl.
(ensembl = useMart("ENSEMBL_MART_ENSEMBL",host="www.ensembl.org"))
## Object of class 'Mart':

## Using the ENSEMBL_MART_ENSEMBL BioMart database
## No dataset selected.
Ahora hemos de elegir el conjunto de datos a utilizar. Podemos

ver los disponibles con
head(listDatasets(ensembl))
## dataset
## 1 acalliptera_gene_ensembl
## 2 acarolinensis_gene_ensembl
## 3 acitrinellus_gene_ensembl
## 4 amelanoleuca_gene_ensembl
## 5 amexicanus_gene_ensembl
## 6 anancymaae_gene_ensembl
## description
3.8. KEGGREST 51
## 1 Eastern happy genes (fAstCal1.2)

## 2 Anole lizard genes (AnoCar2.0)
## 3 Midas cichlid genes (Midas_v5)
## 4 Panda genes (ailMel1)
## 5 Cave fish genes (Astyanax_mexicanus-2.0)
## 6 Ma's night monkey genes (Anan_2.0)
## version
## 1 fAstCal1.2
## 2 AnoCar2.0
## 3 Midas_v5
## 4 ailMel1
## 5 Astyanax_mexicanus-2.0
## 6 Anan_2.0
Elegimos la correspondiente a ser humano.
(ensembl = useMart("ENSEMBL_MART_ENSEMBL",dataset="hsapiens_gene_ensembl",
host="www.ensembl.org"))
Podemos ver los atributos con
head(listAttributes(ensembl))
De hecho, son
nrow(listAttributes(ensembl))
Podemos comprobar que hay muchos que identifican el gen con las
sondas de Affymetrix, en concreto, con los AffyID. Supongamos que
nos fijamos en los siguientes AffyID.
affyids=c("202763_at","209310_s_at","207500_at")
¿A qué genes corresponden?
getBM(attributes=c('affy_hg_u133_plus_2', 'entrezgene'),
filters = 'affy_hg_u133_plus_2',
values = affyids, mart = ensembl)
Podemos obtener todos los identificadores.
head(getBM(attributes='affy_hg_u133_plus_2', mart = ensembl))
3.8 KEGGREST
Con [135, KEGGREST] podemos acceder a la base de datos KEGG.
En concreto permite el acceso a KEGG REST API.
3.9 Tareas habituales con anotaciones

¿Cuáles son las tareas que tenemos que realizar habitualmente?
En esta sección vemos posibles soluciones que las resuelvan.
3.9.1 Cambiar identificadores de un ExpressionSet

Consideremos el ExpressionSet tamidata::gse1397.74 Las caracte- 74
§ 5.10.
rísticas están codificadas utilizando los identificadores Affymetrix.
Pretendemos incorporar la información que nos permita conocer la
correspondencia entre estos identificadores (PROBEID) y los identi-
ficadores Entrez y Ensembl. Esta información la incorporamos como
fData del ExpressionSet.
Necesitamos los paquetes.
pacman::p_load("Biobase","AnnotationDbi","BiocGenerics")
Leemos los datos.
data(gse1397,package="tamidata")
¿Qué paquete de anotación necesitamos?
Biobase::annotation(gse1397)
## [1] "hgu133a"
75
En https://www. Lo cargamos.75
bioconductor.org/
packages/3.3/data/ pacman::p_load("hgu133a.db")
annotation/ tenemos el
listado de los paquetes de Como hemos visto en § 3.1 con AnnotationDbi::columns podemos
anotación de los que dispone ver la información que tenemos y con AnnotationDbi::keytypes las
Bioconductor. llaves con las que podemos realizar consultas.
columns(hgu133a.db)

## [13] "IPI" "MAP" "OMIM"
keytypes(hgu133a.db)

## [13] "IPI" "MAP" "OMIM"
Vemos que, en este caso coinciden columns y keys. Los valores los
tenemos con
3.9. TAREAS HABITUALES CON ANOTACIONES 53
head(keys(hgu133a.db,keytype="PROBEID"))
## [1] "1007_s_at" "1053_at" "117_at"

## [4] "121_at" "1255_g_at" "1294_at"
que corresponde con los identificadores Affy o identificadores de

las sondas. Podemos ver los primeros que tenemos en nuestros datos.
head(featureNames(gse1397))
## [1] "1007_s_at" "1053_at" "117_at"

## [4] "121_at" "1255_g_at" "1294_at"
¿Coinciden todos?
table(featureNames(gse1397) == keys(hgu133a.db,keytype="PROBEID"))
##
## FALSE TRUE
## 53 22230
Vemos que no todos coinciden. ¿Quienes son?
(control = which(featureNames(gse1397) != keys(hgu133a.db,keytype="PROBEID")))
## [1] 22231 22232 22233 22234 22235 22236 22237

## [8] 22238 22239 22240 22241 22242 22243 22244
## [15] 22245 22246 22247 22248 22249 22250 22251
## [22] 22252 22253 22254 22255 22256 22257 22258
## [29] 22259 22260 22261 22262 22263 22264 22265
## [36] 22266 22267 22268 22269 22270 22271 22272
## [43] 22273 22274 22275 22276 22277 22278 22279
## [50] 22280 22281 22282 22283
¿Que identificadores tienen estas sondas?
head(featureNames(gse1397)[control])
## [1] "AFFX-hum_alu_at"
## [2] "AFFX-HUMGAPDH/M33197_3_at"
## [3] "AFFX-HUMGAPDH/M33197_5_at"
## [4] "AFFX-HUMGAPDH/M33197_M_at"
## [5] "AFFX-HUMISGF3A/M97935_3_at"
## [6] "AFFX-HUMISGF3A/M97935_5_at"
Son sondas de control que no corresponden a ningún gen. Hemos

dicho antes que queremos modificar los identificadores utilizados en
el ExpressionSet. Y queremos hacerlo pasando a Entrez y Ensembl.
Buscamos las correspondencias.
probeid2entrez =
AnnotationDbi::select(hgu133a.db,keys=featureNames(gse1397),
columns="ENTREZID",keytype="PROBEID")
Nos ha devuelvo un data.frame.
class(probeid2entrez)
## [1] "data.frame"
Es importante notar que no hay una correspondencia 1-1 entre los

distintos identificadores.
head(probeid2entrez)
## PROBEID ENTREZID
## 1 1007_s_at 780
## 2 1007_s_at 100616237
## 3 1053_at 5982
## 4 117_at 3310
## 5 121_at 7849
## 6 1255_g_at 2978
La primera sonda tiene dos identificadores Entrez distintos. Una

opción para resolver esta multiplicidad es utilizar BiocGenerics::match.
indices = match(featureNames(gse1397),probeid2entrez$PROBEID)
¿Cómo se ha resuelto?
head(featureNames(gse1397))
## [1] "1007_s_at" "1053_at" "117_at"

## [4] "121_at" "1255_g_at" "1294_at"
head(probeid2entrez$PROBEID,n=7)
## [1] "1007_s_at" "1007_s_at" "1053_at"

## [4] "117_at" "121_at" "1255_g_at"
## [7] "1294_at"
head(indices)
## [1] 1 3 4 5 6 7
Elige la primera correspondencia e ignora las demas como hemos

visto.
eset = gse1397
fData(eset) = probeid2entrez[indices,]
Podemos comprobar, con Base::all.equal, si son iguales los nombres

del ExpressionSet con la columna de identificadores Affymetrix.
all.equal(fData(eset)$PROBEID,featureNames(eset))
## [1] TRUE
3.10. EJERCICIOS 55
3.10 Ejercicios
* Ej. 12 — Determinar los códigos Entrez, Gene Ontology y En-
sembl para los genes BRCA1 y BRCA2 implicados en el cáncer de
mama.
* Ej. 13 — Se pide encontrar el gen BRCA1 en el ratón (Mus mus-
culus). Utilizad el paquete de anotación [29, org.Mm.eg.db].
Parte II
Datos
57
Capítulo 4
Microarrays
4.1 Introducción
En este tema tratamos sobre datos de expresión obtenidos utili-
zando microarrays. Nos ocupamos del procesado (o mejor, del pre-
procesado) de los datos desde los datos originales (o datos a nivel de
sonda) hasta los datos tal y como los hemos estado analizando.
Los datos multtest::golub que hemos usado ya han sido preproce-
sados. En este tema nos ocupamos de este punto previo y no menor.
Muchos de los análisis de expresión diferencial posterior dependen de
un modo esencial de lo que hacemos antes. Con frecuencia el experi-
mentador confía en el preprocesado que el fabricante del chip realiza.
No necesariamente este preprocesado tiene porqué estar mal hecho
pero en cualquier caso es preciso conocerlo y evaluarlo. En lo que si-
gue veremos como hay funciones que reproducen lo que el fabricante
hace.
En este capítulo la referencia de mayor interés es [58]. En particular
tienen un interés especial los tres primeros capítulos.
La expresión de un gen es el proceso mediante el que se transcribe
el DNA en una serie de copias de mRNA. Los microarrays miden la
cantidad de mRNA para cada gen. El valor de la expresión de un gen
es una medida de luminiscencia relacionada con el mRNA presente.
Esto es para un chip de DNA.
4.2 Affymetrix GeneChip

Es conveniente consultar [153, páginas 93 y siguientes]. Vamos a
leer datos obtenidos mediante un escáner Affymetrix GeneChip. Estos
arrays de oligonucleótidos tienen un pequeño número de sondas para
un mismo gen. Hablaremos de conjunto de sondas refiriéndonos a to-
das las sondas que en un mismo chip están asociadas con un mismo
gen. Cada sonda son pequeñas celdas con oligonucleótidos específicos
de un gen. Estos oligonucleótidos tienen 25 pares de bases. Cada oli-
gonucleótido es una parte (aproximadamente) específica de un gen.
En principio solo el mRNA de este gen lo reconocerá como propio.
Sin embargo, también puede ocurrir que el RNA de otros genes en-
cuentre partes comunes con la sonda y se adjunte. Tendríamos una
hibridación no específica. Con objeto de considerar el problema Affy-
metrix modifica la secuencia original. Concretamente el par de bases
59
60 CAPÍTULO 4. MICROARRAYS
en la posición 13. De este modo una hibridación con esta sonda se

considera un acoplamiento erróneo.
Las imágenes digitales con la información original son los ficheros
DAT. Una vez procesados por el software que proporciona el fabricante
obtenemos un resumen por celda que los guarda en los ficheros CEL.
Este fichero es el resultado del escaneo y la segmentación de la imagen
obtenida. Todavía no hemos resumido estas intensidades de los píxeles
en un valor por gen. En estos ficheros tenemos la media y desviación
estándar de los niveles de gris así como la localización de la sonda
dentro del array. Se necesita también conocer la correspondencia entre
sondas y nombres de los genes. Esta información aparece en el fichero
CDF.1
La información que se maneja se puede considerar a tres niveles:
Imagen El primer nivel es de la imagen digital (ficheros DAT en

Affymetrix GeneChip). Hay que utilizar técnicas de procesado
de imagen digital para obtener a partir de esta imagen otra
imagen donde cada pixel tiene como nivel de gris la expresión
de la sonda en esa celda.
Datos a nivel de sonda Tenemos un imagen digital donde un pixel

contiene una cuantificación de la cantidad de hibridación.
Datos de expresión Ya tenemos corregido el fondo y normalizadas

las muestras. Tenemos una matriz de expresión de modo que en
la fila tenemos el gen y en la columna la muestra. A partir de
aquí se trabaja para analizar la posible activididad diferenciada
de un gen o un conjunto de genes.
4.3 Obteniendo los datos

En esta sección vamos a utilizar los datos con número de acceso
76
Ver § 5.9. GEO GSE21779. 76
4.4 Sonda y conjunto de sondas

En estos microarrays tenemos distintas sondas correspondientes al
mismo gen. ¿Qué chip o plataforma se ha utilizado se ha utilizado?
Podemos verlo con Biobase::annotation.
pacman::p_load(Biobase,affy)
annotation(gse21779raw)
## [1] "hgu133plus2"
El número de sondas y de muestras lo podemos conocer con
dim(exprs(gse21779raw))
## [1] 1354896 18
1 Cuando leamos datos veremos que si no tenemos cargado el fichero CDF ne-
cesario el programa los baja sin que se lo pidamos.

4.5. VARIABILIDAD INTRA Y ENTRE ARRAYS 61
Nos fijamos en el primer array cuyas expresiones aparecen en la

primera columna. Podemos ver las intensidades del primer microarray
en forma de una imagen a niveles de gris. Cuando más blanco es el
punto mayor es la intensidad observada en la sonda y por lo tanto
mayor la expresión del gen al que está asociada. Cada pixel corres-
ponde con una sonda distinta. La imagen la tenemos en la figura 4.1.
png(paste0(dirTamiFigures,"microarray4"))
image(gse21779raw[,1])
dev.off()
## pdf
## 2
Podemos conocer las identificadores que Affymetrix le ha asignado

a estas sondas con
probeNames(gse21779raw)
Figura 4.1: Imagen a niveles de
Nos fijamos en la sonda que aparece en la posición 400. gris correspondiente al primer
array de los datos gse21779.
ID = probeNames(gse21779raw)[400]
El número de sondas que componen el conjunto asociado a este

identificador es
sum(probeNames(gse21779raw) == ID)
## [1] 11
Podemos ver los cardinales de todos los conjuntos de sondas que

lleva el chip.
counts = table(probeNames(gse21779raw))
table(counts)
## counts
## 8 9 10 11 13 14 15 16
## 5 1 6 54130 4 4 2 482
## 20 69
## 40 1
4.5 Variabilidad intra y entre arrays

Dentro de todo el vector con los nombres de las sondas buscamos
las que ocupa la primera tanto para PM como para MM (de ahí el
argumento both).
indexProbes(gse21779raw,"both",ID)[[1]]
## [1] 1088751 883561 1054203 366753 178855

## [6] 68793 490689 62456 1123802 939573
## [11] 1349651 1089915 884725 1055367 367917
## [16] 180019 69957 491853 63620 1124966
## [21] 940737 1350815
¿Cuáles corresponden a PM?
(posiciones = indexProbes(gse21779raw,"pm",ID)[[1]])
## [1] 1088751 883561 1054203 366753 178855

## [6] 68793 490689 62456 1123802 939573
## [11] 1349651
Tenemos 11 correspondientes a PM. Y las demás corresponden a

MM:
indexProbes(gse21779raw,"mm",ID)[[1]]
## [1] 1089915 884725 1055367 367917 180019

## [6] 69957 491853 63620 1124966 940737
## [11] 1350815
En figura 4.2(a) vemos dónde está localizado el conjunto de son-

77
Probe set. das77 dentro de la imagen. En cada localización tenemos un valor de
PM y otro valor MM.
Vamos a representar los niveles de expresión PM correspondientes
a un mismo conjunto de sondas de un array dado (figura 4.2(b)).
library(ggplot2)
pmID = probes(gse21779raw[,1],"pm",ID)
df1 = data.frame(sondas = 1:11,intensidad = pmID[,"GSM542488.CEL.gz"])
ggplot(df1,aes(x=sondas,y=intensidad))+geom_line()
En abscisas tenemos el número de la sonda (de un mismo conjunto)

y en ordenadas su expresión. Si no hubiera ningún tipo de ruido lo
que se debe observar sería una línea horizontal, unos mismos niveles
de expresión. Pero no es así.
El dibujo 4.2(b) se refiere a la variabilidad intra array (utili-
zando las sondas de un mismo conjunto) para un mismo gen. Vamos
superponer (una línea por muestra) las expresiones del mismo gen pe-
ro para todas las muestras. De este modo ilustramos la variabilidad
78
Observad el uso de la fun- entre muestras. En la figura 4.2(c) mostramos este dibujo.78
ción reshape::melt para obte-
ner el data.frame. pm0 = probes(gse21779raw,"pm",ID)
pm0 = data.frame(pm0,sondas=1:11)
pm1 = reshape::melt(pm0,id="sondas")
ggplot2::ggplot(data=pm1,aes(x=sondas,y=value,colour=variable))+
geom_line()+ylab("Intensidad")
png(paste(dirTamiFigures,"gse217791arrays.png",sep=""))
pm0 = probes(gse21779raw,"pm",ID)
pm0 = data.frame(pm0,sondas=1:11)
pm1 = reshape::melt(pm0,id="sondas")
ggplot2::ggplot(data=pm1,aes(x=sondas,y=value,colour=variable))+
geom_line()+ylab("Intensidad")
dev.off()
En la figura 4.2(c) cada línea corresponde a un array y los pun-

tos que representamos en cada línea es un conjunto de sondas. Este
conjunto de sondas es el mismo que elegimos en todos los arrays.
4.5. VARIABILIDAD INTRA Y ENTRE ARRAYS 63
(a) (b)
(c) (d)
Figura 4.2: (a)Image CEL correspondiente al primer array o chip. Ca-

da pixel corresponde con una sonda distinta. Los cuadrados verdes
nos localizan un conjunto de sondas asociadas al mismo gen. (b) Los
valores (o intensidades) PM para un grupo de sondas en el primer
array de nuestras muestras. (c) Los valores (o intensidades) PM para
un mismo grupo de sondas en los distintos arrays. Cada línea corres-
ponde con un array distinto. En abscisas tenemos la misma sonda
en cada uno de los arrays. (d) En la primera muestra de gse21779
mostramos los valores PM y, en las mismas localizaciones, los valores
MM. No siempre PM es mayor que MM como sería de esperar.
¿Qué significa este dibujo? ¿Cómo lo podemos interpretar? Si las

distintas sondas asociadas al mismo gen nos dieran una misma ex-
presión cada una de las líneas debía ser horizontal. No es así como
hemos visto para la primera y para todas las demás. Tenemos ahora
una segunda fuente de variación. Estas muestras se han tomado bajo
tres condiciones distintas. Si no hubiera diferencia entre condiciones
las líneas debieran de estar muy superpuestas.
De acuerdo al diseño de este chip cabe esperar que en una mis-
ma localizacion el valor PM sea mayor que el valor de MM. Esto es
lo esperable ya que PM es señal, estamos observando la hibridación
específica (aquella para la que la sonda ha sido diseñada). El valor de
MM lo que mide es ruido óptico e hibridación no específica, en resu-
men, ruido en un sentido amplio. La señal debe dominar al ruido, el
valor de PM debiera de ser mayor que el valor de MM en cada celda.
Esto sobre el papel. Pero no en la realidad. Veamos (figura 4.2(d))
para un mismo array y para un conjunto de genes dados los valores
de PM y los valores MM.
library(reshape)
pmm = data.frame(sondas=1:11,pm = probes(gse21779raw[,1],"pm",ID),
mm = probes(gse21779raw[,1],"mm",ID))
df2 = reshape::melt(pmm,id="sondas")
levels(df2[,"variable"]) = c("pm","mm")
ggplot(df2,aes(x=sondas,y=value,colour=variable,linetype=variable))
+geom_line()
Podemos hacer una valoración global para todos los arrays que
tenemos. ¿Qué proporción de sondas son tales que el valor PM es
menor que el correspondiente valor MM?
table(probes(gse21779raw,"pm") >= probes(gse21779raw,"mm"))
##
## FALSE TRUE
## 4460757 6415887
Vemos que tenemos un 41 % en este caso particular. No es poco.
4.6 Control de calidad

Vamos a estudiar distintos procedimientos que intentan evaluar los
distintos microarrays que componen nuestro experimento. El objetivo
es decidir si es necesario descartar total o parcialmente alguna de las
muestras.
4.6.1 Dibujo de la media-diferencia de Tukey o di-

bujo de Bland-Altman
El dibujo media-diferencia de Tukey es más habitualmente co-
nocido como el dibujo Bland-Altman estos autores lo popularizaron
79
El trabajo completo (con utilizándolo en una revista médida.79
correcciones respecto de Supongamos que tenemos pares de medidas (xi , yi ) con i = 1, . . . , n
la publicación original) es y pretendemos ver el grado de coincidencia de las mismas. O, dicho de
Bland-Altman y corresponde otro modo, si valores mayores corresponden con diferencias mayores
con la referencia [16].
4.6. CONTROL DE CALIDAD 65
entre las cantidades observadas. Es de suponer que dos procedimientos

que coincidan tendrán un coeficiente de correlación alto. Sin embargo,
este valor viene condicionado por la variabilidad de las medidas. El
dibujo media-diferencia de Tukey o dibujo de Bland-Altman es una re-
presentación gráfica que sirve para valorar el grado de coincidencia de
los pares de medidas. Supongamos que tenemos los pares (xi , yi ) con
i = 1, . . . , n entonces consideramos los puntos que tienen coordenadas
( )
xi + yi
, (xi − yi ) .
2
Es decir, en abscisas tenemos la media de las dos medidas xi +y

2
i
y en
ordenadas tenemos su diferencia, xi − yi .
En ocasiones, este dibujo se completa con dos líneas horizontales.
Si di = xi − yi entonces podemos completar la representación gráfica
añadiendo dos líneas horizontales correspondientes con los límites del
intervalo de confianza para la diferencia media entre los dos procedi-
mientos esto es las líneas tendrían como ordenadas d¯ ± tn−1,1− α2 √Sn
donde S es la desviación estándar de las diferencias di y tn−1,1− α2 es
el percentil 1 − α2 de una t de Student con n − 1 grados de libertad.
4.6.2 MA plots
Estos dibujos sirven para determinar si alguno de los microarrays
debe de ser descartado del estudio y si necesitamos homogeneizar
los valores para las distintas muestras. Son una aplicación del dibujo
media-diferencia propuesto por Tukey.80 80
Es conveniente consul-
Trabajamos, en lugar de con las intensidades originales observadas, tar http://en.wikipedia.
con su logaritmo en base 2. Supongamos que ui y vi denotan las org/wiki/MA_plot.
intensidades originales en la sonda i-ésima. Consideramos xi = log2 ui
e yi = log2 vi y estos son los valores a comparar. En este contexto se
habla de dibujos MA ya que
ui
mi = xi − yi = log2 ,
vi
y
1 1 √
ai = (xi + yi ) = log2 ui vi = log2 ui vi .
2 2
Una primera opción es comparar todos los pares de microarrays utili-
zando el dibujo media-diferencia de Tukey.
Una segunda opción consiste en considerar una especie de micro-
array típico y comparar los demás con este. Por ejemplo, una opción
que implementa el paquete [74, affy] en la función affy::MAplot con-
siste en calcular para cada sonda la mediana a lo largo de todos los
microarrays que componen nuestro experimento. Por tanto, la media-
na de las intensidades será xi y el valor yi corresponde a cada uno de
los microarrays de nuestro experimento.
Ejemplo 4.1 (MA plot) Vamos a ilustrar el uso de los dibujo MA

con los datos gse21779. En la figura 4.3 podemos ver una comparación
entre los dos primeros microarrays del experimento.
MAplot(gse21779raw[,1:2],pairs=TRUE,plot.method="smoothScatter")
Figura 4.3: MAplot comparando los dos primeros microarrays.

4.6. CONTROL DE CALIDAD 67
4.6.3 Densidades y diagramas de cajas

En los dos dibujos anteriores hemos ilustrado la variabilidad intra
y entre arrays para un mismo gen. Tomemos un punto de vista más
global. En particular, vamos a mostrar el comportamiento de los ni-
veles de expresión para todas las sondas en un array, por ejemplo, el
primero de ellos. Estamos evaluando la posibilidad de que alguno de
ellos tenga un nivel de ruido inaceptable y debiera de ser eliminado
del estudio.
(a) (b) (c)
Figura 4.4: a)Estimador kernel de la densidad de las expresiones a nivel de sonda en el primer microarray. b) Esti-
madores kernel de la densidad de las intensidades para los distintos microarrays. Vemos que hay diferencias claras. c)
Diagramas de cajas de las expresiones a nivel de sonda para los datos gse21779.
Empezamos mostrando en la figura 4.4(a) la densidad de los niveles

de expresión en el primer array. Lo hacemos utilizando un estimador
kernel de la densidad.
affy::hist(gse21779raw[,1])
Aunque la función que utilizamos es hist (de histograma), no es

histograma.2 Es un estimador kernel de la densidad. Con objeto de ver
(y comparar) la variabilidad en los distintos arrays podemos estimar
los estimadores kernel de las densidades de las expresiones en cada
uno de los arrays que componen nuestra muestra. Lo tenemos en la
figura 4.4(b).
affy::hist(gse21779raw)
Llama la atención la gran diferencia entre estos estimadores de

la densidad para distintas muestras. En cualquier caso en todos ellos
vemos una clara asimetría a la derecha. Obviamente corresponde a los
genes con un alto nivel de expresión.
De un modo análogo podemos para evaluar la variabilidad las ex-
presiones en cada arrays y entre arrays podemos utilizar diagramas
de cajas. Se muestra en la figura 4.4(c).
affy::boxplot(gse21779raw)
En este caso los genes con una alta (anormalmente grande) expre-
sión corresponden con el bigote superior en los diagramas de caja que
acabamos de representar.
2 Una mala elección de nombre.
4.6.4 Utilizando arrayQualityMetrics

El paquete [R-arrayQualityMetrics] nos permite un control de
calidad sencillo utilizando arrayQualityMetrics::arrayQualityMetrics.
81 81
El informe corres-
pondiente lo tenemos
en http://wwww.uv.es/ library(arrayQualityMetrics)
ayala/docencia/tami/ arrayQualityMetrics(expressionset = gse21779raw,
reports/Report_for_ outdir = "Report_for_gse21779raw", ## Fija directorio de salida
gse21779/index.html. force = TRUE, ## Sobreescribe
do.logtransform = TRUE) ## Transforma a log2
4.6.5 Corrigiendo errores técnicos

Si algo queda claro en esta sección es la necesidad de tratar los da-
tos antes de poder compararlos y obtener alguna conclusión biológica.
Es decir, hemos de trabajar los valores observados a nivel de sonda
antes de obtener un resumen que es la expresión del gen.
De hecho podemos ver los mínimos de PM en las distintas mues-
tras.
apply(probes(gse21779raw,"pm"),2,min)
## GSM542488.CEL.gz GSM542555.CEL.gz
## 32 31
## 34 33
## 21 39
## 67 60
## 74 82
## 26 27
## 26 27
## 28 29
## 28 32
Y vemos como efectivamente no son nulos. La corrección de fondo

pretende que aproximadamente sean nulos los valores más pequeños.
Esto correspondería con aquellos genes que no tienen actividad.
También hemos visto que la distribución de las intensidades es
claramente muy diferente entre arrays. Lo mostraban los estimadores
kernel y los diagramas de cajas. El proceso de hacer comparables los
datos entre arrays es lo que se conoce como normalización.
Una vez hemos corregido fondo y normalizadas las muestras, se-
guimos teniendo para cada gen distintas sondas en cada array. Toca
resumir estos valores en un solo valor que indique la expresión del gen
asociado al conjunto de sondas.
Estas tres operaciones pueden realizarse de un modo secuencial
o bien hay métodos que las realizan de un modo combinado. Hay
4.7. MÉTODO MAS5 69
publicados muchos métodos. Lo que vamos a utilizar en este capítulo

está en el paquete [74, affy].82 82
Es especialmente intere-
En estas notas vamos a estudiar con detalle dos métodos. El pri- sante consultar la viñeta
mero es un método que corrige cada chip, es el método MAS5.0 que builtinMethods.pdf que apa-
es el que proporciona el software de Affymetrix. Muchos trabajan con rece en la ayuda del paque-
los datos que directamente les da este software y por tanto es intere- te affy. Como material com-
sante conocerlo. Lo tratamos en § 4.7. El segundo es el método RMA. plementario es de interés [58,
Este procedimiento trabaja simultáneamente con todos los chips del capítulo 2].
experimento. Es pues un procedimiento multiarray o multichip. Este
método lo estudiamos en § 4.8.
El objetivo ahora es considerar procedimientos que corrigen las
variabilidades entre los microarrays intentando conseguir un valor de
expresión asociado a cada gen sin esos ruidos de caracter técnico.
4.7 Método MAS5

Veremos cómo pasar de los datos a nivel de sonda a los valores de
expresión del gen. Mucho de lo que luego analizamos depende de cómo
se realiza este paso. Lo que se comenta es específico para Affymetrix
GeneChip. En cada localización tendremos sondas que son oligonu-
cleótidos específicos de un gen. De hecho son pares de sonda: una con
la secuencia deseada y otra en la que se modifica la base en la posi-
cion 13. La intensidad (o expresión) observada con el oligonucleótido
correcto le llamamos PM (perfect matching) y el observado sobre el
modificado le llamamos MM (miss matching). Se pensaba que si a
PM le restábamos MM corregiríamos el ruido de fondo. Esto no es
cierto, una cierta proporción de localizaciones muestran un valor MM
mayor que el valor PM, lo que en principio va en contra de lo que
lógicamente debería producirse.
Los datos y la información de un Affymetrix GeneChip se alma-
cenan en distintos ficheros. En el fichero CEL tenemos la intensidad
media de los pixels de la sonda, la desviación estándar e información
de dónde se sitúa la sonda dentro del array. Cada array lleva asociado
un fichero CEL. Para poder interpretar el significado biológico de las
sondas se necesita un mapa indicando a qué gen corresponde cada
gen. Esta información está en el fichero CDF. Este fichero depende
del chip utilizado y no varía para distintas muestras.
En esta sección explicamos el método MAS5.0 y nos basamos
en el manual http://media.affymetrix.com/support/technical/
whitepapers/sadd_whitepaper.pdf.3
Empezamos a trabajar a partir del fichero .CEL que ha sido gene-
rado por el software Microarray Suite.
4.7.1 Corrección de fondo

Se pretende determinar unos valores para restarlos a las intensi-
dades originales en cada celda.
Determinan valores por zonas 1. Se divide el array en K zonas
rectangulares: Zk con k = 1, . . . , K.
2. En cada Zk se ordenan las intensidades observadas en las
distintas celdas y se considera el 2% con intensidades me-
nores. Se toma como medida de fondo la media muestral
3 Como casi todos los manuales técnicos no es prodigio de claridad precisamente.
de las intensidades previamente consideradas. Denotamos

esta valor como b(Zk ).
3. Del mismo modo que en punto anterior, se considera en ca-
da Zk ese 2% de celdas con intensidades menores y calcular
su desviación estándar que denotamos s(Zk ).
Suavizando el ajuste Sea la celda localizada en (x, y) y vamos a

denotar por dk (x, y) la distancia desde (x, y) al centro de la
región Zk . Consideramos la siguiente cantidad
1
wk (x, y) =
d2k (x, y) + s0
donde s0 nos evita que el cociente se pueda anular y por de-

fecto toma el valor s0 = 100. Para la celda localizada en (x, y)
consideramos
1 ∑
K
b(x, y) = ∑K wk (x, y)b(Zk )
k=1 wk (x, y) k=1
Corrección del ruido Ahora vamos a bajar las intensidades restán-

dole una medida de ruido de fondo local. El problema que se
puede producir es que nos encontremos con valores negativos.
Este valor de ruido en la celda localizada en (x, y) se calcula
como
1 ∑K
n(x, y) = ∑K wk (x, y)s(Zk ).
k=1 wk (x, y) k=1
La idea ahora es quitar a las intensidades originales el fondo

(b(x, y)) que hemos calculado pero asegurándonos que no nos
surja valores negativos. La intensidad original se denota como
I(x, y) en la localización (x, y). El valor ajustado de la intensidad
viene dado por
A(x, y) = max{I(x, y) − b(x, y), f0 n(x, y)}
El parámetro f0 se suele fijar en f0 = 0.5.4
4.7.2 Cálculo del valor de expresión

Por el procemiento descrito anteriormente podemos ajustar los
valores de PM y de MM. En lo que sigue se supone que hemos ajustado
estos valores.
Lo esperable y correcto es que en una celda tengamos un valor de
PM mayor que el correspondiente valor MM. Esto no es así en muchas
ocasiones como hemos visto. Se define un valor IM (Ideal Mismatch)5
que intenta corregir este problema.
Denotamos por (P Mij , M Mij ) el valor de PM y de MM de la j-
ésima sonda perteneciente al i-ésimo conjunto de sondas (formado por
todas las sondas asociadas a un mismo gen).
4 En el manual hay una igualdad incomprensible que dice
I(x, y) max{I(x, y), 0.5}. En fin, ya veremos qué es exactamente lo que quieren
hacer. He puesto lo que sensatamente parece que quieren hacer.
5 Un apaño se decía antes.
4.8. ROBUST MULTICHIP AVERAGE (RMA) 71
Se calcula un valor que llaman background específico para cada

conjunto de sondas.
Bi = Tbi {log2 (P Mij ) − log2 (M Mij ) : j = 1, . . . , ni },
donde Tbi denota el algoritmo bipesado en un solo paso (§ 31.1). Bási-

camente un promedio robusto de las diferencias indicadas que no son
más que logaritmos de sus cocientes. ¿Qué estima este valor Bi para
el conjunto de sondas i? Si el valor de


 M Mij si M Mij < P Mij
P Mij
IMij = 2B i
si M M ij ≥ P Mij y Bi > α

 P Mij
α si M Mij ≥ P Mij y Bi ≤ α
2 1+(α−Bi )/β
Por defecto se toma α = 0.03 y β = 10.

Ahora calculamos
Vij = max{P Mij − IMij , d}
siendo el valor por defecto para d, d = 2−20 .

Transformamos este valor con
Vij = log2 (Vij )
con j = 1, . . . , ni . Y volvemos a aplicar un estimador biponderado en

un solo paso (§ 31.1).
SignalLogV aluei = Tbi (Vi1 , . . . , Vini ).
Fijamos una señal objetivo, Sc, que por defecto se toma Sc = 500.
Se calcula el siguiente factor de escala para el grupo de sondas i.
Sc
sfi =
M ediaAjustada{2SignalLogV aluei , 0.02, 0.98}
En la anterior expresión MediaAjustada indica la media ajustada (me-

dia de los valores quitando una cierta proporción de los más grandes
y de los más pequeños) en donde se quita el 2% de los más grandes y
el 2% de los más pequeños.
El valor final para el conjunto de sondas i es
ReportedV alue(i) = sfi × 2SignalLogV aluei
Se incorpora una posibilidad de normalización que no indicamos.

El método plier no lo tratamos en estas notas. Está implementado
en el paquete [73, plier].
4.8 Robust multichip average (RMA)

Una referencia con muchos más detalles de los que vemos en esta
sección es [18, pág. 41-59] En este método trabajamos con todos los
arrays simultáneamente83 a diferencia del método anterior donde se 83 Y de ahí su nom-
procesaba cada array independientemente. El procedimiento solamen- bre Robust Multiarray
te utiliza los valores PM y no utiliza para nada los valores MM. Average.
4.8.1 Corrección de fondo

Se empieza calculando una corrección de fondo.84 Asumimos (su- 84 Que esencialmente no se
gerido por la distribución empírica observada en las intensidades de ha publicado. Aparece una
las sondas) que los valores PM pueden considerarse como la suma de descripción más o menos va-
una variable Y con distribución normal con media µ y varianza σ 2 ga en [75].
(que modeliza el ruido) y de una variable X con distribución expo-
nencial con media α (que modelizaría la señal). Por tanto el valor
observado aleatorio S sería
S =X +Y
con X ∼ Exp(α) e Y ∼ N (µ, σ 2 ). La normal se trunca en cero para

evitar valores negativos. Si S denota la intensidad aleatoria en la sonda
entonces, para un valor observado S = s, se tiene
ϕ( ab )
E(X|S = s) = a + b
Φ( ab )
siendo a = s − µ − σ 2 α y b = σ mientras que ϕ y Φ denotan las funcio-

nes de densidad y de distribución de una normal estándar (con media
0 y varianza 1). Los parámetros del modelo (α, µ, σ 2 ) se estiman me-
diante un procedimiento no paramétrico. Utilizando las intensidades
observadas en las sondas PM se estima la moda de la distribución.
Aquellos valores por encima de la moda son utilizados para estimar
α y los puntos por debajo de la moda se utilizan para estimar los
parámetros µ y σ 2 .
4.8.2 Normalización de cuantiles

En este paso se pretende conseguir que las distribuciones empíricas
de las expresiones a nivel de sonda de los distintos arrays sean la
85
En § 21.3.6 se recuerda el misma.6 85 Esencialmente lo que buscamos es que las expresiones que
concepto de distribución em- se observan en los distintos microarrays sean las mismas y con las
pírica. mismas frecuencias.
La normalización que se aplica en este método es una normaliza-
86
Quantile normalization ción de cuantiles.86
[18]. Veamos qué es con un ejemplo detallado y sencillo.
1. Nuestro experimento tiene dos conjuntos de sondas y cada una

con tres sondas. Además suponemos que tenemos simplemente
tres chips. En la siguiente tabla recogemos las expresiones.
Conjunto de sondas Sonda Chip 1 Chip 2 Chip 3
1 1 7 9 19
1 2 3 5 14
1 3 2 6 11
2 1 4 8 8
2 2 10 11 16
2 3 12 10 15
2. Determinamos los valores mayores en cada chip y calculamos el

promedio.
6 Recordemos que en este método solamente utilizamos las expresiones de las
sondas PM.
4.8. ROBUST MULTICHIP AVERAGE (RMA) 73
(12 + 11 + 19)/ 3
## [1] 14
Sustituimos los valores originales por estos promedios.

1 1 7 9 14
1 2 3 5 14
1 3 2 6 11
2 1 4 8 8
2 2 10 14 16
2 3 14 10 15
3. Consideramos los segundos valores mayores en cada chip y los
promediamos.
(10 + 10 + 16) /3
## [1] 12
Sustituimos los valores originales por los promedios.

1 1 7 9 14
1 2 3 5 14
1 3 2 6 11
2 1 4 8 8
2 2 12 14 12
2 3 14 12 15
4. Consideramos los terceros valores mayores en cada chip.
(7 + 9 + 15)/3
## [1] 10.33333
Sustituimos los valores originales por los promedios.

1 1 10.33 10.33 14
1 2 3 5 14
1 3 2 6 11
2 1 4 8 8
2 2 12 14 12
2 3 14 12 10.33
5. Y así sucesivamente hasta llegar al sexto valor que ya es el más
pequeño en cada chip. Los datos finales son los de la siguiente
tabla.
1 1 10.33 10.33 14
1 2 6.66 5 8.66
1 3 5 6.66 6.66
2 1 8.66 8.66 5
2 2 12 14 12
2 3 14 12 10.33
Una vez ilustrado el método es sencillo de explicar.
1. Tomamos n vectores de longitud N y construimos la matriz X

N × n que los tiene por vectores columna.
2. Ordenamos cada columna de X separadamente y tenemos Xs .
3. Calculamos la media por filas de la matrix Xs y creamos Xs′

una matriz con la misma dimensión que X, tal que en la fila j
tenemos la media de la fila de Xs repetida n veces.
4. Obtenemos Xt en donde cada columna de Xs′ recupera el orden

original.
¿Qué estamos haciendo desde el punto de vista probabilístico? Hemos

considerado los cuantiles muestrales en cada columna. Hemos consi-
derado la media muestral de estos cuantiles muestrales. Supongamos
que F es la función de distribución de estas medias de cuantiles mues-
trales. Tomamos G la función de distribución muestral o empírica de
las expresiones de cada uno de los microarrays. Si la expresión ori-
ginal la denotamos por yi para la i-ésima sonda entonces la nueva
expresión de dicha sonda viene dada por yi′ = F −1 (G(yi )). Cuando F
corresponde a la uniforme en el intervalo [0, 1] esto recibe el nombre
de transformación integral de la probabilidad.
4.8.3 Resumen
Ya hemos realizado la corrección de fondo (§ 4.8.1). A los valores
obtenidos les hemos aplicado una normalización de cuantiles (§ 4.8.2).
Ahora nos queda obtener el resumen de las distintas sondas dentro
de cada conjunto (de sondas) y para cada microarray. Se aplica el
87
§ 31.2. método median polish de Tukey.87 Previamente necesitamos algo de
notación. En cada array tendremos N sondas y suponemos que tene-
mos n arrays. Por tanto la matriz de expresión a nivel de sonda será:
x = [xij ]i=1,...,N ;j=1,...,n . La sonda i-ésima en el array j-ésimo tiene
una expresión o intensidad xij . Las sondas las suponemos agrupadas
en grupos correspondientes a un mismo gen. Denotamos el grupo k-
ésimo de sondas con Sk . Por tanto, Sk ⊂ {1, . . . , N }. Por ejemplo,
el conjunto Sk = {i1 , . . . , i|Sk | }, es decir, corresponde con las filas
{i1 , . . . , i|Sk | } de la matrix x original. Por simplificar la notación to-
maremos yrj = xir ,j y por tanto
y = [yij ]i=1,...,|Sk |,j=1,...,n = [xij ]i∈Sk ,j=1,...,n .
En resumen, la matriz y simplemente corresponde con las filas de la

matrix x correspondiente al grupo de sondas Sk y todas las columnas.
En lo que sigue nos referimos al grupo k-ésimo de sondas y lo que
se asume es para cada grupo. Asumimos el siguiente modelo:
log2 (yij ) = µ + θj + αi + ϵij (4.1)
con las siguientes restricciones
1. la mediana de {θj : j = 1, . . . , n} es nula,
2. la mediana de {αi : i = 1, . . . , |Sk |} es nula
3. la mediana de {ϵij : j = 1, . . . , n} sea nula para cada i,

4.9. MAS5 Y RMA CON AFFY 75
4. la mediana de {ϵij : i = 1, . . . , |Sk |} sea nula para cada j.

El método median polish es un procedimiento para estimar los pará-
metros anteriores que aparecen en las ecuaciones 4.1. ¿Cómo? Consi-
deramos, para cada grupo de sondas (por ejemplo, el k-ésimo Sk ), la
matriz
δ1,1 ··· δ1,n a1
.. .. .. ..
. . . .
δ|Sk |,1 ··· δ|Sk |,n a|Sk |
b1 ··· bn m
En esta matriz las sondas corresponden a las filas y las columnas
a los arrays. Además añadimos una columna y una fila (las últimas
separadas por una línea continua) en la que aparecen los efectos de
fila y columna. Aplicamos el siguiente procedimiento iterativo.
1. Fijamos δij = log2 (yij ), ai = bi = 0 ∀i, j.
2. Calculamos la mediana para cada fila a lo largo de las columnas
ignorando la última columna (separada por la línea).
3. Restamos a cada elemento de la fila la mediana correspondien-
te. Esta mediana se suma a la última columna (formada por
a1 , . . . , a|Sk | , m).
4. Calculamos la mediana para cada columna de los valores corres-
pondientes a las distintas filas sin considerar la última fila.
5. Restamos la mediana calculada en el paso anterior a cada ele-
mento de la columna exceptuando la última fila. A la última fila
sumamos las medianas calculadas.
6. El proceso descrito en los cuatro pasos anteriores continua ite-
rando sucesivamente entre filas y columnas hasta que los cam-
bios que se producen son nulos o muy pequeños.
7. Una vez finalizado el proceso iterativo tendremos µ̂ = m, θ̂j = bj
y α̂i = ai . El valor δij será el estimador de ϵij : ϵ̂nij = δij .
Una vez estimados estos parámetros los estimadores (en escala loga-
rítmica en base 2) de la expresión del grupo de sondas k en el array j
viene dada por
µ̂ + θ̂j .
Es un método que no nos proporciona estimaciones de error de los
estimadores. Es muy rápido de implementar. Al utilizar medianas es
menos sensibles a observaciones extremas. Sin embargo, el resultado
puede ser distinto según empecemos por filas o columnas.
4.9 MAS5 y RMA con affy

En el paquete [74, affy] tenemos implementados los dos procedi-
mientos comentados en las dos secciones previas. Usamos las función
affy::rma y affy::mas5.
gse21779_rma = affy::rma(gse21779raw)
gse21779_mas5 = affy::mas5(gse21779raw)
save(gse21779_rma,file=paste(dirTamiData,"gse21779_rma.rda",sep=""))
save(gse21779_mas5,file=paste(dirTamiData,"gse21779_mas5.rda",sep=""))
load(paste(dirTamiData,"gse21779_rma.rda",sep=""))
load(paste(dirTamiData,"gse21779_mas5.rda",sep=""))
En la figuras 4.5(a) y 4.5(b) tenemos los estimadores kernel de

densidad de los niveles de expresión para los distintos chips una vez
hemos aplicado el método RMA y MAS5. En las figuras 4.5(c) y 4.5(d)
mostramos los diagramas de cajas correspondientes a los mismos datos
preprocesados.
library(geneplotter)
geneplotter::multidensity(exprs(gse21779_rma))
geneplotter::multidensity(exprs(gse21779_mas5))
graphics::boxplot(exprs(gse21779_rma))
graphics::boxplot(exprs(gse21779_mas5))
4.10 Otros métodos posibles

Hemos visto dos métodos. Sin embargo, podemos considerar mé-
todos distintos con el paquete [74, affy] ¿Qué metodos proporciona
el paquete affy? Empezamos con los métodos de corrección de fondo.
Las opciones son
bgcorrect.methods()
## [1] "bg.correct" "mas" "none"

## [4] "rma"
Las opciones que nos muestra corresponden con:
none En la opción none no hacemos nada. Dejamos los valores origi-

nales.
mas Utiliza el procedimiento que hemos visto en MAS5.0.
RMA Utiliza el procedimiento visto en algoritmo RMA.
Nos ofrece los siguientes métodos de normalización.
normalize.methods(gse21779raw)
## [1] "constant" "contrasts"

## [3] "invariantset" "loess"
## [5] "methods" "qspline"
## [7] "quantiles" "quantiles.robust"
En particular, para los chip de Affymetrix, tenemos distintas op-

ciones para corregir los valores PM.
4.10. OTROS MÉTODOS POSIBLES 77
(a) (b)
(c) (d)
Figura 4.5: a) Estimadores kernel de densidad para los chips una vez hemos aplicado el procedimiento RMA a los
datos gse21779. b) Lo mismo con el método MAS5. c) Boxplot para los niveles de expresión de los datos gse21779 con
método RMA. d) Lo mismo que el punto (c) pero con el método MAS5.
pmcorrect.methods()
## [1] "mas" "methods" "pmonly"

## [4] "subtractmm"
Los métodos para resumir los valores de los conjuntos de sondas en

un único valor de expresión del gen los podemos ver con el siguiente
código.
express.summary.stat.methods()
## [1] "avgdiff" "liwong" "mas"

## [4] "medianpolish" "playerout"
La función expresso permite realizar los distintos pasos del prepro-

ceso. De hecho, la función mas5 que hemos utilizado anteriormente no
es más que una llamada a esta función.
mas5
## function (object, normalize = TRUE, sc = 500, analysis = "absolute",

## ...)
## {
## res <- expresso(object, bgcorrect.method = "mas", pmcorrect.method = "mas",
## normalize = FALSE, summary.method = "mas", ...)
## if (normalize)
## res <- affy.scalevalue.exprSet(res, sc = sc, analysis = analysis)
## return(res)
## }
## <bytecode: 0x563b9c997c48>
## <environment: namespace:affy>
Una explicación (bastante) detallada de cada una de las opciones

la podemos encontrar en la viñeta builtinMethods.pdf del paquete [74,
affy].
4.11 Cómo hacer un preprocesado sencillo

a partir de datos de expresión
En la sección anterior hemos tratado cómo preprocesar datos par-
tiendo de datos a nivel de sonda muy orientado a Affymetrix. Cuando
conseguimos datos de expresión (por ejemplo de GEO) en ocasiones
no tenemos los datos a nivel de sonda (los .CEL en el caso de Affy-
metrix GeneChip) sino que tenemos unos datos de expresión con un
preproceso que no controlamos exactamente. El problema es que estos
datos todavían necesitan un procesado para homogeneizarlos. ¿Cómo
hacerlo de un modo sencillo? Una opción rápida la tenemos con la
función limma::normalizeBetweenArrays.
Ejemplo 4.2 (GSE1397) Veamos un ejemplo con los datos GSE1397.

En § 5.10 hemos visto cómo bajarlos de GEO y cómo construir el Ex-
pressionSet.
4.12. OTROS MÉTODOS DE NORMALIZACIÓN 79
load(paste(dirTamiData,"gse1397raw.rda",sep=""))
Son datos Affymetrix correspondientes al chip
annotation(gse1397raw)
## [1] "GPL96"
Supongamos que queremos aplicar una normalización de los cuan-

tiles. 88 Podemos hacer 88
Ver § 4.8.2 y [19].
library(limma)
exprs1 = normalizeBetweenArrays(exprs(gse1397raw),method = "quantile")
O bien podemos hacer que coincidan las medianas de los distintos

arrays con
exprs1 = normalizeBetweenArrays(exprs(gse1397raw),method = "scale")
En la ayuda de limma::normalizeBetweenArrays podemos consultar

otras opciones.
4.12 Otros métodos de normalización

El texto [132] es una excelente referencia sobre lo tratado en es-
te tema y propone métodos adicionales. Mucho del material ha sido
extraido de este libro.
En [97] se propone un método genérico de normalización partien-
do de una matriz de expresión en donde cada columna correspon-
da a una muestra. En [97, página 2] se propone simplemente esti-
mar las funciones de distribución de las distintas muestras y aplican-
do la transformada inversa a las funciones de distribución estimadas
tendremos los nuevos datos. La normalización de percentiles utiliza
esta idea y la distribución estimada es una uniforme sobre las me-
dias de los percentiles observados. El método está implementado en
https://github.com/mengqinxue/DBNorm.
Capítulo 5
Datos de microarrays
5.1 Introducción
Comentaremos los bancos de datos que utilizamos en el resto del
curso. Son datos de expresión de genes obtenidos utilizando micro-
arrays. Algunos van incorporados en los paquetes de R/Bioconductor
como los datos golub (en [112]) o los datos ALL (en [86]). Se utilizan
como ejemplos en muchos paquetes y en artículos. Es interesante ana-
lizarlos y conocerlos. También se muestra en este tema el uso de la
clase Biobase::ExpressionSet. Esta clase permite el manejo de datos
de expresión obtenidos con microarrays. Veremos también cómo bajar
datos de repositorios públicos.
5.2 sample.ExpressionSet
Los datos Biobase::sample.ExpressionSet. El experimento tiene 26
muestras y 500 genes. Sobre las muestras conocemos tres variables (o
covariables): sex, type (caso y control) y score. La última covariable
no es categórica, es una covariable continua. Estos datos de expresión
están almacenados en un objeto de clase ExpressionSet. Para poder
utilizar esta estructura de datos hemos de cargar el paquete [57, Bio-
base].
library(Biobase)
Cargamos los datos.
data(sample.ExpressionSet)
Podemos ver ayuda sobre los mismos con
help(sample.ExpressionSet)
Las variables fenotípicas o metadatos que nos describen las mues-

tras tienen las siguientes etiquetas.
varLabels(sample.ExpressionSet)
## [1] "sex" "type" "score"
81
82 CAPÍTULO 5. DATOS DE MICROARRAYS
Una variable dada, por ejemplo type, la tendremos con
sample.ExpressionSet$type
## [1] Control Case Control Case Case

## [6] Control Case Case Case Control
## [11] Case Control Case Case Case
## [16] Control Case Control Case Case
## [21] Control Control Control Control Case
## [26] Case
## Levels: Case Control
Y todos los datos fenotípicos se obtienen con
phenoData(sample.ExpressionSet)
## An object of class 'AnnotatedDataFrame'

## sampleNames: A B ... Z (26 total)
## varLabels: sex type score
## varMetadata: labelDescription
La matriz de expresión se obtiene con (no la mostramos)
exprs(sample.ExpressionSet)
Para tener información sobre un objeto de clase ExpressionSet es

recomendable consultar [68, capítulo 2]. Esto nos va a permitir tra-
bajar con los datos de expresión y los metadatos que nos dan una
descripción completa del experimento. En la clase ExpressionSet ten-
dremos:
assayData Los datos de expresión de los distintos microarrays que
componen toda la experimentación.
Metadatos En particular tendremos phenoData que nos dan infor-
mación sobre las muestras utilizadas. Las características del chip
vienen dadas en featureData. Las anotaciones de los genes las
tendremos en annotation.
En la viñeta [57, Biobase] tenemos una buena descripción de la crea-
ción y manipulación de un ExpressionSet. Por ejemplo podemos saber
la anotación de estos datos con
annotation(sample.ExpressionSet)
## [1] "hgu95av2"
Finalmente veamos una breve descriptiva de las covariables que

nos proporcionan información sobre las muestras y que utilizaremos
para ilustrar estas notas. Para las categóricas vemos una tabla de
frecuencias absolutas.
table(sample.ExpressionSet$sex)
##
## Female Male
## 11 15
5.3. DATOS GOLUB 83
table(sample.ExpressionSet$type)
##
## Case Control
## 15 11
Y un resumen numérico de score.
summary(sample.ExpressionSet$score)
## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 0.1000 0.3275 0.4150 0.5369 0.7650 0.9800
5.3 Datos golub

Una buena explicación de estos datos aparece en el manual de
uso del paquete [112, multtest]. Estos datos fueron analizados por
primera vez en [61]. En estas notas se utilizan en dos versiones. La
primera es la incluida en el paquete [112]. La segunda corresponde a
los datos incluidos en el paquete [62]. En el manual hablaremos de
multtest::golub o bien golubEsets::golub_Train.89 89
Son unos datos antiguos
Hay muestras correspondientes a dos grupos o condiciones: 27 pero que aparecen en nume-
muestras (las primeras 27 columnas) correspondientes a pacientes con rosas publicaciones y viñetas
leucemia linfoblástica aguda (ALL, la clase 0) y leucemia mieloide agu- de paquetes de R.
da (AML, clase 1). Para medir los niveles de expresión se utilizaron
chips de alta densidad de oligonucleótidos Affymetrix para 6817 genes.
Los datos los podemos obtener a partir del paquete [112] con
data(golub,package= "multtest")
Según se indica en el manual de [112, multtest] se realizó una se-

lección previa de genes de carácter no específico (no se utiliza por
tanto información de las dos condiciones que pretendemos diferen-
ciar). Esta selección no específica consistió en los siguientes pasos.
Se trabajó con los datos normalizados que se pueden encontrar en
http://www.broadinstitute.org. Allí podemos encontrar una detalla-
da explicación del protocolo experimental utilizado. Una vez obtenidos
los datos normalizados se realizó la siguiente selección previa.
1. Una umbralización de los niveles de expresión. Valores por de-
bajo de 100 se les asignó el valor 100. Los valores superiores a
16000 se les asignó el valor 16000.
2. Se calculó para cada gen el valor máximo y el valor mínimo de
sus niveles de expresión para todas las muestras analizadas. Si
denotamos por m1 el mínimo y por m2 el máximo entonces se
eliminaron los genes que verifican
m2
≤5
m1
o bien que
m2 − m1 ≤ 500
3. Se tomó el logaritmo en base 10 para los niveles de expresión de

los genes que no fueron eliminados.
Finalmente se estandarizaron los niveles de expresión dentro de cada

array. Es decir, se calculó para cada array la media y la desviación
estándar de todos los niveles observados en este array. A los datos
originales se les restó la media y se dividió por la desviación estándar.
Estos son los datos finales con los que trabajamos.1 Una vez hemos
cargado los datos golub tenemos la siguiente información:
golub Es una matriz 3051×38 de niveles de expresión donde las 3051

filas corresponden a los genes y las 38 columnas corresponden a
las muestras. Podemos ver su primera fila:
golub[1,]
## [1] -1.45769 -1.39420 -1.42779 -1.40715 -1.42668

## [6] -1.21719 -1.37386 -1.36832 -1.47649 -1.21583
## [11] -1.28137 -1.03209 -1.36149 -1.39979 0.17628
## [16] -1.40095 -1.56783 -1.20466 -1.24482 -1.60767
## [21] -1.06221 -1.12665 -1.20963 -1.48332 -1.25268
## [26] -1.27619 -1.23051 -1.43337 -1.08902 -1.29865
## [31] -1.26183 -1.44434 1.10147 -1.34158 -1.22961
## [36] -0.75919 0.84905 -0.66465
golub.gnames Es una matriz 3051 × 3 con identificadores de los

genes. Veamos la información de la primera fila correspondiente
al primer gen.
golub.gnames[1,]
## [1] "36"
## [2] "AFFX-HUMISGF3A/M97935_MA_at (endogenous control)"
## [3] "AFFX-HUMISGF3A/M97935_MA_at"
golub.cl Es un vector de longitud 38 con la clasificación del tipo de

leucemia.
golub.cl
## [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [24] 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
Con frecuencia, y con objeto de mejorar la presentación de los

resultados ejecutaremos la siguiente línea de código.
golub.cl = factor(golub.cl,levels= 0:1,labels=c("ALL","AML"))
Si volvemos a ver el contenido de golub.cl veremos el cambio

producido.
1 Es importante darse cuenta de la enorme cantidad de transformaciones de la
información original que estamos haciendo y que, por lo tanto, afecta de un modo
fundamental las conclusiones que obtengamos en cualquier tratamiento estadístico
posterior. Y lo peor: no sabemos de un modo claro cómo afectan estos resultados.
5.4. DATOS ALL 85
golub.cl
## [23] ALL ALL ALL ALL ALL AML AML AML AML AML AML
## [34] AML AML AML AML AML
## Levels: ALL AML
90 90
El script de R con todo
En el paquete [62] tenemos los datos originales. Tanto las mues- el preprocesado descri-
tras que se utilizaron para entrenar el procedimiento como las que se to podemos encontrarlo
utilizaron para evaluarlo. en http://svitsrv25.
epfl.ch/R-doc/library/
multtest/doc/golub.R y
5.4 Datos ALL en la documentación del
paquete [112].
Para una versión ampliada de esta sección podemos consultar [68,
capítulo 1]. Los datos ALL son microarrays de 128 individuos distin-
tos con leucemia linfoblástica aguda (ALL). De estos individuos 95
corresponden a leucemia linfoblástica precursora aguda de células B
y y 33 son leucemia linfoblástica precursora aguda de células T. Son
enfermedades bastante distintas y por ello se consideran por separado.
Habitualmente trabajaremos con las muestras de leucemia linfoblás-
tica precursora aguda de células B. Los datos han sido preprocesados
utilizando el método RMA (robust multichip average) implementado
en el paquete [74, affy] con la función affy::rma y están almacena-
dos en forma de un Biobase::ExpressionSet. Empezamos cargando los
datos.
library(Biobase)
library(ALL)
data(ALL)
En lo que sigue no vamos a utilizar todas las muestras.

Un subconjunto de muestras de interés con dos grupos son los gru-
pos de tumores de células B que tienen la mutación BCR/ABL y los
tumores de las células B sin ninguna anormalidad citogenética. Vea-
mos cómo seleccionar estas muestras. En primer lugar seleccionamos
las muestras de células B.
bcell = grep("^B",as.character(ALL$BT))
Y ahora seleccionamos las muestras correspondientes a los tipos

moleculares BCR/ABL o NEG.
types = c("NEG","BCR/ABL")
moltyp = which(as.character(ALL$mol.biol) %in% types)
Ahora combinamos ambas selecciones para quedarnos con los tu-

mores de las células B y que tienen o bien la translocación BCR/ABL
o bien no tienen ninguna de las anormalidades moleculares evaluadas.
bcrneg = ALL[,intersect(bcell,moltyp)]
Habitualmente haremos uso de los datos ALL realizando previa-

mente esta selección. Remitiremos a esta sección para consultar el
código anterior.
5.5 Construyendo un ExpressionSet

Supongamos (y no es mucho suponer) que tenemos los datos de
expresión en un fichero, en otro fichero tenemos la descripción de las
distintas muestras que hemos analizado, en otro fichero (o en la red)
tenemos información sobre los genes (o sondas) que tenemos en las fi-
las de la matriz de expresión. Tenemos información sobre las distintas
muestras que componen toda la experimentación, bajo qué condicio-
nes se consiguieron. Lo que podemos llamar la descripción fenotípica
de las muestras. Y finalmente sabemos cosas sobre toda la experimen-
tación realizada: autores, publicación principal que se derivó, objetivo
de la experimentación. Y, como es habitual, lo tenemos todo por sepa-
rado, en distintos ficheros. La clase Biobase::ExpressionSet tiene como
objetivo tenerlo todo contenido en un mismo objeto. En esta sección
vemos cómo construir este ExpressionSet a partir de la información
dispersa. En ocasiones esto nos puede pasar si bajamos la informa-
ción de alguna publicación en la que nos aparece como información
suplementaria.
Es probable que en nuestro trabajo no tengamos que realizar todo
el proceso que indicamos a continuación pero con mucha probabilidad
al menos una parte sí.
ExpressionSet
Es una estructura de datos que nos permite mantener en un solo
objeto toda la información que relativa a un experimento con micro-
arrays.
Para poder utilizar esta clase necesitamos el paquete [57, Biobase].
Lo cargamos (la clase y los métodos que luego vamos a utilizar).
pacman::p_load(Biobase)
¿Qué necesitamos?
Supongamos que tenemos la información por separado y queremos
construir un ExpressionSet. ¿Qué datos nos describen un experimento
genómico de alto rendimiento? Podemos distinguir la siguiente infor-
mación:
1. Los datos del ensayo (los niveles de expresión).
2. Datos sobre las muestras que podemos llamar de un modo ge-

nérico metadatos fenotípicos.
3. Anotaciones sobre las sondas u otros metadatos.
4. Una descripción del experimento.

5.5. CONSTRUYENDO UN EXPRESSIONSET 87
Vamos a construir un ExpressionSet construyendo cada una de las

componentes a partir de unos datos.2
Datos del ensayo

Son los valores de expresión posiblemente preprocesados. Es una
matriz con N filas y con n columnas. El número N de filas corresponde
con el número de características (features) del chip y n con el núme-
ro de muestras. Leemos los datos (posiblemente con read.table o
read.csv. Nos han pasado los datos.91 Normalmente las funciones 91 Como Dios quiere y noso-
utils::read.table o utils::read.csv nos suelen resolver el problema. tros hemos de averiguar.
pacman::p_load("tamidata")
finput = system.file("extdata","n06_expr.txt",package="tamidata")
exprs0 = read.table(file = finput,header = TRUE,sep="\t")
Cuando usamos estas funciones nos devuelve un data.frame como

podemos comprobar.
class(exprs0)
## [1] "data.frame"
En lo que sigue necesitamos que sea una matriz. Lo hacemos (por

cierto el -1 nos sirve para quitar la primera columna de la matriz
donde teníamos los nombres de las sondas).
exprs0 = as.matrix(exprs0[,-1])
Y podemos comprobar que ya lo tenemos.
class(exprs0)
## [1] "matrix"
¿Cuántas filas (features) y columnas (samples) tenemos?
dim(exprs0)
## [1] 22215 54
Los nombres de las columnas son
colnames(exprs0)
## [1] "X600MPE" "AU565" "BT474"

## [4] "BT483" "CAMA1" "DU4475"
## [7] "HCC202" "HCC1428" "HCC1007"
## [10] "HCC2185" "LY2" "MCF7"
## [13] "MDAMB415" "MDAMB175" "MDAMB361"
## [16] "MDAMB435" "MDAMB134" "SUM185PE"
## [19] "SUM225CWN" "SUM44PE" "SKBR3"
2 Los datos que estamos usando han sido amablemente proporcionados por Joan
Climent y están ligeramente modificados respecto de los publicados originalmente

en [105].
## [22] "T47D" "UACC812" "ZR75B"

## [25] "ZR751" "ZR7530" "SUM52PE"
## [28] "BT20" "HCC1937" "HCC70"
## [31] "HCC1187" "HCC1008" "HCC1599"
## [34] "HCC3153" "HCC1569" "HCC2157"
## [37] "HCC1954" "HCC38" "HCC1500"
## [40] "HCC1143" "MCF12A" "MCF10A"
## [43] "MDAMB468" "SUM149PT" "SUM190PT"
## [46] "BT549" "HS578T" "HBL100"
## [49] "MDAMB231" "MDAMB435_2" "MDAMB157"
## [52] "MDAMB436" "SUM159PT" "SUM1315"
Y podemos ver
head(exprs0,n=1)
## X600MPE AU565 BT474 BT483 CAMA1

## [1,] 10.11474 10.42933 9.445266 10.16027 10.0863
## DU4475 HCC202 HCC1428 HCC1007 HCC2185
## [1,] 8.79988 10.32634 9.279211 9.620473 9.620686
## LY2 MCF7 MDAMB415 MDAMB175 MDAMB361
## [1,] 9.471435 9.87178 10.07334 9.736757 10.20135
## MDAMB435 MDAMB134 SUM185PE SUM225CWN
## [1,] 9.438713 9.355205 10.18208 10.35122
## SUM44PE SKBR3 T47D UACC812 ZR75B
## [1,] 10.28434 9.58074 9.968553 10.68766 9.624339
## ZR751 ZR7530 SUM52PE BT20 HCC1937
## [1,] 9.872964 9.843985 9.584688 9.52413 9.881727
## HCC70 HCC1187 HCC1008 HCC1599 HCC3153
## [1,] 10.53008 10.18941 10.14184 9.933858 9.920917
## HCC1569 HCC2157 HCC1954 HCC38 HCC1500
## [1,] 9.009182 9.30533 8.945598 9.207611 9.857016
## HCC1143 MCF12A MCF10A MDAMB468 SUM149PT
## [1,] 10.35362 9.458165 8.582511 10.12283 9.849195
## SUM190PT BT549 HS578T HBL100 MDAMB231
## [1,] 9.497212 8.225951 7.960181 8.137387 7.625879
## MDAMB435_2 MDAMB157 MDAMB436 SUM159PT
## [1,] 8.038661 8.320586 7.414636 7.962508
## SUM1315
## [1,] 7.512639
Vamos a etiquetar las filas con los identificadores de las sondas.
finput = system.file("extdata","n06_gene_attributes.txt",package="tamidata")
rn = read.table(file = finput,header = TRUE,sep="\t")
rownames(exprs0) = rn[,1]
Datos fenotípicos
Es la información que tenemos de las distintas muestras. Será una
matriz de datos (un data.frame) con tantas filas como muestras, n, y
con tantas columnas como variables tenemos. Estas variables que nos
describen las muestras podemos llamarlas covariables (una denomina-
ción muy estadística).
En nuestro caso los datos fenotípicos los tenemos en el fichero

sample_attributes.txt. Los leemos.
finput = system.file("extdata","n06_sample_attributes.txt",
package="tamidata")
pd0 = read.table(finput,sep = "\t",header=TRUE)
Podemos ver el número de muestras (que ha de coincidir con el

número de columnas de la matriz de expresión) y de covariables.
dim(pd0)
## [1] 54 14
Es necesario que los nombres de las filas de pd0 coincidan con los
nombres de las columnas de exprs0 ya que nos están dando covariables
relativas a estas muestras.
rownames(pd0) = colnames(exprs0)
Esto es fundamental. Si no coinciden los nombres de las columnas

de la matriz de expresión con los nombres de las filas de la matriz de
datos de las covariables no podremos construir el ExpressionSet.
Y ahora es conveniente un pequeño resumen descriptivo de las
covariables.
summary(pd0)
## IDENTIFIER sample_no Type

## 600MPE : 1 Min. : 1.00 B:18
## AU565 : 1 1st Qu.:14.25 L:27
## BT20 : 1 Median :27.50 M: 9
## BT474 : 1 Mean :27.50
## BT483 : 1 3rd Qu.:40.75
## BT549 : 1 Max. :54.00
## (Other):48
## in_CGH ALL CDH1_meth
## Min. :0.000 Min. :1 Del : 1
## 1st Qu.:1.000 1st Qu.:1 full : 1
## Median :1.000 Median :1 no :14
## Mean :0.963 Mean :1 partial: 4
## 3rd Qu.:1.000 3rd Qu.:1 NA's :34
## Max. :1.000 Max. :1
##
## SFRP1 HER2 KIT known.p53
## Min. :2.975 NO :27 NO :45 NO :24
## 1st Qu.:3.160 YES :11 YES : 8 YES :29
## Median :3.293 NA's:16 NA's: 1 NA's: 1
## Mean :3.701
## 3rd Qu.:4.004
## Max. :7.780
## NA's :1
## BRCA order
## loss :16 Min. : 1.00
## loss_mutant: 3 1st Qu.:14.00
## mutant : 1
Median :27.00
## WT : 9
Mean :27.23
## NA's :25
3rd Qu.:40.00
## Max. :54.00
## NA's :1
## adherence per3
## adherent :12 Min. :4.000
## not adherent: 5 1st Qu.:4.000
## partial : 6 Median :5.000
## NA's :31 Mean :5.452
## 3rd Qu.:5.000
## Max. :9.000
## NA's :23
Podemos ver que tenemos covariables categóricas (en R se les llama

de clase factor) y covariables numéricas. Con las covariables categó-
ricas tenemos las frecuencias mientras que con las numéricas nos da
mínimo, primer cuartil (o percentil de orden 25 %), mediana y media,
tercer cuartil (o percentil de orden 75 %) y máximo.
Podemos ver los tipos (o clases) de cada columna del siguiente
modo.
sapply(pd0,class)
## IDENTIFIER sample_no Type in_CGH

## "factor" "integer" "factor" "integer"
## ALL CDH1_meth SFRP1 HER2
## "integer" "factor" "numeric" "factor"
## KIT known.p53 BRCA order
## "factor" "factor" "factor" "integer"
## adherence per3
## "factor" "integer"
Podemos tener información adicional sobre las covariables que nos

describen las muestras. Por ejemplo, un nombre de variable como
known.p53 puede no significar demasiado. Pero si una etiqueta como
“Presencia de p53”3 ¿Cómo podemos añadir esta información?
metadatos = data.frame(labelDescription = c("Identificador",

"Número de muestra", "Tipo","En CGH","ALL","Método CDH1","SFRP1",
"HER2","KIT","Presencia de p53","BRCA","Orden","Adherencia",
"per3"),row.names=colnames(pd0))
Notemos que la columna labelDescription debe de estar presente.

Utilizamos la clase Biobase::AnnotatedDataFrame que nos permite
tener los valores de las covariables y los metadatos que acabamos de
introducir. Lo podemos hacer del siguiente modo.
datosfenotipo = new("AnnotatedDataFrame", data = pd0,

varMetadata = metadatos)
Una vez tenemos este AnnotatedDataFrame podemos ver los nom-

bres de las muestras
3 No es un ejemplo muy lucidor.
sampleNames(datosfenotipo)
## [1] "X600MPE" "AU565" "BT474"

## [4] "BT483" "CAMA1" "DU4475"
## [7] "HCC202" "HCC1428" "HCC1007"
## [10] "HCC2185" "LY2" "MCF7"
## [13] "MDAMB415" "MDAMB175" "MDAMB361"
## [16] "MDAMB435" "MDAMB134" "SUM185PE"
## [19] "SUM225CWN" "SUM44PE" "SKBR3"
## [22] "T47D" "UACC812" "ZR75B"
## [25] "ZR751" "ZR7530" "SUM52PE"
## [28] "BT20" "HCC1937" "HCC70"
## [31] "HCC1187" "HCC1008" "HCC1599"
## [34] "HCC3153" "HCC1569" "HCC2157"
## [37] "HCC1954" "HCC38" "HCC1500"
## [40] "HCC1143" "MCF12A" "MCF10A"
## [43] "MDAMB468" "SUM149PT" "SUM190PT"
## [46] "BT549" "HS578T" "HBL100"
## [49] "MDAMB231" "MDAMB435_2" "MDAMB157"
## [52] "MDAMB436" "SUM159PT" "SUM1315"
O también ver los valores de las covariables (mostramos los pri-

meros solamente)
head(pData(datosfenotipo))
## IDENTIFIER sample_no Type in_CGH ALL

## X600MPE 600MPE 1 L 1 1
## AU565 AU565 2 L 1 1
## BT474 BT474 3 L 1 1
## BT483 BT483 4 L 1 1
## CAMA1 CAMA1 5 L 1 1
## DU4475 DU4475 6 L 1 1
## CDH1_meth SFRP1 HER2 KIT known.p53 BRCA
## X600MPE no 3.40987 <NA> NO NO <NA>
## AU565 <NA> 3.16902 <NA> NO YES <NA>
## BT474 no 3.16737 YES NO NO loss
## BT483 no 2.97456 NO NO NO WT
## CAMA1 no 3.16856 <NA> NO NO WT
## DU4475 no 3.06074 <NA> NO NO WT
## order adherence per3
## X600MPE 1 <NA> 9
## AU565 2 <NA> 4
## BT474 3 <NA> NA
## BT483 4 <NA> NA
## CAMA1 5 <NA> NA
## DU4475 6 <NA> NA
Anotaciones y datos de las características

Sin duda este es el punto fundamental, la descripción de informa-
ción sobre las filas de la matriz de expresión. Estas filas (features)
corresponden con sondas. De hecho, distintas sondas corresponden
con un mismo gen. Esta información depende del chip que utilizamos.
Por ello distintos experimentos pueden corresponder a un mismo chip

o instrumento. Es conveniente consultar http://www.bioconductor.
org/packages/2.11/bioc/html/annotate.html. La información de
cada chip aparece en un paquete de metadatos del mismo. En parti-
cular, nos proporcionan el nombre del gen, el símbolo y la localización
en el cromosoma. Otros paquetes proporcionan información de GO o
KEGG.
Descripción del experimento

Los experimentos los hace la gente y hay que incluir esta informa-
ción en los datos.
datosexperimento = new('MIAME',name='Neve et alt.',lab='Varios',

contact ='rmneve@lbl.gov',
title = 'A collection of breast cancer cell lines for the study of
functionally distinct cancer subtypes',abstract = 'An example ExpressionSet',
url = '10.1016/j.ccr.2006.10.008',
other = list(notes = 'Creado a partir de ficheros de texto'))
El formato MIAME (Minimum information about a microarray ex-

periment) puede consultarse en http://fged.org/projects/miame/.
Y montamos las piezas

Ejemplo de ExpressionSet a partir de los distintos elementos que
92
Esto es un poco como el hemos construido.92
Mecano.
neve06 = new("ExpressionSet",exprs=exprs0,phenoData = datosfenotipo,
experimentData = datosexperimento,annotation = "hgu95av2")
Guardamos este ExpressionSet para uso posterior.
save(neve06,file="neve06.rda")
Todo lo hecho en esta sección se puede hacer de un modo más

simple con EnrichmentBrowser::read.eset.
5.6 Un experimento con levadura

Los datos que comentamos en esta sección son un experimento en
donde vamos a considerar dos tipos de células en levadura: salvaje y
mutada.
Los datos los tenemos en un ExpressionSet que leemos.
El número de genes y muestras es
dim(gse6647)
## Features Samples
## 6103 8
Podemos ver los datos fenotípicos.

5.6. UN EXPERIMENTO CON LEVADURA 93
head(pData(gse6647))
## type
## GSM153907.CEL.gz wt
## GSM153908.CEL.gz edc3D
Los datos han sido normalizados utilizando el método RMA. En

la figura 5.2(a) mostramos las densidades estimadas.
geneplotter::multidensity(exprs(gse6647))
En la figura 5.2(b) tenemos los diagramas de cajas.
boxplot.matrix(exprs(gse6647))
(a) (b)
Figura 5.1: Datos gse6647: estimadores de densidad y diagramas de cajas.
Vamos a reproducir los dibujos de la figura 5.2 utilizando el pa-

quete [151, ggplot2].93 El código es el que sigue y los tenemos en la 93 Sobre el paquete [148, res-
figura ??. hape] es interesante consul-
tar [149].
library(reshape);library(ggplot2)
df = data.frame(gene = featureNames(gse6647),exprs(gse6647))
df1 = melt(df,id=c("gene"))
ggplot(df1,aes(x=value,colour=variable,group=variable)) +
geom_density(kernel = "epanechnikov",fill=NA) ## Estimadores densidad
ggplot(df1,aes(x=variable,y = value)) + geom_boxplot() +
coord_flip()
(a) (b)
Figura 5.2: Datos gse6647: estimadores de densidad y diagramas de cajas utilizando [151, ggplot2].
5.7 De cómo utilizar un ExpressionSet

En esta sección pretendemos mostrar cómo utilizar funciones que
manejan ExpressionSet. Vamos a utilizar los datos ALL que aparecen
en el paquete [86, ALL]. Cargamos el paquete.
library(ALL)
Podemos ver que es un resumen de la información que tenemos en

ALL.
ALL
## ExpressionSet (storageMode: lockedEnvironment)

## assayData: 12625 features, 128 samples
## element names: exprs
## protocolData: none
## phenoData
## sampleNames: 01005 01010 ... LAL4 (128
## total)
## varLabels: cod diagnosis ... date last
## seen (21 total)
## featureData: none
## experimentData: use 'experimentData(object)'
## pubMedIds: 14684422 16243790
## Annotation: hgu95av2
Podemos ver los niveles de expresión (en filas tenemos sondas y en

columnas muestras). Los niveles de expresión han sido preprocesados
y aparecen el logaritmo en base 2 de este valor ya preprocesado. Se
obtienen (y no lo mostramos) con
5.7. DE CÓMO UTILIZAR UN EXPRESSIONSET 95
exprs(ALL)
Los datos fenotípicos los tendremos con (tampoco los mostramos)
pData(ALL)
¿Cuál fue chip que se utilizó para obtener estos datos?
annotation(ALL)
## [1] "hgu95av2"
Con pData(ALL) hemos visto los nombres (y los valores) de las

covariables que nos describen las distintas muestras. Solamente los
nombres los podemos ver con
names(pData(ALL))
## [1] "cod" "diagnosis"

## [3] "sex" "age"
## [5] "BT" "remission"
## [7] "CR" "date.cr"
## [9] "t(4;11)" "t(9;22)"
## [11] "cyto.normal" "citog"
## [13] "mol.biol" "fusion protein"
## [15] "mdr" "kinet"
## [17] "ccr" "relapse"
## [19] "transplant" "f.u"
## [21] "date last seen"
Y si simplemente queremos ver los valores de la variable BT po-

demos hacerlo con
ALL$BT
## [1] B2 B2 B4 B1 B2 B1 B1 B1 B2 B2 B3 B3 B3 B2 B3
## [16] B B2 B3 B2 B3 B2 B2 B2 B1 B1 B2 B1 B2 B1 B2
## [31] B B B2 B2 B2 B1 B2 B2 B2 B2 B2 B4 B4 B2 B2
## [91] B2 B1 B2 B B T T3 T2 T2 T3 T2 T T4 T2 T3
## [106] T3 T T2 T3 T2 T2 T2 T1 T4 T T2 T3 T2 T2 T2
## [121] T2 T3 T3 T3 T2 T3 T2 T
## Levels: B B1 B2 B3 B4 T T1 T2 T3 T4
Los datos de expressión aparecen en una matriz con filas (features

que suelen corresponder a sondas) y con columnas (que corresponden
con muestras). Vamos a seleccionar una parte de las muestras. En con-
creto, vamos a considerar las muestras tales que la variable fenotípica
mol.bio toma el valor NEG. Determinamos las columnas.
selcol = ALL$mol.biol == "NEG"
Y nos quedamos con esa muestras.
ALL[,selcol]
## ExpressionSet (storageMode: lockedEnvironment)

## assayData: 12625 features, 74 samples
## element names: exprs
## protocolData: none
## phenoData
## sampleNames: 01010 04007 ... LAL4 (74
## total)
## varLabels: cod diagnosis ... date last
## seen (21 total)
## featureData: none
## experimentData: use 'experimentData(object)'
## pubMedIds: 14684422 16243790
## Annotation: hgu95av2
Lo importante es ver que todo el ExpressionSet tiene menos mues-

tras y también se han modificado (eliminando) los datos de expresión
y los datos fenotípicos.
5.8 NCBI GEO

GEO es el NCBI Gene Expression Omnibus. Su dirección es http:
//www.ncbi.nlm.nih.gov/geo/. Es un repositorio público con datos
experimentales de alto rendimiento. Tenemos experimentos basados
en microarrays de uno o dos canales que miden mRNA, DNA genó-
mico, presencia de proteinas. También hay otras técnicas no basadas
de arrays como análisis serial de expresión de genes (SAGE), datos
proteómicos obtenidos son espectrometría de masas o datos de secuen-
ciación de alto rendimiento. Hay cuatro tipos de entidades básicas en
GEO: Sample, Platform, Series, DataSet. En esta sección mostramos
cómo obtener datos de esta gran base de datos pública. Los datos que
nos bajamos los utilizaremos en los siguientes temas. Cuando acce-
demos a una entrada de GEO podemos ver el enlace Analyze with
GEO2R. Si accedemos a este enlace podemos ver que nos ofrece algu-
nos análisis de los datos utilizando R/Bioconductor. Estas notas son
una versión muy extendida de estos análisis.
5.9 GSE21779
Hemos elegido los datos que en dicha base de datos tienen el identi-
ficador GSE21779. Podemos buscarlos utilizando la página web http:
//www.ncbi.nlm.nih.gov/geo/ o bien podemos acceder directamen-
te a esta dirección http://www.ncbi.nlm.nih.gov/sites/GDSbrowser?
acc=GDS4128. Bajamos los ficheros CEL (están en formato comprimi-
do gzip).
Sabiendo el identificador de los datos y que tienen los datos de
expresión originales los podemos bajar del siguiente modo. Primero
cargamos el paquete [38, GEOquery].
5.10. GSE1397 97
library(GEOquery)
Y sabiendo el identificador podemos bajar los datos.
gcel = getGEOSuppFiles("GSE21779")
Podemos ver que los coloca en un subdirectorio al que denomina

GSE21779.94 Cambiamos al directorio donde tenemos los datos. 94
A gusto del consumidor.
Posiblemente para bajar un
setwd("GSE21779/") simple banco de datos lo me-
jor es utilizar el navegador.
Descomprimimos.
system("tar xvf GSE21779_RAW.tar")
Cargamos el paquete [74, affy].
library(affy)
Y leemos todos los datos.
gse21779 = ReadAffy()
Guardamos estos datos de expresión en un fichero externo.
save(gse21779,file = "gse21779.rda")
save(gse21779,file=paste(dirTamiData,"gse21779.rda",sep=""))
Otra opción es bajar los mismos datos de ArrayExpress. Su código

en esta base de datos es E-GEOD-21779. Lo hacemos con el siguiente
código.
library(ArrayExpress)
geod21779 = ArrayExpress("E-GEOD-21779")
La ventaja es que directamente nos devuelve un AffyBatch. Nor-

malizamos los datos mediante el método RMA.95 95
§ 4.8.
geod21779.rma = rma(geod21779)
save(geod21779.rma,file=paste(dirTamiData,"geod21779.rma.rda",sep=""))
5.10 GSE1397
96 96
El síndrome de Down es una enfermedad causada por la apari- El uso de estos datos y
ción de un copia extra total o parcial del cromosoma 21. Analizaremos parte del análisis aparecen en
si los genes de este cromosoma muestra una sobre expresión. Además un documento que se puede
se verá que solamente es específica de estos genes y no de otros que encontrar en esta dirección.
aparecen en otros cromosomas. Los datos se pueden obtener de GEO y También he utilizado parte
del análisis que propone Ro-
drigo Santamaría.
el identificador del experimento es GSE1397. Los utilizaremos en dis-

tintos temas pero de un modo muy importante en ??. Los resultados
que se obtienen son realmente bonitos e interesantes. Los datos a nivel
de sonda (raw data) no están disponibles. Nos hemos de traer unos da-
tos preprocesados. En el experimento se utilizaron arrays Affymetrix
GeneChip U133A. Los obtenemos con
pacman::p_load("Biobase","GEOquery")
gse1397raw = getGEO("GSE1397")[[1]]
La anotación de estos datos es GPL96 que (podemos comprobarlo

entrando en GEO) corresponde con Affymetrix Human Genome U133
chip hgu133a. El paquete que contiene sus datos de anotación es [25,
hgu133a.db]. Cambiamos la anotación.
annotation(gse1397raw) = "hgu133a"
Los datos fenotípicos de las muestras los podemos ver con (no
mostramos)
pData(gse1397raw)
Podemos ver las etiquetas de las covariables asociadas a las mues-

tras con
varLabels(gse1397raw)
Fijémonos en la variable type que nos indica la alteración. En

concreto puede ser trisomía 21 (síndrome de Down), trisomía 13 o
euploide (ploidez normal) y el tejido puede ser cerebro, cerebelo, as-
trocito y corazón. Los valores de esta covariable la podemos ver con
head(pData(gse1397raw)[,"title"])
La matriz de expresión la tenemos (y no la mostramos) con
exprs(gse1397raw)
Vamos a seleccionar aquellas muestras que corresponden a cerebro

o cerebelo y que son o bien TS21 o euploides.
(ts21=c(grep("T.*21.*cerebrum", as.character(pData(gse1397raw)[,"title"])),
grep("TS21.*cerebellum", as.character(pData(gse1397raw)[,"title"]))))
(eu=c(grep("Euploid.*cerebrum)", as.character(pData(gse1397raw)[,"title"])),
grep("Euploid.*[Cc]erebellum", as.character(pData(gse1397raw)[,"title"]))))
Efectivamente tenemos las columnas con las muestras que buscá-

bamos
pData(gse1397raw)[eu,"title"]
5.10. GSE1397 99
pData(gse1397raw)[ts21,"title"]
Y ahora seleccionamos las muestras.
gse1397raw = gse1397raw[,c(eu,ts21)]
Modificamos los datos fenotípicos.
tissue = factor(rep(c(1,2,1,2),c(4,3,4,3)),levels=1:2,
labels=c("Cerebrum","Cerebellum"))
type = factor(c(rep(1,7),rep(2,7)),levels=1:2,labels=c("Euploid","TS21"))
GROUP = as.numeric(type) - 1
pData(gse1397raw) = data.frame(tissue,type)
Guardamos los datos.
save(gse1397raw,file="gse1397raw.rda")
97
Vamos a mostrar los estimadores kernel de la densidad en su 97 El análisis que acaba-
escala original. Primero cargamos el paquete [17, affyPLM] que, entre mos de ver desde bajar
otras cosas, nos permite obtener estos estimadores con facilidad. los datos hasta obtener el
ExpressionSet lo podemos
library(affyPLM) encontrar en http://www.
uv.es/ayala/docencia/
No tenemos los ficheros .CEL que necesitamos para preprocesar los tami/Rmd/gse1397.html.
datos. Por ello recurrimos a la función normalizeBetweenArrays()
del paquete [130, limma].
library(limma)
gse1397 = gse1397raw
exprs(gse1397) = normalizeBetweenArrays(exprs(gse1397raw))
En la figura ?? tenemos el estimador kernel para las distintas

muestras.
df = data.frame(gene = featureNames(gse1397),exprs(gse1397))
df1 = melt(df,id=c("gene"))
png(paste(dirTamiFigures,"gse1397normden.png",sep=""))
ggplot(df1,aes(x=value,colour=variable,group=variable)) +
geom_density(kernel = "epanechnikov",fill=NA) + xlim(0,1000)
dev.off()
98 98
gse1397.
Los autores introdujeron información adicional sobre las filas (ge-
nes) que podemos ver (no lo mostramos) con
fData(gse1397raw)
Es un data.frame que contiene las siguientes variables sobre los

genes.
names(fData(gse1397raw))
## [1] "ID"
## [2] "GB_ACC"
## [3] "SPOT_ID"
## [4] "Species Scientific Name"
## [5] "Annotation Date"
## [6] "Sequence Type"
## [7] "Sequence Source"
## [8] "Target Description"
## [9] "Representative Public ID"
## [10] "Gene Title"
## [11] "Gene Symbol"
## [12] "ENTREZ_GENE_ID"
## [13] "RefSeq Transcript ID"
## [14] "Gene Ontology Biological Process"
## [15] "Gene Ontology Cellular Component"
## [16] "Gene Ontology Molecular Function"
5.11 Datos GSE20986

4
Empezamos obteniendo los datos. Tenemos los datos a nivel de

sonda de modo que podemos realizar nuestro propio preprocesado.
Una explicación detallada del protocolo experimental se puede ver
en GEO consultando la información de una cualquiera de las mues-
tras, por ejemplo, en http://www.ncbi.nlm.nih.gov/geo/query/
acc.cgi?acc=GSM524662. Podemos ver en esta página que el prepro-
cesado de los datos para pasar de los datos a nivel de sonda a datos
de expresión se realizó utilizando el método GC-RMA (en concreto
utilizaron la función gcrma::gcrma del paquete [157, gcrma].
99
El código que le dan en La plataforma GEO99 es GPL570 que es su código para Affymetrix
GEO a este chip. Human Genome U133 Plus 2.0 Array. Empezamos cargando paquetes
necesarios.
pacman::p_load("Biobase","GEOquery")
Nos bajamos los ficheros CEL.
gcel = getGEOSuppFiles("GSE20986")
Nos ha creado el subdirectorio GSE20986 por lo que hemos de

cambiar el directorio de trabajo al nuevo directorio.
setwd("GSE20986/")
Además nos ha bajado un fichero tar del cual hemos de extraer los
distintos ficheros CEL. En Linux lo haremos con5
4 El análisis de estos datos lo sugirió un estudio que se puede en-
contrar en http://bioinformatics.knowledgeblog.org/2011/06/20/
analysing-microarray-data-in-bioconductor/. En lo que sigue utilizare-
mos parte del análisis que se propone allí. La referencia original del estudio es
[23].
5 En Windows podemos usar el Winrar.
5.12. GSE34764 101
system("tar xvf GSE20986_RAW.tar")
Leemos los datos.
gse20986raw = affy::ReadAffy()
Añadimos variables fenotípicas.
tissue = factor(c(1,2,2,1,2,1,3,3,3,4,4,4),levels = 1:4,

labels=c("iris","retina","choroides","huvec"))
pd = data.frame(tissue)
rownames(pd) = colnames(gse20986raw)
pData(gse20986raw) = pd
Guardamos los datos.
save(gse20986raw,file="gse20986raw.rda")
En la referencia original el preprocesado de los datos se realizó con

el método GC-RMA.100 . Vamos a reproducirlo. 100
[132, capítulo 3]
pacman::p_load("gcrma","hgu133plus2probe")
gse20986 = gcrma::gcrma(gse20986raw)
Y guardamos el nuevo ExpressionSet.6
save(gse20986,file="gse20986.rda")
En este trabajo se comparan muestras obtenidas a partir de células

endoteliales microvasculares de ojos humanos con células endoteliales
obtenidas de venas umbilicales humanas (HUVEC). Del primer tipo
de células hay tres subtipos dependiendo de dónde se extraen. En
concreto se extrajeron del iris, la retina y la coroides. Las células
HUVEC son más fáciles de obtener y por lo tanto de estudiar. Sin
embargo, no es claro que lo que se estudie con ellas sea extrapolable
con los resultados que se obtendrían con los otros tipos de células. En
resumen, el objeto fundamental es la comparación de este grupo con
los otros tres grupos.
Todo el proceso para su obtención a partir de los datos origi-
nales 101 que hemos visto en esta sección lo podemos reproducir lo 101 Y todo lo que se hace con
tenemos en el script http://www.uv.es/ayala/docencia/tami/md/ estos datos en el manual.
gse20986.html.
5.12 GSE34764
Consideremos los datos de GEO con identificador GSE34764. Ne-
cesitamos el paquete [38, GEOquery]. Lo cargamos.
6 Los datos que hemos bajado con la función getGEO ya estaban preprocesa-
dos utilizando las mismas funciones que usamos aquí. Lo he hecho para mostrar
cómo se hace o bien porque podemos querer utilizar algún otro procedimiento de
preprocesado.
library(GEOquery)
Obtenemos los ficheros CEL.
getGEOSuppFiles("GSE34764")
Cambiamos el directorio de trabajo.
setwd("GSE30129/")
Para leer los datos vamos a utilizar el paquete [31, oligo].
library(oligo)
celFiles = list.celfiles()
gse34774 = read.celfiles(celFiles)
5.13 ArrayExpress
En § 5.5 hemos visto cómo construir un ExpressionSet cuando te-
nemos los datos de expresión, los fenotípicos y los de anotación. Si
consultamos la referencia original [105] vemos que los autores han
subido toda la información del experimento a ArrayExpress. Real-
mente gran parte del trabajo que hicimos en esa sección la podíamos
ahorrar bajando los datos ya preparados de esta base de datos. Lo po-
demos hacemos hacer con el paquete [80, ArrayExpress] del siguiente
modo.
library(ArrayExpress)
rawset = ArrayExpress("E-TABM-157")
Podemos comprobar que el objeto rawset en donde guarda los

datos es un AffyBatch a la cual podemos aplicar la corrección de
fondo, la normalización y el resumen en § 4.
5.14 Varios
Esta sección es una especie de cajón de sastre que contiene cosas
que no he sabido colocar elegantemente en el resto del tema.
5.14.1 Guardando la matriz de expresión

Supongamos que tenemos un ExpressionSet y queremos guardar
la matriz en un fichero externo para leerlo con alguna otra aplicación.
Podemos utilizar la función Biobase::write.exprs.
Guardamos en un fichero texto la matriz de expresión.

5.15. EJERCICIOS 103
write.exprs(gse1397,file="gse1397.txt")
Y luego podemos abrir este fichero con Calc102 o con nuestra apli- 102 La versión libre de Excel
cación preferida. que tenemos en LibreOffice.
5.15 Ejercicios
Ej. 14 — Se pide construir un ExpressionSet. Este ExpressionSet
ha de tener la siguiente matriz de expresión.
## [,1] [,2] [,3] [,4] [,5]
## [1,] 23.21 25.24 22.87 21.36 23.49
## [2,] 23.09 21.38 21.49 22.76 22.96
## [3,] 23.51 23.03 25.02 24.04 20.04
## [4,] 23.03 24.50 24.09 22.88 26.09
## [5,] 21.00 22.14 23.28 23.75 22.75
## [6,] 23.88 22.10 24.46 24.15 23.78
## [7,] 23.46 21.87 21.39 25.01 23.33
## [8,] 22.68 21.74 23.79 23.07 24.23
## [9,] 23.14 22.48 22.37 22.94 23.98
## [10,] 23.16 23.40 23.82 20.90 22.75
## [11,] 23.27 20.58 22.93 23.12 23.45
## [12,] 24.97 23.25 23.76 22.31 21.87
## [13,] 22.74 24.48 24.60 21.83 24.03
## [14,] 23.20 25.45 23.01 22.78 22.45
## [15,] 24.40 24.56 24.22 24.22 25.90
## [16,] 24.27 23.91 21.57 20.61 21.02
## [17,] 24.37 20.93 22.13 22.49 22.44
## [18,] 22.31 22.28 24.82 23.14 23.99
## [19,] 25.40 22.58 23.45 21.93 23.61
## [20,] 23.08 23.84 20.54 23.40 22.29
Los nombres de las filas ha de ser
## [1] "g1" "g2" "g3" "g4" "g5" "g6" "g7"
## [8] "g8" "g9" "g10" "g11" "g12" "g13" "g14"
## [15] "g15" "g16" "g17" "g18" "g19" "g20"
Los nombres de las muestras serán
## [1] "m1" "m2" "m3" "m4" "m5" "m6" "m7"
## [8] "m8" "m9" "m10" "m11" "m12" "m13" "m14"
## [15] "m15" "m16" "m17" "m18" "m19" "m20"
Como datos fenotípicos (covariables que describen las columnas) han
de ser las siguientes
## tipo crecimiento
## 1 1 0.30
## 2 2 0.23
## 3 2 0.34
## 4 1 0.24
## 5 2 0.45
Ej. 15 — 7 Vamos a bajar y preprocesar los datos GSE30129 de

GEO. Se pide realizar los siguientes pasos.
7 Este problema es muy similar a lo que hacemos en § 5.12.
1.Bajar los datos a nivel de sonda utilizando el paquete [38, GEO-

query] y la función getGEOSuppFiles.
2.Leer los datos utilizando la función read.celfiles del paquete
[31, oligo].
3.En el paso anterior si no tenemos instalado el paquete pd.mogene.1.0.st.v1
nos dará un aviso.
4.Instalar el paquete indicado y repetir la lectura.
5.Representar los estimadores de densidades y los diagramas de
cajas de las expresiones a nivel de sonda.
6.Obtener los MAplots.
7.Aplicar el método RMA.
8.Aplicar el método MAS5. ¿Es posible hacerlo?
9.Repetir los dibujos de los apartados 5 y 6 para los datos proce-
sados utilizando el método RMA.
* Ej. 16 — Consideremos los datos tamidata::gse20986raw.

1.¿Cómo identifica los genes de las filas?
2.Cambiar los identificadores de los genes a sus códigos Ensembl.
Capítulo 6
Datos de RNA-seq
6.1 Introducción
En este tema trabajamos con datos obtenidos mediante la técnica
conocida como RNA-Seq. En http://rnaseq.uoregon.edu/ tenemos
una introducción muy simple y clara. [108] da una buena visión ge-
neral. En [39, RnaSeqTutorial] tenemos una presentación general de
cómo trabajar con estos datos en el contexto de R/Bioconductor. Un
texto general que trata lo relativo al análisis de este tipo de datos
es [82]. Una referencia más breve pero muy interesante es [36] donde
también da una visión global del análisis de este tipo de información.
En este manual se asume que se trabaja con un genoma de refe-
rencia. Los procedimientos que vamos a estudiar asumen este punto
de partida.
De un modo análogo a § 4 y § 5 comentaremos este tipo de infor-
mación de expresión génica.103 103
En el momento actual
uno de los que más interés
despierta.
6.2 Flujo de trabajo con RNA-seq
Un estudio de este tipo implica la realización de los siguientes
pasos ([108]):
1. Diseño experimental.
2. Protocolos de extracción del RNA.
3. Preparación de las librerías. Se convierte el RNA en cDNA y se

añaden los adaptadores para la secuenciación.
4. Se secuencian las lecturas cDNA utilizando una plataforma de

secuenciación.
5. Alineamiento de las lecturas secuenciadas a un genoma de refe-

rencia.
6. Resumen del número de lecturas alineadas a una región.
7. Normalización de las muestras para eliminar diferencias técnicas

en la preparación.
8. Estudio estadístico de la expresión diferencial incluyendo en lo

posible un modelo.
105
106 CAPÍTULO 6. DATOS DE RNA-SEQ
9. Interpretación de los resultados desde el punto de vista biológico.
En este manual estamos interesados fundamentalmente en el análisis

de expresión diferencial. Obviamente el punto ?? es básico. Lo realiza
el experimentador. En la medida en que vamos a trabajar con da-
tos de experimentos ya realizados hablaremos de cuestiones de diseño
aunque no de un modo central. La extracción del RNA, preparación
de librerías y la secuenciación son cuestiones no tratadas aquí.
Sí que comentaremos cómo alinear las lecturas cuando disponemos
de un genoma de referencia y de los pasos que siguen en el análisis. Sin
embargo, este manual se quiere centrar en problemas estadísticos en el
contexto de la Bioinformática. Por ello, toda la parte de alineamiento
y conteo de las lecturas lo veremos de un modo sencillo insistiendo
en cómo hacerlo y no en qué se hace. Nuestro trabajo empieza a
partir del momento en que tenemos los conteos y nos interesamos por
estudiar si estos conteos son significativamente distintos entre distintas
104
En [8] tenemos el análisis condiciones biológicas.104
detallado con todos los pasos En el diseño hemos de diferenciar entre réplicas técnicas en la
desde las lecturas originales que utilizamos una misma muestra biológica, un mismo procesado y
hasta el análisis de expresión los mismos protocolos de secuenciación. Es de esperar que las diferen-
diferencial final. El interés cias de lo que observamos en estas réplicas técnicas sean menores a
del trabajo es que pode- las obtenidas con réplicas biológicas en las que se utilizan distin-
mos reproducir un análisis tas muestras biológicas. En los experimentos RNA-seq solemos tener
completo. Además contiene réplicas biológicas y raramente réplicas técnicas.
enlaces para aquellas he- ¿Cuántas muestras? Se trabaja con muestras extremadamente pe-
rramientas que se utilizan queñas: 2 o 3 por tratamiento. Obviamente no podemos esperar ver
fuera de R/Bioconductor diferencias claras entre tratamientos.
como bowtie2, samtools y Un diseño experimental siempre ha de ser simple. Este es un co-
tophat2. En http://www. mentario aplicable a cualquier tipo de dato pero es particularmente
bioconductor.org/help/ importante con dato ómico. Sin duda, en general y en particular en
workflows/rnaseqGene/ este contexto, los diseños experimentales han de mantenerse lo más
tenemos todo un flujo en simples que se pueda.
donde se analiza un expe- ¿Qué tipos de tratamiento hemos de realizar? Es necesaria una
rimento. El paquete [88, normalización previa de las muestras que permita “controlar” las va-
airway] tiene los datos para riaciones técnicas.
poder trabajar.
1. Por ejemplo, las muestras proporcionadas por el secuenciador
tienen distintas cantidades de DNA y esto da lugar a diferencias
en el número total de lecturas secuenciadas y alineadas indepen-
dientemente de las diferente expresión diferencial de un gen. El
tratamiento debiera afectar solamente a una fracción de los ge-
nes evaluados. Si la diferencia se observa en “todos” los genes lo
que vemos es un efecto del protocolo de trabajo.
2. También hay diferencias entre genes que no se deben a diferen-

cias de expresión. En los protocolos estandar un gen largo es
secuenciado con más frecuencia que un gen corto.
En las secciones que siguen se comentan los datos que utilizamos

en los restantes capítulos.
La clase que en R/Bioconductor debe de utilizarse para trabajar
con datos RNA-seq es GenomicRanges::SummarizedExperiment.
Responder las siguientes preguntas es el objeto de este tema.
1. ¿Dónde podemos obtener datos de secuenciación? De otro modo:

¿qué repositorios podemos utilizar?
6.3. REPOSITORIOS 107
2. ¿Cómo podemos realizar búsquedas en los metadatos con obje-

to de obtener experimentos que tenga que ver con lo que me
interesa?
3. ¿Cómo bajarlos?
4. ¿Cómo contar las lecturas alineadas sobre intervalos o uniones
de intervalos sobre el genoma?
6.3 Repositorios
Los repositorios donde podemos encontrar este tipo de datos son
NCBI en los Estados Unidos, EMBL en Europa y DDBJ en Japón.105 105 Son los básicos como pa-
En NCBI GEO también hay datos de secuencias y podemos acceder ra datos de microarrays tene-
a ellos utilizando [38, GEOquery]. En concreto las direcciones son mos NCBI GEO y EBI Arra-
yExpress.
NCBI SRA http://www.ncbi.nlm.nih.gov/sra Posiblemente es
la mayor de las bases de datos. No almacena lecturas alinea-
das. En NCBI GEO sí que tenemos algunos bancos de datos
con lecturas alineadas sobre un genoma de referencia.
EBI ENA http://www.ebi.ac.uk/ena
DDBJ http://www.ddbj.nig.ac.jp
En lo que sigue utilizamos fundamentalmente la primera base de da-
tos y, a veces, la segunda. Cada una de estas bases de datos puede
ser consultada en línea y bajar los datos desde la propia página. Tam-
bién usaremos en lo que sigue herramientas para hacerlo desde R, por
ejemplo, [165, SRAdb].
En las secciones § 6.4 y § 6.5. comentamos distintos formatos para
almacenar lecturas cortas. También comentamos paquetes R/Biocon-
ductor para trabajar con estos formatos.
6.4 Formato FASTA

Es el formato basado en texto para representar secuencias bien de
nucleótidos bien de péptidos. Tanto unos como otros son representados
por una sola letra. También tiene símbolos para representar un hueco
(gap) o parada en la traducción o bien que no se sabe el nucleótido o
aminoácido. Es muy simple. Tiene una línea que tiene en la primera
posición el símbolo > al que sigue una descripción de la secuencia.
En la siguiente línea empieza la secuencia de bases o aminoácidos. Se
recomiento que no tener más de 80 columnas y se pueden tener todas
las filas que se precisen.
6.5 Formato FASTQ

Es uno de los formatos más populares para datos de secuencias.
Consiste de cuatro líneas. La primera contiene el nombre de la se-
cuencia. La segunda línea contiene a la propia secuencia. La tercera
línea contiene información opcional sobre la secuencia. La cuarta línea
cuantifica la confianza o calidad en la determinación de cada base re-
cogida en la segunda línea. Las cuatro siguientes líneas corresponden
a un ejemplo.
@SRR1293399.1 ILLUMINA-545855_0026_FC629BG:6:1:1022:5049 length=50

ACAGGGACGCCATCGAATCCGGATCNTNNNNNNNNNNNNANNNNNNNNNN
+SRR1293399.1 ILLUMINA-545855_0026_FC629BG:6:1:1022:5049 length=50
dee\edYcdc`bbY`S]bb_]]Ua^BBBBBBBBBBBBBBBBBBBBBBBBB
¿Cómo se cuantifica la confianza o precisión? Se utiliza el programa
106
El procedimiento que uti- Phred.106 Este programa lo que hace es asignar los picos de fluores-
liza aparece en [Ewing98] cencia a una de las cuatro bases (o base call). En [EwingGreen98]
y cómo estima las probabili- tenemos la explicación del método de asignación. Si P denota la pro-
dades de error cuando asig- babilidad107 para una base dada de ser mal asignada o clasificada
na cada base aparece en entonces el valor con el que se trabaja es
[EwingGreen98].
107 Q = −10 log10 P. (6.1)
No es realmente una pro-
babilidad. Es una cuantifica- Esto significa que una probabilidad P muy pequeña de clasificación
ción de la calidad de la asig- incorrecta se traduce en un valor grande de Q. Una vez calculado
nación y no más. Q estonces se asigna (usualmente) el caracter ASCII que ocupa la
108
Sin duda, un método cu- posición 33+Q.108 Una descripción detallada sobre FASTQ la tenemos
rioso de mostrar valores nu- en [35].
méricos utilizando texto.
Utilizando ShortRead
Para trabajar con el formato FASTQ es útil el paquete [100, Shor-
tRead].
library(ShortRead)
109
En ?? vemos cómo pode- Vamos a ver sus funcionalidades utilizando el SRR1293399_1.fastq.109
mos bajar estos datos. En esta sección suponemos fijado el directorio de trabajo a donde te-
nemos los datos.
110
Veremos que tarda lo su- Leemos con ShortRead::readFastq.110
yo en leer los datos.
fq0 = readFastq("SRR1293399_1.fastq")
Es un fichero con muchas lecturas y para trabajar es mejor to-

mar una muestra de las mismas. Tomamos 10000 lecturas elegidas
al azar. Y lo hacemos con ShortRead::FastqSampler. Volvemos a leer
esta muestra aleatoria.
fqsample = FastqSampler("SRR1293399_1.fastq",10000)
fq0 = yield(fqsample)
Ahora fq0 es un ejemplo de clase
class(fq0)
## [1] "ShortReadQ"
## attr(,"package")
## [1] "ShortRead"
En particular podemos ver la información básica con
fq0
## class: ShortReadQ
## length: 10000 reads; width: 50 cycles
6.5. FORMATO FASTQ 109
111
Subsetting Obviamente tiene solamente 10000 lecturas. Podemos seleccionar111
del modo habitual. Por ejemplo, la primera sería
fq0[1]
O de la tercera a la décima con
fq0[3:10]
Con ShortRead::sread podemos tener la lectura. Por ejemplo, la

que ocupa la posición 1000 sería
sread(fq0[1000])

## width seq
## [1] 50 AGAGAAATCGGTGTCAGTC...GTATGCCGTCTTCTGCTT
Podemos ver las primeras y últimas con
sread(fq0)

## width seq
## [1] 50 TAAACACTGTCTCCTTG...CCTGGTGTCAGTCACT
## [2] 50 ACAGCTTTGTCTGAGAC...TGTCAGTCATTCCAGC
## [3] 50 GTGTCAGTCACTTCCAG...GGTCGTATGCCGTCTT
## [4] 50 TGCGGCCCCGGGTTCCT...CTGAGCGTGTCAGTCA
## [5] 50 TCTTTGGGTTCCGGGGG...TGAAACGTGTCAGTCA
## ... ... ...
## [9996] 50 ATAGTCTGTGGGAGTCA...CACTTCCAGCGGTCGT
## [9997] 50 CAAAGTGCTTACAGTGC...CCAGCGGTCGTATGCC
## [9998] 50 GTGTCAGTCACTTCCAG...CTGCTTGAAAAAAAAA
## [9999] 50 TGGCGCTGCGGGATGAA...GCGCCCGATGCCGACG
## [10000] 50 CAACTAGCCCTGAAAAT...CAGGCCCATACCCGTG
Podemos ver la longitud de las lecturas con
width(fq0)
Con ShortRead::detail tenemos una información detallada. Las

medidas de calidad de la lectura 1000 las obtenemos con
quality(fq0[1000])
## class: SFastqQuality
## quality:
## A BStringSet instance of length 1
## width seq
## [1] 50 ffffffffffffffffeff...fffeffefffff`ddbdd
Podemos saber el valor a que corresponde la codificación de la

calidad con
encoding(quality(fq0))
## ; < = > ? @ A B C D E F G H I J
## -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
## K L M N O P Q R S T U V W X Y Z
## 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
## [ \\ ] ^ _ ` a b c d e f g h i
## 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41
fls = dir(paste(dirTamiData,"SRP042140/fastq",sep=""),"*fastq$",full=TRUE)
Evaluando la calidad del experimento. Vamos a realizar un

control de calidad del experimento con ShortRead::qa. Lo hacemos
112
Obviamente debemos re- para la primera muestra.112
petir el análisis para cada
una de las muestras. SRP042140_1.qa = qa(fls[1],type="fastq")
113
A los usuarios de Win- Generamos un informe y lo visualizamos.113
dows es probable que el codi-
go que sigue no les funcione. browseURL(report(SRP042140_1.qa))
¿Les extraña?
Es un informe muy interesante. Notemos que estos datos ya es-
114
Son datos obtenidos de tán previamente filtrados114 y por ello algunas de las características
un repositorio público. evaluadas no tienen sentido.
Podemos ver la información contenida en SRP042140.qa con
show(SRP042140_1.qa)
## class: FastqQA(10)
## QA elements (access with qa[["elt"]]):
## readCounts: data.frame(1 3)
## baseCalls: data.frame(1 5)
## readQualityScore: data.frame(512 4)
## baseQuality: data.frame(94 3)
## alignQuality: data.frame(1 3)
## frequentSequences: data.frame(50 4)
## sequenceDistribution: data.frame(357 4)
## perCycle: list(2)
## baseCall: data.frame(249 4)
## quality: data.frame(1800 5)
## perTile: list(2)
## readCounts: data.frame(0 4)
## medianReadQualityScore: data.frame(0 4)
## adapterContamination: data.frame(1 1)
Por ejemplo podemos ver el número de lecturas.

6.5. FORMATO FASTQ 111
SRP042140_1.qa[["readCounts"]]
## read filter aligned

## SRR1293399_1.fastq 29508968 NA NA
O también podemos ver las frecuencias de cada una de las bases.
SRP042140_1.qa[["baseCalls"]]
## A C G
## SRR1293399_1.fastq 10600637 12762822 12873094
## T N
## SRR1293399_1.fastq 13753938 9509
O las lecturas más frecuentes.
head(SRP042140_1.qa[["frequentSequences"]])
## sequence
## 1 GTGTCAGTCACTTCCAGCGGTCGTATGCCGTCTTCTGCTTGAAAAAAAAA
## 2 TAGCTTATCAGACTGATGTTGACGTGTCAGTCACTTCCAGCGGTCGTATG
## 3 TGTAAACATCCCCGACTGGAAGCGTGTCAGTCACTTCCAGCGGTCGTATG
## 4 AACTGGCCCTCAAAGTCCCGCTGTGTCAGTCACTTCCAGCGGTCGTATGC
## 5 TGTCAGTCACTTCCAGCGGTCGTATGCCGTCTTCTGCTTGAAAAAAAAAA
## 6 TGTAAACATCCCCGACTGGAAGCTGTGTCAGTCACTTCCAGCGGTCGTAT
## count type lane
## 1 94635 read SRR1293399_1.fastq
## 2 55085 read SRR1293399_1.fastq
## 3 37265 read SRR1293399_1.fastq
## 4 28687 read SRR1293399_1.fastq
## 5 18234 read SRR1293399_1.fastq
## 6 13152 read SRR1293399_1.fastq
Podemos ver la frecuencia de cada base en cada posición de la

lectura. Por ejemplo, para las dos primeras posiciones.
head(SRP042140_1.qa[["perCycle"]]$baseCall,n=10)
## Cycle Base Count lane

## 1 1 A 221622 SRR1293399_1.fastq
## 2 1 C 70578 SRR1293399_1.fastq
## 3 1 G 202760 SRR1293399_1.fastq
## 4 1 T 504717 SRR1293399_1.fastq
## 15 1 N 323 SRR1293399_1.fastq
## 19 2 A 350254 SRR1293399_1.fastq
## 20 2 C 97623 SRR1293399_1.fastq
## 21 2 G 280410 SRR1293399_1.fastq
## 22 2 T 271675 SRR1293399_1.fastq
## 33 2 N 38 SRR1293399_1.fastq
head(SRP042140_1.qa[["perCycle"]]$quality,n=10)
## Cycle Quality Score Count lane

## 35 1 B 2 678 SRR1293399_1.fastq
## 44 1 K 11 80 SRR1293399_1.fastq
## 45 1 L 12 3411 SRR1293399_1.fastq
## 46 1 M 13 625 SRR1293399_1.fastq
## 51 1 R 18 137 SRR1293399_1.fastq
## 53 1 T 20 6936 SRR1293399_1.fastq
## 54 1 U 21 907 SRR1293399_1.fastq
## 55 1 V 22 1140 SRR1293399_1.fastq
## 56 1 W 23 88 SRR1293399_1.fastq
## 57 1 X 24 757 SRR1293399_1.fastq
6.6 De SRA a fastq

115
En Debian/Ubuntu Lo hacemos con SRA Toolkit.115 Utilizamos la función fastq-dump.
hemos de instalar el pa-
fastq-dump -I --split-files nombre_fichero.sra
quete sra-toolkit. Consultar
https://github.com/ Y lo repetimos para cada fichero SRA.
ncbi/sra-tools/wiki/ Una opción que nos lo hace para todos es116
Downloads.
116
Previamente hay que ins- cat files | parallel -j 7 fastq-dump --split-files {}.sra
talar parallel con apt-get ins- donde files es un fichero que tiene en cada línea el nombre del fichero
tall parallel. sra sin la extensión. En nuestro caso el fichero files es
SRR1293399
SRR1293400
SRR1293401
SRR1293402
SRR1293403
SRR1293404
SRR1293405
SRR1293406
SRR1293407
6.7 Control de calidad de un experimento

RNA-seq con EDASeq
El control de calidad se puede realizar en dos pasos. En el primero
se trata de evaluar si tenemos librerías (muestras) con bajas profundi-
dades, o con problemas de calidad o con frecuencias de nucleóticos no
frecuentes. En un segundo paso, a nivel de gen, buscamos etiquetas
equivocadas asociadas a las muestras, problemas con las distribucio-
nes de probabilidad supuesta (sobredispersión es el gran problema) y
sesgos en los contenidos GC.
EDA al nivel de lectura. En particular, tenemos que considerar

los siguientes aspectos:
Número de lecturas alieanadas y no alineadas. Si hay un total
de pocas lecturas esto se atribuye a la mala calidad del RNA.
Si hay una tasa de alineamiento bajo es que las lecturas tienen
poca calidad, normalmente tienen secuencias poco complejas de
difícil alineamiento. También podemos tener un mal genoma de
referencia o simplemente mal etiquetadas las muestras.
6.8. STAR Y SAMTOOLS 113
6.8 STAR y samtools

Veamos cómo alinear y contar utilizando conjuntamente STAR y
samtools.
1. Instalamos STAR.
2. Copiamos la versión Linux en el directorio donde tenemos los
ficheros SRA.
3. Creamos dos subdirectorios con los nombres aligned y fastq.
4. Nos bajamos (con wget) de http://labshare.cshl.edu/shares/
gingeraslab/www-data/dobin/STAR/STARgenomes/ENSEMBL/homo_
sapiens la última versión.1
5. Descomprimimos el fichero anterior y extraemos los ficheros del
archivo tar en el subdirectorio ENSEMBL.homo\_sapiens.release-75.
6. Supongamos que:
(a) El ejecutable STAR lo tenemos en nuestro directorio de tra-
bajo.
(b) ENSEMBL.homo\_sapiens.release-75 es un subdirectorio
de nuestro directorio de trabajo.
(c) Los ficheros FASTQ los tenemos en el subdirectorio fastq.
(d) Pretendemos guardar el fichero SAM en el subdirectorio
aligned.
Entonces el código (utilizando STAR) para generar el fichero
SAM a partir del FASTQ sería el siguiente
./STAR --genomeDir ENSEMBL.homo_sapiens.release-75
,→ --readFilesIn
fastq/SRR1293399_1.fastq --runThreadN 12 --
,→ outFileNamePrefix aligned/SRR1293399_1.
Podemos comprobar que el fichero generado es SRR1293399_1.Aligned.out.sam.

Y el código anterior lo hemos de repetir para cada uno de nues-
tros ficheros FASTQ.
De SAM a BAM utilizando Samtools.

Utilizamos Samtools para transformar los ficheros SAM en ficheros
BAM.
samtools sort view -bS aligned/SRR1293399_1.Aligned.out.
,→ sam -o aligned/SRR1293399_1.bam
Contando las lecturas con Rsamtools.

1. Suponemos que los ficheros bam generados previamente están en
el subdirectorio aligned de nuestro directorio de trabajo.
2. Creamos el fichero bamfiles.txt que tenga en cada línea el
nombre de uno de los ficheros BAM. Por ejemplo, las tres pri-
meras líneas de este fichero podrían ser
1 En el momento de escribir ENSEMBL.homo_sapiens.GRCh38.release-79.
SRR1293399_1.bam
SRR1293400_1.bam
SRR1293401_1.bam
3. Creamos la lista de ficheros bam.
library(Rsamtools)
dirActualData = paste(dirTamiData,"SRP042140_sra/",sep="")
sampleTable = read.table(paste(dirActualData,"bamfiles.txt",sep=""))
fls = paste(dirActualData,"aligned/",sampleTable[,1],sep="")
bamLst = BamFileList(fls, index=character(),yieldSize=100000,obeyQname=TRUE)
4. Contamos las lecturas.
(a) Cargamos [30, GenomicFeatures].
library(GenomicFeatures)
(b) Leemos el fichero GTF/GFF que hemos bajado previamen-

te.
gtffile = paste(dirTamiData,
"ENSEMBL.homo_sapiens.release-75/Homo_sapiens.GRCh37.75.gtf",sep="")
(c) txdb = makeTxDbFromGFF(gtffile, format="gtf")

genes = exonsBy(txdb, by="gene")
library(GenomicAlignments)
SRP042140.counts = summarizeOverlaps(features = genes, read=bamLst,
mode="Union",
singleEnd=TRUE, ## No son lecturas apareadas
ignore.strand=TRUE,
fragments=FALSE)
save(SRP042140.counts,
file=paste(dirTamiData,"SRP042140_sra/","SRP042140.counts.rda"),sep="")
6.9 Bowtie2
117 117
http://bowtie-bio.
sourceforge.net/ Es una herramienta software para alinear lecturas cortas sobre
bowtie2/manual.shtml secuencias de referencia largas. Soporta distintos modos de alinea-
118
gapped miento: con huecos118 , locales y con lecturas apareadas119 . La salida
119 del programa la realiza en formato SAM.
Paired-end
El programa bowtie2 utiliza un fichero de índices de clase Bowtie
2 y ficheros con lecturas secuenciadas y produce un fichero en formato
SAM.
¿Qué es alinear? Tomamos una lectura o secuencia corta y preten-
demos encontrar en una secuencia larga donde es más similar, en que
punto hay una mayor similitud respecto de la secuencia larga o de
referencia. ¿Cuál es el resultado que obtenemos después de alinear?
La secuencia corta es colocada sobre una parte de la secuencia de
referencia indicando en qué puntos se produce una correspondencia
6.9. BOWTIE2 115
120
Gaps. e indicando los huecos120 que se han tenido que introducir en una u
otra de las secuencias para conseguir la mejor correspondencia posible
entre dichas secuencias.
Read: GACTGGGCGATCTCGACTTCG
||||| |||||||||| |||
Reference: GACTG--CGATCTCGACATCG
Mediante la línea vertical mostramos en qué puntos hay una corres-
pondencia correcta mientras que con un guión en una u otra secuencia
indicamos en qué posiciones hemos debido de incorporar un hueco pa-
ra poder hacer corresponder ambas secuencias.
Notemos que no estamos seguros de que efectivamente la secuencia
corta se haya originado en este punto. Es una hipótesis. La mejor que
se puede conjeturar pero no es seguro ni mucho menos. En muchas
ocasiones no se puede encontrar una correspondencia.
Dos tipos de alineamientos son considerados: alineamiento de
extremo a extremo o alineamiento global121 y alineamiento lo- 121
End-to-end alignment.
cal.122 En la primera opción toda la secuencia corta es alineada. En 122
Local alignment.
el segundo tipo permitimos que uno o los dos extremos contengan ba-
ses no alineadas. En Bowtie2 la opción local se indica --local para el
alineamiento local mientras que la opción global se asume por defecto.
Hemos de evaluar la calidad del alineamiento. Para ello definimos
una puntuación asociada a cada posible correspondencia. Lo que po-
demos llamar una función objetivo. La idea es que cuanto mayor sea
la función objetivo mejor es el alineamiento. Realmente penalizamos
cada error en la correspondencia. Tendremos una penalización por co-
rrespondencia errónea, una penalización por cada hueco. En el caso
de alineamiento local sumaremos un valor por cada correspondencia.
Finalmente el valor de la función objetivo nos cuantifica la calidad
final de la correspondencia conseguida. En concreto se consideran los
siguientes valores que se suman (bajando o subiendo) para calcular el
valor de la función objetivo.
–ma Sumamos un valor positivo por cada correspondencia (para ali-
neamiento local).
–mp Penalización (restamos) por una correspondencia errónea.
–np Penalización por tener un valor N (esto es una base no especifi-
cada) en la secuencia corta o en la larga de referencia.
–rdg Penalización por hueco en secuencia corta.
–rfg Penalización por hueco en secuencia de referencia.
Obviamente mediante algún procedimiento encontraremos siempre
una correspondencia. No necesariamente esta correspondencia la he-
mos de considerar suficientemente buena. ¿Cuándo la consideraremos
aceptable? Lo que se hace es fija un umbral por debajo del cual el ali-
neamiento no se acepta. Este umbral lógicamente ha de depender de
la longitud de la lectura corta. El valor de este umbral que por defecto
(aunque es configurable) tiene definido Bowtie2 es, para alineamiento
global,
−0.6 − 0.6 · L, (6.2)
siendo L la longitud de la lectura. Para alineamiento local el valor es
20 + 8 · ln(L). (6.3)
Lo podemos configurar con la opción --score-min.

¿Podemos alinear de un modo único? Por supuesto que no. Pense-
mos en zonas de la secuencia en donde se repiten mucho los elementos.
Si tenemos secuencias cortas entonces podremos alinear (perfectamen-
te) de distintos modos. Tendremos distintos alineamientos igualmente
buenos. Se plantea el problema de elegir entre estos alineamientos.
Esto se puede hacer utilizando las medidas de calidad de la corres-
pondencia.
123
Paired-end o mate-pair. ¿Qué son lecturas apareadas?123 Son pares de lecturas cortas o
No es lo mismo. secuencias cortas de las cuales conocemos a priori su posición relativa
y la distancia que las separa en la lectura de DNA. Cuando tenemos
lecturas apareadas tendremos dos ficheros que incluyen el primer y el
segundo elemento del par, uno en cada fichero. En concreto la misma
línea en cada fichero indica cada una de las componentes del par de
lecturas. En Bowtie2 se utilizan los argumento -1 y -2 para indicar
el primer y segundo fichero. Cuando se realiza el alineamiento de un
par de secuencias cortas en el fichero SAM resultante se indica en los
campos RNEXT y PNEXT el nombre y la posición del otro elemento del
par. También se indica la longitud del fragmento de DNA del cual se
secuenciaron los dos fragmentos. Cuando se realiza el alineamiento de
un par de lecturas este se puede producir de un modo concordante o
de un modo discordante. En un modo concordante los dos elementos
del par se alinean verificando lo que se espera en orientación y distan-
cia entre ellos. El alineamiento es discordante entonces tenemos para
cada uno un alineamiento único pero no se verifican las restric-
ciones de orientación y distancia. Por defecto, Bowtie2 busca tanto
alineamientos concordantes como alineamientos discordantes. Con la
opción --no-discordant solamente busca concordantes.
En la opción por defecto, Bowtie2 realiza un alineamiento mixto.
En esta opción primero busca alinear el par de lecturas de un modo
concordante. Si no lo logra entonces busca alinear cada una de ellas de
un modo discordante. Si no queremos la segunda parte de la búsqueda
podemos eliminarla con la opción --no-mixed.
Bowtie2 busca alineamientos válidos para cada lectura. Cuando
encuentra un alineamiento válido sigue buscando otros que sean al
menos tan buenos como el que ha encontrado. Tiene unos controles
para dejar de buscar. Cuando cesa la búsqueda utiliza los mejores
alineamientos que ha encontrado para evaluar la calidad de la corres-
pondencia encontrada (el campo MAPQ en el formato SAM).
En http://bowtie-bio.sourceforge.net/bowtie2/manual.shtml
se tiene una muy buena exposición de todas las opciones que ofrece
este programa y es más que recomendable su lectura.
Ejemplo 6.1 Vamos a realizar el alineamiento utilizando Bowtie2.
1. Los datos corresponden a Illumina.
2. Bajamos el fichero de índices de http://support.illumina.

com/sequencing/sequencing_software/igenome.html.
3. En concreto bajamos \Homo_sapiens_Ensembl_GRCh37.tar.gz.
4. Ejecutamos en línea de comandos.

6.10. UTILIZANDO TOPHAT Y SAMTOOLS 117
bowtie2 -x ~/DOCENCIA/tami-data/Homo_sapiens/Ensembl
,→ /GRCh37/Sequence/Bowtie2Index/genome -U fastq
,→ /SRR1293399_1.fastq -S aligned/SRR1293399_1.
,→ sam
6.10 Utilizando tophat y samtools

Seguimos los siguientes pasos.
1. Necesitamos el genoma humano de referencia. Vamos a utilizar

GRCh37.
2. Lo podemos encontrar en http://ccb.jhu.edu/software/tophat/

igenomes.shtml. Lo bajamos.
3. Descomprimimos el fichero anterior.

gzip -d Homo_sapiens_Ensembl_GRCh37.tar.gz
4. Alineamos con
tophat2 -o file_tophat_out genome SRR479053_1.fastq
,→ SRR479053_2.fastq
samtools sort -n file_tophat_out/accepted_hits.
,→ bam_sorted
Antes de realizar el alineamiento necesitamos el genoma humano

de referencia. Se utiliza GRCh37. En concreto vamos a utilizar el índi-
ce Bowtie que podemos encontrar en http://ccb.jhu.edu/software/
tophat/igenomes.shtml.
Descomprimimos el fichero anterior.
gzip -d Homo_sapiens_Ensembl_GRCh37.tar.gz
Alineamos.
tophat2 -o file_tophat_out genome SRR479053_1.fastq
,→ SRR479053_2.fastq
samtools sort -n file_tophat_out/accepted_hits.bam_sorted
6.11 GSE37211: paquete parathyroidSE

Estos datos corresponden al experimento con número de acceso
GEO GSE37211. En la viñeta del paquete [89, parathyroidSE] tene-
mos una descripción detallada para obtener los conteos a nivel de gen
o de exon partiendo de los ficheros originales sra.124 Ya los tenemos 124 Primero hay que bajarlos
en el paquete [89, parathyroidSE]. pacientemente.
data(parathyroidGenesSE,package="parathyroidSE")
se = parathyroidGenesSE
Son datos relativos a los genes. ¿Qué clase tenemos?

class(se)
## [1] "RangedSummarizedExperiment"
## attr(,"package")
## [1] "SummarizedExperiment"
Es un SummarizedExperiment::RangedSummarizedExperiment y
será nuestra clase de referencia cuando trabajamos con datos de RNA-
125
Es muy conveniente leer seq.125 ¿Cuántos genes y muestras tenemos?
la viñeta de [102, Summari-
zedExperiment]. dim(se)
## [1] 63193 27
126
Es la análoga a Bio- La matriz con los conteos nos la da GenomicRanges::assay.126
base::exprs para Bioba-
se::ExpressionSet. assay(se)
Veamos las tres primeras filas (genes) y las tres primeras columnas
(muestras).
assay(se)[1:3,1:3]
## [,1] [,2] [,3]

## ENSG00000000003 792 1064 444
## ENSG00000000005 4 1 2
## ENSG00000000419 294 282 164
Tenemos los metadatos de las columnas o variables fenotípicas o

127
Corresponde con Bioba- covariables asociadas a las muestras con GenomicRanges::coldata.127
se::pData.
colData(se)
Es un IRanges::DataFrame.
class(colData(se))
## [1] "DataFrame"
## attr(,"package")
## [1] "IRanges"
Por ejemplo, podemos ver los nombres de las variables fenotípicas

con
names(colData(se))
## [1] "run" "experiment" "patient"

## [4] "treatment" "time" "submission"
## [7] "study" "sample"
Y acceder a los valores de la variable treatment con

6.12. GSE64099 119
colData(se)[,"treatment"]
## [1] Control Control DPN DPN OHT

## [6] OHT Control Control DPN DPN
## [11] DPN OHT OHT OHT Control
## [16] Control DPN DPN OHT OHT
## [21] Control DPN DPN DPN OHT
## [26] OHT OHT
## Levels: Control DPN OHT
o bien con (no mostrado)
colData(se)$treatment
La información sobre las filas que, en este caso, corresponde con

genes.
rowRanges(se)
Por tanto, las filas de un SummarizedExperiment es un Geno-

micRanges::GRangesList de modo que cada fila es un GenomicRan-
ges::GRanges indicando los exones que se utilizaron para contar las
secuencias de RNA. Los nombres de los genes los podemos obtener
con
rownames(se)
Los primeros con
head(rownames(se))
## [1] "ENSG00000000003" "ENSG00000000005"

## [3] "ENSG00000000419" "ENSG00000000457"
## [5] "ENSG00000000460" "ENSG00000000938"
128 128
En esta sección he-
mos visto cómo manejar
un la clase GenomicRan-
6.12 GSE64099 ges::SummarizedExperiment
y sus métodos asociados.
Bajamos los datos de GEO.
wget ftp.ncbi.nlm.nih.gov/geo/series/GSE64nnn/GSE64099/
,→ suppl/GSE64099_RAW.tar
tar xvf GSE64099_RAW.tar
gzip -d *
rm GSE64099_RAW.tar
Se tienen las siguientes muestras:
GSM1564328_2086.txt GSM1564331_241.txt GSM1564329_2433.txt

GSM1564332_1932.txt GSM1564327_1934.txt GSM1564330_3225.txt
GSM1564333_1940.txt
Construimos un ExpressionSet.
library(Biobase)
exprs0 = CountAll
rownames(exprs0) = EntrezAll
colnames(exprs0) = c("GSM1564328","GSM1564331","GSM1564329","GSM1564332",
"GSM1564327","GSM1564330","GSM1564333")
type = c(2,1,2,1,1,2,2)
type = factor(type,levels=1:2,labels=c("Wild-type","Smchd1"))
type = data.frame(type)
rownames(type) = colnames(exprs0)
datosfenotipo = new("AnnotatedDataFrame", data = type)
sampleNames(datosfenotipo)
datosexperimento = new('MIAME',name='GSE64099',
lab='Molecular Medicine Division, The Walter and Eliza Hall Institute
of Medical Research',
contact ='mritchie@wehi.edu.au',
title = ' Transcriptome profiling for genes transcriptionally
regulated by Smchd1 in lymphoma cell lines',
url = 'http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE64099')
gse64099 = new("ExpressionSet",exprs=exprs0,phenoData = datosfenotipo,
experimentData = datosexperimento,annotation = "MusMusculus")
Eliminamos los genes que no tienen ninguna lectura alineada. To-

dos estos genes no tienen interés cuando estudiemos la posible expre-
sión diferencial.
nullsum = apply(exprs(gse64099),1,sum)==0
gse64099 = gse64099[!nullsum,]
6.13 GSE63776 a partir de conteos

En ocasiones tampoco es necesario realizar todo el procesado que
hemos visto. Esto es, no necesitamos partir de las librerías de lecturas
cortas y realizar todo el proceso de alineamiento. Los propios autores
del estudio original han puesto a nuestra disposición las conteos. En
este caso lo más cómodo es utilizar un ExpressionSet para almacenar
la información. Como ejemplo los datos GSE63776.
1. Los bajamos de http://www.ncbi.nlm.nih.gov/geo/download/

?acc=GSE63776&format=file&file=GSE63776%5FPANC1%5Fcounts%
129
Casi mejor poner el có- 2Etxt%2Egz.129 Vamos a trabajar con los conteos.
digo de acceso GSE63776 en
Google y tenemos la direc- 2. Descomprimimos el fichero GSE37211_count_table.txt.gz.
ción. 3. Abrimos el fichero con un editor130 y añadimos al principio de
130
Bloc de nota, gedit, la primera línea la palabra Gene. Guardamos el fichero con la
emacs modificación.
4. Leemos los datos.
x = read.table(file="GSE63776_PANC1_counts.txt",header=TRUE)
5. la primera columna es el nombre del gen por lo que la eliminamos

para quedarnos con la matriz de expresión (conteos).
6.14. NORMALIZACIÓN DE RNA-SEQ 121
exprs0 = as.matrix(x[,-1])
rownames(exprs0) = x[,"Gene"]
6. Construimos los metadatos o datos fenotípicos.
type = factor(rep(1:2,each=3),levels=1:2,labels=c("siControl","siTCF7L2"))
pd0 = data.frame(type)
rownames(pd0) = colnames(exprs0)
datosfenotipo = new("AnnotatedDataFrame", data = pd0)
datosexperimento = new('MIAME',name='GSE63776',
lab='Seth Frietze and Farnham P',
contact ='seth.frietze@unco.edu',
title = ' ',abstract = 'We have compared the genome-wide effects on the
transcriptome after treatment with ICG-001 (the specific CBP inhibitor)
versus C646, a compound that competes with acetyl-coA for the Lys-coA
binding pocket of both CBP and p300. We found that both drugs cause
large-scale changes in the transcriptome of HCT116 colon cancer cells and
PANC1 pancreatic cancer cells, and reverse some tumor-specific changes in
gene expression. Interestingly, although the epigenetic inhibitors affect
cell cycle pathways in both the colon and pancreatic cancer cell lines,
the WNT signaling pathway was affected only in the colon cancer cells.
Notably, WNT target genes were similarly down-regulated after treatment
of HCT116 with C646 as with ICG-001.',
url = 'http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE63776',
other = list(notes = 'Public on Jan 07, 2015'))
gse63776 = new("ExpressionSet",exprs=exprs0,phenoData = datosfenotipo,
experimentData = datosexperimento,annotation =
"Illumina HiSeq 2000 (Homo sapiens)")
6.14 Normalización de RNA-seq

En esta sección se proponen distintos métodos de normalización
propuestos en la literatura. Es cierto que los datos de RNA-seq tienen
menos ruido que los datos de microarrays. En un principio se conside-
ró que no se necesitaban procedimientos de normalización sofisticados
[146]. No obstante, en el protocolo de preparación intervienen muchos
procedimientos que introducen variabilidad: la extracción del RNA, la
transcripción reversa, la amplificación y la fragmentacion.131 Empeza- 131 En resumen, que no nos
mos con muy normalizado,con algo muy normal, con algo demasiado libramos de normalizar.
normal que podemos ver en la figura ??.
¿Cuáles pueden ser las covariables relativas a los genes y a las
muestras que que pueden influir en los conteos y podamos considerar
ruido técnico? 132
Profundidad de secuenciación o tamaño de la librería 133 Es-

tamos muestreando del total de moléculas disponibles. El ta- 132
El término ruido técni-
maño de nuestra muestra es el total de lecturas. Este total de co es peligroso. ¿Cuándo es
lecturas es distinto para las distintas muestras. En algunos pro- puramente técnico lo que eli-
cedimientos para análisis de la expresión diferencial este efecto minamos o cuando estamos
no necesitará corrección previa pues el propio método incorpora eliminando señal biológica?
en su modelo estocástico la distinta profundidad. Sinceramente el que escribe
lo desconoce.
133
Sequencing depth, size li-
brary.
Composición del RNA Mediante la técnica RNA-seq tenemos una

media de la abundancia relativa de cada gen en una muestra de
RNA. Pero no tenemos una medida de la cantidad total de RNA
por célula. Supongamos que tenemos una pequeña cantidad de
genes que se expresan mucho en una muestra pero no en otra.
En la muestra en donde se expresan mucho consumen una parte
fundamental de la librería de lecturas de modo que otros genes
que se expresen en esa muestra pero en mucho menor medida
apenas aparecerán. De hecho, veremos que se expresan mucho
menos de lo que realmente lo hacen porque los otros han con-
sumido una parte importante del total de lecturas. En otras
muestras donde no aparecen tan expresados esto no ocurrirá. Si
no se ajusta la composición del RNA los otros genes aparecen
falsamente infraregulados en la muestra donde unos pocos se
expresan mucho. El método que vamos a utilizar para corregir
134
Trimmed mean of M- este efecto es el la media ajustada de M-valores (TMM)134 entre
values (TMM). cada par de muestras.
Contenido GC El contenido GC de un gen no cambia entre mues-
tras. Para un análisis de expresión diferencial no debiera influir.
Algunos autores han indicado que puede que esto no sea tan
cierto. La primera referencia en notar este efecto es [111].
Longitud del gen Genes más largos tenderán a tener más lecturas
alineadas. Otra vez, entre muestras no cambia este factor y para
un análisis de expresión diferencial no debiera tener influencia.
Sobre la longitud del gen. En [OshlackWakefield09] se comen-

ta e ilustra el problema. ¿Qué efecto cabe experar cuando tenemos
genes con distinta longitud. En RNA-seq lo que tenemos son frag-
mentos de transcritos. Si el transcrito es más largo el número de lec-
turas que producen es mayor. Es cierto que si queremos comparar
entre muestras este efecto es el mismo. La longitud es la misma en
todas las muestras. Sin embargo, al tener más lecturas la potencia
del test es mayor para genes más largo y por ello encontraremos más
genes con expresión diferencial entre los genes más largos. Un mayor
tamaño muestral se asocia a una mayor probabilidad de rechazar la
hipótesis nula de igualdad de las medias para una misma diferencia
entre medias. De hecho, se propone en el trabajo indicado una simple
formalización de este hecho. Denotamos por X la variable aleatoria
que nos da el número de lecturas alineadas sobre un gen. Olvidande
otros posibles sesgos podemos asumir que el valor medio de X depende
del total de transcritos N y de la longitud del gen según la siguiente
relación
µX = EX = cN L,
siendo c un valor constante. En resumen asumimos que la media de
lecturas es proporcional al tamaño de la librería y a la longitud del
135
Lo cual es cierto bajo la gen. Si se asume que la media y la varianza son iguales135 entonces
hipótesis de que la variable 2
var(X) = σX = cN L,
X sigue una distribución de
Poisson. Si consideramos la variable X en dos muestras distintas tendremos Xi
con i = 1, 1 y tamaños de librería Ni con i = 1, 2. Si utilizamos para
contrastar la igualdad de medias el estadístico
X1 − X2
√ .
cN1 L + cN2 L
La potencia del test depende del cociente entre la media y la desviación

estándar de D = X1 − X2 136 que viene dado por 136
O error estándar.
cN1 L − cN2 L √
δ=√ ∝ L.
cN1 L + cN2 L
Es decir, δ es proporcional a la raiz cuadrada de la longitud del gen.
Puede pensarse que un corrección simple como sería dividir el conteo
por la longitud del gen corrige este efecto. Si aplicamos esta corrección
no se resuelve el problema ya que entonces la diferencia sería D′ =
L − L . Como es bien conocido
X1 X2 137 137
tenemos que la media y varianza § 21
de Xi /Ni son
( )
Xi EXi Xi var(Xi )
E = y var =
L L L L2
Por tanto el cociente entre la media y la desviación estándar de D′ no

se modifica y vale
cN1 L − cN2 L √
δ=√ ∝ L.
cN1 L + cN2 L
6.14.1 RPKM
138
El primer método de normalización se propuso en [103]. Su- 138 Reads per kilobase per
pongamos que denotamos el conteo de interés por C. Es el número de million.
lecturas alineadas sobre la característica de interés (exon, gen, etc.).
El total de lecturas que podemos alinear es N (o tamaño de la libre-
ría). Y denotamos por L la longitud de la característica de interés en
bp. Se define el RPKM como el siguiente cociente
109 C
RP KM = . (6.4)
NL
Esta cuantificación de la expresión del gen nos permite comparar genes
entre sí dentro de una misma muestra o librería.
En el paquete [162, geneLenDataBase] tenemos las longitudes de
los distintos transcritos para distintos organismos. En el siguiente có-
digo leemos los datos correspondientes a humanos (versión 19).
pacman::p_load("geneLenDataBase")
data(hg19.ensGene.LENGTH)
head(hg19.ensGene.LENGTH)
## Gene Transcript Length

## 1 ENSG00000118473 ENST00000237247 4024
## 2 ENSG00000118473 ENST00000371039 4102
## 3 ENSG00000118473 ENST00000424320 964
## 4 ENSG00000118473 ENST00000320161 4693
## 5 ENSG00000118473 ENST00000371036 7294
## 6 ENSG00000118473 ENST00000407289 7901
6.14.2 Método TMM: Media ajustada de M-valores

Es, quizás, el método más popular de normalización. Fue propues-
to en [120]. Comentan los autores en [120, pág. 2] el siguiente ejemplo
hipotético. Tenemos dos experimentos de secuenciación de RNA o

muestras. Llamamos a estas dos muestras A y B. Supongamos dos
conjuntos de genes disjuntos y con el mismo número de elementos: S1
y S2 . El primer conjunto se expresa igualmente en A y B, es decir,
tenemos el mismo número de transcritos en ambas muestras. Sin em-
bargo, S2 solamente se expresa en la muestra A y no en la muestra
B. Además asumimos que no se expresa ningún otro gen. Si la pro-
fundidad de secuenciación es la misma en las dos muestras entonces
el número de transcritos que observaremos de un gen de S1 será la
mitad en A que en B aunque sabemos que se expresa exactamente
igual. En resumen, en la población (total de transcritos) el número
total de transcritos de este gen es el mismo en ambas muestras. La
probabilidad de observar uno de ellos depende de su frecuencia y del
número de transcritos observados. Por ello, depende de que otros genes
se expresen más o menos. En resumen, de la composición del RNA.
Sea Xij (xij ) el conteo aleatorio (observado) del gen i en la muestra
j. Denotamos Li la longitud del gen i y mj es el total de lecturas de la
librería j (o tamaño de la librería j). En [120] se asume que la media
de Xij verifica
[ ]
µij Li
E Xij = mj ,
cj
∑N
siendo cj = i=1 µij Li . Notemos que cj nos está representando el
total de RNA en la muestra. No se asume ninguna distribución de
probabilidad específica para Xij . La producción total de RNA, cj , no
es conocida. Sin embargo, sí es fácil estimar el cociente de estos valores
para dos muestras, es decir, estimar el cociente fj = cj /cj ′ .
Elegimos una muestra como muestra de referencia. Por ejemplo,
la muestra r denota a partir de ahora la muestra tomada (arbitraria-
mente) como de referencia.
Nos fijamos en la muestra j y vamos a determinar la constante por
la que multiplicaremos los conteos originales. En lo que sigue tanto j
como r son fijos y las cantidades definidas dependen de i que denota
el gen. Se define
(r) xij /mj

Mij = log2 = log2 (xij /mj ) − log2 (xir /mr ),
xir /mr
y
( )
(r) 1
Aij = log2 (xij /mj ) + log2 (xir /mr )
2
139 (r) (r)
Recordemos que varía so- Se eliminan los valores extremos tanto de los Mij como de los Aij .139
lamente i y mantenemos fijos En concreto eliminamos un porcentaje de los Mi más pequeños y el
j y r. mismo porcentaje de los más grandes. Lo mismo hacemos para los
valores Ai . También eliminamos aquellos índices i tales que xij = 0 o
bien xir = 0. El conjunto de índices i restante lo denotamos por G∗ .
Finalmente, el factor de normalización sería
∑ (r) (r)
(r) i∈G∗ wij Mij
log2 (T M Mj ) = ∑ (r)
i∈G∗ wij
con
(r) mj − xij mr − xir
wij = + .
mj xij mr xir
La muestra de referencia r es fija y lo que acabamos de calcular es el

factor por el que multiplicamos los conteos originales de la muestra j.
(r)
Este factor viene dado por T M Mj .140 140
Obviamente tenemos que
Tanto este método como los que siguen están implementados en T M Mr(r) = 1 y esta muestra
[34, edgeR].141 de referencia no se normali-
Utilizamos los datos tamidata::PRJNA297664 que es un za.
141
El código relativo a mé-
data(PRJNA297664,package="tamidata") todos de normalización pro-
cede de [65, capítulo 4].
Accedemos a la matriz de expresión con los conteos.
pacman::p_load(SummarizedExperiment)
counts0 = assay(PRJNA297664)
pacman::p_load(edgeR)
deg.n = DGEList(counts = counts0, group = rep(1,ncol(counts0)))
deg.n = calcNormFactors(deg.n, method = "TMM")
deg.n = estimateCommonDisp(deg.n)
counts1 = deg.n$pseudo.counts
En la figura 6.1(a) y (b) tenemos la función de densidad y de

distribución estimadas de los conteos antes de la normalización para
las distintas muestras. Los dibujos se generan con el siguiente código.
pacman::p_load("ggplot2")
counts0 = data.frame(counts0)
df0 = reshape2::melt(counts0)
png(paste0(dirTamiFigures,"PRJNA297664_counts0_ecdf.png"))
ggplot(df0, aes(x=value, colour = variable)) + stat_ecdf()
dev.off()
ggplot(df0, aes(x=value, colour = variable)) + geom_density()
dev.off()
counts1 = data.frame(counts1)
df0 = reshape2::melt(counts1)
ggplot(df0, aes(x=value, colour = variable)) + stat_ecdf()
dev.off()
ggplot(df0, aes(x=value, colour = variable)) + geom_density()
dev.off()
6.14.3 Mediana de los cocientes

Se propuso en [7]. Se consideran los factores de normalización
xij
sj = mediana{i:m̃i ̸=0} (6.5)
m̃i
( ) n1
∏n
siendo m̃i = j=1 xij . La idea es normalizar para cada gen
diviendo el conteo por la correspondiente media geométrica de los
(a) (b)
(a) (b)
Figura 6.1: (a) Estimaciones de la función de densidad de los conteos

para las distintas muestras de PRJNA297664 con los conteos origi-
nales. (b) Lo mismo que (a) con la función de distribución. En (c)
y (d) tenemos los dibujos análogos utilizando los conteos después de
aplicarles una normalización TMM.
6.15. ESTUDIOS DE CASO 127
distintos conteos para un mismo gen. Una vez que tenemos los datos
normalizados intra gen buscamos una constante de normalización por
muestra como la correspondiente mediana en la muestra. Estas cons-
tantes son utilizadas no para normalizar directamente el conteo sino
para incorporarlo como factor que multiplica a la media del conteo en
los métodos DESeq y DESeq2.
Utilizando los mismos datos tamidata::PRJNA297664 el método
anterior lo podemos aplicar con el siguiente código.

deg.n = calcNormFactors(deg.n, method = "RLE")
6.14.4 Homogeneizando los percentiles

Este método forma parte del método propuesto en [122] y comen-
tado en § 10.3. Indicamos aquí cómo aplicarlo a los datos tamida-
ta::PRJNA297664. Como vemos en el código que sigue no se especifica
método pues es el que aplica por defecto.

6.15 Estudios de caso

6.15.1 SRP064411
142
En esta sección vamos a obtener los datos, mapear las lecturas, 142 Todo el análisis in-
contar y finalmente normalizar los conteos para los datos SRP064411. cluido en esta sección lo
La descripción la podemos encontrar en http://www.ncbi.nlm.nih. tenemos http://www.uv.
gov/geo/query/acc.cgi?acc=GSE73681. es/ayala/docencia/tami/
org/SRP064411.html y
1. Los datos los podemos bajar de ftp://ftp-trace.ncbi.nlm.
podemos reproducirlo eje-
nih.gov/sra/sra-instant/reads/ByStudy/sra/SRP%2FSRP064%
cutando el código como se
2FSRP064411/. También los podemos bajar de http://www.
indica allí. No se puede re-
ebi.ac.uk/arrayexpress/experiments/E-GEOD-73681/?page=
producir exclusivamente con
1&pagesize=500.
el material de esta sección.
Podemos bajar los datos accediendo a las direcciones indicadas y
con el propio navegador. Suponemos que fijamos el directorio de
trabajo donde tenemos los ficheros sra que acabamos de bajar.
2. Ejecutamos (y lo repetimos para cada fichero sra)
fastq-dump -I --split-files SRR2549634.sra
3. Bajamos el fichero de índices para poder trabajar con Bowtie2.

Nuestro datos corresponden a Sacaromices cerevisiae. En http:
//support.illumina.com/sequencing/sequencing_software/
igenome.html los tenemos para distintas especies. En concre-
to, bajamos ftp://igenome:G3nom3s4u@ussd-ftp.illumina.
com/Saccharomyces_cerevisiae/Ensembl/R64-1-1/Saccharomyces_
cerevisiae_Ensembl_R64-1-1.tar.gz.
4. Descomprimimos el fichero de índices y sacamos los ficheros.

gzip -d Saccharomyces_cerevisiae_Ensembl_R64-1-1.tar
,→ .gz
tar xvf Saccharomyces_cerevisiae_Ensembl_R64-1-1.tar
Tenemos ahora un directorio Saccharomyces\_cerevisiae_Ensembl_R64-1-1.

5. Alienamos las lecturas. Para ello ejecutamos, para cada fichero
fastq, lo siguiente sustituyendo los directorios por los correspon-
dientes a nuestro caso. Supongamos que denotamos dirIndice
donde tenemos los índices. En mi caso dirIndice es /DOCENCIA/tami-
data/Saccharomyces_cerevisiae/Ensembl/R64-1-1/Sequence/Bowtie2Index/genome.
Ejecutamos lo siguiente sustituyendo dirIndice por el directorio
correspondiente.
bowtie2 -x dirIndice -U SRR2549634_1.fastq -S
,→ SRR2549634_1.sam
6. Repetimos el punto anterior para cada uno de los ficheros fastq.

Notemos que al tener lecturas simples (no apareadas) solamente
tenemos un fichero fastq por muestra.
7. Se obtienen unos buenos porcentajes de lecturas alineadas su-
periores al 95% en todos los casos.
8. Transformamos de formato sam a formato bam ordenado utili-
zando samtools.
samtools view -bS SRR2549634_1.sam | samtools sort -
,→ SRR2549634_1
Y como siempre repetimos para cada uno de los ficheros sam.

9. Ejecutamos el siguiente código que nos produce el Summarize-
dExperiment con el que podemos trabajar.
library(Rsamtools)
library(GenomicFeatures)
sampleTable = read.table("bamfiles.txt")
dirActualData = "/home/gag/DOCENCIA/tami-data/SRP064411/sra/"
fls = paste(dirActualData,sampleTable[,1],sep="")
bamLst = BamFileList(fls, index=character(),yieldSize=100000,obeyQname=TRUE)
gtfFile = "~/DOCENCIA/tami-data/Saccharomyces_cerevisiae/Ensembl/R64-1-1/Annotation
txdb = makeTxDbFromGFF(gtffile, format="gtf")
genes = exonsBy(txdb, by="gene")
library(GenomicAlignments)
SRP064411_SE = summarizeOverlaps(features = genes, read=bamLst,
mode="Union",
singleEnd=TRUE, ## No son lecturas apareadas
ignore.strand=TRUE,
fragments=FALSE)
10. Tenemos que añadir los metadatos o datos fenotípicos. Son los
siguientes donde lo que aparece en la primera columna es el nom-
bre que tiene la muestra en nuestro SummarizedExperiment, los
colnames.
6.16. DATOS SIMULADOS 129
SampleName Run Treatment Rep

SRR2549634_1.bam GSM1900735 SRR2549634 0 1
SRR2549636_1.bam GSM1900737 SRR2549636 0 3
SRR2549638_1.bam GSM1900739 SRR2549638 1 2
SRR2549635_1.bam GSM1900736 SRR2549635 0 2
SRR2549637_1.bam GSM1900738 SRR2549637 1 1
SRR2549639_1.bam GSM1900740 SRR2549639 1 3
Creamos un DataFrame143 con estas variables. 143

Que no es un data.frame.
SampleName = c("GSM1900735","GSM1900737","GSM1900739","GSM1900736",
"GSM1900738","GSM1900740")
Run = c("SRR2549634","SRR2549636","SRR2549638","SRR2549635",
"SRR2549637","SRR2549639")
Treatment = factor(c(0,0,1,0,1,1),levels=0:1,labels=c("wild-type","sec66del"))
Rep = c(1,3,2,2,1,3)
colData(SRP064411_SE) = DataFrame(SampleName,Run,Treatment,Rep)
save(SRP064411_SE,file="SRP064411_SE.rda")
Los datos SRP064411_SE los tenemos en [11, tamidata].
6.16 Datos simulados

En esta sección enumeramos algunos simuladores de datos RNA-
Seq. Una dirección de interés es https://omictools.com/data-simulation3-category.
Parte III
Expresión diferencial
131
Capítulo 7
marginal
7.1 Introducción
Para cada uno de los genes (exones, o en general características ge-
nómicas) tenemos un valor numérico (expresión) que nos indica abun-
dancia de copias de esta característica. En resumen abundancia de la
característica en la que estamos interesados. Tenemos este valor ob-
servado para distintas muestras. De cada una de las muestras tenemos
a su vez variables que las describen: tiempos, tamaños celulares, tem-
peratura, etc. A estas variables las llamaremos en lo que sigue cova-
riables. Estas covariables pueden ser categóricas, numéricas o tiempos
de supervivencia censurados. Si la covariable tiene dos categorías en-
tonces nos define dos grupos (por ejemplo, control y tratamiento). El
caso en que queremos comparar dos grupos es el más frecuente y por
ello siempre le daremos una mayor atención.
El problema que se conoce como expresión diferencial se puede
traducir a saber si hay algún tipo de asociación entre las expresiones
observadas y los valores de la covariable. Si la covariable define dos
categorías entonces la pregunta de la asociación covariable-expresión
se puede formular como: ¿Hay diferencias entre la expresión de genes
entre dos grupos considerados? Dicho de otro modo, la expresión es
distinta bajo los tratamientos que estamos considerando.
En un primer momento vamos a adoptar la aproximación gen-a-
gen. Buscamos genes que se expresan diferencialmente sin atender a
las interacciones que puedan existir entre los distintos genes, que las
hay y las consideraremos más adelante.
Intentaremos ir planteando las cuestiones (muy) lentamente ilus-
trando continuamente lo que hacemos con R/Bioconductor.
7.2 Algo de notación

En lo que sigue denotaremos la matriz con los datos de expresión
de los distintos genes como x = [xij ]i=1,...,N ;j=1,...,n donde el valor xij
nos da el nivel de expresión observado del gen i-ésimo en la muestra
j-ésima. Asociada a la muestra j tenemos una covariable (o variable
fenotípica) y. El valor de la covariable y en la muestra j la vamos
133
134 CAPÍTULO 7. EXPRESIÓN DIFERENCIAL MARGINAL
adenotar por yj .1
Como es de uso habitual en Estadística denotaremos
∑
N ∑
n
x·j = xij ; xi· = xij ,
i=1 j=1
∑
N
xij ∑
n
xij
x̄·j = ; x̄i· = .
i=1
N j=1
n
En la notación previa hemos indica los valores de expresión o la co-

variable utilizando letras en minúsculas. Esto es habitual en Probabi-
lidad. Sin embargo cuando consideremos los valores que observaremos
antes de realizar la experimentación tendremos los valores aleato-
rios. También como es usual utilizaremos las letras en mayúsculas.
De modo que X = [Xij ]i=1,...,N ;j=1,...,n denota la matriz de expresión
aleatoria cuando todavía no se ha realizado la experimentación.
7.3 Selección no específica o filtrado inde-

pendiente
El material de esta sección se ha obtenido de [68, capítulo 5] y
[59]. Como material complementario es muy interesante [21].
La mayor parte de los genes no se expresan de un modo diferencia-
do entre condiciones. Y hay muchos.2 Más genes evaluados simultá-
neamente suponen una dificultad mayor en el tratamiento estadístico
posterior. Por ello si podemos de un modo simple quitar genes que no
parecen tener actividad pues mucho mejor.3
Es costumbre realizar una preselección, un filtrado que no utilice
información de la covariable y. Utilizamos el perfil de expresión del
gen pero no información sobre las muestras, la posible clasificación
de muestras en distintos grupos. A este filtrado se le da en la litera-
tura la denominación de filtrado independiente o bien selección no
específica.
Veamos un posible método. Consideramos el gen i-ésimo y toma-
mos una medida de localizacion como la mediana. Denotamos este va-
lor por ui . Determinamos un cierto percentil de estos valores ui . Por
ejemplo, si denotamos por p1 el orden del percentil entonces qp1 (u)
sería el correspondiente percentil de orden p1 de los valores ui . Man-
tendremos los genes tales que su valor ui sea mayor que qp (u). Ahora
consideramos una medida de dispersión como el coeficiente intercuar-
tílico. Del mismo modo, vi sería el coeficiente intercuartílico del i-
ésimo gen y el correspondiente percentil sería qp2 (v) donde el orden
p2 no tiene porqué coincidir con p1 . Nos quedamos con los genes en el
siguiente conjunto
{i : i = 1, . . . , N ; ui ≥ qp1 (u); vi ≥ qp2 (v)},

1 Por ejemplo, si estamos comparando los niveles de expresión en dos grupos
(un grupo control y un grupo de enfermos por ejemplo) entonces yj tomará el
valor 1 si está en el primer grupo (control) y valor 2 si está en el segundo grupo
(valor 2).
2 A veces uno piensa que demasiados.
3 Aunque esto puede tener muchos riesgos como descartar genes que actúan
conjuntamente con otros y marginalmente no tengan una actividad apreciable. Es

pues algo peligroso eliminar genes sin tener muy claro como lo hacemos.
7.3. SELECCIÓN NO ESPECÍFICA O FILTRADO INDEPENDIENTE135
es decir, aquellos que tienen un nivel de expresión alto y una varia-

bilidad alta. En otras palabras, genes que se expresan y que lo hacen
de un modo variable en las distintas muestras.
En el método que acabamos de explicar podemos sustituir la me-
diana como localización y el rango intercuartílico como dispersión por
la media y la desviación estándar.
Otro procedimiento que se ha propuesto y utilizado con frecuencia
es que un gen se exprese con claridad en algunas muestras, lo que
podemos llamar el método k-sobre-A. La idea es simple, un gen lo
conservamos si en al menos k muestras tiene un nivel de expresión
por encima de un valor mínimo A.
En lo que sigue vemos cómo utilizar estas ideas con R/Bioconduc-
tor. En § 7.3.1 se propone una opción muy sencilla para preseleccionar
genes utilizando simplemente la función apply. En § 7.3.2 utilizamos
el paquete [59, genefilter]. Finalmente en § 7.3.3 utilizamos la función
genefilter::nsFilter.
Vamos a abordar el problema con los datos ALL::ALL. En primer
lugar aplicamos la selección de muestras de § 5.4.
pacman::p_load("Biobase","ALL")
data(ALL)
bcrneg = ALL[,intersect(bcell,moltyp)]
7.3.1 Utilizando apply

Vamos a implementar un par de procedimientos de selección inde-
pendiente con la función apply.
Un procedimiento muy básico puede ser calcular para el rango
intercuartílico del perfil de expresión de cada gen.
bcrneg.iqr = apply(exprs(bcrneg),1,IQR)
Y luego podemos determinar el cuantil (por ejemplo, el percentil

0.5 o mediana) de los rangos intercuartílicos. Si estás por encima de
este percentil conservamos el gen. De lo contrario, no lo consideramos
en lo que sigue.
sel.iqr = (bcrneg.iqr > quantile(bcrneg.iqr,0.5))
Una idea como la que acabamos de aplicar para seleccionar genes

tiene el inconveniente de que si un grupo tiene pocos datos entonces
aunque hubiera una expresión diferencial la variabilidad total no tiene
porqué ser muy grande.
Ahora filtramos atendiendo a la mediana del perfil de expresión.
bcrneg.median = apply(exprs(bcrneg),1,median)
sel.median = (bcrneg.median > quantile(bcrneg.median,0.5))
Y nos quedamos con los genes que verifican ambas condiciones.

Nuestro ExpressionSet original es bcrneg, ¿cómo nos quedamos con
estos genes y todas las muestras? Con el siguiente código.
bcrneg1 = bcrneg[sel.iqr & sel.median,]
Media y desviación estándar

Sustituimos mediana y rango intercuartílico por media y desviación
estándar respectivamente.
Es claro que podríamos sustituir la desviación estándar por alguna
otra medida de variabilidad, por ejemplo, el rango intercuartílico. El
método anterior se podría implementar con el siguiente código.
bcrneg.sd = apply(exprs(bcrneg),1,sd)
sel.sd = (bcrneg.sd > quantile(bcrneg.sd,0.5))
bcrneg.mean = apply(exprs(bcrneg),1,mean)
sel.mean = (bcrneg.mean > quantile(bcrneg.mean,0.5))
bcrneg2 = bcrneg[sel.sd & sel.mean,]
k sobre A
Otra opción natural sería fijar un nivel de actividad mínima para
un gen y quedarnos con aquellos que superen este nivel mínimo de
actividad. Consideremos el siguiente criterio: si el nivel de expresión
mínimo es c y tenemos n muestras podemos pedir que un gen deter-
minado se considere activo si en al menos k muestras del total de n
su nivel de expresión supere este nivel mínimo de actividad.
¿Cómo hacerlo con R? Empezamos fijando el nivel mínimo c. ¿Y
cómo? Podemos ver los percentiles de todas las expresiones (todos los
genes y todas las muestras).
quantile(exprs(bcrneg))
## 0% 25% 50% 75% 100%

## 1.984919 4.117796 5.468801 6.832439 14.044896
Nos quedamos con la mediana para c.
c = 5.468801
Determinamos qué niveles de expresión lo superan.
overc = exprs(bcrneg) > c
Podemos ver los resultados para la fila 433.
overc[433,]
Determinamos el número de muestras por fila que superan el va-

lor c. Notemos que aplicamos una suma. Cuando sumamos un vector
lógico (con valores TRUE y FALSE) entonces el valor TRUE se in-
terpreta como el número 1 y el valor FALSE se interpreta como 0.
count.c = apply(overc,1,sum)
Por ejemplo, las primeras filas son

7.3. SELECCIÓN NO ESPECÍFICA O FILTRADO INDEPENDIENTE137
head(count.c)
## 1000_at 1001_at 1002_f_at 1003_s_at 1004_at

## 79 3 0 77 76
## 1005_at
## 79
Y finalmente determinamos si estamos por encima de 5 muestras.
sel.c = count.c >= 5
Y veamos cuántos genes conservamos.
table(sel.c)
## sel.c
## FALSE TRUE
## 4736 7889
Una vez elegido un procedimiento de los comentados eliminamos

aquellos genes que no pasan el criterio de selección. Y con los genes
que nos quedan seguiríamos estudiando si hay o no expresión diferen-
cial. Observemos que no hemos utilizado para nada los grupos que
pretendemos comparar.
7.3.2 Utilizando genefilter

En la anterior sección utilizamos funciones básicas de R para rea-
lizar la selección no específica. Podemos utilizar un paquete diseñado
para esto. El paquete genefilter [59] nos permite implementar distintos
procedimientos de filtrado independiente de un modo sencillo.
Seguimos utilizando los datos del ExpressionSet bcrneg. Supon-
gamos un procedimiento de filtrado no específico tan simple como el
siguiente: mantendremos aquellos genes tal que su nivel de expresión
es al menos de 200 en al menos 5 de las muestras. Para hacer esto con
el paquete [59, genefilter] hemos de realizar tres pasos:
1. Crear la función que implementa cada criterio de filtrado.
2. Combinar todos los criterios de filtrado en una única función.
3. Aplicar la función de filtrado final a la matriz de expresión.
El siguiente código implementa todo el procedimiento.
library(Biobase)
library(genefilter)
f1 = kOverA(5, 5.468801)
ffun = filterfun(f1)
wh1 = genefilter(exprs(bcrneg), ffun)
Finalmente podemos ver cuántos genes permanecen en nuestro es-

tudio. Son aquellos que tiene el valor de wh1 igual a TRUE.
table(wh1)
## wh1
## FALSE TRUE
## 4736 7889
Vamos a incorporar los otros dos criterios comentados previamen-
te. Primero necesitamos una función que nos diga si la desviación
estándar supera el valor c.
Primero vemos el modelo que nos ofrece la función kOverA.
kOverA = function (k, A = 100, na.rm = TRUE)

{
function(x) {
if (na.rm)
x = x[!is.na(x)]
sum(x > A) >= k
}
}
Y nos definimos algo similar utilizando la desviación estándar.
sdOverc = function (c, na.rm = TRUE)

{
function(x) {
if (na.rm)
x = x[!is.na(x)]
sd(x) >= c
}
}
Y ahora otra función que evalúe si el rango intercuartílico supera

un cierto valor.
iqrOverc = function (c, na.rm = TRUE)

{
function(x) {
if (na.rm)
x = x[!is.na(x)]
IQR(x) >= c
}
}
f1 = kOverA(5, 200)
f2 = sdOverc(150)
f3 = iqrOverc(72)
ffun = filterfun(f1,f2,f3)
wh123 = genefilter(exprs(bcrneg), ffun)
¿Qué genes verifican este criterio de preselección?
table(wh123)
## wh123
## FALSE
## 12625
7.4. FOLD-CHANGE 139
7.3.3 Utilizando nsFilter

Supongamos que queremos aplicar la siguiente selección nos vamos
a quedar con aquellas sondas tales que el rango intercuartílico (para
todas las muestras) es mayor que la mediana de los rangos intercuar-
tílicos. Luego vamos a necesitar conocer la anotación de los genes. Si
esto es así podemos filtrar aquellos genes de los cuales desconocemos
su anotación. Para ello necesitamos conocer primero el paquete de
anotación que utilizan nuestros datos.4
annotation(ALL)
## [1] "hgu95av2"
Por tanto hemos de cargar este paquete.
library(hgu95av2.db)
Realizamos el filtrado correspondiente.5
bcrneg.filt1 = nsFilter(bcrneg,var.func=IQR,var.cutoff=0.5,
require.GOBP=TRUE)
La función que utilizamos para medir variabilidad podemos ir mo-

dificándola. Por ejemplo, podemos sustituir var.func por la varianza
o por la desviación estándar. Así podríamos realizar
bcrneg.filt2 = nsFilter(bcrneg,var.func=sd,var.cutoff=0.5,
require.GOBP=TRUE)
¿Cómo podemos combinar ambas selección? Utilizando la función

nsFilter tenemos un ExpressionSet. Una manera simple puede ser
la siguiente.
sel = intersect(featureNames(bcrneg.filt1),
featureNames(bcrneg.filt2))
Y nuestro ExpressionSet filtrado sería
bcrneg1 = bcrneg[sel,]
Y ya podemos seguir trabajando con los genes que hemos filtrado.
7.4 Fold-change
144 144
Queremos comparar dos grupos. Denotamos los valores de ex- Lo que comentamos en
presión originales con xij (respectivamente yij ) para la i-ésima carac- esta sección me ha costado
terística en la j-ésima muestra del primer grupo (respectivamente del de entender una enfermedad.
segundo grupo). A los logaritmos (en base 2 o log2) de los valores ori- Lo primero el porqué de uti-
ginales los denotamos por uij = log2 (xij ) y vij = log2 (yij ). Para cada lizarlo y luego que hay una
4 En http://www.bioconductor.org/packages/release/data/annotation/ te-
indefinición en el término en
nemos un listado de paquetes de anotación.
la literatura. Vamos a inten-
5 Observemos que ahora no pasamos la matriz de expresión sino el ExpressionSet tar aclarar qué significa an-
mismo. tes de que se me olvide. Por-

que mucho interés en usarlo
no tengo.
gen, tendremos una expresión media ∑npara la i-ésima característica en

xij
cada uno de los dos grupos x̄i· = j=1 1
n1 para la media en el pri-
mer grupo. Similarmente definimos ȳi· , ūi· , v̄i· . ¿Qué se entiende por
fold-change? Dos son las interpretaciones de este valor. La primera
([141]) lo define como
(1) x̄i·
F Ci = . (7.1)
ȳi·
Lo definimos como el cociente de las medias de las expresiones en
la escala original. La segunda definición (que no es equivalente a la
primera) es
(2)
F Ci = ūi· − v̄i· , (7.2)
tenemos la diferencia de las medias de las log2 expresiones.
145
Que no es estadístico y Un procedimiento145 que se ha utilizado frecuentemente en la li-
que por tanto no vamos a teratura de microarrays consiste en tomar el log2 del fold-change en
considerar en este manual. la definición 7.2, el valor
( )
(1) x̄i·
log2 F Ci = log2 .
ȳi·
Si el módulo del cociente anterior es mayor que una constante positiva
c (c > 0) entonces diríamos que el gen i se sobre expresa en el grupo
1 en relación con el grupo 2 ya que
( )
x̄i·
log2 ≥ c.
ȳi·
y se sigue que
x̄i·
≥ 2c .
ȳi·
( )
Si log2 x̄1
x̄2 < −c entonces tendremos que
x̄i·
≤ −2c ,
ȳi·
o bien que
ȳi·
≥ 2c .
x̄i·
En este segundo caso el gen i se sobre expresa en el grupo 2 en relación
con el primer grupo. El término que se utiliza es sobre regulación
146
Up (down) regulation. en el primer caso y de infra regulación en el segundo.146 Se utiliza
con mucha frecuencia. Es sencillo, entendible y fácil de usar. Pero
no es una buena opción. Lo fundamental, no se tiene en cuenta la
variabilidad de las medias que estamos comparando. Una opción más
correcta la vemos posteriormente en este tema y es la utilización de
un test de la t para comparar las medias de las dos poblaciones que
estamos comparando. O versiones modificadas del t-test clásico como
la propuestas en [141] o en [129] en donde esencialmente se modifica
la estimación del error estándar.
7.5 Los peligros de la selección no especí-

fica
En este tema hemos presentado como habitual la combinación de
una selección no específica o independiente de genes con un análisis
7.6. EXPRESIÓN DIFERENCIAL DE UN SOLO GEN 141
posterior marginal de los genes que no han sido seleccionados utili-

zando procedimientos de corrección por comparaciones múltiples. Es-
te procedimiento, aún habitual en la literatura, tiene sus riesgos. Un
trabajo de gran interés a consultar sobre este problema es [21].
7.6 Expresión diferencial de un solo gen

Seguimos trabajando con los datos golub. Cargamos los datos.
library(Biobase)
Vamos a comparar la expresión observada de un gen para enfermos

(esclerosis múltiple) y para sanos. La variable fenotípica que nos indica
si la muestra corresponde a enfermo o sano es
y0 = pData(gse21942)[,"FactorValue..DISEASE.STATE."]
Pretendemos fijarnos en un gen y ver cómo comparamos los niveles

de expresión. En concreto nos fijamos en el gen que ocupa la primera
fila de la matriz de expresión. Esta es la información que tenemos del
mismo.
fData(gse21942)[1,]

## 1 1007_s_at 780 ENSG00000204580 DDR1
## GO EVIDENCE ONTOLOGY
## 1 GO:0001558 IEA BP
Guardamos los niveles de expresión en DDR1.
DDR1 = exprs(gse21942)[1,]
En la figura 7.1(a) mostramos los datos para las distintas muestras

(con distintos colores y caracteres distintos).
df=data.frame(id = 1:ncol(gse21942),expression = DDR1,type = golub.cl)
ggplot(df,aes(x= id,y = expression,color = type)) + geom_point()
Sabemos que hay dos grupos de pacientes. Podemos representar

dos diagramas de cajas que nos den una comparación sencilla de los
niveles de expresión para los dos grupos. Lo tenemos en figura 7.1(b).
df=data.frame(id = 1:ncol(gse21942),expression = DDR1,type = y0)

ggplot(df,aes(x= id,y = expression,color = type)) + geom_boxplot()
También trabajaremos con las expresiones de THRA que aparece

en la fila 7 de la matriz de expresión de tamidata::gse21942.
(a) (b)
(c) (d)
Figura 7.1: a) Perfil de expresión para el gen DDR1 utilizando casos y controles. b) Diagrama de cajas para gen DDR1
en los dos grupos. c) Perfil de expresión para el gen THRA en los dos grupos. d) Diagrama de cajas para gen DDR1
en los dos grupos.
7.7. COMPARAMOS DOS CONDICIONES 143
fData(gse21942)[7,]

## 332 1316_at 7067 ENSG00000126351 THRA
## GO EVIDENCE ONTOLOGY
## 332 GO:0000976 IEA MF
Guardamos los datos en THRA.
THRA = exprs(gse21942)[7,]
En las figuras 7.1(c) y 7.1(d) mostramos el perfil de expresión de

este gen diferenciando las expresiones según el tipo de leucemia y el
correspondiente diagrama de cajas.
df=data.frame(id = 1:ncol(gse21942),expression = THRA,type = y0)

ggplot(df,aes(x= id,y = expression,color = type)) + geom_point()
ggplot(df,aes(x= id,y = expression,color = type)) + geom_boxplot()
Este es el problema planteado: dos grupos de valores indicando los

niveles de expresión bajo dos condiciones y la pregunta fundamental a
responder es: ¿son ambos grupos de valores, ambos grupos de niveles
de expresión, similares entre sí o difieren claramente uno de otro?
Estamos con lo que en Estadística se conoce como la comparación de
dos poblaciones: cada población corresponde con una condición. En
?? recordamos el test de la t (o simplemente t-test) para comparar
muestras independientes.
7.7 Comparamos dos condiciones

Tenemos datos relativos a niveles de expresión bajo dos condiciones
experimentales. En nuestro caso, la condición experimental me indica
el tipo de leucemia. Denotamos por X el nivel de expresión aleatorio
que observamos bajo la primera condición y por Y lo mismo pero con
la segunda condición.
Supongamos que asumimos que ambos tienen una distribución
normal con medias y varianzas posiblemente distintas. Es decir, asu-
mimos que X ∼ N (µX , σX 2
) y que Y ∼ N (µY , σY2 ). También asu-
mimos que tenemos una muestra aleatoria de X: X1 . . . , Xn variables
aleatorias independientes y con una misma distribución. Y otra mues-
tra de Y : Y1 . . . , Ym variables aleatorias independientes y con la dis-
tribución. En § 25.3.2 se estudia con detalle los contrastes de hipótesis
de comparación de medias de dos poblaciones normales.147 Utilizamos 147 El capítulo § 25 está de-
los datos tamidata::gse21942. dicado a esta cuestión.
Con genefilter::rowttests
Utilizamos genefilter::rowttests.
tt = genefilter::rowttests(gse21942,pData(gse21942)[,"FactorValue..DISEASE.STATE."])
Veamos las primeras filas de la salida.
head(tt)
## statistic dm p.value
## 1007_s_at -2.29869931 -0.15981906 0.029492008
## 1053_at 3.44084102 0.20940361 0.001901206
## 117_at -0.08505071 -0.01110444 0.932848609
## 121_at -0.53362792 -0.02274832 0.597965094
## 1255_g_at -1.01536731 -0.04339509 0.318943716
## 1294_at -1.05030996 -0.07873761 0.302886126
Cada fila corresponde a un gen. La primera columna (statistic)

nos muestra el estadístico t del contraste de hipótesis para la igualdad
de las medias (por defecto asume varianzas iguales). La segunda co-
lumna (dm) nos muestra la diferencia de medias y la última columna
(p.value) nos da el p-valor del contraste.
Para cada gen tenemos pues un p-valor. ¿Podemos seguir aplicando
el criterio de rechazar la hipótesis nula cuando el p-valor es inferior al
nivel de significación α previamente elegido?
Si lo hacemos en este ejemplo, ¿cuándo tests mostrarían una ex-
presión diferencial entre ambos grupos?
table(tt[,"p.value"] < 0.05)
##
## FALSE TRUE
## 37561 17114
Como vemos tenemos demasiados genes que muestran expresión

diferencial. Y no parece muy razonable esto. ¿Con qué problema nos
estamos encontrando? El nivel de significación α es una cota superior
del error tipo I cuando realizamos un solo test. Pero no estamos apli-
cando un solo test. En concreto con estos datos acabamos de realizar
3051 tests que además son dependientes entre si. Estamos rechazan-
do muchas hipótesis nulas (no diferencia entre grupos para cada gen)
cuando no deberíamos de hacerlo.
Sin embargo, cuando realizamos muchos test: ¿qué es el error tipo
I? Ya no es claro cómo cuantificamos los errores que cometemos y,
de hecho, tenemos que definir nuevas tasas de error para cuantificar
y, sobre todo, controlar los errores que cometemos cuando realizamos
simultáneamente muchos tests.
Ej. 17 — Utilizando los datos tamidata::gse1397 y el factor pData(gse1397[,"type"]
realizar un análisis de expresión diferencial marginal
Con GeneSelector::RankingTstat
Vamos a obtener todos los t-tests con GeneSelector::RankingTstat.
pacman::p_load(GeneSelector)
ordT = RankingTstat(exprs(gse21942),pData(gse21942)[,"FactorValue..DISEASE.STATE."],
type="unpaired")
7.8. COMPARANDO MÁS DE DOS CONDICIONES 145
¿Qué clase nos devuelve?
class(ordT)
## [1] "GeneRanking"
## attr(,"package")
## [1] "GeneSelector"
Los Slots que contiene esta clase GeneRanking son los siguientes.
getSlots("GeneRanking")
## x y statistic ranking
## "matrix" "factor" "numeric" "numeric"
## pval type method
## "vector" "character" "character"
En particular tenemos el método show.
show(ordT)
## Ranking by ordinaryT,
## number of genes: 54675.
Con toplist tenemos
toplist(ordT)
## index statistic pval

## 1 37952 12.48294 1.000755e-12
## 2 34497 -12.33016 1.330269e-12
## 3 35846 -11.22211 1.131872e-11
## 4 10395 11.01843 1.703682e-11
## 5 2740 -10.91684 2.093037e-11
## 6 44792 10.86605 2.320943e-11
## 7 54126 -10.75827 2.893130e-11
## 8 32495 -10.74854 2.951439e-11
## 9 19131 10.61269 3.904854e-11
## 10 11672 10.59116 4.082890e-11
Ordena las filas atendiendo al p valor (pval) o bien al módulo de

del estadístico. Como vemos nos devuelve la posición del gen en el
ExpresssionSet original, el valor del t-estadístico y el p-valor.
7.8 Comparando más de dos condiciones

En todo lo anterior hemos considerado la situación más habitual.
Tenemos las muestras clasificadas en dos grupos o condiciones y pre-
tendemos determinar aquellos genes que se expresan de un modo dis-
tinto entre ambas condiciones, que se expresan diferencialmente. Sin
embargo, podemos tener más de dos grupos y pretender realizar un
análisis similar. Esto nos conduce al análisis de la varianza (o abre-
viadamente anova). Vamos a recordar brevemente qué es y cómo se
aplica un análisis anova.
Supongamos que tenemos I condiciones

∑I distintas y en cada una de
ellas ni muestras de modo que i=1 ni = n, el total de muestras de
las que disponemos. Supongamos que Yi denota la expresión aleatoria
de un gen bajo la condición i. Se asume que
Yi ∼ N (µi , σ 2 ),
es decir, que dicha expresión aleatoria se distribuye como una normal

con media dependiente (posiblemente) de la condición pero con una
148
Recordemos que en el ca- varianza común σ 2 .148 La no existencia de expresión diferencial en-
so de dos grupos podemos tre las condiciones se traduce, asumiendo este modelo probabilístico,
asumir o no una misma va- en que las expresiones medias son la misma. En definitiva, no existe
rianza. expresión diferencial es equivalente (bajo el modelo) a
H0 : µ 1 = . . . = µ I , (7.3)
H1 : Existe i ̸= j µi ̸= µj . (7.4)
Supongamos que, para un gen dado, denotamos por yij la j-ésima

muestra observada bajo la condición i (i = 1, . . . , I y j = 1, . . . , ni ).
Se consideran las sumas de cuadrado intra
∑
I ∑
ni
SS(Intra) = (yij − ȳi· )2
i=1 j=1
y la suma de cuadrados entre como
∑
I
SS(Entre) = ni (ȳi· − ȳ·· )2
i=1
El estadístico para contrastar esta hipótesis nula es
SS(Entre)/(I − 1)
F =
SS(Intra)/(n − I)
Bajo la hipótesis nula de que todas las medias son la misma (y pues-
to que asumimos una misma varianza) tendríamos una distribución
común bajo todas las condiciones. Asumiendo la hipótesis nula el es-
tadístico F se distribuye como un F con I-1 y n-I grados de libertad,
F ∼ FI−1,n−I .
Ejemplo 7.1 (Anova con R) Lo ilustramos la expresión bajo di-

ferentes condiciones de un gen de los datos de expresión gse20986
(§ 5.11).
Seleccionamos un gen cualquiera.
y = exprs(gse20986)[678,]
y realizamos un análisis de la varianza.
summary(aov(y ~ pData(gse20986)[,"tissue"]))
7.9. EJERCICIOS 147
## Df Sum Sq Mean Sq
## pData(gse20986)[, "tissue"] 3 0.005309 0.001770
## Residuals 8 0.020212 0.002527
## F value Pr(>F)
## pData(gse20986)[, "tissue"] 0.7 0.578
## Residuals
De acuerdo con el p-valor observado no rechazaríamos la hipótesis

nula a ninguno de los niveles de significación habituales (0.05 o 0.01).
En el siguiente ejemplo analizamos, buscando diferencias entre cual-

quier par de grupos (tejidos en el ejemplo).
Ejemplo 7.2 (GSE20986) Vamos a realizar un análisis de expre-
sión diferencial de los datos gse20986. Cargamos paquetes necesarios
library(multtest)
library(genefilter)
Tenemos cuatro grupos. Tenemos interés en la comparación entre

todos los grupos (tejidos) al mismo tiempo. En definitiva buscamos
aquellos genes que muestran una expresión diferencial entre al menos
dos de los grupos. Un posible planteamiento es el modelo de análisis
de la varianza y la comparación entre los grupos se reformula como
una comparación entre valores medios.6 Esto supone una comparación
simultánea de las medias de los cuatro grupos y esto se realiza con un
análisis de la varianza.
Calculamos los p-valores con la función genefilter::rowFtests.
gse20986.aov =
rowFtests(gse20986, pData(gse20986)[,"tissue"])
Por ejemplo, vemos los dos primeros valores.
head(gse20986.aov,n=2)
## statistic p.value
## 1007_s_at 9.782456 0.004715281
## 1053_at 14.144595 0.001455658
7.9 Ejercicios
Ej. 18 — Con los datos multtest::golub y utilizando las funciones
base::apply, stats::sd, stats::IQR se pide:
1.Determinar para cada gen (esto es, las expresiones de una fila
dada) el rango intercuartílico.
2.Una vez hemos calculado el rango intercuartílico para gen calcu-
lar el percentil de orden 0.50 (o mediana).
3.Determinar las filas correspondientes a los genes cuyo rango in-
tercuartílico supera el percentil que hemos calculado en el apar-
tado anterior.
6 No es la única opción. Podríamos usar una opción no paramétrica.
4.Determinar aquellas filas donde al menos 10 muestras de las 38

superan una expresión de 0.
5.Seleccionar en la matriz de expresión golub las filas que verifican
los criterios dados en los puntos 3 y 4.
Ej. 19 — Utilizando el paquete [59, genefilter] se pide diseñar un

filtrado no específico para los datos multtest::golub y que seleccione
los genes atendiendo a los siguientes criterios:
1.Determinamos para cada gen el coeficiente de variación.
2.Determinamos el percentil 0.90 del los coeficientes de variación
para todos los genes.
3.El coeficiente de variación ha de superar el percentil 0.9 de los
coeficientes de variación observados.
4.Repetimos los puntos anteriores sustituyendo el coeficiente de
variación por el nivel de expresión medio.
5.Conservamos los genes que verifican los dos criterios de selección.
Ej. 20 — Realizar una selección no específica de los datos ALL uti-

lizando el paquete [59, genefilter]. Los criterios de selección son los
siguientes:
1.La mediana de los niveles de expresión del gen ha de superar el
percentil 0.9 de las medianas observadas para todos los genes.
2.El rango intercuartílico de los niveles de expresión del gen ha de
superar el percentil 0.9 de los rangos intercuartílicos observados
para todos los genes.
Capítulo 8
Comparaciones
múltiples
8.1 Introducción
Empezamos con algunos comentarios bibliográficos. Esta sección se
basa fundamentalmente en [40]. Sin embargo, un artículo a consultar
es [117].
Supongamos que nuestras muestras corresponden a dos grupos que
de un modo genérico podemos llamar casos y controles. Nuestro interés
no está en evaluar si uno o dos genes concretos se expresan de un modo
distinto entre las dos condiciones consideradas. Se pretende una visión
global. Pretendemos responder a una pregunta como: ¿qué genes se
expresan de un modo distinto (o diferencial en la jerga habitual en
esta literatura) en los dos grupos que consideramos? Tenemos miles
de genes: ¿cuáles de ellos tienen realmente una expresión diferencial?
Y, lo importante, pretendemos responder la pregunta de modo que
controlemos, de algún modo, las veces que admitimos una expresión
diferencial cuando no la tiene. ¿Qué contrastes de hipótesis estamos
evaluando? Si numeramos los genes con i = 1, . . . , N entonces para el
i-ésimo gen estamos considerando el contraste de hipótesis siguiente:
• Hi : El gen i no tiene una expresión diferencial entre las condi-
ciones consideradas.
• Ki : El gen i tiene una expresión diferencial entre las condiciones
consideradas.
El contraste anterior se puede reformular como
• Hi : La expresión del gen i no tiene asociación con la condición.
• Ki : La expresión del gen i tiene asociación con la condición.
1
Estos contrastes nos lo planteamos para cada uno de los N genes

que evaluamos. Denotemos por G = {1, . . . , N } el conjunto de hipó-
tesis nulas que estamos evaluando. El número de hipótesis que vamos
a contrastar es conocido a priori ya que corresponde con el número de
1 De este modo, creo que englobamos de un modo más natural el caso en que
consideramos asociada a las muestras una covariable que no sea necesariamente

un factor experimental con dos niveles.
149
150 CAPÍTULO 8. COMPARACIONES MÚLTIPLES
Hipótesis nula No rechazadas Rechazadas Total

Verdadera U V N0
Falsa T S N − N0 = N1
Total N-R R N
Tabla 8.1: Errores tipo I y II en contraste de múltiples hipótesis
genes que estamos evaluando. Denotamos por G0 (con G0 ⊂ G) las

hipótesis nulas que son ciertas. Denotamos por N0 = |G0 | el cardinal
del conjunto G0 . Notemos que el conjunto G0 es desconocido para no-
sotros. No sabemos ni cuántas ni cuáles son las hipótesis nulas ciertas.
Esto supondría que conocemos qué genes se expresan diferencialmente
y esto es precisamente nuestro objetivo. La situación en la en que nos
encontramos viene descrita en la tabla 8.1 (de [14]).
En esta tabla conocemos N , esto es, el número de contrastes de
hipótesis. Una vez hemos realizado todos los contrastes y tomado una
decisión sobre si rechazamos o no cada hipótesis nula podemos ob-
servar R que nos indica cuántas hipótesis nulas hemos rechazado.
Obviamente R es una variable aleatoria. Distintos datos nos darán
distintos valores de R. Los valores de S, T, U, V son también alea-
torios. Sin embargo, estas variables no son observables. La variable
aleatoria V nos está dando el número (desconocido) de falsos positi-
vos o errores tipo I (no hay expresión diferencial pero decidimos que
la hay de un modo erróneo) mientras que T nos da el número de falsos
negativos o error tipo II (genes que se expresan diferencialmente pero
no admitimos que no lo hacen). Ambas variables indican error y son
importantes.
Cuando realizamos un solo contraste el procedimiento consiste en
fijar una cota al error tipo I, el nivel de significación, con un valor
determinado que solemos denotar por α. Supongamos que denotamos
por pi el p-valor asociado al i-ésimo contraste. Entonces si aplicamos
la regla de rechazar Hi cuando pi ≤ α y en otro caso aceptarla (o
no rechazarla como se prefiera). Con este procedimiento sabemos que
tenemos controlado el error tipo I para el contraste i-ésimo a un
nivel α. Pero, y esto es fundamental, solamente para el ese contraste.
No sabemos nada de lo que ocurre simultáneamente para todos los
contrastes. Supongamos que tenemos un estadístico Ti que utilizamos
para contrastar Hi y supongamos además que rechazamos la hipótesis
nula para valores grandes de |Ti |2 En este caso tendremos un valor
cα tal que rechazamos la hipótesis Hi cuando {|Ti | > cα } y se tendrá
que
P (|Ti | > cα |Hi ) = α.
Esto es, la probabilidad de rechazar cuando es cierta la hipótesis nula
es α. O la probabilidad de no rechazar cuando es cierta la hipótesis
nula Hi será de 1 − α, es decir,
P (|Ti | ≤ cα |Hi ) = 1 − P (|Ti | > cα |Hi ) = 1 − α.
Cuando realizamos simultáneamente muchos contrastes nos pode-

mos equivocar rechazando la hipótesis nula cuando no lo es en más
de una ocasión. De hecho, el número de hipótesis nulas falsamente
2 Una situación así la tenemos cuando observamos las muestras bajo dos condi-
ciones distintas y utilizamos un test de la t de comparación de medias.

8.1. INTRODUCCIÓN 151
rechazadas es una variable aleatoria que denotamos por V y nos da

el número de veces que rechazamos la hipótesis nula erróneamente.
Nuestro interés es que la variable aleatoria V tome valores pequeños
con probabilidades altas.
Las distintas medidas de error que se utilizan esencialmente cuan-
tifican valores asociados a las variables que hemos definido en la tabla
8.1. Se habla de tasas de error tipo I abandonando la expresión de
error tipo I utilizada con un solo test. Son extensiones del único error
tipo I que se nos plantea cuando realizamos un solo contraste.
Tasa de error por comparación 3 Por E(V ) denotamos la media

o valor medio de la variable V . Se define la tasa de error por
comparación como el cociente entre la media de V y el número
de contrastes.
E(V )
P CER = ,
N
es la proporción esperada de errores tipo I entre las m decisiones
que tomamos.
4
FWER: Tasa de error global
Esta medida de error es la que tiene una mayor tradición en
Estadística. Quizás es la forma natural de pensar: no quiero
equivocarme nunca rechazando una hipótesis nula cuando es
cierta. La definimos como
F W ER = P (V > 0) = P (V ≥ 1).
Sin duda es la medida ideal. Ningún error. Esto tiene un pago.

Es un criterio muy exigente si tenemos un número de hipótesis
N muy grande. Notemos que nos fijamos en cometer al menos un
error cuando con frecuencia tendremos decenas de miles de con-
trastes. Esto puede parecer algo bueno pero también estaremos
construyendo tests que procurarán no rechazar una hipótesis nu-
la salvo que tengan una evidencia contra ella muy grande. Pro-
cedimientos para contrastar miles de hipótesis nula y que hagan
pequeña esta tasa de error tenderán a ser muy conservadores.
Como (mala) contrapartida muchos genes que tendrán una ex-
presión diferencial realmente no serán detectados. O dicho de un
modo más técnico perderemos potencia en los contrastes donde
la potencia es la probabilidad de rechazar Hi cuando realmente
es falsa.
FDR: Tasa de falsamente rechazados 5 Se propuso en [14]. De

alguna manera se vió que la tasa FWER era demasiado exigente
y se trataba de conseguir procedimientos más potentes sin que
por ello dejaramos de tener una tasa de error razonable contro-
lada. Definimos la variable aleatoria Q = V /R si R > 0 y Q = 0
en otro caso. Esta variable simplemente nos da la proporción de
test que rechazamos erróneamente. Rechazamos R de los cuales
V no debieran de ser rechazados, por tanto, nuestra propor-
ción de hipótesis nulas falsamente rechazadas es Q. Tenemos el
problema de si no rechazamos ninguna hipótesis. En este caso
3 Per-comparison error rate.
4 Familywise error rate.
5 False discovery rate.
tendremos 0/0. Lo que se hace es definir el cociente como cero.

Otra vez, Q es algo aleatorio, es una proporción aleatoria. ¿Qué
queremos controlar de este valor aleatorio? La conocida como
tasa de falsamente rechazados o false discovery rate denotada
como FDR y que se define como
( ) ( )
V V
F DR = E(Q) = E |R > 0 P (R > 0)+0×P (R = 0) = E |R > 0 P (R > 0),
R R
que nos da la proporción esperada de hipótesis erróneamente
rechazadas entre aquellas hipótesis que hemos rechazado. A la
tasa FDR la hemos llamada tasa de falsamente rechazados. Hay
una cierta confusión con la tasa de falsos positivos. Esta tasa
sería la proporción de hipótesis nulas que son ciertas y que son
rechazadas. Esto es, sería el valor medio de la variable V /N0 .
Por ejemplo, si tenemos una FDR de 5% entonces el 5% de las
hipótesis nulas que rechazamos son realmente ciertas. Si tene-
mos una tasa de falsos positivos del 5% entonces una media del
5% de las hipótesis nulas ciertas son erróneamente rechazadas.
Si tenemos p-valores pi y aplicamos simplemente la regla de re-
chazar Hi cuando pi ≤ α entonces tenemos una tasa de falsos
positivos α.
6
pFDR: Tasa de falsamente rechazados modificada Es una mo-
dificación de la anterior. Se define como
( )
V
pF DR = E |R > 0 .
R
Cuando tenemos un gran número de hipótesis nulas N entonces

la probabilidad de que rechacemos al menos una es prácticamen-
te segura, es decir, P (R > 0) ≈ 1 y por lo tanto ambas tasas de
error son también prácticamente iguales F DR ≈ pF DR. Defini-
mos la tasa pFDR porque está muy relacionada con el concepto
de q-valor que definimos más adelante.
En lo que sigue vamos a considerar distintos procedimientos para con-
trastar muchas hipótesis. Un procedimiento concreto se dice que con-
trola una tasa de error tipo I al nivel α cuando su tasa de error es
menor o igual que α cuando aplicamos el procedimiento para producir
una lista de R hipótesis nulas rechazadas o de genes declarados como
significativos. La tasa de error que utilizaremos fundamentalmente en
lo que sigue será la tasa FDR.
8.2 Control fuerte y control débil del error

Cuando hemos definido las tasas de error hemos considerado el
comportamiento aleatorio de V y R (conjunto y marginal de hecho).
Ese comportamiento aleatorio depende de qué hipótesis nulas son cier-
tas y qué hipótesis son falsas. Por ejemplo, cuando hemos definido
F W ER = P (V ≥ 1),
realmente la probabilidad depende de qué hipótesis nulas son ciertas
y qué hipótesis nulas son falsas. Lo correcto hubiera sido escribir:
F W ER = P (V ≥ 1 | ∩i∈M0 Hi ),
6 Positive false discovery rate.
8.3. RELACIÓN ENTRE LAS TASAS DE ERROR TIPO I 153
es decir, la probabilidad de rechazar al menos una hipótesis nula equi-

vocadamente condicionando a que se verifican las hipótesis de M0 .7
Un detalle importante es que cuándo controlamos una tasa de error
tipo I es saber qué hipótesis nulas asumimos que son ciertas. Un par
de definiciones que son importantes.
Definición 8.1 (Control fuerte) Se dice que un procedimiento de

contraste de múltiples hipótesis realiza un control fuerte de la tasa de
error tipo I elegida cuando dicha tasa de error es menor o igual que
el límite que especifiquemos para cualquier combinación de hipótesis
ciertas y falsas, en otras palabras, para cualquier subconjunto M0 ⊂
{1, . . . , m} de hipótesis ciertas (el resto las suponemos falsas).
Definición 8.2 (Control débil) Se dice que un procedimiento de

contraste de múltiples hipótesis realiza un control débil de la tasa de
error tipo I elegida cuando dicha tasa de error es menor o igual que
el límite que especifiquemos asumiendo que todas las hipótesis nulas
son ciertas. Asumimos pues que se verifica la hipótesis nula
H0C = ∩N
i=1 Hi .
En el control débil asumimos algo que no tiene muchos visos de reali-

dad. Estamos asumiendo que todas las hipótesis nulas son cier-
tas. Si pensamos en nuestro problema estamos diciendo que ningún
gen tiene una expresión diferencial entre condiciones. No sé pero mal
lo tenemos si es así. Parece poco realista asumir esto. Lo natural es
asumir que algunas hipótesis nulas son ciertas y otras falsas. Es decir,
que existe un conjunto N0 que nos da las que son ciertas y aquellos
que no están en N0 son falsas. ¿Y quién es N0 ? Ese es nuestro proble-
ma precisamente. En el control fuerte nos preparamos para cualquier
N0 sea el que sea. En lo que sigue cuando pongamos probabilidades
referidas a V (o cualquier otra variable) siempre han de entenderse
como probabilidades condicionadas a la realidad (desconocida para
nosotros), es decir, probabilidades condicionadas a ∩i∈N0 Hi siendo
N0 el conjunto de hipótesis nulas ciertas (en nuestro caso, los genes
que están en N0 no se expresan de un modo diferencial y sí lo hacen
los que no están en N0 ).
8.3 Relación entre las tasas de error tipo

I
En general se verifican las siguientes desigualdades:
P CER ≤ F DR ≤ F W ER.
Esto significa que si un procedimiento controla la FWER entonces

tenderá a rechazar menos hipótesis nulas, tenderá a ser más conser-
vador por tanto y, posiblemente, nos estaremos perdiendo genes que
tienen expresión diferencial y no lo apreciamos.
La aproximación clásica al problema de las contrastes múltiples se
basa en el control fuerte de la FWER. Una aproximación más reciente
propuesta en [14] consiste en controlar la FDR en un sentido débil.
7 Un detalle, no conocemos M0 .
8.4 p valores y p valores ajustados

Para cada contraste Hi tendremos un p-valor pi . En el test de la
t para comparar medias tenemos
pi = P (|Ti | ≥ ti |Hi ).
donde ti es el i-ésimo estadístico observado. A los p-valores pi los lla-

maremos p-valores originales. Podemos contrastar el contraste Hi con
un nivel de significación αi rechazando la hipótesis nula Hi si pi ≤ αi
y no rechazando en otro caso. Cuando consideramos simultáneamente
todos los tests los valores αi serán distintos y por ello tendríamos que
ir comprobando si la desigualdad pi ≤ αi se verifica o no. La idea
del p-valor ajustado es transformar el p-valor pi en otro valor p̃i , el
i-ésimo p-valor ajustado, de modo que sean equivalentes: pi ≤ αi y
p̃i ≤ α siendo α el valor que especificamos para controlar alguna de
las tasas de error tipo I.
8.5 Métodos que controlan la FWER

Veremos procedimientos que actúan en un solo paso y procedi-
mientos por pasos bien de bajada o de subida.
8.5.1 Los métodos en un solo paso

Veamos el ejemplo más conocido, es el método de Bonferroni. Su-
pongamos que tenemos el p-valor pi asociado al contraste Hi . Si so-
lamente estuvieramos contrastando la hipótesis Hi entonces rechaza-
mos con un error tipo I α si pi < α y aceptamos o no rechazamos en
otro caso. La modificación de Bonferroni es simple. Ahora tenemos en
cuenta que hay m contrastes y rechazamos Hi si
α
pi ≤ (8.1)
N
o, equivalentemente, si
N pi ≤ α. (8.2)
Si tenemos en cuenta que 0 < α ≤ 1 entonces la desigualdad 8.2 es
equivalente a que
min{N pi , 1} ≤ α. (8.3)
8
De este modo el p-valor ajustado será p̃i = min{N pi , 1}.
8 El método de Bonferroni controla la FWER de un modo débil. Veámoslo.
Denotemos por Ei el suceso consistente en que no rechazamos Hi o, si se prefiere,

aceptamos Hi . Se busca que P (∩N i=1 Ei | ∩i=1 Hi ) = 1 − α. Las probabilidades
N
que siguen se entienden que son condicionadas a que todas las hipótesis nulas son
simultáneamente ciertas. Tenemos
∑
N
i=1 Ei ) = 1 − P (∪i=1 Ei ) ≤ 1 −
P (∩N N c
P (Eic ). (8.4)
i=1
Pero P (Eic ) es la probabilidad de rechazar Hi siendo cierta ∩N

i=1 Hi . Supongamos
que consideramos una región crítica de tamaño α/m, es decir, P (Eic ) ≤ α/m.
Teniendo en cuenta 8.4 se sigue
∑
N
α
i=1 Ei ) ≤ 1 −
P (∩N P (Eic ) ≤ 1 − m . (8.5)
i=1
N
8.5. MÉTODOS QUE CONTROLAN LA FWER 155
Método de Bonferroni Este método nos da un control fuerte de la

FWER al nivel α. En este método rechazamos la hipótesis nula
Hi si el correspondiente p-valor sin ajustar es menor o igual a
α
N . El p-valor ajustado sería:
p̃i = min{N pi , 1}
Método de Sǐdák Nos permite un control débil del FWER. Los p-

valores ajustados son
p̃i = 1 − (1 − pi )N .
Asume la independencia de los p valores sin ajustar, en definiti-
va, asume la independencia de los tests. En nuestro contexto no
es muy asumible esta hipótesis pues los genes tienen expresiones
relacionadas, no independientes.
Método de minP en un solo paso Los p-valores ajustados son
( )
p̃i = P min Pl ≤ pi | Ho ,
C
1≤l≤N
siendo HoC la hipótesis nula completa (la intersección de todas

las hipótesis nulas) y Pl la variable aleatoria que nos da el p-
valor aleatorio de la l-ésima hipótesis.
maxT en un solo paso Podemos considerar como una opción alter-
nativa como el máximo de los valores de los estadísticos obser-
vados. Es el maxT en un solo paso donde los p-valores ajustados
son ( )
p̃i = P max | Tl |≥| ti || HoC ,
1≤l≤N
Los procedimientos basados en maxT o minP nos dan un control

débil de FWER.
En general, los métodos de un solo paso son simples de implementar
pero tiende a ser conservadores, esto es, tienden a no rechazar la hipó-
tesis nula. No son pues muy potentes en el sentido de detectar genes
con expresión diferencial. Los métodos por pasos son más potentes.
8.5.2 Los métodos por pasos de bajada

Los p-valores originales son p1 , . . . , pm . Los ordenamos de menor
a mayor:
p r1 ≤ p r2 ≤ . . . ≤ p rN .
Tendremos las correspondientes hipótesis nulas Hr1 ≤ Hr2 ≤ . . . ≤
HrN
Método de Holm Definimos
α
i∗ = min{i : pri > }
m−i+1
y rechazamos las hipótesis nulas Hri para i = 1, . . . , i∗ − 1. Si
no existe i∗ entonces rechazamos todas las hipótesis nulas. Si
consideramos los p-valores ajustados entonces vienen dados por
p̃ri = max {min{m − k + 1)prk , 1}}
k=1,...,i
El método de Holm es menos conservador que el método de

Bonferroni.
Método de Sǐdák por pasos de bajada Definimos los p-valores ajus-
tados como:
p̃ri = max {1 − (1 − prk )m−k+1 }.
k=1,...,i
min P por pasos de bajada Se definen los p-valores ajustados co-

mo:
{ ( )}
p̃ri = max P min Pl ≤ prk | HoC
k=1,...,i l∈{rk ,...,rm }
max T por pasos de bajada Los p-valores ajustados son:

{ ( )}
p̃ri = max P max | Tj |≥| trk || Ho
C
k=1,...,i l∈{rk ,...,rm }
donde |tr1 | ≥ |tr2 | ≥ . . . ≥ |trN | son los estadísticos ordenados.
8.5.3 Método por pasos de subida

Vamos a ver el método de Hochberg. Se pretende, como en los
anteriores, controlar el FWER a un nivel α. Consideramos
α
i∗ = max{i : pri ≤ }
m−i+1
y se rechazan las hipótesis nulas Hri para i = 1, . . . , i∗ . Los p-valores
ajustados de Hochberg son
{ }
p̃ri = min min{(m − k + 1)prk , 1} .
k=i,...,N
Este procedimiento es una versión en sentido inverso del procedimien-

to de Holm.
8.6 Métodos que controlan el FDR

Los métodos de la sección anterior controlan el FWER. En resu-
men estamos controlando el no cometer ningún error tipo I (admitir
un gen con expresión diferencial cuando no la tiene). Esto produce pro-
cedimientos conservadores. En [14] se propuso la idea de que cuando
contrastamos muchas hipótesis podemos tolerar algunos errores tipo
I, siempre que el número de estos errores sea pequeño en relación con
el número de hipótesis que se rechazan. Esta es la idea de controlar
el FDR. Dos son los procedimientos que vamos a ver para controlar
esta tasa.
Benjamini y Hochberg Este procedimiento fue propuesto en [14].
Siendo pr1 ≤ . . . ≤ prN son los p-valores originales ordenados
entonces consideramos
i
i∗ = max{i : pri ≤ α}
N
y rechazamos Hri para i = 1, . . . , i∗ . Si no existe i∗ entonces no
rechazamos ninguna hipótesis. Los p-valores ajustados se definen
como { }
{N }
p̃ri = min min pr , 1 .
k=i,...,N k k
8.7. UTILIZANDO GENEFILTER Y P.ADJUST 157
Benjamini y Yekutieli Propuesto en [15]. Como en el anterior, pr1 ≤

. . . ≤ prN son los p-valores originales ordenados. En este caso
los p-valores ajustados se definen como
{ ∑N }
{ m j=1 1/j }
p̃ri = min min p rk , 1 .
k=i,...,N k
8.7 Utilizando genefilter y p.adjust

En esta sección incluimos análisis de expresión diferencial (mar-
ginal ) utilizando los paquetes [112, multtest] y [59, genefilter]. No
vamos a realizar en principio ninguna selección no específica y nos
planteamos trabajar con todos los genes.
8.7.1 Cálculo de p-valores ajustados

Calculamos los estadísticos t (test de la t con varianzas distintas)
y los p-valores asociados.
Utilizamos los datos tamidata::gse1397.
data(gse1397,package ="tamidata")
eset = gse1397; y = pData(gse1397)[,"type"]
Aplicamos los t-test’s para cada gen.
tt = genefilter::rowttests(eset,y)
Los p-valores originales los guardamos en p0.
p0 = tt[,"p.value"]
Supongamos que vamos a utilizar el método de Benjamini-Hochberg.

Entonces pasamos de los p-valores originales (raw p-values) a los p-
valores ajustados con la función stats::p.adjust.
p.BH = p.adjust(p0, method = "BH")
Podemos incorporar los p-valores ajustados al data.frame original.
tt1 = data.frame(tt,p.BH)
Podemos utilizar otros procedimientos de ajuste. Para ver las op-

ciones lo mejor es consultar la ayuda de stats::p.adjust.
8.7.2 Genes con expresión diferencial

Lo primero es fijar una tasa de error α. En concreto podemos
considerar el valor α = 0.05.
alpha = 0.05
Consideremos los p-valores ajustados utilizando Benjamini-Hochberg

manteniendo el orden original de la matriz de expresión. Observad
que la segunda columna tiene los p-valores ajustados por el método
Benjamini-Hochberg.
p1 = p.adjust(p0, "BH")
Los genes significativos, esto es, aquellos que tienen un p-valor

ajustado menor a la tasa especificada ocupan las siguientes filas de la
matriz de expresión.
(significativos.BH = which(p.BH < alpha))
## [1] 346 1170 1853 6303 7889
¿Cuántos eran significativos con los p-valores originales?
significativos.p0 = which(p0 < alpha)

length(significativos.p0)
## [1] 902
8.8 El q-valor
Esta sección se basa en [133]. Supongamos que ordenamos de me-
nor a mayor los p-valores calculados para los distintos contrastes.
p(1) ≤ . . . ≤ p(N )
Cuando hacemos este ordenamiento, como hemos visto en los pro-

cedimientos anteriores, declarar significativo uno de estos p-valores
supone declarar significativos a todos los que son menores o iguales
que él. Los métodos anteriores buscaban un punto de corte para es-
tos p-valores ordenados. Por debajo de este punto de corte admitimos
que los genes se expresan diferencialmente (rechazamos al hipótesis
nula correspondiente) y por encima aceptamos la hipótesis nula. La
idea del q-valor es asociar a cada test un valor numérico que nos di-
ga lo extremo que es su p-valor considerando el resto de p-valores.
De un modo intuitivo, si consideramos un test determinado nos da la
proporción esperada de falsos positivos en la que incurrimos cuando
declaramos significativo ese test.
¿Qué es el q-valor?
Posiblemente el mejor modo de entender qué es el q-valor sea ver
un buen procedimiento para estimarlo propuesto en [133] e implemen-
tado en el paquete [9, qvalue]. Fijamos un valor t y consideremos que
rechazamos Hi cuando Pi ≤ t.9 Consideremos los siguientes valores
V (t) = |{Pi : Pi ≤ t; Hi es cierta; i = 1, . . . , N }| (8.6)
y
R(t) = |{Pi : Pi ≤ t; i = 1, . . . , N }| (8.7)
Se puede aproximar la pFDR con
[ ]
V (t)
E
R(t)
9 Como es habitual denotamos por P el p-valor antes de ser observado, esto es,
i
el valor aleatorio antes de tomar los datos.
8.8. EL Q-VALOR 159
Tenemos un gran número de contrastes N por ello aproximadamente

se tiene que [ ]
V (t) EV (t)
E ≈ .
R(t) ER(t)
Podemos estimar R(t) simplemente contando el número de pi obser-
vados que son menores o iguales a t,
R̂(t) = |{pi : pi ≤ t}|
Para estimar V (t) hemos de tener en cuenta que si la hipótesis nula

Hi es cierta entonces el p-valor aleatorio Pi se distribuye uniforme en
el intervalo [0, 1] y por tanto la probabilidad de que sea menor o igual
a t es precisamente t,
P (Pi ≤ t|Hi ) = t.
Por tanto
EV (t) = N0 t.
Pero no conocemos N0 número de hipótesis nulas ciertas. Lo que
vamos a hacer es estimar la proporción de hipótesis nulas ciertas
π0 = N0 /N (notemos que el total de hipótesis, N , sí es conocido).
Bajo Hi , el p-valor aleatorio Pi es uniforme en [0, 1], por tanto los p-
valores correspondientes a hipótesis nulas ciertas se distribuyen sobre
todo el intervalo [0, 1], sin embargo, aquellos p-valores muy pequeños,
muy próximos a cero, es más probable que correspondan a hipótesis
nulas falsas. Fijamos un valor λ ∈ [0, 1], un estimador razonable para
π0 es
|{pi : pi > λ; i = 1, . . . , N }|
π̂0 = .
N (1 − λ)
Podemos pues estimar pFDR con
\ π̂0 N t
pF DR = .
|{pi : pi ≤ t}|
El q-valor asociado a un contraste sería el mínimo valor de pFDR
que se alcanza cuando el contraste es rechazado. Es decir, el q-valor
asociado al test i-ésimo sería
q(pi ) = min pF DR(t)

t≥pi
y su estimador sería
\
q̂(pi ) = min pF DR(t).
t≥pi
El estimador π̂0 depende de un valor λ. De hecho el procedimien-

to exacto no utiliza un valor λ concreto sino que estima utilizando
distintos valores y luego hace un ajuste tomando como estimador el
valor estimado a partir del ajuste en 1.
El algoritmo exacto es el siguiente:
1. Sean p(1) ≤ . . . ≤ p(N ) los p-valores ordenados.
2. Para un rango de valores de λ, por ejemplo, λ de 0 a 0.95 con
incrementos de 0.01 calculamos
|{pi : pi > λ; i = 1, . . . , N }|
π̂0 (λ) = .
N (1 − λ)
3. Determinamos fˆ el spline natural cúbico con 3 grados de libertad

a partir de los valores π̂0 (λ).
4. Fijamos como estimador de π0 el valor
π̂0 = fˆ(1).
5. Calculamos
π̂0 N t
q̂(p(m) ) = min = π̂0 p(N ) .
t≥p(N ) |{pi : pi ≤ t}|
6. Para i = N − 1, . . . , 1 calculamos
π̂0 N t π̂0 N p(i)

q̂(p(i) ) = min = min{ , q̂(p(i+1) )}.
t≥p(i) |{pi : pi ≤ t}| i
7. El q-valor estimado para el i-ésimo contraste más significativo

es q̂(p(i) ).
Calculando el q-valor
El método de estimación que hemos visto en § 8.8 está implemen-
tado en el paquete [9, qvalue].10
pacman::p_load("Biobase")
tt = genefilter::rowttests(gse1397,pData(gse1397)[,"type"])
pvalue = tt$p.value
Utilizamos el paquete [9, qvalue].
pacman::p_load(qvalue)
qobj = qvalue(pvalue)
Podemos ver una descripción gráfica con
plot(qobj)
que aparece en la figura 8.1. En concreto tenemos:
Arriba izquierda: Los distintos valores estimados de π0 , proporción

de hipótesis nulas ciertas, cuando variamos el valor de λ. El
valor estimado por el método antes propuesto nos da un 96.3%
de genes sin expresión diferencial.
Arriba derecha: La transformación que nos lleva de los p-valores

originales (ordenados de menor a mayor) a los q-valores.
Abajo izquierda: Para distintos puntos de corte para los q-valores

el número de genes que declaramos con expresión diferencial
significativa.
Abajo derecha: En abscisas el número de test significativos y en

ordenadas el número de falsos positivos esperado.
8.8. EL Q-VALOR 161
1.02 ● 5
● ●●●●
● ●
●
●
significant tests
●● 4
1.00 ●
●
^ 0(λ)
3
0.98
π
●
●
● 2
0.96
●
^ 0 = 0.955
π ● 1
0.00 0.25 0.50 0.75 1.00 0.01 0.02 0.03 0.04
λ q−value cut−off
expected false positives
0.04 0.20
0.15
q−value
0.03
0.02 0.10
0.05
0.01
0.00
0e+00 3e−06 6e−06 9e−06 1 2 3 4 5
p−value significant tests
Figura 8.1: Distintos gráficos asociados a un objeto qvalue::qvalue.

Si simplemente queremos los q-valores los obtenemos con
q.value = qvalue(pvalue)$qvalues
8.9 Ejercicios
Ej. 21 — Utilizando los datos tamidata::gse20986 se pide:
1.Seleccionar las muestras correspondientes a iris y huvec.
2.Aplicamos, a cada gen, un test de la t (asumiendo una misma
varianza). Obtener los t-estadísticos y los p-valores correspon-
149
Utilizad genefil- dientes. 149
ter::rowttests. 3.Utilizando el método de corrección de Benjamini-Hochberg ob-
150
Utilizad [112, multtest]. tener los p-valores ajustados.150
4.Si utilizamos un valor de FDR igual a 0.05: ¿qué genes declara-
mos como significativos?
5.Repetir los apartados anteriores comparando los muestras co-
rrespondientes a retina y huvec.
6.Repetir los apartados anteriores comparando las muestras co-
rrespondientes a coroides y huvec.
7.Utilizando la función base::intersect y la función Biobase::featureNames
determinar los genes comunes a cada par de comparaciones y los
comunes a las tres comparaciones.
Ej. 22 — Vamos a utilizar los datos tamidata::gse1397. Vamos a

realizar un estudio de expresión diferencial marginal comparando las
personas con y sin la trisomía del cromosoma 21.
1.Aplicamos, a cada gen, un test de la t (asumiendo una misma
varianza). Obtener los t-estadísticos y los p-valores correspon-
dientes.
2.Si aplicamos la regla de decisión consistente en admitir una ex-
presión diferencial cuando el p-valor es menor que α = 0.05:
¿cuántos y qué genes son declarados significativos?
3.Utilizando los métodos de corrección de Bonferroni y de Benjamini-
Hochberg obtener los p-valores ajustados para cada uno de los
procedimientos.
4.Representar, en un mismo dibujo, los p-valores originales y los
ajustados obtenidos en el paso anterior. Utilizad tipos de línea y
colores diferentes para cada conjunto de p-valores.
5.Si utilizamos un valor de FDR igual a 0.05: ¿qué genes decla-
ramos como significativos utilizando la corrección de Benjamini-
Hochberg? ¿Y utilizando la corrección de Bonferroni?
6.¿Todos los significativos según Bonferroni lo son con Benjamini-
Hochberg? Comparar los grupos de genes significativos utilizando
las funciones base::intersect y Biobase::featureNames.
10 También se pueden bajar programas que no requieren R para distintos sistemas
operativos. Se puede encontrar en http://genomics.princeton.edu/storeylab/

qvalue/.
Capítulo 9
con microarrays
9.1 Método SAM

Es la abreviatura de Significance Analysis of Microarrays. Fue
propuesto en [141].1
9.1.1 El método
El conjunto de muestras, como es habitual, lo denotaremos como
por {1, . . . , n}. Empezamos con el caso en que pretendemos comparar
dos grupos. Esta información la podemos tener con un vector y =
(y1 , . . . , yn ) donde yj vale 1 si la muestra j está en el primer grupo y
vale 2 si la muestra en esa columna está en el segundo grupo. Para
un gen dado las expresiones del grupo 1 (o del grupo 2) corresponden
con los valores donde yj = 1 (respectivamente yj = 2). Consideramos
Jg = {j : yj = g} con g = 1, 2. Tendremos J1 y J2 donde Jg son
las muestras del grupo g con g= 1,2.2 Denotamos por n1 y n2 los
cardinales de J1 y J2 . Podemos denotar
∑
j∈Jg xij
x̄ig = x̄i,Jg =
ng
siendo ng el número de muestras en Jg . Para el i-ésimo gen conside-
ramos la diferencia relativa dada por
x̄i1 − x̄i2
di = (9.1)
si + s0
donde v
u ∑
u 2 ∑
si = ta (xij − x̄i,g )2 (9.2)
g=1 j∈Jg
1 Tiene un gran interés consultar la dirección http://www-stat.stanford.edu/
~tibs/SAM/. De hecho, no se puede entender el método tal cual se aplica hoy

a partir de la referencia original. Ha habido una gran evolución posterior del
procedimiento incluyendo el manejo de datos de secuencia. Existe una versión
comercial para su uso con Excel. En la parte de los detalles técnicos del manual de
la versión comercial se puede encontrar la explicación detallada del método y, por
lo tanto, de las salidas que realizan las funciones. Este manual técnico lo podemos
conseguir en http://www-stat.stanford.edu/~tibs/SAM/sam.pdf.
2 Notemos que J y J son una partición de {1, . . . , n} de modo que J ∪ J =
1 2 1 2
{1, . . . , n} y son disjuntos J1 ∩ J2 = ∅.
163
164CAPÍTULO 9. EXPRESIÓN DIFERENCIAL CON MICROARRAYS
y
1/n1 + 1/n2
a=
n1 + n2
Observemos que el estadístico di es el estadístico del contraste de
igualdad de medias o simplemente el t-estadístico al que le modifica-
mos el error estándar. ¿Para qué se hace esta modificación? Si el valor
si es muy pequeño entonces el valor di es muy grande. En valores
de expresión pequeños esto puede pasar. Los distintos valores di no
son comparables para los distintos genes (la expresión que utilizan los
propios autores es que no son intercambiables). Por ello se le suma
un valor s0 que estabiliza la varianza (y nos permite comparar los t-
valores entre si). Este valor hay que estimarlo o calcularlo a partir de
los propios datos (§ 9.1.2). Veamos el procedimiento enumerando los
pasos.
1. Calculamos los estadísticos di según la ecuación 9.1.
2. Ordenamos de menor a mayor los di ’s observados: d(1) ≤ . . . ≤

d(N ) de modo que d(i) es el i-ésimo menor.
3. Realizamos B permutaciones aleatorias del vector y que nos

indica el grupo de la columna. Para cada permutación calcu-
lamos los nuevos valores di y los denotamos por di (b). Orde-
namos, como antes, estos nuevos valores de menor a mayor:
d(1) (b) ≤ . . . ≤ d(N ) (b).
4. Calculamos, para las B permutaciones, el valor medio de estos

estadísticos ordenados, es decir, calculamos
∑
B
d(i) (b)
d¯(i) = .
B
b=1
Bajo la hipótesis nula de que no hay diferencias entre los dos

grupos los valores de d(i) y de d¯(i) debieran de ser similares.
5. Representamos gráficamente d(i) frente a d¯(i) .
6. Para un valor fijo positivo ∆, empezando en el origen y mo-

viéndonos a la derecha determinamos el primer i = i1 tal que
d(i) − d¯(i) > ∆. Todos los genes a la derecha de i1 son llamados
significativamente positivos (estos genes verifican la desigualdad
anterior). Del mismo modo, empezando en el origen y movién-
donos a la izquierda determinamos el primer i = i2 tal que
d¯(i) − d(i) > ∆. Todos los genes con la diferencia anterior más
a la izquierda de i2 los llamamos significativamente negativos.
Para cada ∆ definimos un punto de corte superior como
u(∆) = min{di : i es significativamente positivo}
y
l(∆) = max{di : i es significativamente negativo}
7. Para distintos valores de ∆, calculamos:
• El número total de genes significativos (como hemos visto

en el paso anterior).
9.1. MÉTODO SAM 165
• En la b-ésima permutación aleatoria hemos obtenido di (b)

con i = 1, . . . , N . Calculamos el número de genes falsamen-
te llamados en la aleatorización b-ésima como
cb = |{i : di (b) > u(∆) o di (b) < l(∆)}
Tendremos los valores cb con b = 1, . . . , B. Notemos que

los valores di (b) han sido calculados bajo la hipótesis de
no asociación, es cierta la hipótesis nula para cada gen. En
consecuencia debieran de estar en el intervalo [l(∆), u(∆)].
Calculamos la mediana y el percentil de orden 0.90 de los
valores cb con b = 1, . . . , B y los denotamos como q0.5 (c) y
q0.90 (c).
8. Vamos a estimar π0 , la proporción de genes sin expresión di-

ferencial, de genes que no se asocian con la covariable y. En
definitiva cuál es la proporción de hipótesis nulas ciertas.
(a) Calculamos los percentiles de orden 0.25 y 0.75, q0.25 y

q0.75 , de todos los valores di (b) que hemos obtenido reali-
zando las permutaciones: {di (s); i = 1, . . . , N ; s = 1, . . . , B}
(tenemos un total de N × B valores).
(b) Calculamos
|{di : di ∈ (q0.25 , q0.75 )}|

π̂0 =
N /2
donde {d1 , . . . , dN } son los d valores originales.

(c) Truncamos el valor de π̂0 en 1, es decir, consideramos
π̂0 = min{π̂0 , 1}.

3
9. Multiplicamos la mediana, q0.5 (c), y el percentil 0.9, q0.90 (c),

determinados en el paso 7 por π̂0 .
10. Elegimos un valor de ∆ y determinamos el conjunto de genes

significativos.
11. La tasa de falsos positivos FDR es estimada como el cociente en-

tre la mediana, q0.5 (c), (o el percentil 0.90, q0.90 (c)) del número
de genes falsamente llamados y el número de genes declarados
significativos.
12. El q-valor (que aparece en la salida de [138, samr]) es la tasa

pFDR cuando la lista de genes significativos está compuesta por
este gen y todos los genes que son más significativos que este.
Se calcula buscando cuál es el valor más pequeño de ∆ para el
ˆ
cual este gen es declarado como significativo. Si este valor es ∆
entonces la pFDR asociada a este valor es el q-valor asociado al
gen.
3 En la opción en que estamos comparando varios grupos que vemos más ade-
lante los valores de d son todos positivos y se trabaja con los percentiles 0 y 0.5.
9.1.2 Cálculo de s0
La selección de s0 se hace del siguiente modo:
1. Consideramos s = (s1 , . . . , sN ) las desviaciones estándar mues-

trales.
2. Sea qα (s) el percentil de orden α de los valores si . Definimos
(α) x̄i1 − x̄i2

di = .
si + qα (s)
3. Consideramos los percentiles qj/100 (s) con j = 1, . . . , 100.
4. Para cada α ∈ {0, 0.1, . . . , 1}:
(a) Se calcula
1 (α)
vj = M AD({di : si ∈ [qj/100 (s), q(j+1)/100 (s)]})
0.64
para j = 1, . . . , 100 donde MAD es la mediana de las des-
viaciones absolutas respecto de la mediana (§ 20.4).
(b) Calculamos el valor CV (α), el coeficiente de variación de
151
El coeficiente de varia- los valores vj .151
ción es el cociente de la me- (c) Se elige como valor de α: α̂ que minimiza CV (α).
dia y la desviación estándar.
(d) Finalmente tomamos para s0 : ŝ0 = qα̂ (s).
9.1.3 SAM con samr

Utilizamos los datos golub. Cargamos el paquete [138, samr].
pacman::p_load("samr")
Realizamos el análisis. Tenemos dos grupos y en el tipo de respues-

ta le indicamos la opción Two class unpaired. La variable que indica
el grupo ha de tomar valores 1 y 2. Vamos a tomar una tasa de falsa-
mente rechazados o FDR muy pequeña. En concreto, F DR = 0.001.
data(golub,package="multtest")
fac0 = golub.cl +1
samfit = SAM(golub,fac0,resp.type="Two class unpaired",
nperms=1000,fdr.output=.001)
¿Qué valor de ∆ se ha utilizado?
samfit$del
## delta
## 1.470792
¿Y qué genes encuentra el procedimiento significativo?
(sigtabla = samfit$siggenes.table)
9.1. MÉTODO SAM 167
Podemos comprobar en la salida anterior que diferencia entre genes

up y genes down. ¿Qué es un gen up en este paquete? Indica asociación
positiva entre expresión y la covariable y que nos indica el grupo (para
golub recordad que la covariable es golub.cl que codifica ALL como
0 y AML como 1). En definitiva un gen up es que tiene una media
mayor cuando la covariable es mayor, es decir, para los datos golub
que la media en el grupo AML (valor de golub.cl 1) es mayor que la
media en el grupo ALL (valor de golub.cl 0). Como es lógico los genes
down son lo contrario. También podemos ver, para cada uno de ellos:
el valor de di , su numerador y denominador, el cociente de las medias
y el q-valor.
Tenemos también una ilustración gráfica en donde en abscisas nos
muestra d¯i y en ordenadas di . La línea en trazo continuo indica la
línea donde d¯i = di . Las líneas en trazo discontinuo por arriba y por
abajo indican los genes up y los genes down. En la figura 9.1 podemos
ver los resultados.
plot(samfit)
## pdf
## 2
Podemos ver también una exploración de posibles valores para ∆

con
Figura 9.1: Método SAM utilizan-
head(samfit$delta.table,n=1) do [138, samr]. En negro los genes
no significativos. En rojo los genes
## delta # med false pos 90th perc false pos up que corresponden con asocia-
ción positiva con la covariable y
## [1,] 1.470792 0.5394952 3.776467 en verde los que tienen asociación
## # called median FDR 90th perc FDR cutlo negativa.
## [1,] 337 0.001600876 0.01120613 -2.675221
## cuthi
## [1,] 2.678885
9.1.4 SAM con otro tipo de covariables

Acabamos de utilizar este procedimiento en la comparación de dos
grupos. Este mismo procedimiento se puede adaptar a los casos en que
el vector y (covariable) nos indica la pertenencia de la muestra a más
de un grupo o bien es un valor numérico.
El método es el mismo modificando las definiciones de di y si dadas
en las ecuaciones 9.1 y 9.2.
Comparación de más de dos grupos Tenemos K grupos a com-

parar (K > 2) por lo que yj ∈ {1, . . . , K}. Supongamos que Jk
4
∑K en grupo k. Y suponga-
denota los índices de las observaciones
mos que nk es el cardinal de Jk ( k=1 nk = n). Utilizando la
notación de ?? definimos di como
ri
di = (9.3)
si + s0
4 Los conjuntos J son disjustos entre sí y su unión es el total de muestras, es
k
decir, ∪K
k=1 Jk = {1, . . . , n}.
con v
u ∑K
u ∑K
t k=1 nk
ri = ∏K nk (x̄i,Jk − x̄i· )2 (9.4)
k=1 nk k=1
y
v
u (∑ )∑
K ∑
u 1
K
1
si = t ∑K (xij − x̄i,Jk )2 . (9.5)
k=1 (nk − 1)
nk
k=1 k=1 j∈Jk
Covariable continua Supongamos que los valores de y son valores

numéricos en este caso definimos di como en 9.3 y los valores de
ri y si son ∑n
j=1 yj (xij − x̄i· )
ri = ∑n (9.6)
j=1 (yj − ȳ)
2
y
σ̂i
si = √∑ (9.7)
n
j=1 (yj − ȳ)2
donde √∑
n
j=1 (xij − x̂ij )2
σ̂i = , (9.8)
n−2
y
x̂ij = β̂i0 + ri yj , (9.9)

β̂i0 = x̄i· − ri ȳ. (9.10)
9.1.5 Ejercicios
Ejercicio 23
Utilizando los datos tamidata::gse20986 se pide:
1. Seleccionar las muestras correspondientes a iris y huvec.
2. Aplicar el método SAM y obtener el grupo de genes significati-

vos.
3. Comparar con el grupo obtenido en el apartado 4 del ejercicio

21.
Ejercicio 24
Utilizando los datos tamidata::gse20986 se pide determinar los ge-
nes significativos cuando comparamos los cuatro grupos considerados
en el estudio.
9.2 Limma
Hasta el momento nos hemos preocupado de estudiar la posible
asociación entre el perfil de expresión de un gen y una sola covariable
(o variable fenotípica). Nuestro mayor interés (aunque hemos consi-
derado otros casos sobre todo con el método SAM) ha estado en el
9.2. LIMMA 169
caso en que la covariable nos define dos poblaciones a comparar dos

tipos de cancer; una cepa mutante frente a una salvaje.
En este tema nos ocupamos de considerar la relación entre las
expresiones del gen y más de una covariable. Situaciones habituales
(y que consideramos aquí) será cuando tengamos las muestras clasifi-
cadas según dos criterios y queramos considerar el efecto simultáneo
sobre la expresión. Ejemplos concretos de esta situación son:
1. Consideramos dos cepas (salvaje y mutante) y las observamos
en varios instantes temporales. Supongamos que las muestras
que observamos en cada instante temporal son independientes.
Tenemos un diseño cruzado para cada gen.
2. Supongamos que tomamos muestras de un mismo individuo en
dos instantes temporales (antes y después de un tratamiento por
ejemplo). Además los individuos los tenemos clasificados en dos
grupos. Para cada individuo tenemos una muestra apareada.
Los diseños experimentales anteriores son habituales en la literatura y
los estudiamos en este tema. Y para ello se recurre a la teoría de mo-
delos lineales adaptada a este contexto particular. El paquete básico
en este tema es [130, limma]. 152 152
La viñeta de este paquete
es, en sí misma, un buen li-
9.2.1 El modelo limma bro y, sin duda, la referencia
a consultar.
El material de esta sección fue publicado en [129]. Lo que se hace
es ajustar un modelo lineal para cada fila de la matriz de expresión
considerando que tenemos valores independientes para las distintas
muestras.153 154 Si trabajamos con datos de microarrays entonces su- 153 Y olvidando por tanto to-
pondremos que trabajamos con su logaritmo en base 2 (log2 ). Las do el proceso de corrección
expresiones aleatorias correspondientes al gen i-ésimo las denotamos de fondo y normalización.
por 154
En § 27 se incluye un re-
Xi = (Xi1 , . . . , Xin )′ . paso de la teoría de modelos
Los correspondientes valores observados los denotaremos utilizando lineales.
minúsculas, es decir;
xi = (xi1 , . . . , xin )′ .
El vector Xi es el vector respuesta para el i-ésimo ajuste que vamos
a realizar. 155 Denotamos, como es habitual, por E(Xi ) el vector de 155 Asumimos que se ha pre-
medias del vector Xi que tiene en cada componente la media de la procesado corrigiendo fondo
variable Xij , es decir, EXi = (EXi1 , . . . , EXin )′ . Se asume: y normalizando y que los da-
tos están en escala log2 .
1.
E(Xi ) = Aαi (9.11)
siendo A una matriz de diseño de rango completo en columnas5
y αi es un vector de coeficientes.
2. Suponemos que la matriz de covarianzas del vector aleatorio Xi
que es proporcional (siendo desconocida la constante de pro-
porcionalidad) a una matriz conocida, es decir, asumimos que
var(Xi ) = σi2 Wi , (9.12)

donde Wi es una matriz definida no negativa conocida. El vec-
tor Xi puede tener datos faltantes y la matriz Wi puede tener
elementos en la diagonal principal nulos.
5 Todas sus columnas linealmente independientes.
156
§ 27. Como es habitual en la teoría de modelos lineales156 estamos interesa-
dos en ciertos contrastes sobre el vector de coeficientes αi que corres-
ponden al diseño utilizado en la experiencia y, por lo tanto, evalúan
problemas de interés desde un punto de vista biológico. Un contraste
tiene la forma general
βi = C ′ α i .
Estamos interesados en contrastar si βij son nulas para los distintos
j y para cada gen i, es decir, en la hipótesis nula: H0 : βij = 0 vs
H0 : βij ̸= 0.
Ajustamos un modelo lineal para cada gen y obtenemos los esti-
madores α̂i , el estimador s2i de σi2 y la matriz de covarianzas estimada
var(α̂i ) = Vi s2i (9.13)

siendo Vi una matriz definida positiva que no depende de s2i . Los
estimadores de los contrastes son
β̂i = C ′ α̂i ,
y de su matriz de covarianzas es
var(β̂i ) = C ′ Vi Cs2i .
No se asume necesariamente normalidad para Xi ni tampoco asumi-

mos que el ajuste de los modelos lineales se hace mediante el procedi-
miento de los mínimos cuadrados. Pero si se asume que:
1. β̂i sí que tiene una distribución aproximadamente normal con

vector de medias βi y matriz de covarianzas C ′ Vi Cσi2 .
2. También asumimos que s2i siguen aproximadamente una distri-

bución ji-cuadrado escalada.
La matriz Vi podría depender de αi . Si esta dependencia se produce

entonces consideramos Vi evaluada en α̂i y que la dependencia puede
ser ignorada al menos en una aproximación de primer orden.
Si denotamos por vij el j-ésimo elemento de la diagonal de C ′ Vi C
entonces todas las hipótesis indicadas previamente se traducen en que:
1. β̂ij |βij , σi2 ∼ N (βij , vij σi2 ).

σ2
2. s2i |σi2 ∼ dii χ2di siendo di los grados de libertad residuales del
modelo ajustado para el i-ésimo gen.
Asumiendo estas hipótesis se tiene que el siguiente estadístico
β̂ij
tij = √
si vij
aproximadamente tiene una distribución t de Student con di grados

de libertad.
En lo que sigue se asumirá (y no tienen porqué ser cierto) que β̂i
y s2i son independientes para los distintos genes.
Tenemos muchos test simultáneos. Se trata de modelizar el com-
portamiento entre genes. Y para ello se opta por modelizar mediante
157
Tenemos un modelo ba- distribuciones de probabilidad sobre los parámetros.157 En concreto
yesiano.
9.2. LIMMA 171
sobre σi2 la siguiente distribución,

1 1 2
∼ χ .
σi2 d0 s20 d0
Para un j dado, suponemos que βij es no nula con una probabilidad

conocida
P (βij ̸= 0) = pj .
Notemos que pj tiene el sentido de la proporción esperada de genes
que se expresan diferencialmente. Para los coeficientes no nulos se
asume
βij |σi2 , βij ̸= 0 ∼ N (0, v0j σi2 ).
Asumiendo el modelo jerárquico que acabamos de especificar se tiene
que la media de la distribución a posteriori de 1/σi2 condicionada a s2i
viene dada por [ ]
1 1
E 2 |s2i = 2 ,
σi s̃i
con
d0 s20 + di s2i
s̃2i = .
d0 + di
Podemos definir el estadístico t moderado158 como 158
Moderated t-statistic.
β̂ij
t̃ij = √ .
s̃2i vij
Se demuestra que los t-estadísticos moderados t̃ij y las varianzas mues-

trales residuales s2i se distribuyen independientemente. Y de hecho,
tendremos que bajo la hipótesis nula H0 : βij = 0, el t-estadístico
moderado t̃ij sigue una distribución t de Student con di + d0 grados
de libertad.159 Los grados de libertad que estamos añadiendo d0 ex- 159
Ver sección 4 de [129].
presan la ganancia de información que obtenemos de utilizar todos los
genes siempre asumiendo el modelo jerárquico. Los valores d0 y
s0 que se suponen conocidos en lo previo serán estimados a partir de
los datos.
Se consideran los odds a posteriori dados por
P (βij ̸= 0|t̃ij,s2i )
Oij = . (9.14)
P (βij = 0|t̃ij,s2i )
Estos odds prueban que tienen la siguiente expresión.

( )1/2 ( )(1−d0 +di )/2
pj vij t̃2ij + d0 + di
Oij =
1 − pj vij + v0j v
t̃2ij vij +v
ij
+ do + di
oj
(9.15)
Finalmente los autores proponen trabajar con los log-odds dados por
Bij = ln Oij . (9.16)

En el procedimiento que acabamos de comentar falta estimar los
parámetros de las distribuciones a priori. Hemos de estimar d0 , s0 , v0j
(para todos los j) y las proporciones pj . En principio, son valores que
el propio usuario debiera de especificar. Representan la información
previa y por lo tanto es la información que a priori y sin usar nada de la
información muestral hemos de especificar. Es claro que esto no parece
muy factible. Los autores proponen lo que se conoce como un método

empírico bayesiano y utilizan los propios datos para determinar estos
valores.160 160
Ver sección 6 de [129].
Utilizando los log-odds B podemos ordenar los genes de mayor a
menor expresión diferencial. De hecho, si observamos la ecuación 9.15
y la definición 9.16 es fácil ver que, asumiendo que los di y los vi no
161
O varían muy poco. varían entre genes161 , entonces los log-odds B son funciones monó-
tonas de |t̃ij . En resumen, la ordenación de los genes que obtenemos
con los log-odds o con los estadísticos |t̃ij es la misma.
Es claro que los log-odds tienen una interpretación sencilla y, por
ello, son útiles. Sin embargo, para decidir qué genes son significativos
para el contraste en que estemos interesados es mejor opción trabajar
162
Cuya definición es una con los t-estadísticos moderados.162
especie de mezcla inteligente Trabajar con los t-estadísticos moderados, t̃, en lugar de con los
de Estadística clásica y baye- log-odds tiene otra ventaja. Los t̃ dependen solamente de d0 y s20 . Sin
siana. embargo, los log-odds dependen además de v0j y de los pj . Obviamente
163
Cosa nada desdeñable. requerimos menos estimaciones previas de hiperparámetros.163
Lo más importante, sin duda,el t-estadístico moderado tiene la
ventaja sobre el t-estadístico usual de que es menos probable que apa-
rezcan valores muy grandes simplemente porque las varianzas mues-
trales infraestiman las varianzas poblaciones. Trabajamos con peque-
ñas muestras lo que hace que la estimación de la varianza sea poco
precisa. Una infraestimación notable de esta varianza ocasiona que
el estadístico sea muy grande aunque no tengamos una diferencia de
medias grande. Este mismo problema se comenta en § 9.1. Allí se pro-
ponía añadir una constante (estimada a partir de los propios datos)
a la desviación estándar de la diferencia de medias (el error están-
dar). ¿Esto es lo mismo? Es similar en espíritu pero no es lo mismo.
Si los grados de libertad verifican do < +∞ y di > 0 entonces los
t-estadísticos moderados tienen la siguiente expresión
( )1/2
d0 + di β̂ij
t̃ij = √ ,
di s2∗,i vij
siendo
d0 2
s2∗,i = s2i + s .
di 0
Cada varianza muestral es incrementada un valor positivo en princi-
pio distinto para cada gen. La idea que vimos en § 9.1 consistía en
considerar
β̂ij
t∗,ij = √
(si + a) vij
donde a es un valor positivo determinado por un método ad-hoc. En
este método lo que se incrementa es la desviación estándar y no la
varianza. El t-estadístico moderado incrementa la varianza. Además
el incremento puede ser distinto para cada gen.
¿Y si queremos contrastar más de un contraste al mismo tiempo?
En lugar de t-estadísticos moderados tendremos F-estadísticos mo-
derados. Se comprueba que los F-estadísticos moderados no son más
que los F-estadísticos usuales en los cuales sustituimos las varianzas
si2 por s̃2i . Además su distribución es Fi ∼ Fr,d0 +di , siendo r el núme-
ro de contrastes linealmente independientes. Vemos que los grados de
libertad del denominador también se incrementan.
9.2. LIMMA 173
En las siguientes secciones vamos a considerar distintos diseños

experimentales y los analizaremos con [130, limma].164 164
Este paquete es una de
los fundamentales en el pro-
yecto Bioconductor y de los
9.2.2 Datos gse44456 con limma más antiguos.
Leemos los datos tamidata::gse44456.
Vamos a considerar la variable que nos da la tasa de crecimiento

celular.
pData(gse44456)[,"postmortenint"]
## [1] 16.75 27.00 29.00 24.00 24.00 24.00 17.00

## [8] 12.00 21.00 36.00 19.00 36.00 68.00 46.00
## [15] 23.00 48.00 58.50 62.00 30.00 21.00 19.50
## [22] 24.00 59.50 50.00 22.00 37.00 41.00 16.00
## [29] 18.00 16.00 9.00 11.00 20.00 56.00 15.00
## [36] 43.00 11.00 32.00 21.50
Cargamos Limma.
library(limma)
Determinamos la matriz de diseño.
design = model.matrix(~ pData(gse44456)[,"postmortenint"])

colnames(design) = c("intercept","postmortenint")
Podemos ver que la matriz design.
head(design)
## intercept postmortenint
## 1 1 16.75
## 2 1 27.00
## 3 1 29.00
## 4 1 24.00
## 5 1 24.00
## 6 1 24.00
Ajustamos los modelos lineales.
fit = lmFit(gse44456,design)
fit1 = eBayes(fit)
Si la constante por la que multiplicamos growthrate es nula indi-

cará que no hay una dependencia del nivel de expresión respecto de
la tasa de crecimiento celular. Veamos los resultados.
topTable(fit1,coef=2,adjust ="BH")
## logFC AveExpr t
## 7898750 -0.011508519 6.747570 -6.443278
## 8170468 0.013115884 6.012464 5.689956
## 7969651 -0.010989325 7.051056 -5.687741
## 8111415 0.008178560 2.540914 5.065649
## 7895171 0.012638970 8.895633 4.980637
## 7959012 0.012611550 4.428257 4.935664
## 7972269 -0.009755820 4.360153 -4.919346
## 8152664 -0.015744665 4.187651 -4.870722
## 7896252 -0.008523726 11.280638 -4.834066
## 7921533 -0.013989202 8.399406 -4.826789
## P.Value adj.P.Val B
## 7898750 1.016754e-07 0.003385485 6.398649
## 8170468 1.196673e-06 0.013378383 3.937214
## 7969651 1.205368e-06 0.013378383 3.930008
## 8111415 9.095965e-06 0.060272779 1.924620
## 7895171 1.195878e-05 0.060272779 1.654193
## 7959012 1.381685e-05 0.060272779 1.511583
## 7972269 1.455932e-05 0.060272779 1.459918
## 8152664 1.701344e-05 0.060272779 1.306232
## 7896252 1.912948e-05 0.060272779 1.190642
## 7921533 1.957948e-05 0.060272779 1.167723
Aunque alguno de los p-valores originales pudieran (marginalmen-

te) considerarse como significativos cuando corregimos por compara-
ciones múltiples por el método de Benjamini-Hochberg no lo son.
9.2.3 Un diseño cruzado con limma

Seguimos utilizando tamidata::gse44456.
pacman::p_load("limma")
Observamos los datos fenotípicos o metadatos.
head(pData(gse44456))
## case gender age

## GSM1085665_HE32H001.CEL control male 68
## GSM1085666_HE32H003.CEL alcoholic male 51
## GSM1085667_HE32H004.CEL control male 50
## GSM1085668_HE32H005.CEL alcoholic male 50
## GSM1085669_HE32H006_2_.CEL control male 56
## GSM1085670_HE32H007_2_.CEL alcoholic male 59
## cirrhosis smoker
## GSM1085665_HE32H001.CEL No No
## GSM1085666_HE32H003.CEL No Yes
## GSM1085667_HE32H004.CEL No No
## GSM1085668_HE32H005.CEL Yes Yes
## GSM1085669_HE32H006_2_.CEL No Yes
## GSM1085670_HE32H007_2_.CEL No No
9.2. LIMMA 175
## postmortenint pH
## GSM1085665_HE32H001.CEL 16.75 6.59
## GSM1085666_HE32H003.CEL 27.00 5.58
## GSM1085667_HE32H004.CEL 29.00 6.68
## GSM1085668_HE32H005.CEL 24.00 6.59
## GSM1085669_HE32H006_2_.CEL 24.00 6.53
## GSM1085670_HE32H007_2_.CEL 24.00 6.57
## batch
## GSM1085665_HE32H001.CEL Batch 1
## GSM1085669_HE32H006_2_.CEL Batch 1
## GSM1085670_HE32H007_2_.CEL Batch 1
Analizamos la posible dependencia con el alcoholismo recogida

en la covariable case
alcoholism = pData(gse44456)[,"case"] # Simplificamos el código

design = model.matrix(~ 0 + alcoholism)
colnames(design) = c("control","alcoholic")
Ajustamos el modelo.
(contrast.matrix = makeContrasts(dif = control - alcoholic,levels = design))
## Contrasts
## Levels dif
## control 1
## alcoholic -1
Estimamos.
fit2 = contrasts.fit(fit,contrast.matrix)
fit2 = eBayes(fit2)
Veamos cuáles son significativos.
topTable(fit2,coef=1,adjust="BH")
## logFC AveExpr t
## 7927186 -0.5424921 7.826424 -5.914411
## 8125919 -1.1358866 8.313619 -5.628792
## 8021081 -1.2885800 8.593822 -5.481851
## 7961595 0.5322101 4.180459 5.440839
## 7995838 -0.9825655 8.540374 -5.096932
## 8130867 0.5858452 7.566787 5.083113
## 8114814 0.3685955 7.694306 5.003841
## 7922889 0.5172199 8.438433 4.946850
## 8021741 0.7651623 9.183204 4.720399
## 8099476 0.5231415 5.584413 4.658028

## P.Value adj.P.Val B
## 7927186 5.718213e-07 0.01903993 5.029195
## 8125919 1.455678e-06 0.02236997 4.307423
## 8021081 2.351231e-06 0.02236997 3.935029
## 7961595 2.687326e-06 0.02236997 3.831026
## 7995838 8.199033e-06 0.04757580 2.959048
## 8130867 8.572989e-06 0.04757580 2.924055
## 8114814 1.106824e-05 0.05264847 2.723446
## 7922889 1.329382e-05 0.05533056 2.579390
## 8021741 2.741801e-05 0.10143750 2.008880
## 8099476 3.342454e-05 0.10201553 1.852423
En el segunda análisis nos fijamos en dos covariables, el alcoho-

lismo y el sexo de la persona. Es un diseño factorial 2 × 2. Veamos
cuántos datos tenemos en cada celda.
table(pData(gse44456)[,"case"],pData(gse44456)[,"gender"])
##
## male female
## control 13 6
## alcoholic 14 6
En un diseño como este las preguntas habituales son las siguientes:
1. ¿Qué genes muestran un comportamiento diferenciado o rela-

cionado con el alcoholismo?
2. ¿Qué genes se comportan de un modo distinto para hombres y

mujeres?
3. ¿Para qué genes los cambios en su expresión según el alcoholismo

son distintos en cada uno de los sexos?
En jerga estadística hablaríamos de los efectos principales de los fac-

tores y de la posible interacción.
Una aproximación simple y efectiva es construir un solo factor con
todas las combinaciones de los factores.
casegender = vector("list",ncol(gse44456))
for(i in seq_along(casegender))
casegender[[i]] = paste(pData(gse44456)[,"case"][i],
pData(gse44456)[,"gender"][i],sep="")
casegender = factor(unlist(casegender))
Consideremos la siguiente matriz de diseño.
design = model.matrix(~ 0 + casegender)

colnames(design) = levels(casegender)
Podemos ver que cada coeficiente corresponde con la expresión

media para la correspondiente combinación de factores.
9.3. UN COMENTARIO TÉCNICO IMPORTANTE 177
Construimos los contrastes en que estamos interesados.
cont.matrix = makeContrasts(
dif1 = controlmale - alcoholicmale,
dif2 = controlfemale - alcoholicfemale,
dif12 = (controlmale - alcoholicmale)- (controlfemale - alcoholicfemale),
levels = design)
fit2 = contrasts.fit(fit,cont.matrix)
fit2 = eBayes(fit2)
Podemos ejecutar el siguiente código y podemos comprobar que

ningún contraste es significativo.
9.3 Un comentario técnico importante

En este tema hemos trabajado con p-valores que están relacionados
entre sí. Si denotamos por Pi el valor aleatorio de el p-valor corres-
pondiente al contraste de Hi frente a Ki entonces su distribución (si
asumimos distribución continua para el estadístico como en el test de
la t de Student), bajo la hipótesis nula Hi , será uniforme en el intervalo
unitario [0, 1], es decir, Pi ∼ U (0, 1). Hay procedimientos de correc-
ción de estos p-valores que consideran que los Pi son independientes.
A priori sabemos que esto no es cierto. Los genes tienen interdepen-
dencias que se traducen en dependencias entre las distribuciones de
los Pi . Sin embargo, hay otro efecto también muy destacable y no tan
evidente a priori. Aquellos genes que tienen una expresión mayor son
detectados como diferencialmente expresados con más probabilidad.
La potencia del test es mayor.
Capítulo 10
con datos RNASeq
10.1 Introducción
Tenemos datos de expresión de gen obtenidos mediante la técnica
conocida como RNA-seq. Pero, ¿qué tenemos realmente? ¿Con qué
vamos a trabajar?
Ya hemos realizado todo el preprocesado. Ya hemos alineado y
contado lecturas a nivel de gen (o si podemos isoforma). Tenemos pues
una matriz de expresión observada x = [xij ]i=1,...,N ;j=1,...,n donde
hemos considerado N genes y tenemos n muestras. Además tendremos
covariables, variables fenotípicas o metadatos.165 Estas covariables son 165
Un estadístico dice cova-
otra matriz n × p donde n es el número de muestras y p es el número riable, un bioinformático di-
de covariables de las que disponibles sobre las muestras. Tendremos ce variable fenotípica y un
y = [yjk ]j=1,...,n;k=1,...,p . Habitualmente p = 1 y y = (y1 , . . . , yn )′ es moderno de los de los Big
simplemente un vector. Data diría cualquier cosa,
por qué no, metadatos.
10.2 Una muestra por condición

¿Y si no tenemos réplicas en cada condición que queremos compa-
rar? Queremos comparar dos condiciones y disponemos de una mues-
tra en cada una de las condiciones. ¿Qué podemos hacer para compa-
rar los conteos para cada gen?166 En esta (mala) situación la infor- 166
Lo primero sería pensar
mación que tenemos para cada gen la podemos recoger en una tabla en tomar alguna muestra
de contingencia 2 × 2 (10.1). En esta tabla yj recoge el número de más por condición que
lecturas alineadas sobre el gen que estamos estudiando en la muestra los milagros solamente
j (con j = 1, 2). Los tamaños de las librerías en cada muestra son mj son los jueves.http://
(con j = 1, 2). es.wikipedia.org/wiki/
Vamos a considerar dado el total de conteos asociados al gen i- Los_jueves,_milagro y
https://www.youtube.
com/watch?v=-yDNya7XP-4.
Tabla 10.1: Una muestra por condición en donde la primera sería caso
y la segunda control.
Muestra 1 (Caso) Muestra 2 (Control) Total

Gen i xi1 xi2 xi· = xi1 + xi2
Resto m1 − xi1 m2 − xi2 m1 + m2 − xi·
Total m1 m2 m1 + m2
179
180CAPÍTULO 10. EXPRESIÓN DIFERENCIAL CON DATOS RNASEQ
167
Que obviamente es alea- ésimo, esto es, consideramos constante el conteo xi1 + xi2 .167 El gen
torio. Trabajamos condicio- que consideramos tiene un conteo aleatorio Xi1 en la primera muestra
nados a ese valor. (por ejemplo, correspondiente a caso). Su distribución de probabili-
dad será binomial con xi1 + xi2 pruebas y una probabilidad de éxito
(lectura procedente de la primera muestra) desconocida p. Si no hay
diferencias entre las muestras el valor de p debiera de coincidir con
m1 /(m1 +m2 ), es decir, debe coincidir la proporción con la proporción
que la primera muestra representa en el total de las dos muestras. Por
tanto, evaluar la expresión diferencial del gen se traduce en un con-
traste sobre p la probabilidad de que la lectura corresponda al caso.
Una primera referencia en este sentido es [79].
En edgeR::binomTest utilizan como p-valor la suma de las proba-
bilidades de los conteos que tienen una probabilidad menor o igual al
observado bajo la hipótesis nula.
Consideremos los datos tamidata::PRJNA297664. Nos quedare-
mos con una muestra “wild” y otra “SEC66 deletion”. Compararemos
entre sí estas dos muestras.
pacman::p_load("SummarizedExperiment")
data(PRJNA297664,package="tamidata")
se = PRJNA297664
rm(PRJNA297664)
La variable que indica el tipo es treatment.
colData(se)[,"treatment"]
## [1] Wild Wild SEC66 deletion

## [4] Wild SEC66 deletion SEC66 deletion
## Levels: Wild SEC66 deletion
Vamos a comparar las muestras 1 y 3 con la función edgeR::binomTest.
pacman::p_load("edgeR")
pvalor13 = edgeR::binomTest(assay(se)[,1], assay(se)[,3])
Podemos hacernos una idea de cómo son estos p-valores con una
estimación de su función de densidad con (figura ??).
También podemos aplicar para el mismo problema el test de Fis-
her. En cualquier caso, solamente tiene sentido hacer este aná-
lisis cuando tenemos una muestra en cada condición.168
¿Qué hacemos con más de una muestra? ¿Realizar todas las com-
paraciones dos a dos? No. Obviamente hay que buscar procedimientos
168
más adecuados.
Y tampoco mucho. ¿Se puede realizar algo similar cuando tenemos varias muestras
por cada una de las dos condiciones? Es tentador simplemente sumar
los conteos de cada gen en cada condición. Tendríamos el total de
lecturas por gen y condición. Sin embargo, si consideramos la tabla
10.1 correspondiente estaríamos ignorando la variabilidad intra con-
dición de los conteos correspondientes. En este caso hemos de acudir
a alguno de los procedimientos que vemos en la siguientes secciones.
De porqué una muestra por condición no es buena conseje-

ra. Vamos a evaluar de un modo empírico porqué necesitamos más
10.3. EDGER 181
muestras por condición. Porqué esa práctica (más frecuente de lo que

se debiera) de tener una muestra por condición no se debe de utilizar.
Siguiendo con PRJNA297664 tenemos 9 posibles pares formados por
una muestra por condición. Vamos a calcular los p-valores para cada
una de estas nueve posibles comparaciones y ver cómo varían estos
p-valores.
pares = rbind(c(1,3),c(1,5),c(1,6),c(2,3),c(2,5),c(2,6),c(4,3),
c(4,5),c(4,6))
aux = function(rr) binomTest(assay(se)[,rr[1]], assay(se)[,rr[2]])
pvalores = apply(pares,1,aux)
Por cada gen tenemos el p-valor resultado de comparar cada uno

de los pares. Tenemos pues 9 p-valores por gen. Calculamos el p-valor
medio, el mínimo y el máximo y los ordenamos de menor a mayor.
Finalmente representamos en abscisas el p-valor medio y en ordenadas
dos líneas correspondientes al mínimo y al máximo. Dada la gran
cantidad de puntos hemos de representar una versión suavizada del
mínimo y máximo.
png("figures/RNASeqDE10.png")
pvalores.mean = apply(pvalores,1,mean) ## Media de p-valores
pvalores.min = apply(pvalores,1,min) ## Mínimo de p-valores
pvalores.max = apply(pvalores,1,max) ## Máximo de p-valores
df = data.frame(pvalores.mean,pvalores.min,pvalores.max)
df=df[sort(pvalores.mean,index.return=TRUE)$ix,] ## Ordenamos
df1 = reshape2::melt(df,id="pvalores.mean")
pp = ggplot(df1,aes(x=pvalores.mean,y=value,color=variable))
pp + geom_smooth() # Suavizamos mínimo y máximo
dev.off()
En la figura ?? tenemos el resultado. Podemos ver la tremenda

variabilidad que tenemos.
10.3 edgeR
Este paquete implementa los procedimientos propuestos en [122,
121]169
169
Hay que leer primero
10.3.1 Estimación de una dispersión común [122] y luego [121] pues es
la secuencia temporal de los
Consideramos una característica en n muestras (o librerías) de trabajos aunque se publica-
tamaños distintos.170 Sea mi el tamaño de la i-ésima librería (total de ron en orden invertido.
lecturas). Sea λ la proporción que hay en una librería cualquiera de 170
Son réplicas de una mis-
la característica en que estamos interesados. Vamos a asumir que Yi ma experimentación con ta-
tiene una distribución binomial negativa con media µi = mi λ y con maños distintos.
dispersión ϕ. Y tiene una distribución binomial negativa con media µ y
dispersión ϕ, Y ∼ BN (µ, ϕ), si su función de probabilidad es P (Y =
( )ϕ−1 ( )y
Γ(y+ϕ−1 ) 1 µ
y|µ, ϕ) = Γ(ϕ−1 )Γ(y+1) 1+µϕ ϕ−1 +µ para y = 0, 1, . . .. Su
media es E(Y ) = µ y su varianza var(Y ) = µ + ϕµ2 . Ver § 21.8.2.
Supongamos el caso ideal (e irreal) en que todas las librerías tienen
el mismo tamaño:
∑n mi = m para i = 1, . . . , n. Bajo esta condición tene-
mos que Z = i=1 Yi ∼ N B(nmλ, ϕ/n). Además la logverosimilitud
condicionada al valor de Z = z no depende de λ y podemos estimar

el valor de ϕ. Por tanto, se estimaría ϕ maximizando la verosimilitud
condicionada dada por
[∑
n ]
ly|z = log Γ(yi + 1/ϕ) +
i=1
log Γ(n/ϕ) − log Γ(z + n/ϕ) − n log Γ(1/ϕ), (10.1)
donde y = (y1 , . . . , yn )′ son los conteos observados. Si los tamaños de

las librerías son distintos la verosimilitud no tiene una expresión sim-
ple. La idea en [122] es modificar los valores observados yi y generar
unos nuevos datos en que los tamaños de las librerías coincidan, los
pseudodatos. El tamaño√común ∏n será la media geométrica de los tama-
ños observados, m∗ = n i=1 mi . ¿Cómo transformamos los conteos
yi ? El procedimiento propuesto es:
1. Inicializamos ϕ (por ejemplo, con el estimador maxímo verosímil
condicionado sin realizar ningún ajuste).
2. Dado el valor estimado de ϕ, estimamos λ maximizando la ve-
rosimilitud para el valor estimado de la dispersión.
3. Suponemos que cada conteo yi es un valor observado de una
distribución binomial negativa con media mi λ y parámetro de
dispersión ϕ. Calculamos los percentiles
1
pi = P (Y < yi |mi λ, ϕ) + P (Y = yi |mi λ, ϕ), (10.2)
2
para i = 1, . . . , n.
4. Suponemos ahora una distribución binomial negativa con media
m∗ λ y dispersion ϕ. Determinamos qué valor sería el percentil
de orden pi en la nueva distribución. Ya no tiene porqué ser un
dato entero e incluso puede ser negativo. Los pseudodatos para
un mismo gen tienen aproximadamente la misma distribución.
5. Estimamos la dispersión ϕ con los pseudodatos utilizando la
veromilitud condicionada a la (pseudo) suma total de un gen.
6. Repetimos desde 2 hasta 5 hasta que converja ϕ.
A este procedimiento de estimación de ϕ y λ los autores lo denomi-
171
Quantile-adjusted condi- nan máxima verosimilitud condicionada ajustada por cuantiles.171 Lo
cional maximum likelihood fundamental es entender que estamos modificando los datos para con-
(qCML). seguir un tamaño común de las librerías, una misma profundidad de
secuenciación.
10.3.2 Un test exacto

Tenemos dos condiciones a comparar.
Estimación de la dispersión común. Vamos a asumir en un pri-

mer momento que el parámetro de dispersión es común. Tenemos yijk
el conteo para la muestra k en la condición j del gen i donde j = 1, 2
y k = 1, . . . , nj . El tamaño de la librería de la condición j en el gen i
es mij Supongamos que aplicamos el método qCML dentro de cada
10.3. EDGER 183
condición j de modo que por condición tenemos un tamaño de librería

común. Con los pseudodatos (que denotamos también yijk podemos
condicionar a la suma total por gen dentro de cada clase. Como el
parámetro de dispersión se asume el mismo para todos los
genes y condiciones∑ podemos considerar la logverosimilitud condi-
nj
cionada a zij = yij· = k=1 yijk para la dispersión ϕ dada por
2 (∑
∑ nj
li (ϕ) = log Γ(yijk + ϕ−1 ) + log Γ(nj ϕ−1 )−
j=1 k=1
)
−1 −1
log Γ(zij + nj ϕ ) − nj log Γ(ϕ ) . (10.3)
En consecuencia la logverosimilitud común es172 172

Sería más correcto ha-
blar de pseudoverosimilitud
∑
N
ya que los distintos genes son
l(ϕ) = li (ϕ). (10.4) dependientes.
i=1
La estimación de ϕ en § 10.3.1 se obtiene maximizando la función dada

en la ecuación 10.4. Denotamos a este estimador común por ϕ̂C y es
el usado en lo que sigue.
Contraste de hipótesis. Tenemos dos condiciones a comparar y

estamos asumiendo
EYijk = mij λij ,
para cualquier i, j, k siendo Yijk el conteo aleatorio del gen i en la
condición j y en la muestra k. Si consideramos la hipótesis nula de
que no hay diferencia entre los valores de λ, es decir, el contraste
siguiente:
Hi : λi1 = λi2 ,
Ki : λi1 ̸= λi2 .
Bajo la hipótesis nula el valor λ no depende de la condición.

Aplicamos el método qCML a todas las muestras (tenemos n =
n1 + n2 ). Como es habitual denotamos los nuevos pseudodatos co-
mo los originales. El tamaño de las librerías es la media geométrica
de los tamaños originales y la denotamos por m∗ .173 Estos nuevos 173 Importante, los pseudo-
psedodatos tienen una distribución común. En concreto para el gen datos no son los mismos utili-
i denotamos por yijk el conteo para la muestra k en la condición j zados para estimar la disper-
donde j = 1, 2 y k = 1, . . . , nj . El tamaño común de todas las librerías sión común.
es m∗ . Si consideramos la variable aleatoria Yijk (de la cual yijk sería
el valor observado) entonces
EYijk = m∗ λij ,
para cualquier i, j, k. Bajo la hipótesis nula H0 no tendríamos dife-

rencia en el valor de λ entre las condiciones y sería un valor común
λi = λi1 = λi2 para el gen i. Utilizando el estimador previamente
calculado ϕ̂C y los pseudatos (que obtienen un tamaño de librería
común) yijk con k = 1, . . . , nj podemos estimar λi . Simplemente el
estimador máximo verosímil no es más que el cociente de la suma
de los conteos dividido por la suma de los tamaños de las librerías.
Tenemos las estimaciones λ̂i y ϕ̂C .
Bajo la hipótesis
∑nj nula de no diferencia entre grupos tendríamos
∗
que Yij· = k=1 Yijk ∼ N B(nj m λ̂i , ϕ̂C /nj ) para j = 1, 2. Ade-
más Yi1· e Yi2· son independientes. La suma Yi1· +∑ Yi2· también
∑nj tiene
2
una distribución binomial negativa: Yi1· + Yi2· = i=1 k=1 Yijk ∼
N B((n1 + n2 )m∗ λ̂i , ϕ̂C /(n1 + n2 )). Podemos considerar la distribu-
ción condicionada del vector aleatorio (Yi1· , Yi2· ) a la suma Yi1· +Yi2· y
considerar las probabilidades de los conteos conjuntos que son menos
probables que el observado. La suma de estas probabilidades nos daría
174
Es un test similar al el p-valor del test.174
test de Fisher bilateral en
donde las probabilidades hi-
pergeométricas son sustitui- 10.3.3 Dispersiones posiblemente distintas
das por probabilidades por la En el test exacto que hemos visto en § 10.3.2 hemos asumido una
distribución binomial negati- dispersión común ϕ y se ha estimado su valor utilizando los conteos
va. Ver [3, Página 93]. asociados a todos los genes y condiciones bajo las cuales se han ob-
servado a estos genes. Bajo la hipótesis nula de un misma media, y
asumiendo la dispersión común esto tenía sentido. Es, sin duda, una
hipótesis bastante exigente. Una misma dispersión sobre una cantidad
175
Buena desde el punto de grande de genes no es muy razonable.175 En [121] proponen no asumir
vista del modelo y su estima- un mismo valor para cada gen y considerar que las dispersiones de-
ción pero nos aleja de los da- penden del gen. Tenemos ahora, en lugar del valor común ϕ, un valor
tos. (posiblemente) distinto para el gen i, ϕi . ¿Y cómo lo estimamos? Pro-
ponen un compromiso entre la contribución que hacen los conteos del
i-ésimo gen, li (ecuación 10.3), a la logverosimilitud global, l (ecua-
ción 10.4), y la propia logverosimilitud global. En concreto hablan de
la logverosimilitud condicionanda ponderada definida como
W L(ϕi ) = li (ϕi ) + αl(ϕi ), (10.5)
siendo α el peso que se da a la verosimilitud global. Es una función que

propone un compromiso entre considerar l como función a maximizar
considerando la misma contribución a todos los genes y li en donde
solamente consideramos los conteos del propio gen. El problema fun-
damental a considerar ahora es la elección del valor de α. Un mayor
α nos aproxima a un valor común para la dispersión y un menor valor
nos dará estimaciones distintas de la dispersión para cada gen. ¿En
qué punto nos quedamos? En [121, Sección, 3.2, pág. 2883] dan una
176
No un criterio de opti- motivación176
malidad. Simplemente argu- Para explicar cómo lo hacen hemos de considerar la función score
mentan lo razonable de la definida como
elección. ∂li (ϕ)
Si (ϕ) = (10.6)
∂ϕ
y la información esperada definida como
∂ 2 li (ϕ)
Ii (ϕ) = E(Ji ), siendo Ji = − . (10.7)
∂ϕ2
El procedimiento de estimación de α y la posterior estimación de

ϕi es el siguiente:
1. Estimamos la dispersión común maximizando la verosimilitud

global l: ϕ̂0 .
2. Evaluamos para cada gen i: Si (ϕ̂0 ) y Ii (ϕ̂0 ).

10.3. EDGER 185
3. Estimamos τ0 resolviendo la ecuación

N [
∑ ]
Si (ϕ̂0 )
− 1 = 0.
i=1 Ii (ϕ̂0 )(1 + Ii (ϕ̂0 )τ02 )
∑N
Si i=1 Si2 (ϕ̂0 )/Ii (ϕ̂0 ) < N entonces τ0 = 0.
4. Fijamos
∑
N
1/α = τ02 Ii (ϕ̂0 ).
i=1
5. Una vez estimado α en el paso anterior, maximizamos la función

W L(ϕi ) definida en la ecuación 10.5.
Finalmente los autores utilizan en lugar de la información esperada
Ii (ϕ̂0 ) una aproximación que consiste en utilizar la observada (en-
tendiendo por observada la correspondiente a los conteos dados). Es
decir, sustituyen Ii (ϕ̂0 ) por Ji (ϕ̂0 ). Además comentan que trabajan
con δ = ϕ/(ϕ + 1).177 177
Lo cual es irrelevante. Es-
timamos δ estimamos ϕ pues
10.3.4 edgeR: PRJNA297664 hay una correspondencia 1-1.
En esta sección analizamos la posible expresión diferencial de los

datos tamidata::PRJNA297664.
pacman::p_load("edgeR","SummarizedExperiment")
dge = DGEList(counts=assay(PRJNA297664),
group=colData(PRJNA297664)[,"treatment"])
dge.c = estimateCommonDisp(dge) ##Estimamos dispersión común
dge.c$common.dispersion
## [1] 0.01170892
dge.t = estimateTagwiseDisp(dge.c) ##Dispersiones por gen

et.c = exactTest(dge.c)
et.t = exactTest(dge.t)
Determinamos los genes significativos.
topTags(et.c)
## Comparison of groups: SEC66 deletion-Wild

## logFC logCPM PValue
## YBR171W -10.150220 6.114922 2.128721e-258
## YCR021C -1.928779 8.463733 4.873506e-47
## YBR054W -1.878579 7.156683 3.518798e-43
## YGL255W -1.846348 7.518466 1.930761e-42
## YNR034W-A -2.176676 4.670571 1.175800e-40
## YBR093C -1.694281 8.563323 2.731791e-37
## YFR053C 1.621598 6.384697 2.625927e-31
## YER150W -1.560027 5.479642 2.325258e-26
## YDR171W -1.383170 7.792428 2.142035e-25
## YDR214W 1.362108 7.982939 1.024220e-24

## FDR
## YBR171W 1.516926e-254
## YCR021C 1.736430e-43
## YBR054W 8.358319e-40
## YGL255W 3.439650e-39
## YNR034W-A 1.675750e-37
## YBR093C 3.244457e-34
## YFR053C 2.673194e-28
## YER150W 2.071224e-23
## YDR171W 1.696016e-22
## YDR214W 7.298590e-22
topTags(et.t)
## Comparison of groups: SEC66 deletion-Wild

## logFC logCPM PValue
## YBR171W -10.150503 6.114922 5.636512e-296
## YGL255W -1.846051 7.518466 5.459134e-30
## YBR093C -1.694086 8.563323 5.843701e-27
## YNR034W-A -2.174452 4.670571 7.411466e-22
## YDR214W 1.362104 7.982939 2.334672e-20
## YLR109W 1.240894 9.510958 4.583075e-20
## YHR215W -1.208860 9.533270 2.172522e-18
## YAR071W -1.211709 9.219219 3.764430e-18
## YMR186W 1.109256 11.622933 9.483967e-18
## YKL161C 1.100257 5.723199 1.070358e-16
## FDR
## YBR171W 4.016579e-292
## YGL255W 1.945090e-26
## YBR093C 1.388074e-23
## YNR034W-A 1.320353e-18
## YDR214W 3.327375e-17
## YLR109W 5.443166e-17
## YHR215W 2.211627e-15
## YAR071W 3.353166e-15
## YMR186W 7.509195e-15
## YKL161C 7.627369e-14
10.4 Un método de cuasi-verosimilitud

En esta sección tratamos el método propuesto en [91] e implemen-
tado en [R-QuasiSeq].
Utilizamos en lo que sigue la notación de [91].
10.5 SAMseq
Este método fue propuesto en [85] y está implementado en el pa-
quete [138, samr]. Supongamos el caso con dos grupos. Denotamos
como siempre por xij el conteo de la i-ésima característica en la j-
ésima muestra (i = 1, . . . , N y j = 1, . . . , n). El tamaño de la librería
∑N
o profundidad de secuenciación será mj = j=1 xij . Como siempre el
10.5. SAMSEQ 187
valor observado es xij mientras que el valor aleatorio (antes de obser-

var los datos) lo denotamos con Xij . Los índices correspondientes a los
dos grupos de muestras los denotamos por C1 y C2 . Estos conjuntos
de índices constituyen una partición de {1, . . . , n}. Suponemos que las
clases C1 y C2 la componen n1 y n2 elementos (con n1 + n2 = n).
Supongamos, en un primer momento, que todas las profundidades
de secuenciación son iguales m1 = . . . = mn = m. Fijamos la caracte-
rística i. Ordenamos (de menor a mayor) los conteos xi1 , . . . , xin . La
posición de xij en xi∗ = (xi1 , . . . , xin ) la denotamos por rij (xi∗ ). Si
consideramos el valor aleatorio Xi∗ entonces tenemos la variable alea-
toria Rij (Xi∗ ). El estadístico de Mann-Whitney-Wilcoxon178 sería 178
A veces se le llama
de Mann-Whitney, otras de
∑ n1 (n + 1)
Ti = Rij (Xi∗ ) − . (10.8) Wilcoxon y otras con los tres
j∈C1
2 nombres.
Se supone que no tenemos empates en Xi∗ . Si Ti es muy grande

significa que en la característica i los valores en la primera clase (C1 )
tienden a ser mayores que en la segunda (C2 ). Un valor muy pequeño
indica lo contrario. Notemos que Ti puede tomar valores negativos.
En general, si el valor absoluto |Ti | es muy grande, lo que tenemos
es que ambos grupos de valores son claramente distintos, uno mayor
que el otro. Valores próximos a cero indican que no hay diferencias
entre los grupos. Hasta aquí no hay problema ninguno. Simplemente se
propone utilizar un test de Mann-Whitney-Wilcoxon para comparar
los órdenes en los dos grupos que comparamos. El problema aparece
cuando los tamaños de las librerías son distintas que es lo habitual. De
hecho, suelen ser muy distintos. Una primera idea que no da buenos
resultados es dividir los conteos originales por los correspondientes
tamaños de las librerías.
Suponemos fijos los tamaños de las librerías. Esto es, aunque su-
ponemos conteos aleatorios la suma de las correspondientes columnas
de conteos las asumimos como fijas.179 Denotamos el mínimo tamaño 179
Una hipótesis necesaria.
de las librerías con m0 = minj=1,...,n mj y la librería donde se da este
mínimo suponemos que es la j0 . Supongamos que, para la librería j,
del total de lecturas elegimos al azar m0 (correspondiente a la librería
con menor tamaño). Esto supone que cada lectura original de esta
librería es conservada con probabilidad m mj y eliminada con probabi-
0
′
lidad 1 − mj . Si denotamos por Xij el número de lecturas que nos
m0
quedan después de este proceso de muestreo tendremos que
′ m0
Xij |Xij ∼ Binomial(Xij , ).
mj
Los autores llaman a esto un muestreo hacia abajo.180 Este pro- 180
Down sampling.
cedimiento de muestreo nos produce unos nuevos conteos y un nuevo
valor del estadístico dado en 10.8 que podemos denotar por Ti′ . Note-
mos que si el tamaño mínimo es mucho menor que el resto de tamaños
estamos descartando muchas lecturas.
Una segunda opción es igualar los tamaños de las librerías a un
( )1/n
∗
∏n
valor intermedio como la media geométrica m = j=1 mj .
Generamos conteos aleatorios con
( )
′ m∗
Xij |Xij ∼ P oisson Xij . (10.9)
mj
Sería el muestreo Poisson. Para evitar empates entre los valores gene-
rados se sustituyen estos valores por
′
Xij + ϵij
siendo ϵij variables aleatorias independientes y con distribución co-

181
Un pequeño truco para mún uniforme en el intervalo [0, 0.1].181 Como vemos estamos gene-
evitar empates. rando valores por lo que lo que obtenemos también es aleatorio. Su-
pongamos que en un muestreo obtenemos obtenemos Ti′ (b). Repetimos
este muestreo B veces. Consideramos el estadístico
1 ∑ ′
B
Ti∗ = Ti (b). (10.10)
B
b=1
Este es el estadístico con el que finalmente se trabaja para contrastar.

No conocemos la distribución de este estadístico. Hemos indicado que
la región crítica natural, la zona en donde rechazamos la hipótesis
nula de que no hay diferencia significativa entre muestras vendría dada
por Ti∗ > c siendo c un valor a determinar. Dado un valor positivo c
consideraremos como significativa a la característica i si Ti∗ > c. Lo
que vamos a hacer es elegir un conjunto de posibles valores para c
y estimaremos la tasa de hipótesis nulas falsamente rechazadas si
182
Ver [133]. utilizamos ese valor de c. El procedimiento182 es el siguiente:
1. Calculamos T1∗ , . . . , TN∗ a partir de nuestros datos.
2. Permutamos S veces las columnas de X manteniendo la asigna-
ción de los grupos (las etiquetas de clase) y calculamos T1∗ (s), . . . , TN∗ (s)
utilizando los datos permutados con s = 1, . . . , S.
3. Tomamos una serie de valores para c y calculamos:
1 ∑∑
N S
V̂ = 1|T ∗ (s)|>c (10.11)
S i=1 s=1 i
que estima la cantidad de hipótesis nulas falsamente rechazadas

y
∑
N
R̂ = 1|Ti∗ |>c (10.12)
i=1
que estima la cantidad de hipótesis nulas rechazadas.

4. El valor de FDR asociado a cada valor c es estimado con
\ π̂0 V̂
F DR(c) = . (10.13)
R̂
183
O proporción de caracte- donde π0 es la proporción de hipótesis nulas ciertas.183 El esti-
rísticas que no son significa- mador de π0 utilizado es
tivamente distintas entre los ∑N
dos grupos que comparamos. 2 i=1 1|Ti∗ |≤q
π̂0 = ,
N
siendo q la mediana de {|Ti∗ (s)| : i = 1, . . . , N ; s = 1, . . . , S}.
10.5.1 SAMseq: PRJNA297664

10.6. DESEQ2 189
pacman::p_load("SummarizedExperiment","samr")
PRJNA297664samseq = SAMseq(x = assay(PRJNA297664),

y = colData(PRJNA297664)[,"treatment"],
resp.type="Two class unpaired",geneid = rownames(PRJNA297664),
genenames=rownames(PRJNA297664),nperms = 1000,nresamp = 40,
fdr.output = 0.20)
Podemos ver los resultados con184 184

No mostrado.
print(PRJNA297664samseq)
Un dibujo con los resultados que podemos ver en figura 10.1
plot(PRJNA297664samseq)
10.6 DESeq2
Este método se propuso en [90]. Figura 10.1: Genes significativos
con los datos PRJNA297664.
10.6.1 Método
Como es habitual en el texto denotamos la matriz de conteos alea-
toria con X donde el elemento en posición (i, j) es el conteo aleatorio
Xij correspondiente al i-ésimo gen y a la j-ésima muestra. Se asume
que Xij sigue una distribución binomial negativa (§ 21.8.2) con media
µij y dispersión αi . Se supone que la media de este conteo aleatorio
la podemos expresar como
µij = sij qij , (10.14)
siendo sij un factor de normalización que tiene en cuenta las distintas

profundidades de secuenciación así como otros posibles sesgos como
contenido GC del gen o su longitud.185 La dependencia de las cova- 185
En la propia modeliza-
riables (variables fenotípicas) se introduce en qij . En concreto si asu- ción incorporar el proceso de
mimos para la muestra j un vector de covariables yj = (yj1 , . . . , yjp )′ normalización que, en princi-
y denotamos un vector de coeficientes (dependiente de la fila o gen) pio, puede depender del gen
con βi = (βi1 , . . . , βip )′ . Se asume el siguiente modelo y de la muestra. Por defecto
se utilizan sij que no depen-
∑
p
den de i y están definidos en
log2 qij = yj′ βi = yjk βik . § 6.14.3.
k=1
186 186
Un detalle importante so-
′ bre la codificación de un fac-
Los contrastes vendrán dados por c βi . El error estándar √ (su des-
viación típica) del contraste c′ βi viene dada por SE(c′ βi ) = c′ Σi c, tor. No se utilizan las habi-
donde Σi denota la matriz de covarianzas de βi . Cuando se contraste tuales variables dummy que
si estos contrastes187 son nulos se utiliza la matriz de diseño estándar codifican uno para una cate-
en donde no se introduce el parámetro adicional que hemos comentado goría y cero para las demás
anteriormente. Esta sí es una matriz de rango completo por columnas. dejando la media como el va-
lor en una categoría de re-
ferencia. Los autores utilizan
un parámetro para la media
y una variable dummy por
cada nivel del factor expe-
Estimando las dispersiones. Sobre las distintas dispersiones ϕi

se asume una distribución distribución lognormal.
log ϕi ∼ N (log ϕ̃(µ̄i ), σd2 ) (10.15)
donde la media es una función ϕ̃ que evaluamos en
1 ∑ xij
n
µ̄i = . (10.16)
n j=1 sij
¿Qué papel desempeña la función ϕ̃? Nos describe cómo depende la

media de la distribución a priori (sobre el parámetro de dispersion) de
la media muestral de los conteos normalizados observados que deno-
tamos µ̄i . La varianza σd2 modeliza la variabilidad de las dispersiones
alrededor de este comportamiento medio que acabamos de indicar. Se
188
En [90, pág. 15] hay una utiliza la siguiente función ϕ̃.188
interesante discusión sobre la a1
elección de esta función. ϕ̃(µ̄) = + ϕ0 . (10.17)
µ̄
189
Por ser parámetros so- En resumen, tenemos tres parámetros en la distribución a priori. 189
bre una distribución de pro- Para tener especificada esta distribución a a priori tenemos que es-
babilidad para un parámetro timar a1 , ϕ0 , σd2 . Se utiliza un método empírico bayesiano.190 ¿Cómo
realmente hemos de hablar los estimamos?
de hiperparámetros en termi-
Estimación de las dispersiones ϕi ’s Se empieza ajustando un mo-
nología bayesiana.
delo lineal generalizado con componente aleatoria binomial ne-
190
Los propios datos son uti- gativa. Se realiza una primera estimación en donde aplicando el
lizados para estimar los hi- método de los momentos y los conteos estimamos las medias y
perparámetros de la distribu- los parámetros de dispersion. De este modo se tiene una primera
ción a priori. estimación de las medias que denotamos µ̂0ij . Una vez estimadas
las medias podemos estimar las dispersiones. Se considera la ve-
rosimilitud ajustada de Cox-Reid. Sea l(ϕ) la logverosimilitud
dada por (eliminamos la referencia a la fila i pero obviamente
esta función se considera para cada gen)
∑
n
l(ϕ) = log fN B (xj |µj , ϕ)
j=1
donde fN B (xj : µj , ϕ) es la función de probabilidad de la bino-

191
Definida en 21.21. mial negativa con media µj y dispersión ϕ.191 Denotamos por
D la matriz de diseño. La verosimilitud ajustada de Cox-Read
viene dada por
1
lCR (ϕ|µ, , ϕ) = l(ϕ) − log(det(D′ W D)), (10.18)
2
siendo µ = (µ1 , . . . , µn ) y W la matriz de pesos diagonal de los
mínimos cuadrados iterativamente reponderados. Dado que la
función de enlace es g(µ) = log(µ) y la varianza viene dada por
V (µ|ϕ) = µ + ϕµ2 entonces el j elemento de la diagonal es
1 1
wjj = = .
g ′ (µj )2 V (µ|ϕ) 1
µj +ϕ
Se maximiza la función dada en 10.18 y obtenemos un estima-

dor que denotamos por ϕgw para cada gen. Para el i-ésimo gen
tenemos (µ̄i , ϕgw
i ).
10.6. DESEQ2 191
Tendencia de la dispersión Pretendemos estimar la función pro-

puesta en 10.17. Se aplica iterativamente un modelo lineal gene-
ralizado utilizando la familia de distribuciones gamma. ¿Por qué
iterativamente? Porque se van eliminando en cada iteración ge-
nes donde el ajuste es malo. ¿En qué sentido? En una iteración
dada ajustamos el modelo lineal generalizado. Con el modelo
ajustado en esa iteración tendremos una predicción y el valor
original (ϕgw
i ). Si el cociente del primero respecto del segundo
no está en el intervalo [10−4 , 15] es eliminado del estudio. El
proceso continúa iterativamente hasta que la suma de los loga-
ritmos de los cocientes de los nuevos coeficientes respecto de los
antiguos es menor que 10−6 .
Distribución a priori sobre la dispersión Consideremos los resi-
duos logarítmicos dados por
log ϕgw
i − log ϕ̃(µ̄i ).
La desviación estándar de estos residuos es estimada (evitan-

do observaciones anómalas) utilizando el estimador basado en
MAD (mediana de las desviaciones absolutas respecto de la me-
diana, § 20.4). Es decir con
slr =
1
M AD({log ϕgw
i − log ϕ̃(µ̄i ) : i = 1, . . . , N }). (10.19)
Φ−1 ( 34 )
Finalmente, la varianza de la distribución a priori es estimada
con
σd2 = max{s2lr − ψ1 ((n − p)/2), 0.25}, (10.20)
donde ψ1 es la función trigamma; n, el número de muestras y p
el número de covariables por muestra.
El estimador 10.20 no es adecuado cuando los grados de libertad
residuales (número de muestras n menos número de parámetros
a estimar p) son de tres o inferior. En este caso se propone un
método basado en simulación que se puede consultar en [90, pág.
16].
Estimaciones de la dispersión. El estimador final de la dispersión
ϕi se obtiene
( ( ) )
ϕM
i
AP
= argmax ϕ lCR ϕ; µ̄ 0
i· , x i· + Λ i (ϕ) (10.21)
siendo
−(log ϕ − log ϕ̃(µ̄i ))2
Λi (ϕ) = .
2σd2
Outliers de dispersion. En el punto anterior hemos indicado cómo
estimamos la dispersión para cada gen. No obstante, si un gen
verifica que
log ϕgw
i > log ϕ̃(µ̄i ) + 2slr
entonces consideramos el gen como un outlier en términos de
dispersión. Para estos genes utilizamos como estimador de su
dispersión no el propuesto en el apartado anterior sino ϕgw
i .
Además estos genes no son utilizados cuando ajustamos ϕ̃.
Distribución sobre los coeficientes del modelo Asumimos que
βir ∼ N (0, σr2 ). (10.22)

Para el i-ésimo gen aplicamos el algoritmo (habitual) de los mínimos
cuadrados iterativamente reponderados y obtenemos los estimadores
M LE
máximo verosímiles βir . Consideramos el cuantil empírico de orden
1 − p de los |βir | y lo denotamos por q1−p (|βr |). Si considerados
M LE
qN (1 − p) el cuantil 1 − p de una normal estándar entonces estimamos

q (|βr |)
con σr = qN1−p(1−p/2) . Se toma por defecto p = 0.05.
Estimadores de βi .
Se estima βi como el valor que maximiza
∑
n
fN B (xij |µj (β), ϕi ) + Λ(β) (10.23)
j=1
siendo ∑p
yjr βr
µj (β) = sij e r=1 ,
∑
p
−β 2 r
Λ(β) = ,
r=1
2σr2
y ϕi = ϕMi
AP
excepto para los genes que son outliers de dispersión
en donde ϕi = ϕgw i . La función 10.23 es maximizada utilizando el
algoritmo de regresión ridge iterativamente reponderada. En concreto
en una iteración dada actualizamos los valores de los coeficientes con
β ← (D′ W D + λI)−1 D′ W z,
1
donde λr = σr2 y
µj xj − µ j
zj = log +
sj µj
∑p
siendo µj (β) = sj e r=1 yjr βr donde los valores de βr son la estimación
en la iteración actual.
Test de Wald. En un test de Wald se comparan los estimadores

de los coeficientes βir con sus errores estándar estimados SE(βir que
corresponden con el elemento en posición (r, r) de la matriz de cova-
rianzas de βi . Esta matriz viene dada por
cov(βi ) = (D′ W D + λI)−1 (D′ W D)(D′ W D + λI)−1 .
El cociente del estimador con el error estándar tiene aproximadamente

una distribución normal estándar bajo la hipótesis nula de que el
coeficiente es nulo. Aplicando el test de Wald tendremos p-valores
para el test bilateral de que el coeficiente no es nulo. Finalmente estos
p-valores pueden ser ajustados mediante algún procedimiento como el
método de Benjamini-Hochberg.
En el trabajo se discute la integración de un método de filtrado
independiente basado en la media de los conteos normalizados y la
adaptación a hipótesis nulas compuestas así como detalles adicionales
que no comentamos. En esencia este es el método propuesto.
10.7. MATERIAL ADICIONAL 193
10.6.2 Paquete
Vamos a analizar los datos tamidata2::PRJNA218851.
pacman::p_load(SummarizedExperiment,DESeq2)
Leemos los datos.
data(PRJNA218851,package="tamidata2")
Tenemos la covariable Stage que indica el tipo de tejido analizado.

Tenemos tres muestras por individuo. Por tanto tenemos un factor
intra sujeto con tres niveles. No vamos a utilizar este diseño. Simple-
mente vamos a considerar que tenemos tres grupos independientes de
muestras.
Empezamos generando el objeto de clase DESeqDataSet a partir
de nuestro objeto de clase RangedSummarizedExperiment.
dds = DESeqDataSet(PRJNA218851, design = ~ Stage)
Eliminamos genes con conteos bajos.
keep = rowSums(counts(dds)) >= 10

dds = dds[keep,]
Fijamos el nivel control como categoría de referencia.
dds$Stage <- relevel(dds$Stage, ref = "Normal")
Podemos hacer el estudio de la expresión diferencial.
dds = DESeq(dds)
Podemos evaluar el coeficiente correspondiente a la comparación

entre el nivel cancer y el de referencia control.
resLFC2 = lfcShrink(dds, coef=2)
Ahora evaluamos los tests correspondientes al coeficiente que com-

para el nivel metastasis con el nivel de referencia control.
resLFC3 = lfcShrink(dds, coef=3)
10.7 Material adicional

En [124] tenemos un estudio comparativo de distintos procedi-
mientos para expresión diferencial utilizando distintos paquetes de
Bioconductor.
10.8 Ejercicios
Ej. 25 — Para los datos tamidata::PRJNA297664 se pìde:
1.Aplicar el procedimiento de comparación de proporciones utili-
zando edgeR::binomTest a las muestras 1 y 3.
2.Ajustar los p-valores obtenidos en el punto anterior por el método
de Benjamini-Hochberg.
3.Una vez ajustados los p-valores determinar cuantos y cuales tie-
nen un p-valor ajustado menor a 0.01.
4.Repetir los tres pasos anteriores comparando las muestras 2 y 5.
5.¿Cuántos genes han sido detectados como significativos simultá-
neamente en los puntos 3 y 4?
10.9 Diseños apareados

En esta sección se considera la situación en que tenemos por in-
dividuo dos muestras una en cada condición, tenemos pares de ob-
servaciones. Una aproximación bayesiana utilizando la distribución
betabinomial se puede encontrar en [HardcastleKelly2013].
Capítulo 11
Tamaño muestral y
potencia
Los paquetes que vamos a utilizar son
Microarrays [113, sizepower],[110, OCplus], [147, ssize],

RNASeq [136, RNASeqPower], [R-RnaSeqSampleSize] y sus da-
tos asociados en [163, RnaSeqSampleSizeData]. [156, PROPER],
Ambos [142, SSPA]
ChIP-Seq [166, CSSP]
195
196 CAPÍTULO 11. TAMAÑO MUESTRAL Y POTENCIA
Capítulo 12
Generando un informe
En temas previos hemos visto cómo obtener subconjuntos de genes

con expresión diferencial. Ya tenemos la lista. Lo habitual es querer
explorar este grupo de genes. Y el modo más útil posiblemente sea
generar un archivo en HTML con enlaces a bases de datos donde nos
proporcionan información sobre ellos como puede ser Gene Ontology.
Esto nos permitirá consultar posteriormente nuestros resultados con
nuestro navegador.1
La complejidad del problema que se aborda hace que este paso sea
muy importante. En la práctica estadística clásica se generaba un in-
forme y el investigador interpreta los resultados y redacta un informe.
En este contexto el problema es mayor. Básicamente se explora en la
gran cantidad de genes y por ello los resultados han de ser validados
y, posiblemente, nuevas hipótesis generadas.
En este tema nos proponemos el siguiente objetivo: generar un
fichero en que cada fila contenga distintos identificadores de
aquellos genes que declaramos con expresión diferencial sig-
nificativa así como los p-valores originales y los ajustados.
Utilizamos como ejemplo los datos GSE20986.192 192
§ 5.11.
library(Biobase)
eset = gse20986
En concreto nos vamos a fijar en la comparación entre las muestras

extraídas de células endoteliales vasculares de la retina y de células
endoteliales de la vena umbilical (abreviadamente hablamos de células
de la retina y huvec). Con el siguiente código193 nos aplicamos un 193
§ 7 y § 8.
t-test, a los p-valores obtenidos le aplicamos el método de Benjamini-
Hochberg con un FDR de 0.05. Los genes significativos son los que
utilizamos en el resto de tema para ilustrar la generación de un informe
a partir de ellos.
library(genefilter)
library(multtest)
eset = gse20986[, c(2, 3, 5, 10:12)]
tissue = factor(rep(1:2, each = 3), levels = 1:2,
labels = c("retina", "huvec"))
tt = rowttests(eset, tissue)
1 Que esperemos no sea Internet Explorer.
197
198 CAPÍTULO 12. GENERANDO UN INFORME
p.BH = mt.rawp2adjp(tt$p.value, "BH")

sig = which(p.BH$adjp[p.BH$index, 2] < 0.05)
En el vector sig tenemos las filas que ocupan, en la matriz de

expresión, los genes declarados significativos por el procedimiento in-
dicado. Podemos ver las primeras filas (no están ordenados según que
el p-valor original o ajustado sea menor, simplemente son las primeras
filas de la matriz) son:
head(sig)
## [1] 10 33 146 264 385 626
El número de significativos es
nsig = length(sig)
Guardamos los p-valores y los p-valores ajustados.
pvalor = p.BH$adjp[1:nsig,1]
pajustado = p.BH$adjp[1:nsig,2]
En § 12.1 vemos cómo obtener distintos identificadores de este gru-

po de genes utilizando el paquete [52, annotate]. En § 12.2 y § 12.3 ge-
neramos ficheros HTML utilizando estos identificadores con los paque-
tes [84, R2HTML] y [67, ReportingTools] respectivamente. En § 12.2
y § 12.3 ofrecemos dos opciones alternativas (la mejor es la segunda)
y necesitan lo que vemos en § 12.1.
12.1 Identificando el grupo de genes

El primer problema es asociar a los genes seleccionados un identifi-
cador. ¿Qué anotación tienen nuestros datos? Necesitamos el paquete
[52, annotate].
library(annotate)
La función annotate::annotation nos indica la anotación.
annotation(eset)
## [1] "hgu133plus2"
Cargamos (después de instalarlo) el paquete correspondiente.
library(hgu133plus2.db)
Obtenemos los identificadores de nuestros genes. Tenemos un chip

de Affymetrix por ello tendremos los identificadores AffyID. Puesto
que tenemos un ExpressionSet podemos hacer
ID = featureNames(eset)[sig]
Los primeros serían

12.2. R2HTML 199
head(ID)
## [1] "1431_at" "1552286_at" "1552463_at"

## [4] "1552628_a_at" "1552794_a_at" "1553132_a_at"
Podemos determinar los símbolos de nuestros genes. Dos posibles

formas de hacerlo son
lookUp(ID, "hgu133plus2.db", "SYMBOL")

getSYMBOL(ID,"hgu133plus2.db")
Sus nombres con
lookUp(ID, "hgu133plus2.db", "GENENAME")
Supongamos que queremos obtener información sobre estos genes

en la base de datos Ensembl. ¿Cuáles son sus identificadores en esta
base de datos?
lookUp(ID, "hgu133plus2.db", "ENSEMBL")
¿O en Gene Ontology?
lookUp(ID, "hgu133plus2.db", "GO")
O bien sus identificadores en Entrez.
lookUp(ID, "hgu133plus2.db", "ENTREZID")
Y bastante más información. Toda la información que podemos ob-

tener se puede consultar en la ayuda del paquete [26, hgu133plus2.db]
o bien con
ls("package:hgu133plus2.db")
12.2 R2HTML
Veamos cómo hacerlo con el paquete [84, R2HTML].
library(R2HTML)
En § 12.1 hemos visto cómo obtener a partir de las filas de la matriz

de expresión distintos identicadores de los genes. Repetimos el código
de dicha sección guardando los resultados.
Symbol = getSYMBOL(ID,"hgu133plus2.db")
Name = as.character(lookUp(ID, "hgu133plus2.db", "GENENAME"))
Ensembl = as.character(lookUp(ID, "hgu133plus2.db", "ENSEMBL"))
entrezid = as.character(lookUp(ID, "hgu133plus2.db", "ENTREZID"))
Lo siguiente es definir un data.frame donde reunimos toda la

información. Incorporamos los p-valores y los p-valores ajustados.
tmp = data.frame(ID=ID, Symbol=Symbol, Name=Name, Ensembl=Ensembl,

entrezid = entrezid,pvalor = pvalor,pajustado = pajustado,
stringsAsFactors=F)
Podemos tener campos vacíos que hay que declarar como datos
faltantes.
tmp[tmp=="NA"] = NA
HTML(tmp,"reports/prueba.html",append=F)
El informe que hemos generado lo podemos ver con el navegador.2
browseURL("reports/prueba.html")
Parece que un fichero HTML sin hipervínculos no parece muy útil.

Se los añadimos.
Ensembl = ifelse(Ensembl=="NA", NA,

paste("<a href='http://useast.ensembl.org/Homo_sapiens/Gene/Summary?g=",
Ensembl, "'>", Ensembl, "</a>", sep=""))
stringsAsFactors=F)
entrezid = ifelse(entrezid=="NA", NA,
paste("<a href='http://www.ncbi.nlm.nih.gov/gene/?term=",
entrezid,"'>",entrezid,"</a>", sep=""))
entrezid = entrezid,pvalor = pvalor,pajustado = pajustado,
stringsAsFactors=F)
tmp[tmp=="NA"] <- NA
HTML(tmp,"reports/prueba.html",append=F)
Y vemos el nuevo fichero.
browseURL("reports/prueba.html")
12.3 ReportingTools
En esta sección vemos cómo generar un informe con [67, Repor-
tingTools]. Cargamos el paquete.
library(ReportingTools)
Obtenemos distintos identificadores.
Name = as.character(lookUp(ID,"hgu133plus2.db", "GENENAME"))
entrezid = as.character(lookUp(ID, "hgu133plus2.db", "ENTREZID"))
ID[ID == "NA"] = NA
Name[Name == "NA"] = NA
entrezid = ifelse(entrezid == "NA",NA,
paste("<a href='http://www.ncbi.nlm.nih.gov/gene/?term=",
entrezid,"'>",entrezid,"</a>",sep=""))
2 Crucemos los dedos para que no sea Internet Explorer.
Posiblemente queramos añadir a estos descriptores los p-valores

originales así como los ajustados. Generamos un data.frame con los
distintos identificadores.
df = data.frame(ID = ID,Name = Name,entrezid = entrezid,

pvalor = pvalor,pajustado = pajustado,stringsAsFactors=F)
Utilizando ReportingTools::HTMLReport fijamos el nombre del

fichero en que guardamos la información así como el directorio en
donde estará dicho fichero.
foutput = "gse20986.DE"
htmlRep1 = HTMLReport(shortName = foutput,title = foutput,
reportDirectory = "./reports")
Guardamos la información y cerramos el fichero con las funciones

ReportingTools::publish y ReportingTools::finish.
publish(df,htmlRep1)
finish(htmlRep1)
## [1] "./reports/gse20986.DE.html"
12.4 Ejercicios
Ejercicio 26
Utilizando el ExpressionSet gse1397 se pide:
1. ¿Cuál es el chip utilizado?
2. Seleccionar el gen en la fila 678. ¿Cuál es su identificador Affy-
metrix, AffyID? Determinar los identificadores en las siguientes
bases de datos: Ensembl, Gene Ontology y NCBI.
3. Elegir al azar 100 genes con la función sample. Determinar sus
AffyIDs y los correspondientes en Ensembl, Gene Ontology y
NCBI.
(a) Generar un fichero HTML tal que en las cuatro primeras

columnas tengamos los identificadores.
(b) Repetir el punto anterior pero de modo que, asociado a los
identificadores en Ensembl, Gene Ontology y NCBI nos
aparezca en vínculo para el acceso a la base de datos co-
rrespondiente.
Parte IV
Reducción de dimensión
y clasificación
203
Capítulo 13
Componentes
principales
13.1 Introducción
En este tema nos ocupamos de problemas de reducción de dimen-
sión. ¿Qué significa reducir la dimensión? Responder a esta pregunta
es obvio si nos fijamos en los datos que tenemos. Trabajando con ex-
presión de genes tenemos tantas filas como genes y tantas columnas
como muestras. En resumen miles de filas y decenas o centenares de
columnas. En el tema En temas anteriores hemos visto como seleccio-
nar filas, esto es, seleccionar genes es una tarea incluso previa. Hemos
de quedarnos con genes que tengan una expresión diferencial si consi-
deramos alguna característica fenotípica o bien con genes que tengan
una expresión mínima o bien con genes que tengan un cierto nivel de
variación. ¿Qué hacemos con las columnas? O de otro modo: ¿qué ha-
cemos con las muestras? Quizás la respuesta natural sería: si tenemos
miles de filas, ¿por qué preocuparse de unas decenas de filas? No es
una buena respuesta. Realmente tener 50 o 100 columnas son muchas
a la hora de visualizar resultados o bien de aplicar tratamientos es-
tadísticos. En este tema tratamos el tema de cómo reducir el número
de columnas o el número de filas.
13.2 Componentes principales

Para ilustrar los conceptos vamos a considerar unos datos sencillos.
Tomamos los datos golub y nos fijamos en los genes que tienen que ver
con “Cyclin” (tienen esta palabra en su nombre). Vamos a considerar
las dos primeras muestras, esto es, las dos primeras columnas.
sel = grep("Cyclin",golub.gnames[,2])
golub.red = golub[sel,1:2]
Los datos aparecen en la figura 13.1.
df = data.frame(golub.red)
names(df) = c("sample1","sample2")
205
206 CAPÍTULO 13. COMPONENTES PRINCIPALES
png(paste0(dirTamiFigures,"PCA2.png"))
ggplot(df,aes(x=sample1,y=sample2)) + geom_point()
dev.off()
Cada punto corresponde con uno de los genes seleccionados.

Para la fila i (para el gen i) denotamos las expresiones observadas
en las dos muestras como xi = (xi1 , xi1 ). Tenemos n filas y por lo
tanto nuestros datos son xi con i = 1, . . . , n.
Centramos los datos. Esto es, le restamos a cada columna la media
de la columna. Para ello, primero calculamos las medias. El vector de
medias lo vamos a denotar por x̄ = (x̄1 , x̄2 ) donde
Figura 13.1: Expresión de las dos
primeras muestras de los datos go- ∑
n
xij
lub para aquellos genes que con- x̄j =
tienen la expresión Cyclin. i=1
n
es decir, cada componente es la media de las componentes. En resumen

el primer valor es la expresión media en la primera muestra para
todos los genes. Podemos calcular fácilmente el vector de medias. Una
función específica es la siguiente.
medias = colMeans(golub.red)
Un código equivalente al anterior con apply es
medias = apply(golub.red,2,mean)
Le restamos a cada columna su media.
golub.red = sweep(golub.red,2,medias)
En la figura 13.2 reproducimos los datos centrados y mostramos

los ejes de coordenadas en rojo.
Hemos trasladado los datos de modo que las medias de cada varia-
ble valen cero ahora. Esto es lo que se conoce como centrar los datos.
Hemos centrado los datos. Podemos comprobar que los nuevos datos
tienen una media nula.
colMeans(golub.red)
## [1] -3.006854e-17 1.069746e-17
Nuestros datos (filas) corresponden a las expresiones correspon-

dientes a los genes. Los datos originales tienen dimensión 2 (dos
variables correspondientes a las dos muestras) y supongamos que
pretendemos reducir la dimensión a solo una, esto es, representar
cada gen mediante un único número. La idea de las componentes
principales es considerar una combinación lineal de los valores ori-
ginales. Es decir, se pretende elegir un vector (de dimensión dos)
a1 = (a11 , a12 ) de modo que en lugar de utilizar xi consideremos (el
resumen) ui = a11 xi1 + a12 xi2 . ¿Qué a1 elegimos? La idea es lograr
que los valores ui tengan la mayor variabilidad que se pueda con obje-
to de no perder información. Mantener la variabilidad original indica
que mantenemos la información que los datos originales tienen. En
concreto se elige a1 de modo que maximizamos
1∑
n
(ui − ū)2 .
n i=1
13.2. COMPONENTES PRINCIPALES 207
Figura 13.2: a) Centramos los datos golub.red y mostramos el nuevo sistema de coordenadas en rojo. b) Vectores que
definen las líneas donde proyectamos. c) Las líneas sobre las que proyectamos. d) Datos golub.red mostrando las líneas
sobre las que proyectamos (en azul) para obtener las dos componentes principales y las proyecciones sobre la primera
componente en verde. e) Datos golub.red mostrando las líneas sobre las que proyectamos (en azul) para obtener las
dos componentes principales y las proyecciones sobre la segunda componente.
El vector a1 nos indica la dirección sobre la cual proyectamos los datos

originales. Las proyecciones sobre a1 , los valores ui son la mejor des-
cripción univariante de los datos. La segunda mejor descripción que
sea ortogonal a la anterior serían las proyecciones sobre la línea orto-
gonal a la primera que pasa por el origen de coordenadas. Obtengamos
las componentes principales.
a.pca = prcomp(golub.red)
Los vectores directores de las líneas sobre las que proyectamos

aparecen en la figura 13.2. Estos vectores son
a.pca$rotation
## PC1 PC2
## [1,] -0.7619878 0.6475914
## [2,] -0.6475914 -0.7619878
Las líneas sobre las que proyectamos aparecen en azul en la figura

13.2 Hemos trasladado los datos de modo que las medias de cada
variable valen cero ahora. Esto es lo que se conoce como centrar los
datos. Hemos centrado los datos. Podemos comprobar que los nuevos
datos tienen una media nula.
colMeans(golub.red)
## [1] -3.006854e-17 1.069746e-17

Nuestros datos (filas) corresponden a las expresiones correspon-

dientes a los genes. Los datos originales tienen dimensión 2 (dos
variables correspondientes a las dos muestras) y supongamos que
pretendemos reducir la dimensión a solo una, esto es, representar
cada gen mediante un único número. La idea de las componentes
principales es considerar una combinación lineal de los valores ori-
ginales. Es decir, se pretende elegir un vector (de dimensión dos)
a1 = (a11 , a12 ) de modo que en lugar de utilizar xi consideremos (el
resumen) ui = a11 xi1 + a12 xi2 . ¿Qué a1 elegimos? La idea es lograr
que los valores ui tengan la mayor variabilidad que se pueda con obje-
to de no perder información. Mantener la variabilidad original indica
que mantenemos la información que los datos originales tienen. En
concreto se elige a1 de modo que maximizamos
1∑
n
(ui − ū)2 .
n i=1
El vector a1 nos indica la dirección sobre la cual proyectamos los datos

originales. Las proyecciones sobre a1 , los valores ui son la mejor des-
cripción univariante de los datos. La segunda mejor descripción que
sea ortogonal a la anterior serían las proyecciones sobre la línea orto-
gonal a la primera que pasa por el origen de coordenadas. Obtengamos
las componentes principales.
a.pca = prcomp(golub.red)
Los vectores directores de las líneas sobre las que proyectamos

aparecen en la figura 13.2(b). Estos vectores son
a.pca$rotation
## PC1 PC2
## [1,] -0.7619878 0.6475914
## [2,] -0.6475914 -0.7619878
Las líneas sobre las que proyectamos aparecen en azul en la figura

13.2(c). Y finalmente podemos ver las proyecciones. En verde mostra-
mos las proyecciones sobre la primera componente (figura 13.2(d)). Y
ahora consideremos la proyección sobre la segunda componente. En
la figura 13.2(e) la mostramos. Los valores de estas proyecciones los
obtenemos con
predict(a.pca)
## PC1 PC2
## [1,] -2.50309193 -1.541823e-01
## [2,] 0.01368602 -2.024163e-01
## [3,] -2.38702381 3.714339e-03
## [4,] 0.33489688 -6.847077e-05
## [5,] 0.76608286 2.806154e-01
## [6,] 0.27144878 2.899820e-02
## [7,] 0.31169639 -2.876394e-01
## [8,] 2.22052303 -8.232084e-02
## [9,] -0.93221244 1.836866e-01
## [10,] -0.39946389 -7.239549e-03
13.3. COMPONENTES PRINCIPALES DE LOS DATOS GOLUB209
## [11,] 0.08293509 3.191733e-01

## [12,] 2.22052303 -8.232084e-02
Las desviaciones estándar de la primera y segunda componente

principal son las siguientes
## [1] 1.4687760 0.1849567
Y las varianzas son los cuadrados de las desviaciones estándar.
a.pca$sdev^2
## [1] 2.15730290 0.03420899
¿Cómo de variables son nuestros datos? Podemos cuantificar el

total de la variación de los datos sumando las varianzas de cada una
de las dos coordenadas
var(golub.red[,1])
## [1] 1.266931
var(golub.red[,2])
## [1] 0.9245807
cuya suma es
var(golub.red[,1]) + var(golub.red[,2])
## [1] 2.191512
Las nuevas coordenadas tienen la misma varianza total.
sum(a.pca$sdev^2)
## [1] 2.191512
¿Y qué proporción de la varianza es atribuible a la primera com-

ponente? ¿Y a la segunda? Podemos dividir la varianza de cada com-
ponente por la suma total.
variacion.total = sum(a.pca$sdev^2)
a.pca$sdev^2 / variacion.total
## [1] 0.98439023 0.01560977
La primera componente explica un 98.44 % de la variación to-

tal. ¿Para qué necesitamos utilizar dos números por gen si con uno
tenemos esencialmente la misma información.
13.3 Componentes principales de los da-

tos golub
Hemos visto las componentes principales con dos variables (en
nuestro caso dos muestras) con efecto de poder ver el significado geo-
métrico de las componentes principales. Vamos a trabajar con el banco
de datos completo: todos los datos golub que tienen 38 muestras (27
de un tipo de leucemia y 11 de otro tipo).
Obtengamos las componentes principales.
golub.pca = prcomp(golub,scale=FALSE,center=TRUE)
El argumento center=TRUE centra los datos restando la media

de la columna de modo que las variables tengan medias nulas. El
argumento scale=TRUE hace que las variables originales sean divididas
por su desviación estándar de modo que la varianza (y la desviación
estándar) de las nuevas variables sea la unidad.
Diferentes criterios podemos aplicar a la hora de decidir con cuán-
tas componentes nos quedamos.
1. Uno puede ser la proporción total explicada. Fijar un nivel mí-
nimo y quedarnos con el número de componentes necesario para
superar este valor mínimo.
2. El segundo puede ser que una componente no puede tener una
desviación estándar menor que una de las variables originales.
Si hemos escalado cada variable original dividiendo por su des-
viación estándar entonces la desviación estándar de cada com-
ponente ha de ser mayor que uno.
3. Otro criterio puede ser ver en qué momento se produce un des-
censo de la desviación estándar muy notable. Quedarnos con las
componentes previas.
Un resumen de las componentes nos puede indicar con cuántas nos
quedamos.
summary(golub.pca)
## Importance of components:
## PC1 PC2 PC3
## Standard deviation 5.0436 1.44073 1.11734
## Proportion of Variance 0.6694 0.05462 0.03285
## Cumulative Proportion 0.6694 0.72405 0.75691
## PC4 PC5 PC6
## PC7 PC8 PC9
## PC10 PC11 PC12
## PC13 PC14 PC15
## PC16 PC17 PC18
13.3. COMPONENTES PRINCIPALES DE LOS DATOS GOLUB211

## PC19 PC20 PC21
## PC22 PC23 PC24
## PC25 PC26 PC27
## PC28 PC29 PC30
## PC31 PC32 PC33
## PC34 PC35 PC36
## PC37 PC38
## Standard deviation 0.32572 0.30667
## Proportion of Variance 0.00279 0.00247
## Cumulative Proportion 0.99753 1.00000
En este caso podemos aplicar el criterio 1 o 3 ya que no hemos

dividido por la desviación estándar.
Si fijamos, por ejemplo un 80% de la variación total a explicar
entonces debemos quedarnos con las cinco primeras componentes.
Atendiendo al tercer criterio quizás (muy subjetivo) tampoco sea
una mala solución quedarnos con las cinco primeras. Puede ser una
buena elección y una solución intermedia. Los nuevos datos los obte-
nemos con la función predict.
a = predict(golub.pca)
Podemos ver todas las componentes para el primer gen (primera

fila).
a[1,]
## PC1 PC2 PC3

## -7.037559379 -1.611150783 -0.580507718
## PC4 PC5 PC6
## 0.008740257 0.538496894 0.217863112
## PC7 PC8 PC9
## 0.095229954 -0.918846037 0.512919401
## PC10 PC11 PC12
## 0.863356337 -0.199100855 -0.661871987

## PC13 PC14 PC15
## 0.098500958 1.167024082 -0.080881207
## PC16 PC17 PC18
## 0.019311238 0.311828852 -0.734193835
## PC19 PC20 PC21
## 0.484426444 -0.413971027 0.861064042
## PC22 PC23 PC24
## 0.412112072 -0.169223915 -0.042496895
## PC25 PC26 PC27
## 0.392156775 -0.810609198 -0.724090154
## PC28 PC29 PC30
## -0.022842034 -0.267379502 0.223249663
## PC31 PC32 PC33
## 0.004501899 -0.066925615 -0.420010671
## PC34 PC35 PC36
## 0.043025063 0.325939735 -0.095872751
## PC37 PC38
## 0.451061057 0.873973312
Y ahora nos quedamos con las primeras cinco columnas correspon-

dientes con las cinco primeras componentes principales como hemos
decidido previamente.
a = a[,1:5]
Podemos representar, como es habitual, las dos primeras compo-

nentes. Lo tenemos en la figura 13.3
df = data.frame(PC1 = a[,1],PC2=a[,2])
ggplot(df,aes(x=PC1,y=PC2)) + geom_point()
dev.off()
Es interesante observar los valores del vector asociado a la primera

componente.
golub.pca$rotation[,1]
Figura 13.3: Dos primeras compo-
nentes principales de los datos go-
## [1] 0.1715179 0.1690829 0.1650131 0.1726783
lub.
## [5] 0.1659431 0.1668800 0.1686381 0.1602445
## [9] 0.1648769 0.1687936 0.1653992 0.1694389
## [13] 0.1629073 0.1661268 0.1647691 0.1720833
## [17] 0.1559293 0.1600159 0.1677201 0.1491867
## [21] 0.1272725 0.1620961 0.1643597 0.1652554
## [25] 0.1659262 0.1690494 0.1539691 0.1689052
## [29] 0.1541333 0.1516988 0.1691436 0.1682306
## [33] 0.1452419 0.1675335 0.1638384 0.1508645
## [37] 0.1476137 0.1520465
Podemos ver que son coeficientes muy parecidos, todos positivos.

Básicamente tenemos la media muestral de todos los niveles de ex-
presión en las 38 muestras. La primera componente es básicamente la
media sobre las 38 muestras. ¿Y la segunda componente?
13.4. ¿MUESTRAS O GENES? 213
golub.pca$rotation[,2]
## [1] 0.104190349 -0.036887376 0.069108679

## [4] 0.100701406 0.170952497 0.028349013
## [7] 0.032390592 0.000505933 0.093593873
## [10] 0.023532773 0.075375878 -0.089380731
## [13] 0.233399832 0.077938472 0.237951078
## [16] 0.184071755 0.078196661 0.041608386
## [19] 0.114629249 0.247148154 0.201580365
## [22] -0.014147623 0.037858911 0.210585781
## [25] -0.044465104 0.122286768 0.021439090
## [28] -0.189278987 -0.174593342 -0.243775839
## [31] -0.165316096 -0.150156242 -0.344034501
## [34] -0.157687744 -0.130649728 -0.277921375
## [37] -0.344828851 -0.222765782
Si observamos los coeficientes vemos que las primeros 27 valores

son positivos y los 11 últimos son negativos. Además no hay una gran
diferencia entre los 27 primeros y tampoco entre los 11 últimos. Bá-
sicamente (aunque no exactamente) estamos comparando, para cada
gen, la media de los niveles de expresión sobre los datos ALL (leuce-
mia linfoblástica aguda) con la media sobre los datos AML (leucemia
mieloide aguda).
13.4 ¿Muestras o genes?

En la sección anterior hemos realizado un análisis de componentes
principales de las muestras, esto es, la reducción de dimensión supo-
nía resumir, para gen, su perfil de expresión con menos valores. Sin
embargo, también podemos realizar un análisis de componentes prin-
cipales de los genes. En este caso, las observaciones son las muestras
y las variables serían las expresiones sobre los genes. Obviamente po-
demos realizarlo sobre el conjunto de todos los genes o bien después
de aplicar alguna selección previa (bien un filtrado no específico, bien
utilizando información sobre los propios genes).
Ejemplo 13.1 (Datos golub) Pretendemos hacer un análisis de com-

ponentes principales donde las observaciones son las muestras y para
cada muestra tenemos su perfil de expresión sobre todos los genes.
Para ello hemos de considerar la matriz traspuesta de la matriz de
expresión original con la función t(). A los datos que obtenemos le
aplicamos la función prcomp.
tgolub.pca = prcomp(t(golub),scale=FALSE,center=TRUE)
Veamos el resumen del análisis que acabamos de realizar.
summary(tgolub.pca)
## PC1 PC2 PC3
## PC4 PC5 PC6

## PC7 PC8 PC9
## PC10 PC11 PC12
## PC13 PC14 PC15
## PC16 PC17 PC18
## PC19 PC20 PC21
## PC22 PC23 PC24
## PC25 PC26 PC27
## PC28 PC29 PC30
## PC31 PC32 PC33
## PC34 PC35 PC36
## PC37 PC38
## Standard deviation 2.78502 5.815e-15
## Proportion of Variance 0.00744 0.000e+00
## Cumulative Proportion 1.00000 1.000e+00
En principio, la dimensión de mis datos es de 3051 que es el

número de genes con los que estamos trabajando. Sin embargo, vemos
que solamente considera 38 posibles componentes principales. ¿Por
qué? Pues porque es el rango de la matriz de covarianzas.1
1 Es un comentario incomprensible siguiendo el material anterior. Lo indico
13.5. ¿TIPIFICAMOS LOS DATOS? 215
Es interesante representar las componentes principales de las mues-

tras y los genes. En las figuras 13.4 y 13.5 mostramos las dos primeras
componentes utilizando la función plotPCA del paquete [92, affycore-
tools].
library(affycoretools)
png(paste0(dirTamiFigures,"PCA34-a.png"))
affycoretools::plotPCA(golub,legend = FALSE)
dev.off()
png(paste0(dirTamiFigures,"PCA34-b.png"))
affycoretools::plotPCA(t(golub),legend = FALSE)
dev.off()
Cuando realizamos un análisis de los genes sabemos que las obser-

vaciones están clasificadas (las muestras son de dos tipos de leucemia).
La función plotPCA está preparada para mostrarnos si las componen-
tes nos reproducen los grupos que sabemos que previamente tenemos Figura 13.4: Dos primeras compo-
(aquí no hemos realizado ningún análisis cluster previo). En la figura nentes principales de los datos go-
13.6 mostramos la misma figura 13.4 pero diferenciando el tipo de lub utilizando como variables las
expresiones en los genes.
muestra (según el tipo de leucemia).
tipo = factor(golub.cl+1,levels = 1:2,

labels = c("ALL","AML"))
affycoretools::plotPCA(golub,groups = tipo,
groupnames = tipo,legend=FALSE)
dev.off()
Podemos ver cómo la primera componente principal diferencia bas-

tante claramente los dos tipos de leucemia.
nentes principales de los datos go-
13.5 ¿Tipificamos los datos? lub utilizando como variables las
expresiones en las muestras.
Hemos trabajado hasta ahora con los datos centrados (restamos la
media muestral a cada variable) pero no hemos tipificado, esto es, no
hemos dividido cada variable por su desviación estándar. Si los datos
tienen una escala similar esta es la opción razonable. Para matrices de
expresión esto es así, estamos midiendo lo mismo en distintas muestras
y genes y, sobre el papel, la escala es la misma. Pero: ¿y si no es
así? En este caso en lugar de trabajar con las variables originales las
tipificamos y realizamos el análisis anterior con estos datos.194
Reproducimos (y no mostramos) el análisis de los datos golub pero
utilizando datos tipificados. Notemos que la opción fundamental es
scale = TRUE.

golub.pca = prcomp(golub,scale=TRUE,center=TRUE) nentes principales de los datos go-
summary(golub.pca) lub. donde se aplican las compo-
tgolub.pca = prcomp(t(golub),scale=TRUE,center=TRUE) nentes a los genes y diferenciamos
la muestra con un color y tipo de
summary(tgolub.pca)
punto distintos.
194
Realmente si no tipi-
simplemente.
ficamos y simplementamos
centramos los datos esta-
mos realizando un análisis de
componentes principales so-
bre la matriz de covarianzas.
Si tipificamos las variables
13.6 Ejemplos
Ejemplo 13.2 (GSE20986) Cargamos los datos.
La covariable fenotípica que nos indica el tejido de donde se obtuvo

la muestra es
pData(gse20986)[,"tissue"]
## [1] iris retina retina iris

## [5] retina iris choroides choroides
## [9] choroides huvec huvec huvec
## Levels: iris retina choroides huvec
En la figura 13.7 vemos representadas las componentes principales

de los genes.
plotPCA(gse20986,
groups = pData(gse20986)[,"tissue"],
groupnames=c("iris","retina","choroides","huvec"))
dev.off()
Llama la atención la clara diferenciación de las tres muestras co-

rrespondientes a huvec. Aparecen dispersas pero separadas de los de-
más las correspondientes a la retina. Finalmente las muestras de iris
y coroides no muestran una diferenciación.
Vemos que son informativas pero: ¿qué proporción de la varia-
ción total explican? Realizamos unas componentes principales de las
muestras. Notemos que tomamos la matriz de expresión y luego apli-
Figura 13.7: Datos GSE20986.
Componentes principales de los
camos la traspuesta ya que de lo contrario las componentes se estarían
genes. Se aprecia como el grupo realizando sobre las muestras.
huvec (tejido de vena umbilical)
se diferencia claramente de los de- a.pca = prcomp(t(exprs(gse20986)))
más.
summary(a.pca)
## PC1 PC2 PC3
## PC4 PC5 PC6
## PC7 PC8 PC9
## PC10 PC11
## Standard deviation 13.42905 10.17363
## Proportion of Variance 0.01556 0.00893
13.6. EJEMPLOS 217
## Cumulative Proportion 0.99107 1.00000

## PC12
## Standard deviation 7.927e-14
## Proportion of Variance 0.000e+00
## Cumulative Proportion 1.000e+00
Apreciamos que las dos primeras componentes nos explican un

64.61% de la variación total.
En la representación gráfica de la figura 13.7 hemos utilizado la
función affycoretools::plotPCA. Quizás no es buena costumbre ligarnos
tanto a un tipo de dato como el ExpressionSet. Podemos utilizar [71,
ggfortify]. Como antes, hemos de trabajar con la matriz transpuesta
y ponemos como una variable adicional de nuestro data.frame la
variable que indica el tejido.
df0 = t(exprs(gse20986))
tissue = pData(gse20986)[,"tissue"]
df = data.frame(tissue,df0)
pacman::p_load(ggfortify)
png(paste0(dirTamiFigures,"PCA46b.png"))
autoplot(prcomp(df[,-1]),data=df,colour="tissue")
dev.off()
Vemos las componentes en la figura ??

Ejemplo 13.3 (GSE1397) Leemos los datos.
Tenemos los metadatos fenotípicos con Figura 13.8: Componentes sobre

los genes con [ggfortify].
pData(gse1397)
Vemos que la variable que nos indica la alteración y el tejido son
pData(gse1397)[,'type']
## [1] Euploid Euploid Euploid Euploid Euploid

## [6] Euploid Euploid TS21 TS21 TS21
## [11] TS21 TS21 TS21 TS21
## Levels: Euploid TS21
pData(gse1397)[,'tissue']
## [1] Cerebrum Cerebrum Cerebrum Cerebrum

## [5] Cerebellum Cerebellum Cerebellum Cerebrum
## [9] Cerebrum Cerebrum Cerebrum Cerebellum
## [13] Cerebellum Cerebellum
## Levels: Cerebrum Cerebellum
En la figura 13.9 tenemos el resultado de un análisis de compo-

nentes principales considerando los genes como observaciones y dife-
renciando según el tipo de alteración.
affycoretools::plotPCA(gse1397, groups = pData(gse1397)[,'type'],
groupnames = levels(pData(gse1397)[,'type']))
dev.off()
Las dos primeras componentes vemos como no nos diferencian

el tipo de alteración. Sin embargo, cuando consideramos el tejido de
donde obtuvimos la muestra se aprecia una mejor diferenciación. De
hecho la primera componente diferencia bastante bien los tejidos. Lo
podemos ver en la figura 13.10.
Figura 13.9: Dos primeras com- library(affycoretools)
ponentes principales de datos
GSE1397 diferenciando el diag- png(paste0(dirTamiFigures,"PCA53.png"))
nóstico. affycoretools::plotPCA(gse1397, groups = pData(gse1397)[,'tissue'],
groupnames = levels(pData(gse1397)[,'tissue']))
dev.off()
13.7 Componentes principales

En esta sección realizamos una presentación más formal del con-
cepto de componente principal. Su nivel no corresponde con el resto
del capítulo y se incluye como material complementario.
Cuando tomamos medidas sobre genes, personas, objetos, empre-
sas, unidades experimentales de un modo genérico, se tiende a recoger
Figura 13.10: Dos primeras com- el máximo de variables posible. En consecuencia tenemos dimensiones
ponentes principales de datos del vector de características X grandes.
GSE1397 diferenciando el tejido.
Una opción consiste en sustituir la observación original, de di-
mensión d, por k combinaciones lineales de las mismas. Obviamente
pretendemos que k sea mucho menor que d. El objetivo es elegir k
de modo que expresen una proporción razonable de la dispersión o
variación total cuantificada como la traza de la matriz de covarianza
muestral, tr(S),
Sea X un vector aleatorio de dimensión d con vector de medias µ
y matriz de covarianzas Σ. Sea T = (t1 , t2 , . . . , td ) (los ti indican la
i-ésima columna de la matriz) la matriz ortogonal tal que
T ′ ΣT = Λ = diag(λ1 , . . . , λd ), (13.1)
donde λ1 ≥ λ2 ≥ . . . ≥ λd ≥ 0 son los valores propios de la matriz Σ.

Sea
Y = T ′ (X − µ). (13.2)
Si denotamos la j-ésima componente de Y como Yj entonces Yj =
t′j (X − µ) con j = 1, . . . , d. A la variable Yj la llamamos la j-ésima
componente principal de Y . La variable Zj = √ j es la j-ésima
Y
λj
componente principal estandarizada de Y .
Estas componentes tienen algunas propiedades de gran interés.
Notemos que el vector tj tiene longitud unitaria y, por lo tanto, Yj no
es más que la proyección ortogonal de X − µ en la dirección tj .
Proposición 13.1 1. Las variables Yj son incorreladas y var(Yj ) =

λj .
2. Las variables Zj son incorreladas y con varianza unitaria.
13.7. COMPONENTES PRINCIPALES 219
Demostración.
En cuanto al apartado primero tenemos que
var(Y ) = var(T ′ (X − µ) = T ′ var(X)T = T ′ ΣT = Λ.
El segundo apartado es directo a partir del primero.
Se verifica el siguiente resultado.

Teorema 13.1 Las componentes principales Yj = t′j (X − µ) con j =
1, . . . , d tienen las siguientes propiedades:
1. Para cualquier vector a1 de longitud unitaria, var(a′1 X) alcanza
su valor máximo λ1 cuando a1 = t1 .
2. Para cualquier vector aj de longitud unitaria tal que a′j ti = 0
para i = 1, . . . , j − 1, se tiene que var(a′j X) toma su valor
máximo λj cuando aj = tj .
∑d ∑d
3. j=1 var(Yj ) = j=1 var(Xj ) = traza(Σ).
La versión muestral de las componentes principales la obtenemos

sustituyendo en lo anterior µ y Σ por X̄ y Σ̂ respectivamente. Es im-
portante considerar el estimador de Σ que estamos utilizando (o bien
el estimador insesgado donde dividimos por n − 1 o bien el estimador
en donde dividimos por n).
Si denotamos por λ̂1 ≥ . . . ≥ λ̂d los valores propios ordenados de
Σ̂ y la matriz T̂ = (t̂1 , . . . , t̂d ) es la matriz tal que cada columna es
el correspondiente vector propio entonces tenemos las componentes
principales muestrales dadas por yj = T̂ ′ (xi − x̄). La nueva matriz de
datos viene dada por
Y ′ = (y1 , . . . , yn ) = T̂ ′ (x1 − x̄, . . . , xn − x̄) (13.3)
Finalmente, si las variables vienen dadas en unidades muy distintas

puede ser conveniente sustituir la matriz de covarianzas (poblacional
o muestral) por la correspondiente matriz de correlaciones. De hecho,
una de los inconvenientes de las componentes principales como un
modo de reducir la dimensión de los datos es precisamente que obte-
nemos resultados distintos si utilizamos las componentes principales
obtenidas a partir de la matriz de covarianzas o bien las componentes
principales obtenidas a partir de la matriz de correlaciones.
A partir de las d variables originales podemos obtener hasta d
componentes principales. Sin embargo, hemos dicho que pretendemos
reducir la dimensión del vector de datos. La pregunta a responder es:
¿con cuántas componentes nos quedamos?
Supongamos que estamos trabajando con la matriz ∑d de covarian-
zas Σ. Hemos de recordar que var(yj ) = λj y que j=1 var(xj ) =
∑d ∑d
j=1 var(yj ) = j=1 λj . En consecuencia se suelen considerar los
siguientes cocientes
∑k
j=1 λj
∑d , con k = 1, . . . , d,
j=1 λj
de modo que, cuando para un cierto valor de k, estamos próximos

a la unidad nos quedamos con ese valor de k. En la versión muestral
trabajaremos o bien con los valores propios de la matriz de covarianzas

muestral o la matriz de correlaciones muestrales.
Una referencia muy interesante sobre componentes principales es
[1].
.
Capítulo 14
Análisis cluster
14.1 Introducción
Este tema está dedicado al análisis cluster y su aplicación a datos
de expresión de gen. Trataremos lo que en la literatura estadística
recibe el nombre de análisis cluster1 o, en mejor castellano, análisis
de conglomerados. En la literatura de Inteligencia Artificial se utiliza
la expresión clasificación no supervisada.2
¿Qué vamos a clasificar cuando trabajamos con datos de expre-
sión de gen? Nuestra información es la matriz de expresión. Podemos
considerar como observaciones a clasificar los genes. En este caso, la
observación son los niveles de expresión observados en todas las mues-
tras, el perfil de expresión del gen sobre las muestras analizadas.
También podemos considerar como observaciones a clasificar las
muestras. En este caso cada muestra viene descrita por sus expresiones
sobre todos los genes. Podemos trabajar con todos los genes o con un
subconjunto de genes.
En uno u otro caso tenemos una muestra de observaciones multiva-
riantes de dimensión d. ¿Qué pretendemos hacer con ellos? Encontrar
grupos. Muy breve la respuesta pero: ¿qué son grupos? Imaginemos
una imagen aérea fija de un patio de un colegio. En esta imagen los
datos son las posiciones de los niños. ¿Se agrupan los niños formando
grupos o todos están jugando con todos y los grupos son una conse-
cuencia pasajera del juego (delanteros y defensas que aparecen agru-
pados en un ataque)?
Parece claro y simple el problema. Sí, lo parece. ¿Qué es un gru-
po? ¿Cómo defino un grupo? ¿Cuántos grupos distingo en los datos?
Estamos viendo el efecto del ruido o realmente hay una estructura
debajo que la vemos en un entorno con ruido.
¿Qué quiere decir encontrar grupos? Se trata de clasificar las ob-
servaciones en grupos de modo que las observaciones de un mismo
grupo sean lo más similares que podamos y que los grupos entre sí
sean muy distintos. El número de procedimientos que se han propues-
to en la literatura es muy grande. La mayor parte de ellos no tienen
un modelo probabilístico debajo, no son procedimientos basados en
modelo. Son métodos que esencialmente utilizan el concepto de proxi-
midad. Valoran de distintas formas lo próximos, lo cercanos que están
1 Porcierto que la palabra cluster no existe en castellano
2 Portradición, utilizaremos la expresión de análisis cluster. Es la que, perso-
nalmente, prefiero.
221
222 CAPÍTULO 14. ANÁLISIS CLUSTER
los puntos, dentro de un mismo grupo y entre distintos grupos. Es

pues, el primer punto a tratar: ¿cómo cuantificamos lo cerca o lejos
que están los distintos puntos? En § 14.3 nos ocupamos de este pun-
to. También será necesario, como veremos en el tema, valorar cuando
dos conjuntos de puntos son más o menos parecidos, proximos, simi-
lares. En la misma sección nos ocupamos de ello. Supongamos que ya
hemos clasificado en distintos grupos. ¿Hemos tenido éxito al hacer-
la? Cuando tenemos un análisis discriminante tenemos una muestra
donde sabemos a qué grupo pertenece el individuo y dónde lo hemos
clasificado. Esto nos permitía valorar si nuestro procedimiento clasi-
fica bien o no. Aquí no vamos a tener esta referencia que nos da la
muestra de entrenamiento. ¿Cómo valorarlo? Un concepto conocido
por silueta y debido a Rousseeuw [81] nos va a servir para ello. No
es ni tan simple ni tan satisfactorio como en análisis discriminante
(como es de esperar si tenemos menos información para trabajar). Lo
estudiamos en § 14.8.
Entre los muchos procedimientos de obtener los grupos a partir de
los datos, los más utilizados son dos tipos: procedimientos jerárquicos
y métodos de particionamiento. De los jerárquicos nos ocupamos en
§ 14.5. El método de las k-medias y el método de las k-mediodes (el
castellano como siempre es muy sufrido pues no existe la palabra) son
métodos de particionamiento y los tratamos en § 14.7.
Un texto antiguo pero de un interés enorme en este tema es [131].
14.2 Datos
En esta sección presentamos tres ejemplos sencillos de observacio-
nes a agrupar y que utizamos como ilustración simple de los métodos
que proponemos.
14.2.1 Un ejemplo artificial

Son unos datos muy conocidos, los datos Ruspini. Están en el
paquete cluster [95].3
Cargamos el paquete y los datos.
pacman::p_load(cluster)
data(ruspini)
En la figura 14.1 mostramos estos datos.
png(paste0(dirTamiFigures,"Cluster2.png"))
ggplot(ruspini,aes(x=x,y=y))+geom_point()
dev.off()
## pdf
## 2
Son datos bivariantes. Visualmente vemos cómo se agrupan los

puntos. Parece (muy) claro que podemos distinguir cuatro grupos.
3 En este tema el paquete cluster es, sin duda, el fundamental.
Figura 14.1: Datos ruspini

14.2. DATOS 223
14.2.2 Un ejemplo con muestras

Un ejemplo con los datos golub. Empezamos cargando los datos.
Previamente hemos visto que los valores de expresión de los genes

“CCND3 Cyclin D3” y “Zyxin” permiten diferenciar entre ALL y
AML. Localicemos las expresiones correspondientes a estos genes.
grep("CCND3 Cyclin D3",golub.gnames[,2])
## [1] 1042
grep("Zyxin",golub.gnames[,2])
## [1] 2124
Los datos aparecen en estas filas. Por lo tanto podemos construir

la matriz de datos correspondiente.
cz.data = data.frame(golub[1042,],golub[2124,])
names(cz.data) = c("CCND3_Cyclin_D3","Zyxin")
Este será un segundo ejemplo para analizar. Los datos aparecen

en la figura 14.2.
png(paste0(dirTamiFigures,"Cluster6b.png"))
ggplot(cz.data,aes(x=CCND3_Cyclin_D3,y=Zyxin))+geom_point()
dev.off()
## pdf
## 2
En este caso las observaciones corresponden a las muestras y las

variables son los niveles de expresión de dos genes. ¿Hay grupos? Esto
no son datos artificiales como los de Ruspini y ya no es tan claro.
14.2.3 Un ejemplo con genes Figura 14.2: Datos cz.data

Consideremos (otra vez) los datos golub.
Para cada gen vamos a considerar la expresión media sobre los

casos ALL
x = apply(golub[,golub.cl == 0],1,mean)
y la media sobre los casos AML.
y = apply(golub[,golub.cl == 1],1,mean)
Y vamos a limitarnos a un conjunto de genes. En concreto va-

mos a considerar los genes que se relacionan con el término biológico
“Cyclin”. Determinamos qué filas ocupan.
sel = grep("Cyclin",golub.gnames[,2])
La función grep busca la palabra “Cyclin” en cada uno de los

nombres que le pasamos. Y los nombres de estos genes son
golub.gnames[sel,2]
## [1] "CCND2 Cyclin D2"

## [2] "CDK2 Cyclin-dependent kinase 2"
## [3] "CCND3 Cyclin D3"
## [4] "CDKN1A Cyclin-dependent kinase inhibitor 1A (p21, Cip1)"
## [5] "CCNH Cyclin H"
## [6] "Cyclin-dependent kinase 4 (CDK4) gene"
## [7] "Cyclin G2 mRNA"
## [8] "Cyclin A1 mRNA"
## [9] "Cyclin-selective ubiquitin carrier protein mRNA"
## [10] "CDK6 Cyclin-dependent kinase 6"
## [11] "Cyclin G1 mRNA"
## [12] "CCNF Cyclin F"
Ahora nos limitamos a considerar las expresiones medias para los

casos ALL y los casos AML para estos genes.
cyclin.data = data.frame(x[sel],y[sel])
names(cyclin.data) = c("meanALL","meanAML")
En la figura 14.3 mostramos los datos.
ggplot(cyclin.data,aes(x=meanALL,y=meanAML))+geom_point()
dev.off()
## pdf
## 2
No parece, al menos visualmente, que tengamos muchos grupos.

De eso se trata. De saber si hay grupos y encontrarlos.
14.3 Disimilaridades
Figura 14.3: Datos cyclin.data.
En lo que sigue denotaremos los datos a agrupar con xi con i =
1, . . . n siendo xi ∈ Rd . Todos los ejemplos que hemos visto en la
sección anterior eran (con objeto de poder representarlos) datos bidi-
mensionales, d = 2.
14.3.1 Distancias euclídea y de Manhattan

Empezamos tratando el problema de cuantificar el grado de proxi-
midad, de similaridad entre dos puntos en el espacio de dimensión d.
Tradicionalmente este tema en Matemáticas se ha formalizado a tra-
vés del concepto de distancia o métrica. Una métrica es una función
que a cada par de puntos x, y ∈ Rd le asocia un valor positivo de mo-
do que cuando mayor es más distantes son, más alejados están. Como
siempre la formalización matemática de un concepto intuitivo ha de
14.3. DISIMILARIDADES 225
ser prudente y pedir que se verifiquen ciertos axiomas que resulten

razonables y generalmente admisibles. Las distancias más utilizadas
en análisis cluster son la distancia euclídea y la distancia de Manhat-
tan. Para dos vectores x e y (en Rd ) entonces la distancia euclídea se
define como v
u d
u∑
dE (x, y) = t (xk − yk )2 , (14.1)
k=1
con x, y ∈ R . La distancia de Manhattan viene dada por

d
∑
d
dM (x, y) = |xk − yk |. (14.2)
k=1
Las distancias euclídea y de Manhattan son adecuadas cuando tra-

bajamos con variables continuas y que además estén en una misma
escala. Son dos ejemplos de distancias o métricas.4 En lo que sigue
en lugar de distancia utilizaremos el término medida de disimilaridad
indicando que no necesariamente ha de ser distancia. Es una visión
menos restrictiva a la hora de definir que dos genes están cerca.
En lo que sigue agrupamos bien genes bien muestras. Si esta clasifi-
cación no supervisada la basamos en una distancia lo que buscamos es
encontrar grupos de genes que tienen perfiles de expresión similares.
En definitiva que se comportan de un modo parecido en el experimen-
to para todas las muestras. Si agrupamos muestras lo que buscamos
son muestras que, para los genes considerados, tienen unas expresiones
similares. Por ejemplo, si las muestras corresponden a un cierto tipo
de cáncer entonces los grupos que podemos encontrar serían subtipos
de cáncer. En resumen genes o muestras los consideramos similares
cuando sus expresiones lo son. Además interpretamos la similaridad
como una métrica. El concepto de distancia o métrica (del cual hemos
visto dos ejemplos) es limitado en muchas aplicaciones. En ocasiones
podemos interpretar que dos genes están próximos cuando sus expre-
siones están relacionadas de alguna forma, en resumen, cuando están
corregulados. En este caso podemos usar para definir la disimilaridad
a partir de una cuantificación de la dependencia entre los genes.
14.3.2 Disimilaridades utilizando coeficientes de co-

rrelación
Consideremos dos genes con perfiles x = (x1 , . . . , xn ) e y = (y1 , . . . , yn ).
En primer lugar pretendemos cuantificar el grado de dependencia en-
tre los pares (xi , yi ) para i = 1, . . . , n. Si nos limitamos a la posible
dependencia lineal entre estos pares entonces el coeficiente de corre-
lación de Pearson es la medida genéricamente aceptada. En § 27.1
tenemos su definición y algunas propiedades básicas. Se define como
∑n
(xi − x̄n )(yi − ȳn )
rx,y = √∑n i=1 √∑n .
i=1 (xi − x̄n ) i=1 (yi − ȳn )
2 2
4 En concreto la función d definida en el espacio producto Rd × Rd se dice que
es una métrica si verifica:

No negativa d(x, y) ≥ 0.
Un punto dista 0 de sí mismo d(x, x) = 0.
Simetría d(x, y) = d(y, x).
Desigualdad triangular d(x, z) ≤ d(x, y) + d(y, z), para todo x, y, z ∈ Rd .
Lo fundamental es que varía entre -1 y 1. Cuando toma valores próxi-

mos a cero indica independencia entre los pares y cuando toma valor
próximo a 1 o a -1 indica una dependencia lineal extrema. De hecho
si vale 1 entonces existen constantes a y b tales que y1 = axi + b con
a > 0. Si vale -1 entonces existen constantes a y b tales que y1 = axi +b
con a < 0.
Supongamos que cuando evaluamos si dos genes están próximos
o están alejados lo que estamos intentando expresar es que están co-
rregulados. Esto indicaría que una mayor expresión de uno en una
muestra se corresponde con una mayor expresión en la misma mues-
tra. Si, además, la asociación es de tipo lineal esto significaría que el
perfil de expresión de gen se podría obtener como una función lineal
de la expresión del otro gen. En resumen su coeficiente de correlación
de Pearson (§ 27.1) debiera de ser próximo a uno. También sería razo-
nable entender como próximos aquellos genes donde cuando uno tiene
un valor alto de expresión el otro lo tiene bajo. Es decir, finalmente
tienen una fuerte relación lineal pero de tipo inverso.
A partir del coeficiente de correlación podemos definir distintas
medidas de disimilaridad. Algunas opciones que se han propuesto son
las siguientes:
1. d(x, y) = 1 − rx,y ,
2. d(x, y) = (1 − rx,y )/2,
3. d(x, y) = 1 − |rx,y |,
√
4. d(x, y) = 1 − rx,y2 .
5
De un modo similar podemos definir disimilaridades sustituyendo el
coeficiente de correlación de Pearson con el coeficiente de correlación
de Spearman.
14.3.3 Matriz de disimilaridades

Tenemos una serie de conjunto de puntos a agrupar: {x1 , . . . , xn }.
Una vez elegida una disimilaridad construiremos una matriz que en
la fila i, columna j tiene la disimilaridad entre el punto xi y el punto
xj . Denotaremos indistintamente d(xi , xj ) o dij . Por tanto, la matriz
de disimilaridades es
D = [d(xi , xj )]i,j=1,...,n = [dij ]i,j=1,...,n .
¿Cómo calculamos las matrices de disimilaridades que acabamos de

proponer? La función dist de [114] es una buena opción cuando utili-
zamos las distancias euclídea o de Manhattan.
Un detalle es importante. Si la disimilaridad que estamos conside-
rando es simétrica, esto es, si la disimilaridad d verifica
d(xi , xj ) = d(xj , xi ),
entonces la matriz de disimilaridades
D = [d(xi , xj )]i,j=1,...,n
5 En http://research.stowers-institute.org/efg/R/Visualization/
cor-cluster/ podemos encontrar un breve estudio comparativo del funcio-
namiento de estas disimilaridades en clustering jerárquico.
14.4. DISIMILARIDADES ENTRE GRUPOS DE OBSERVACIONES 227
es simétrica y estamos almacenando información redundante. Además

hemos de considerar que
d(xi , xi ) = 0,
es decir, la disimilaridad de un perfil de expresión consigo mismo es
nula y por lo tanto, en la matriz de disimilaridades, la diagonal de
la matriz es nula. Sabemos que trabajamos habitualmente con un nú-
mero de genes muy grande. La matriz de disimilaridades total sería
de tamaño N × N y por ello, es más que conveniente eliminar redun-
dancias. Veamos cómo esto lo hace de un modo automático la función
dist.
Vamos a calcular la matriz de distancias con la función dist para
los datos cz.data propuestos en § 14.2.2.
cz.dist.euclidea = dist(cz.data,method="euclidian")
¿De qué clase es cz.dist.euclidea.
class(cz.dist.euclidea)
## [1] "dist"
La distancia de Manhattan la podemos obtener con
cz.dist.manhattan = dist(cz.data,method="manhattan")
golub.cor1 = 1-cor(t(golub))
golub.cor2 = (1-cor(t(golub)))/2
golub.cor3 = 1-abs(cor(t(golub)))
golub.cor4 = sqrt(1-cor(t(golub))^2)
En este caso cz.dist sí es una matriz completa (con todas sus

filas y columnas). La vamos a transformar a un objeto de clase dist.
golub.cor1 = as.dist(golub.cor1)
Con cada una de estas matrices podemos cuantificar la disimila-

ridad que hay entre los elementos originales de la muestra. Algunos
de los procedimientos de agrupamiento que vamos a considerar en lo
que sigue no necesitan conocer los datos originales. Pueden aplicar-
se con solo conocer esta matriz de disimilaridades. Otros no. Otros
utilizan los datos a lo largo de las distintas etapas de aplicación del
procedimiento.
14.4 Disimilaridades entre grupos de ob-

servaciones
En algunos procedimientos de agrupamiento (en particular, los je-
rárquicos) vamos a necesitar calcular disimilaridades entre conjuntos
disjuntos de las observaciones originales. Estas disimilaridades las po-

demos calcular a partir de las disimilaridades originales entre puntos.
Supongamos que tenemos un banco de datos con n individuos cuyos
índices son {1, . . . , n}. Sean A y B dos subconjuntos disjuntos del con-
junto de índices de la muestra {1, . . . , n}, esto es, dos subconjuntos
de observaciones disjuntos. ¿Cómo podemos definir una disimilaridad
entre A y B partiendo de las disimilaridades entre los datos indivi-
duales? Se han propuesto muchos procedimientos. Si denotamos la
disimilaridad entre A y B como d(A, B) entonces las disimilaridades
más habitualmente utilizadas son las siguientes:
Enlace simple La disimilaridad entre los dos grupos es el mínimo
de las disimilaridades entre las observaciones de uno y de otro.
Tomamos la disimilaridad de los objetos que más se parecen en
uno y otro grupo.
d(A, B) = min d(a, b)

a∈A,b∈B
Enlace completo Ahora tomamos como disimilaridad entre los gru-

pos como el máximo de las disimilaridades, en definitiva, la di-
similaridad entre los objetos más alejados o más distintos.
d(A, B) = max d(a, b)

a∈A,b∈B
Promedio La disimilaridad es el promedio de las disimilaridades en-

tre todos los posibles pares.
1 ∑
d(A, B) = d(a, b)
|A| × |B|
a∈A,b∈B
donde |A| es el cardinal del conjunto A.

Es importante notar que solamente necesitamos conocer las disimi-
laridades entre los individuos para poder calcular las disimilaridades
entre grupos de individuos.
En la siguiente sección nos vamos a ocupar de los métodos jerár-
quicos en los cuales es fundamental el procedimiento que elijamos para
calcular distintas entre grupos.
14.5 Cluster jerárquico

La idea de estos procedimientos es construir una jerarquía de par-
ticiones del conjunto de índices.
Sea {1, . . . , n} el conjunto de índices que indexan las distintas ob-
servaciones. Supongamos que {C1 , . . . , Cr } es una partición de este
conjunto de índices:
• Ci ⊂ {1, . . . , n}; son disjuntos dos a dos, Ci ∩ Cj = ∅ si i ̸= j
con i, j = 1, . . . , n y
• ∪ri= Ci = {1, . . . , n}.
Dada una partición del conjunto de índices podemos calcular la matriz
r×r que en la posición (i, j) tiene la disimilaridad entre el conjunto Ci
y Cj , d(Ci , Cj ) según alguno de los procedimientos antes indicados.
14.5. CLUSTER JERÁRQUICO 229
Veamos los procedimientos jerárquicos aglomerativos. En estos

procedimientos vamos a iniciar el agrupamiento con la partición: Ci =
{i} con i = 1, . . . , n, es decir, cada grupo es un individuo. En cada ite-
ración vamos agrupando el par de conjuntos (elementos de la partición
que tengamos en esa iteración) que estén más próximos según la di-
similaridad entre grupos que estemos utilizando. El proceso continúa
hasta que tengamos un único grupo.
Un esquema algorítmico del procedimiento indicado puede ser el
siguiente:
Paso 0 Tenemos grupos unitarios formados por cada una de las ob-
servaciones. Tenemos pues una partición inicial Ci = {i} con
i = 1, . . . , n. En un principio, cada dato es un grupo.
Paso 1 Calculamos las disimilaridades entre los elementos de la par-
tición. Para ello utilizamos cualquiera de los procedimientos an-
tes indicados.
Paso 2 Agrupamos los dos conjuntos de la partición más próximos
y dejamos los demás conjuntos igual. Tenemos ahora Ci con
i = 1, . . . , k.
Paso 3 Si tenemos un solo conjunto en la partición paramos el pro-
cedimiento.
Paso 4 Volvemos al paso 1.
Hay una representación gráfica muy utilizada para describir los re-
sultados de un cluster jerárquico aglomerativo como el que acabamos
de describir. Esta representación tiene el nombre de dendograma.
En el dendograma se va mostrando a qué valor de la medida de disi-
milaridad se produce la unión de los grupos y simultáneamente qué
grupos se están uniendo para esa disimilaridad. También nos permite
una valoración rápida de cuántos grupos puede haber en el banco de
datos. Simplemente trazando una linea horizontal a la altura en que
tengamos el número de grupos que pensamos que puede haber.
Ejemplo 14.1 (ruspini) Consideremos los datos ruspini. Aplique-
mos un cluster jerárquico aglomerativo utilizando como disimilaridad
entre grupos el promedio de las disimilaridades y como medida de
disimilaridad la distancia euclídea.
pacman::p_load(cluster)
ruspini.ag = agnes(ruspini,metric = "euclidean",method="average")
Una opción alternativa con base::hclust al código anterior es
dd = dist(ruspini,method="euclidian")
ruspini.ag = hclust(dd,method="average")
Representamos el dendograma en la figura 14.4.
ggdendro::ggdendrogram(ruspini.ag)
dev.off()
## pdf
## 2
Figura 14.4: Dendograma para un cluster jerárquico aplicado a los

datos ruspini con métrica euclídea y el promedio para la disimilaridad
entre grupos.
14.5. CLUSTER JERÁRQUICO 231
Supongamos que decidimos quedarnos con cuatro grupos. Las cla-

sificaciones de los datos son las siguientes donde la etiqueta que se
asigna a cada grupo es arbitraria.
cutree(ruspini.ag,4)
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2
## 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
## 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3
## 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
## 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4
## 65 66 67 68 69 70 71 72 73 74 75
## 4 4 4 4 4 4 4 4 4 4 4
Y ahora podemos representar los datos de modo que ponemos en

un mismo color los datos que hemos clasificado en un grupo. Lo mos-
tramos en la figura 14.5.
p = ggplot(ruspini,aes(x=x,y=y,color=cutree(ruspini.ag,4)))
p + geom_point(shape=cutree(ruspini.ag,4))
dev.off()
## pdf
## 2
Ejemplo 14.2 (cz.data) Apliquemos un cluster jerárquico aglome-

rativo utilizando como disimilaridad entre grupos el enlace simple y
como distancia la de Manhattan. Figura 14.5: Clasificación obteni-
da para los datos ruspini utili-
zando un cluster jerárquico con
##cz.ag = agnes(cz.data,metric = "euclidean",method="single")
distancia euclídea, promedio entre
dd = dist(cz.data,method="euclidian") grupos y cuatro grupos.
cz.ag = hclust(dd,method="single")
La figura 14.6 muestra el dendograma que obtenemos.
pacman::p_load(ggdendro)
ggdendro::ggdendrogram(cz.ag , rotate = FALSE, size = 2)
dev.off()
## pdf
## 2
Supongamos que nos quedamos cinco grupos. Las clasificaciones

son:
cutree(cz.ag,5)
Figura 14.6: Dendograma para da-
## [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 tos cz.data utilizando distancia
euclídea y enlace simple.
## [24] 1 1 1 1 3 4 3 3 3 3 3 5 3 3 3
En la figura 14.7 tenemos los resultados de la clasificación.
p = ggplot(cz.data,aes(x=CCND3_Cyclin_D3,y=Zyxin,color=cutree(cz.ag,5)))
p + geom_point(shape=cutree(cz.ag,5))
dev.off()
## pdf
## 2
14.6 Distancia cofenética

Figura 14.7: Clasificación obteni-
da para los datos cz.data utilizan- Una vez hemos construido un clustering jerárquico podemos aso-
do un cluster jerárquico cuando
cortamos el arbol en cinco grupos. ciarle una distancia conocida como distancia cofenética. Dadas dos
Se utilizó distancia euclídea y en- observaciones (en nuestro caso dos perfiles de expresión) considera-
lace simple. mos el momento en que ambas observaciones han sido agrupadas en
un mismo grupo. La distancia cofenética entre estas observaciones es
la distancia entre los dos grupos a los que previamente pertenecían
estas observaciones (una en cada uno de ellos) en el momento en que
se unen. Se calcula con la función cophenetic del paquete [114, stats].
Ejemplo 14.3 (Distancia cofenética con cyclin.ag) Continuamos

con el jerárquico aglomerativo aplicado a los datos cyclin.data. Repe-
timos el análisis cluster calculando previamente la matriz de disimi-
laridades. Empezamos calculando la matriz de distancias.
cyclin.manhattan = daisy(cyclin.data,metric = "manhattan")
Y ahora el cluster jerárquico (observemos que no le damos los datos

sino que le pasamos directamente la matriz de disimilaridades).
##cyclin.ag = agnes(cyclin.manhattan,diss = TRUE)

cyclin.ag = hclust(cyclin.manhattan,method="average")
Calculamos la distancia cofenética asociada al cluster jerárquico

que acabamos de realizar.
cyclin.cofe = cophenetic(cyclin.ag)
Y determinamos el coeficiente de correlación de Pearson.
cor(cyclin.manhattan,cyclin.cofe)
## [1] 0.8501727
El coeficiente de correlación observado 0.8501727 es un valor gran-

de. Tenemos pues una buena descripción del modo en que los datos
se agrupan.
Las distancias cofenéticas tienen sus problemas. Es una manera na-

tural de medir disimilaridad entre los datos a partir del modo en que
estos van agrupándose. Sin embargo, notemos que muchos pares de
observaciones tienen la misma disimilaridad. Esto es lógico, cuando
14.7. MÉTODOS DE PARTICIONAMIENTO 233
unimos dos grupos grandes la distancia cofenética entre cada observa-

ción de un grupo y del otro grupo tienen la misma distancia cofenética.
Se suele calcular el coeficiente de correlación entre la matriz de disimi-
laridad original y la distancia cofenética. Si el valor es grande indica
que el dendograma es una buena descripción de los datos.
Un estudio mucho más amplio de lo visto en esta sección puede
verse en [131, capítulo 5].
14.7 Métodos de particionamiento

Suponemos ahora que tenemos una idea de cuántos grupos hay.
Posiblemente hemos realizado un análisis jerárquico previo con todos
los datos o, si eran muchos, con una selección aleatoria de los datos.
Tenemos pues una idea de cuántos grupos tendremos que considerar.
Obviamente podemos luego evaluar los resultados modificando el nú-
mero de grupos. En principio, vamos a suponer que fijamos el número
de grupos a considerar. Suponemos pues que sabemos el número de
grupos y lo denotamos por k.
14.7.1 Método de las k-medias

El primer procedimiento que vamos a ver es el método de las k-
medias (que por alguna extraña razón en la literatura de Inteligencia
Artificial se le llama de las c-medias lo que demuestra que cada per-
sona copia a sus amigos o, simplemente, conocidos). Supongamos que
tenemos C1 , . . . , Ck una partición de {1, . . . , n}. Un modo bastante
natural de valorar la calidad del agrupamiento que la partición nos
indica sería simplemente considerar la siguiente función.
∑
k ∑
dE (xj , x̄Ci )2 , (14.3)
i=1 j∈Ci
donde dE denota aquí la distancia euclídea y

1 ∑
x̄Ci = xj , (14.4)
|Ci |
j∈Ci
es el vector de medias del grupo cuyos índices están en Ci . Una parti-

ción será tanto mejor cuanto menor sea el valor de la función dada en
14.3. El procedimiento de agrupamiento de las k-medias simplemente
se basa en elegir como partición de los datos aquella que nos da el
mínimo de la función objetivo considerada en ecuación 14.3. Notemos
que en muchos textos se hablan del algoritmo de las k-medias y se
identifica con un procedimiento concreto para encontrar el mínimo
de la función. Aquí entendemos el procedimiento como la minimiza-
ción de la función objetivo. De hecho, R ofrece hasta cuatro posibles
procedimientos de los muchos que cabe proponer. Hay que diferenciar
claramente el procedimiento del método de aplicación del mismo, del
método de obtención de dicho mínimo.
Es importante darnos cuenta de que el procedimiento que acaba-
mos de ver está basado en la utilización de la distancia euclídea y en
que, dado un grupo, podemos calcular el vector de medias y esto solo
lo podemos hacer si todas las variables son cuantitativas.
Vamos a aplicar el método de las k-medias en los tres ejemplos
utilizando el número de grupos que hemos utilizado previamente.
Ejemplo 14.4 (ruspini) Aplicamos el k-medias.
ruspini.km = kmeans(ruspini,4)
La clasificación viene dada por
ruspini.km$cluster
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
## 1 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4
## 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
## 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2
## 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
## 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1
## 65 66 67 68 69 70 71 72 73 74 75
## 1 1 1 1 1 1 1 1 1 1 1
La clasificación obtenida se corresponde con la que vemos en la

figura 14.5.
Ejemplo 14.5 (Método de las k-medias y datos cz.data) Empezamos

con el k-medias.
cz.km = kmeans(cz.data,2)
Las clasificaciones son
cz.km$cluster
## [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [24] 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
Y representamos los resultados.
pacman::p_load(factoextra)
fviz_cluster(cz.km,cz.data, ellipse.type = "norm")
dev.off()
## pdf
## 2
Supongamos que probamos con tres grupos.
cz.km = kmeans(cz.data,3)
Figura 14.8: Clasificación obteni- png(paste0(dirTamiFigures,"Cluster52.png"))
da utilizando el método de las fviz_cluster(cz.km,cz.data, ellipse.type = "norm")
k-medias aplicada a los datos dev.off()
cz.data.
## pdf
## 2
14.8. SILUETA 235
14.7.2 Particionamiento alrededor de los mediodes

¿Y si no podemos calcular el vector de medias? ¿Y si no tiene senti-
do calcular el vector de medias? ¿Cómo promediar dos configuraciones
de puntos distintas? ¿Cómo promediamos dos formas distintas descri-
tas numéricamente? Cuando el concepto de promedio aritmético no
tiene sentido podemos generalizar el procedimiento anterior y hablar
de k-mediodes.
La idea ahora es sustituir esos centros calculados como vectores
de medias de los individuos de un mismo grupo por individuos bien
centrados, por individuos típicos, que sustituyan a las medias.
Supongamos que tomamos k individuos de la muestra que denota-
mos por mi con i = 1, . . . , k. Particionamos la muestra en k grupos de
modo que el grupo Ci está formado por los individuos más próximos
a mi que a cualquier otro mj con j ̸= i,
Ci = {l : d(xl , xi ) = min d(xl , xj )}.
j̸=i
Consideremos la siguiente cantidad:

∑
k ∑
d(xj , xmi ). (14.5)
i=1 j∈Ci
En el método de particionamiento alrededor de los mediodes nos plan-

teamos encontrar las observaciones m1 , . . . , mk que minimizan el valor
dado en 14.5.
Ejemplo 14.6 (ruspini) Aplicamos PAM.
ruspini.pam = pam(ruspini,4)
La clasificación obtenida corresponde con la que mostramos en la

figura 14.5. Con los datos ruspini cualquiera de los métodos que hemos
utilizado cuando decidimos quedarnos con 4 grupos nos da los mismos
resultados de clasificacion.
Ejemplo 14.7 (cz.data) Empezamos con dos grupos.
cz.pam = pam(cz.data,2)
Y representamos los resultados de la clasificación en la figura 14.10
fviz_cluster(cz.pam,cz.data, ellipse.type = "norm")
dev.off()
## pdf
## 2
14.8 Silueta
Veamos cómo se construye la silueta. Para la observación i y el Figura 14.10: Clasificación de los
grupo C consideramos datos cz.data con método PAM y
∑ dos grupos.
¯ C) = 1
d(i, d(xi , xj ),
|C|
j∈C
la disimilaridad media i con los elementos del grupo C. Para cada

observación i, sea A el cluster al cual lo ha asignado el procedimiento
cluster que empleamos y calculamos a(i) la disimilaridad media de
i con todos los demás individuos del grupo A, a(i) = d(i, ¯ A). Ob-
viamente estamos asumiendo que A contiene al menos otro objeto.
¯ C) para todos los grupos C ̸= A y seleccionemos el
Consideremos d(i,
que tiene el mínimo valor:
¯ C).
b(i) = min d(i,
C̸=A
¯ B) = b(i) se
El grupo B donde se alcanza este mínimo, es decir, d(i,
6
le llama vecino del objeto i. Definimos s(i) como
a(i)
s(i) = 1 − si a(i) < b(i), (14.6)
b(i)
= 0 si a(i) = b(i), (14.7)
b(i)
= − 1 si a(i) > b(i). (14.8)
a(i)
Esto se puede expresar en una única ecuación como
b(i) − a(i)
s(i) = .
max{a(i), b(i)}
En el caso en que el grupo A contenga un único objeto no está muy
claro cómo definir a(i). Tomaremos s(i) = 0 que es una elección arbi-
traria. Se comprueba con facilidad que −1 ≤ s(i) ≤ 1 para cualquier
objeto i.
Para interpretar el significado de s(i) es bueno ver los valores ex-
tremos. Si s(i) es próximo a uno significa que a(i) es mucho menor
que b(i) o lo que es lo mismo, que el objeto i está bien clasificado pues
la disimilaridad con los de su propio grupo es mucho menor que la
disimilaridad con los del grupo más próximo que no es el suyo. Un
valor próximo a cero significa que a(i) y b(i) son similares y no te-
nemos muy claro si clasificarlo en A o en B. Finalmente un valor de
s(i) próximo a −1 significa que a(i) es claramente mayor que b(i). Su
disimilaridad media con B es menor que la que tiene con A. Estaría
mejor clasificado en B que en A. No está bien clasificado.
Los valores de s(i) aparecerán representados para cada cluster en
orden decreciente. Para cada objeto se representa una barra horizontal
con longitud proporcional al valor s(i). Una buena separación entre
grupos o cluster viene indicada por unos valores positivos grandes de
s(i). Además de la representación gráfica se proporciona un análisis
descriptivo. En concreto la media de los valores de la silueta dentro de
cada cluster y la media de la silueta para todo el conjunto de datos. La
clasificación será tanto mejor cuanto mayor sean estos valores medios.
De hecho, se puede decidir el número de grupos en función del valor
medio de las silueta sobre toda la muestra. Vamos probando distintos
números de grupos y nos quedamos con el número que nos da la silueta
media máxima.
¿Cuándo podemos decir que hay estructura de grupos en los datos
que estamos analizando? Experiencias con datos sugieren la tabla 14.1.
Ejemplo 14.8 (ruspini) Veamos el resumen de la silueta.

6 No parece un nombre inadecuado.
14.9. ANÁLISIS CLUSTER Y DATOS DE EXPRESIÓN DE GEN237
Tabla 14.1: Silueta media y estructura en un conjunto de datos
SC Interpretación
0.71 − 1.00 Fuerte estructura
0.51 − 0.70 Estructura razonable
0.26 − 0.50 Estructura débil. Probar otros métodos
≤ 0.25 No se encuentra estructura
ruspini.pam = pam(ruspini,4)
summary(silhouette(ruspini.pam))
## Silhouette of 75 units in 4 clusters from pam(x = ruspini, k = 4) :

## Cluster sizes and average silhouette widths:
## 20 23 17 15
## 0.7262347 0.7548344 0.6691154 0.8042285
## Individual silhouette widths:
## 0.4196 0.7145 0.7642 0.7377 0.7984 0.8549
También podemos representarla gráficamente en la figura 14.11.
fviz_silhouette(ruspini.pam)
## cluster size ave.sil.width

## 1 1 20 0.73
## 2 2 23 0.75
## 3 3 17 0.67
## 4 4 15 0.80
dev.off()
## pdf
## 2
14.9 Análisis cluster y datos de expresión

de gen
195 195
Muchos comentarios e
En las secciones previas hemos visto algunos métodos de clasifica- ideas de esta sección y del
ción así como de valoración de hay estructura cluster en un conjunto resto del capítulo las he to-
de datos dados. Estos métodos se aplican (sin modificación) en con- mado de la excelente presen-
textos muy diversos. Sin embargo, ¿qué interés particular tiene su tación [41].
aplicación para datos de expresión de gen? Lo primero a considerar
es que nos podemos plantear o bien la clasificación de las filas de la
matriz de expresión o bien la clasificación de las columnas. Es decir,
tiene sentido biológico clasificar genes o bien las muestras.
Si clasificamos las filas lo que tenemos en cada fila es el perfil de ex-
presión del gen en todas las muestras del estudio. En este caso, puede
ser que los grupos que obtengamos nos puedan servir posteriormen-
Figura 14.11: Silueta de la clasificación de los datos ruspini con método

PAM y cuatro grupos.
14.10. EJEMPLOS 239
te (quizás cruzando información con alguna de las bases de datos de

anotación de genes) para realizar un enriquecimiento del conjunto.
Si clasificamos las columnas, las muestras, entonces podemos es-
tar, por ejemplo, buscando subclases de células tumorales. Esto es,
tenemos muestras que, a priori, son indistinguibles y posiblemente
tengamos alguna subclase que no podíamos preveer.
Los resultados de la clasificación de genes y muestras puede utili-
zarse como control de calidad. Sobre todo en las muestras tenemos un
diseño experimental previo (habitualmente, el diseño grupo control
frente a grupo de tratamiento).
14.10 Ejemplos
En esta sección incluimos análisis cluster completos de algunos
bancos de datos. Utilizamos herramientas no solamente de este tema
sino también de los anteriores.
14.10.1 Un análisis de los datos ALL

Son los datos del paquete [86, ALL] (§ 5.4). Cargamos los datos.
library("ALL")
data("ALL")
Podemos comprobar que es un ExpressionSet.
class(ALL)
## [1] "ExpressionSet"
## attr(,"package")
## [1] "Biobase"
Se realiza el preprocesado de los datos que indicamos en § 5.4.
all = ALL[,intersect(bcell,moltyp)]
tipos = ALL$mol.biol[intersect(bcell,moltyp)]
tipos = factor(tipos) ## Eliminamos categorías vacías
Vemos que all es un ExpressionSet.
class(all)
## [1] "ExpressionSet"
## attr(,"package")
## [1] "Biobase"
Vamos a realizar un filtrado independiente de los genes. En con-

creto los criterios estadísticos serán que el nivel medio de expresión
sea mayor que un cierto valor mínimo tanto en un tipo de biología
molecular como en el otro.
alltemp0 = genefilter::nsFilter(all,var.func = mean, var.cutoff = 0.7)

alltemp1 = genefilter::nsFilter(alltemp0$eset,var.func = IQR, var.cutoff = 0.7)
all1 = alltemp1$eset
library(cluster)
all1.d = dist(exprs(all1),method = "manhattan")
all1.km = kmeans(exprs(all1),2)
table(all1.km$cluster)
##
## 1 2
## 272 501
summary(silhouette(all1.km$cluster,all1.d))
## Silhouette of 773 units in 2 clusters from silhouette.default(x = all1.km$cluster, di

## Cluster sizes and average silhouette widths:
## 272 501
## 0.2847019 0.4033134
## Individual silhouette widths:
## Min. 1st Qu. Median Mean 3rd Qu.
## -0.09864 0.24309 0.41445 0.36158 0.49128
## Max.
## 0.58111
Y mostramos la silueta en figura 14.12.
plot(silhouette(all1.km$cluster,all1.d))
dev.off()
## pdf
## 2
Vemos un cluster jerárquico aglomerativo de los genes (figura ??).
all1.ag = hclust(all1.d,method="average")
Figura 14.12 O un análisis jerárquico de las muestras en la figura ??. Observe-

mos que aplicamos la función cluster::agnes a la matriz transpuesta
de las expresiones. 7
dd = dist(t(exprs(all1)),method="euclidian")
muestras.ag = hclust(dd,method="average")
ggdendro::ggdendrogram(muestras.ag)
dev.off()
## pdf
## 2
7 La matriz traspuesta resulta de intercambiar filas por columnas en una matriz.
La función t(A) nos devuelve la traspuesta de la matriz A.

14.10. EJEMPLOS 241
Recordemos que las muestras correspondían a dos grupos que vie-

nen definidos por la covariable mol.biol que nos daba la biología
molecular. Veamos si hay coincidencia entre estos tipos y los grupos
que hemos obtenido.
tipos.ag = cutree(muestras.ag,2)
Y construimos la tabla de contingencia.
table(tipos,tipos.ag)
## tipos.ag
## tipos 1 2
## BCR/ABL 33 4
## NEG 32 10
Mediante un heatmap podemos ver conjuntamente los dos dendo-

gramas y una representación gráfica de los niveles de expresión.
heatmap(exprs(all1),hclustfun=agnes)
dev.off()
## pdf
## 2
Reflexionar qué nos da este dibujo. ¿Para qué nos puede servir un
dibujo como este? Básicamente podemos intentar ver si hay grupos
formados por filas (genes) y columnas (muestras).
Supongamos que nos planteamos un PAM y un k-medias con dos
grupos para las muestras. Vamos a clasificar con cada uno de los mé-
todos e intentar ver si hay relación con la variabel tipos que contiene
la biología molecular.
Figura 14.13: Heatmap
all1.pam = pam(t(exprs(all1)),2)
table(tipos,all1.pam$cluster)
##
## tipos 1 2
## BCR/ABL 26 11
## NEG 24 18
all1.km = kmeans(t(exprs(all1)),2)
table(tipos,all1.km$cluster)
##
## tipos 1 2
## BCR/ABL 10 27
## NEG 21 21
No parece que tengamos ninguna relación clara. Como siempre hay

que seguir trabajando los datos a ver si se encuentra algo.
14.10.2 Análisis cluster de GSE20986

Utilizamos los datos preprocesados. Los cargamos.
gse = gse20986
library(genefilter)
gse0 = nsFilter(gse,var.func = mean, var.cutoff = 0.7)
gse1 = nsFilter(gse0$eset,var.func = IQR, var.cutoff = 0.7)
gse = gse1$eset
¿Con cuántas filas nos hemos quedado?
dim(exprs(gse))
## [1] 1817 12
Vamos a clasificar las muestras y compararemos con la clasificación

original de las mismas. Utilizamos distancia Manhattan y promedio
con el método PAM.
Primero calculamos la matriz de distancias.
d0 = dist(t(exprs(gse)),method = "manhattan")
Y aplicamos PAM.
library(cluster)
gse.pam = pam(d0,diss = TRUE,k=4)
La clasificación original es
tipo0 = rep(1:4,rep(3,4))
table(tipo0,gse.pam$clustering)
##
## tipo0 1 2 3 4
## 1 1 1 1 0
## 2 2 1 0 0
## 3 3 0 0 0
## 4 0 0 0 3
Lo que sale es muy interesante y tiene una interpretación.
14.11 Otras aproximaciones y problemas

Sin duda, un problema de gran interés es lo que se conoce como
biclustering o co-clustering. En este caso intentamos grupos de filas
(genes) y columnas (muestras) que muestren unos valores de expre-
sión similares. Es un problema importante pero no lo tratamos (de
momento) en estas notas. Una referencia fundamental de biclustering
es [94].
La clasificación es tanto mejor cuanta más información se utiliza.

En particular un trabajo de interés para clasificación de genes incor-
porando información de Gene Ontology es [144].
Cuando se clasifican muestras el mayor problema es la enorme
dimensión de los vectores que clasificamos (N en nuestro caso). Una
posibilidad es seleccionar genes y no utilizarla la expresión para todos
ellos. En [2] se propone un método utilizando información de Gene
Ontology.
14.12 Ejercicios
Ejercicio 27
Utilizando los datos ALL se pide:
1. Filtrar las muestras (columnas) con biología molecular “BCR/ABL”
y “NEG”.
2. Quedarse con los genes (filas) que verifiquen las siguientes con-
diciones:
(a) La media de los niveles de expresión sobre las biologías
moleculares indicadas sea superior a 5.62.
(b) La desviación estándar de las expresiones del gen ha de ser
superior a 1.85.
3. Aplicar un análisis cluster jerárquico a los genes. En concreto:
(a) Hay que representar el dendograma.
(b) Decidir por inspección visual qué número de grupos parece
razonable. Supongamos que denotamos por k el número de
grupos.
(c) Representar la silueta y obtener su anchura media.
4. Aplicar un análisis cluster jerárquico a las muestras. En concre-
to:
(a) Hay que representar el dendograma.

(b) Decidir por inspección visual qué número de grupos parece
razonable. Supongamos que denotamos por k el número de
grupos.
(c) Representar la silueta y obtener su anchura media.
5. En este apartado vamos a aplicar un k-medias. En concreto va-
mos a ir clasificando según este método y nos quedaremos con el
número de grupos que tengan una anchura media de la silueta
mayor.
6. Repetir el apartado anterior utilizando el método PAM. Discutir

el número de grupos.
7. Comparar las clasificaciones obtenidas en los dos apartados an-
teriores.
Parte V
Análisis de grupos de
genes
245
Capítulo 15
Grupos de genes
15.1 Introducción
Hasta ahora hemos trabajado habitualmente a nivel de gen. Ca-
da gen en cada muestra nos da un nivel de expresión. Obviamente
esto supone que por muestra tenemos una muy alta dimensión. Un
análisis de expresión diferencial supone que tenemos un contraste por
gen. Muchos miles de contrastes supone esto. Si pretendemos clasifi-
car la muestra en distintos fenotipos entonces la dimensión alta con
la que trabajamos produce un sobreajuste y modelos que no son gene-
ralizables a otros datos. En ambos problemas no es bueno tener una
dimensión tan alta. Podemos utilizar componentes principales para
resumir el perfil de expresión de la muestra (§ 13). Otra opción puede
ser trabajar no con genes individuales sino con grupos de genes. Si nos
interesa la expresión diferencial entre condiciones entonces podemos
valorar si el grupo de genes que nos interese, como grupo, se expresa
diferencialmente. Si vamos a clasificar en fenotipos, podemos resumir
la expresión de los genes en una muestra dentro de cada grupo. Re-
ducimos el número de hipótesis a contrastar (expresión diferencial) o
bien la dimensión del vector que utilizamos para clasificar (clasifica-
ción en fenotipo).
Obviamente podemos construir el grupo de genes que nos apetez-
ca y evaluarlo. No parece algo muy lógico. Es de sobra conocido en
la literatura estadística que un contraste de hipótesis es útil en la
misma medida en que está correctamente formulado. Y formular co-
rrectamente el contraste supone conocimiento sobre el problema que
abordamos. En este caso la comunidad científica ha propuesto y pro-
pone y propondrá clasificaciones que se han de utilizar para definir
estos grupos.
Tres fuentes vamos a utilizar a la hora de considerar grupos de
genes.
Gene Ontology Podemos utilizar las tres ontologías consideradas

en Gene Ontology. El grupo de genes viene definido por todos
aquellos genes que tienen este término.
KEGG Tenemos las rutas de señalización para muchos organismos.
MSigDB En MSigDB 196 consideran hasta ocho formas distintas de 196 The Molecular Signatu-
construir estos grupos. res Database
247
248 CAPÍTULO 15. GRUPOS DE GENES
En http://www.genesetdb.auckland.ac.nz/haeremai.html te-
nemos una herramienta web que contiene a su vez a otras muchas ba-
ses de datos. Realiza análisis de sobre representación y está orientada
a humanos, ratones y ratas.
Como vemos hay muchas formas de definir estos grupos. En cual-
quier caso en su definición interviene un conocimiento previo. No uti-
lizamos los propios datos de expresión con los que posteriormente
197
No son grupos obtenidos vamos a trabajar.197
por un análisis cluster pre- En este tema tratamos de cómo construir grupos de genes utili-
vio. zando R/Bioconductor. Es un tema de carácter muy técnico previo
al que sigue en donde analizaremos la posible expresión diferencial de
198
Siempre nuestro interés estos grupos.198
principal. Vamos a definir conjuntos de genes o colecciones de conjuntos de
genes utilizando el paquete [99, GSEABase].
library(GSEABase)
15.2 Homo sapiens

La opción más simple sería definirnos nuestro propio conjunto de
genes. Para ello podemos utilizar la función GSEAbase::GeneSet. To-
mamos como ejemplo GSE20986 (§ 5.11).
eset = gse20986
Supongamos que queremos construir un conjunto de genes formado

por aquellos que ocupan las filas de la 345 a la 405 (sin ningún sentido
práctico). Los índices los podemos obtener con
345:405
## [1] 345 346 347 348 349 350 351 352 353 354 355
## [12] 356 357 358 359 360 361 362 363 364 365 366
## [23] 367 368 369 370 371 372 373 374 375 376 377
## [34] 378 379 380 381 382 383 384 385 386 387 388
## [45] 389 390 391 392 393 394 395 396 397 398 399
## [56] 400 401 402 403 404 405
Construimos el grupo y le damos nombre.
(egs = GeneSet(eset[345:405, ], setName = "Burjasot"))
Los genes tienen sus identificadores obtenidos de su anotación

(mostramos los primeros).
head(geneIds(egs))
## [1] "1552739_s_at" "1552740_at" "1552742_at"

## [4] "1552743_at" "1552745_at" "1552747_a_at"
En este caso, como se obtuvo con Affymetrix GeneChip, los iden-

tificadores son los proporcionados por el fabricante y corresponde a
199
Ver § 4. los nombres de los conjuntos de sondas.199 Podemos tener más infor-
mación con
15.2. HOMO SAPIENS 249
details(egs)
## setName: Burjasot
## geneIds: 1552739_s_at, 1552740_at, ..., 1552822_at (total: 61)
## geneIdType: Annotation (hgu133plus2)
## collectionType: ExpressionSet
## setIdentifier: debian:7754:Tue Feb 5 17:11:41 2019:1
## description:
## organism: Homo sapiens
## pubMedIds:
## urls:
## contributor:
## setVersion: 0.0.1
## creationDate:
En el ejemplo que acabamos de ver hemos creado un conjunto

de genes a partir de un ExpresionSet pero podemos hacerlo de otros
modos.
showMethods("GeneSet", inherited = FALSE)
## Function: GeneSet (package GSEABase)

## type="BroadCollection"
## type="character"
## type="ExpressionSet"
## type="GeneIdentifierType"
## type="GOCollection"
## type="missing"
Podemos obtener la correspondencia de nuestros identificadores

con otros tipos de identificadores, por ejemplo, los EntrezId:
mapIdentifiers(egs, EntrezIdentifier(), verbose = TRUE)
También podemos tener una colección de conjuntos, GSEABa-

se::GeneSetCollection. Quizás la mejor manera de definir conjuntos
utilizando un ExpresionSet con su anotación es hacerlo utilizando Ge-
ne Ontology u otra base de datos. Por ejemplo, en el siguiente ejemplo
construimos los conjuntos para nuestro ExpressionSet eset.
gsc = GeneSetCollection(eset, setType = GOCollection())
Podemos ver un resumen de los conjuntos.
gsc
## GeneSetCollection
## names: GO:0000002, GO:0000011, ..., GO:2001070 (17312 total)
## unique identifiers: 1555591_at, 201917_s_at, ..., 1552675_at (37100 total)
## types in collection:
## geneIdType: AnnotationIdentifier (1 total)
## collectionType: GOCollection (1 total)
Por ejemplo, el correspondiente a GO:0000122 sería

gsc[["GO:0000122"]]
## setName: GO:0000122
## geneIds: 1487_at, 1552338_at, ..., AFFX-HUMISGF3A/M97935_MB_at (total: 1936)
## geneIdType: Annotation (hgu133plus2)
## collectionType: GO
## ids: GO:0000122 (1 total)
## evidenceCode: EXP IDA IPI IMP IGI IEP ISS ISO ISA ISM IGC IBA IBD IKR IRD RCA TAS N
## ontology: CC MF BP
## details: use 'details(object)'
Ahora vamos convertir estos mismos conjuntos a identificadores

ENTREZ.
gsc = mapIdentifiers(gsc, EntrezIdentifier())
Podemos ver el primero de ellos.
head(geneIds(gsc),n=1)
## $`GO:0000002`
## [1] "80119" "55186" "291" "4358" "1890"
## [6] "4205" "9361" "4976" "10000" "63875"
## [11] "84275" "92667"
¿Cuántos elementos tiene cada uno de los conjuntos que hemos

construido?
head(sapply(geneIds(gsc), length))
Podemos quedarnos con los dos grupos que tengan un cardinal

mínimo, por ejemplo, por encima de 10.
gsc.filt = gsc[sapply(geneIds(gsc), length) > 10]
Son los siguientes grupos.
geneIds(gsc.filt)
15.3 Grupos con levadura

Veamos cómo construir grupos de genes utilizando los términos
GO en la Saccharomyces cerevisiae. Empezamos cargando el fichero
de anotación.
library(org.Sc.sgd.db)
frame = toTable(org.Sc.sgdGO)
goframeData = data.frame(frame$go_id, frame$Evidence, frame$systematic_name)
goFrame = GOFrame(goframeData, organism = "Saccharomyces cerevisiae")
goAllFrame = GOAllFrame(goFrame)
gscSc = GeneSetCollection(goAllFrame, setType = GOCollection())
15.4. GRUPOS PARA GSE1397 251
Y lo guardamos.
Habitualmente cuando queramos utilizar estos grupos tendremos
que hacer dos cosas:
1. Quedarnos con aquellos genes que aparecen en nuestra platafor-
ma.
2. Quedarnos posiblemente con grupos de genes con un tamaño
mínimo.
Para ello vamos a utilizar la siguiente función.
subsettingGeneSet = function(gs0, fn0) {

geneIds(gs0) = geneIds(gs0)[is.element(geneIds(gs0), fn0)]
gs0
}
Y ahora podemos modificar el GeneSetCollection de modo que

nos quedamos con los genes que tenemos en nuestros datos tamida-
ta::gse6647.
gsc1 = sapply(gscSc, subsettingGeneSet, fn0 = featureNames(gse6647))

gsc2 = GeneSetCollection(gsc1)
15.4 Grupos para GSE1397

Leemos los datos.
Cargamos la anotación del ExpressionSet para poder formar gru-

pos.
library(annotate)
annotation(gse1397)
## [1] "hgu133a"
library(hgu133a.db)
Buscamos los conjuntos de genes utilizando Gene Ontology.1
library(GSEABase)
gse1397.gsc = GeneSetCollection(gse1397,setType=GOCollection())
names(gse1397.gsc) = unlist(lapply(gse1397.gsc,setName))
¿Cuántos grupos tenemos definidos?
1 Se lleva un tiempo así que paciencia.

gsc = gse1397.gsc
length(gsc)
## [1] 16445
Como vemos muchos. Sin embargo, la mayor parte de ellos tiene

muy pocos genes. Podemos ver información del primer grupo.
(g1 = gsc[[1]])
## geneIds: 201917_s_at, 201918_at, ..., 222216_s_at (total: 18)
## geneIdType: Annotation (hgu133a)
## ids: GO:0000002 (1 total)
Y sus identificadores (AffyId) son
geneIds(g1)
## [1] "201917_s_at" "201918_at" "201919_at"

## [4] "202825_at" "203466_at" "204858_s_at"
## [7] "208328_s_at" "209017_s_at" "212213_x_at"
## [10] "212214_at" "212607_at" "212609_s_at"
## [13] "214306_at" "214684_at" "214821_at"
## [16] "217497_at" "219393_s_at" "222216_s_at"
Sus identificadores entrez o Ensembl son
unlist(mget(geneIds(g1),hgu133aENTREZID))
## 201917_s_at 201918_at 201919_at 202825_at

## "55186" "55186" "55186" "291"
## 203466_at 204858_s_at 208328_s_at 209017_s_at
## "4358" "1890" "4205" "9361"
## 212213_x_at 212214_at 212607_at 212609_s_at
## "4976" "4976" "10000" "10000"
## 214306_at 214684_at 214821_at 217497_at
## "4976" "4205" "291" "1890"
## 219393_s_at 222216_s_at
## "10000" "63875"
unlist(mget(geneIds(g1),hgu133aENSEMBL))
## 201917_s_at 201918_at
## "ENSG00000114120" "ENSG00000114120"
## 201919_at 202825_at
## "ENSG00000114120" "ENSG00000151729"
## 203466_at 204858_s_at
## "ENSG00000115204" "ENSG00000025708"
## 208328_s_at 209017_s_at
## "ENSG00000068305" "ENSG00000196365"
15.5. GRUPOS GO PARA LEVADURA 253
## 212213_x_at 212214_at
## "ENSG00000198836" "ENSG00000198836"
## 212607_at1 212607_at2
## "ENSG00000117020" "ENSG00000275199"
## 212609_s_at1 212609_s_at2
## "ENSG00000117020" "ENSG00000275199"
## 214306_at 214684_at
## "ENSG00000198836" "ENSG00000068305"
## 214821_at 217497_at
## "ENSG00000151729" "ENSG00000025708"
## 219393_s_at1 219393_s_at2
## "ENSG00000117020" "ENSG00000275199"
## 222216_s_at
## "ENSG00000158042"
La mayor parte de estos grupos son muy pequeños. Lo siguiente

nos da el tamaño de estos grupos.
head(table(sapply(geneIds(gsc),length)))
##
## 1 2 3 4 5 6
## 2999 2047 1601 1263 983 711
Podemos ver que de tamaño uno tenemos 2336 grupos. Nos que-
damos con aquellos grupos que, al menos, tienen 50 genes.
gse1397.gsc.filt = gsc[which(sapply(geneIds(gsc),length) > 50)]
15.5 Grupos GO para levadura
library(org.Sc.sgd.db)
frame = toTable(org.Sc.sgdGO)
goframeData = data.frame(frame$go_id, frame$Evidence, frame$systematic_name)
goFrame = GOFrame(goframeData, organism = "Saccharomyces cerevisiae")
gscSc = GeneSetCollection(goAllFrame, setType = GOCollection())
save(gscSc,file=paste0(dirTamiData,"gscSc.rda"))
En lo que sigue será frecuente que no queramos utilizar todos los

grupos que hemos construido. ¿Cómo quedarnos con aquellos que tie-
nen al menos un número dado de genes? Por ejemplo, quedarnos con
los grupos con 10 o más genes. El siguiente código lo hace.
gruposGrandes = which(sapply(geneIds(gscSc),length) > 10)

gsc1 = gscSc[gruposGrandes]
Podemos ver el primer grupo.
gsc1[[1]]
## geneIds: YNL304W, YHR194W, ..., YNR035C (total: 29)
## geneIdType:
## ids: GO:0000001 (1 total)
15.6 Grupos GO para humanos

En esta sección construimos los grupos de genes según Gene On-
200
Para otros organismos se- tology para humanos. El código es el siguiente:200
ría similar reemplazando el
paquete [28] por el corres- library("org.Hs.eg.db")
pondiente al organismo que frame = toTable(org.Hs.egGO)
nos interese. goframeData = data.frame(frame$go_id, frame$Evidence, frame$gene_id)
goFrame = GOFrame(goframeData, organism = "Homo sapiens")
gscHs = GeneSetCollection(goAllFrame, setType = GOCollection())
save(gscHs,file = paste0(dirTamiData,"gscHs.rda"))
15.7 Grupos para Arabidopsis thaliana

Utilizamos el paquete ??]R-ath1121501.db.
pacman::p_load("ath1121501.db")
frame = toTable(org.At.tairGO)
goframeData = data.frame(frame$go_id, frame$Evidence, frame$gene_id)
goFrame = GOFrame(goframeData, organism = "Arabidopsis")
gscAt = GeneSetCollection(goAllFrame, setType = GOCollection())
gscAt = geneIds(gscAt)
save(gscAt,file = paste0(dirTamiData,"gscAt.rda"))
15.8 Ejercicios
Ej. 28 — Construir los grupos basados en Gene Ontology y en KEGG
para el ratón (Mus musculus).
Ej. 29 — Construir los grupos basados en Gene Ontology y en KEGG

para las cepas de la E. coli que puedas.
Ej. 30 — Consultar las anotaciones OrgDb para decidir de qué or-

ganismos podemos construir los grupos.
Capítulo 16
Test de Fisher unilateral
16.1 Introducción
Por alguna razón (que desconozco) a este procedimiento se le llama
en numerosas publicaciones de perfil biológico test hipergeométrico. 1
En lo tratado hasta este momento hemos obtenido una ordenación
de los genes. Esta lista la hemos estudiado pretendiendo que cuando
mayor sea la expresión diferencial del gen este aparezca antes en la
lista. De este modo el primer gen es el marginalmente (o si se prefiere
individualmente) tiene una mayor expresión diferencial y así sucesiva-
mente. De hecho, el p-valor no es más que una medida de esa diferen-
ciación. Una expresión muy utilizada en la literatura es que que hay
una asociación entre el gen (su expresión) y el fenotipo.201 De algu- 201
La expresión fenotipo se
na forma el p-valor que obtenemos en cada test es una cuantificación usa de un modo muy am-
de la asociación gen-fenotipo. Luego modificamos estos p-valores de plio porque podemos estar
forma que se tiene en cuenta todos los genes que simultáneamente se hablando de características
están estudiando. Obtenemos de este modo unos p-valores ajustados. fenotípicas o simplemente un
Finalmente, tanto los p-valores originales como los ajustados no de- diseño experimental con fac-
jan de ser cuantificaciones marginales de la asociación gen-fenotipo. tores temporales o diferentes
Cuando hemos fijado una tasa de error (FDR o FWER) lo que ha- temperaturas.
cemos es fijar un punto de corte. En esa lista que hemos construido
decidimos (con algún criterio de error) en qué punto de la lista cor-
tamos. Los genes que están antes del punto de corte se consideran
significativos y los que siguen no. Reducimos nuestra información a
un si (gen significativo o que tiene expresión diferencial o que hay
asociación gen-fenotipo2 o un no (no es significativo, no hay expresión
diferencial o no hay asociación gen-fenotipo).
Ya tenemos ese conjunto de genes significativos. Incluso hemos vis-
to cómo generar unos enlaces para que gen a gen examinemos alguna
base de datos online. Es claro que el investigador puede ir generando
hipótesis sobre qué indica esta lista. Pero claramente no es una labor
simple. Una posible ayuda puede ser utilizar información previamente
generada por la comunidad científica sobre grupos de genes. Grupos
que indican que tienen relación con una misma función, o que están
localizados próximos en un mismo cromosoma. En fin, grupos con
1 La razón de este nombre sí la entiendo (la distribución del estadístico de
contraste es la distribución hipergeométrica) lo que no entiendo es el cambio de

nombre ya que la denominación test de Fisher está más que consolidada y debiera
de utilizarse.
2 A gusto del consumidor.
255
256 CAPÍTULO 16. TEST DE FISHER UNILATERAL
Tabla 16.1: S0 indica el grupo de genes significativos (grupo prede-

finido) y G \ S0 su complementario respecto del universo de genes
considerado G. S1 indica el conjunto de genes contra el cual compa-
ramos.
S1 S1c = G \ S1
S0 n11 n12 n1·
S0c = G \ S0 n21 n22 n2·
n·1 n·2 N
sentido (biológico).
Un poco de notación que nunca es mala. Sea G es el conjunto de
genes considerado. ¿Quién es este conjunto? En un estudio con micro-
arrays uno diría que es el conjunto de genes que se está explorando.
Sin embargo, un chip suele estar diseñado para observar tanto genes
como se pueda y no hay una selección previa. Quizás no sea muy razo-
nable considerar el conjunto total de genes este. En otros casos no es
así. Lo fundamental es darse cuenta que lo que hacemos depende de
un modo esencial del conjunto total de genes considerado o universo.
S0 (⊂ G) el conjunto de genes que nuestro estudio ha indicado como
significativo y S1 un conjunto de genes predefinido (misma función,
misma localización). Un primer problema es definir los conjuntos S1
202
§ 15. con los que comparar.202 Una vez definidos nuestro conjunto (S0 ), el
conjunto con el que queremos comparar (S1 ) y el conjunto total de
genes considerado (G) la situación que se presenta la tenemos refleja-
da en la tabla 16.1. En esta tabla n11 indica el número de genes que
están tanto en S0 como en S1 , también tendremos n12 genes que están
en S0 pero no en S1 , n21 en S1 pero no en S0 y, finalmente, n22 que
no están ni en S0 ni en S1 . Suponemos que el total de genes (nuestro
universo de genes) G tiene un total de N genes.
En la tabla 16.1 consideramos dados los totales de la fila y la co-
lumna, en otras palabras, consideramos fijos los valores de n1· y n2·
(totales de fila) así como los valores de n·1 y n·2 (totales de columna).
Asumiendo fijos estos totales de fila y columna: ¿cuál es la probabili-
dad de observar la tabla 16.1? Utilizando argumentos combinatorios
la respuesta es la siguiente: Si denotamos N11 el número aleatorio de
genes en común entonces, bajo la hipótesis de que no hay ningún tipo
de asociación entre fila y columna, entonces la probabilidad sería
( n1· )( n2·
)
n11 n·1 −n11
P (N11 = n11 ) = (N ) .
n·1
Supongamos que estamos contrastando la posible sobrerepresentación

entonces, bajo la hipótesis de independencia (condicionada a las mar-
ginales), rechazaríamos la hipótesis de independencia para un valor
mayor o igual al observado por lo que el p-valor sería la suma de las
probabilidades siguientes
min{n1· ,n·1 } (n1· )( )

∑ t
n2·
n·1 −t
p = P (N11 ≥ n11 ) = (N ) .
t=n11 n·1
16.2. FISHER.TEST 257
Tabla 16.2: S0 (S) indica el grupo de genes significativos (grupo pre-

definido) y S0 (S c ) su complementario. S1 indica el conjunto de genes
contra el cual comparamos.
S1 S1c
S0 30 40 70
S0c 120 156 276
150 196 346
16.2 fisher.test
Supongamos que hemos observado la tabla 16.2 y pretendemos
saber si el solapamiento entre ambos conjuntos de genes es mayor
que el esperable por el puro azar aunque no estén asociados ambos
conjuntos.
Podemos utilizar el test exacto de Fisher direccional (o unilateral
o de una cola)
conteos = matrix(c(30,120,40,156),ncol=2)
fisher.test(conteos,alternative = "greater")
##
## Fisher's Exact Test for Count Data
##
## data: conteos
## p-value = 0.589
## alternative hypothesis: true odds ratio is greater than 1
## 95 percent confidence interval:
## 0.6018802 Inf
## sample estimates:
## odds ratio
## 0.9750673
¿Y si valoramos una baja representación?
fisher.test(conteos,alternative = "less")
##
## Fisher's Exact Test for Count Data
##
## data: conteos
## p-value = 0.5179
## alternative hypothesis: true odds ratio is less than 1
## 0.000000 1.571751
## odds ratio
## 0.9750673
Observamos que en ambas salidas nos muestra el cociente de los

odds. Su explicación la encontramos en ??. Un valor del cociente de
odds mayor que la unidad indica sobre expresión mientras que un
valor menor a la unidad indica una expresión menor a la esperable
bajo independencia.
Tabla 16.3: S0 (respectivamente S1 ) indica el grupo de genes signifi-

cativos (el grupo predefinido) y G \ S0 (G \ S1 ) su complementario.
El universo de genes crece y suponemos que añadimos k genes.
S1 G \ S1
S0 30 40 70
G \ S0 120 156 + k 276 + k
150 196 + k 346 + k
16.3 Sobre la elección del universo de ge-

nes
Pretendemos evaluar el efecto que tiene la elección del universo
de genes. ¿Qué efecto tiene en nuestro análisis el universo de genes,
el conjunto G total de genes que estamos utilizando? Consideremos
los datos de la tabla 16.3. ¿Qué describe la tabla? Supongamos que
tenemos dos conjuntos de genes dados, S0 y S1 . Dado este par de
grupos de genes tenemos el número de genes en los dos y en uno de
ellos pero no en el otro. Si miramos la tabla 16.3 significa que tenemos
perfectamente definidas tres entradas de la tabla. Pero si suponemos
que vamos incrementando nuestro universo de genes (sin incluir nin-
gún gen adicional en S0 o S1 ) entonces la entrada n22 en la tabla 16.3
será cada vez mayor. En concreto hemos supuesto que n22 = 156 + k,
es decir, el conteo original más los k genes que vamos incorporando al
universo de genes. Vamos a tomar un valor de k creciente y represen-
taremos el p-valor del test de Fisher unilateral. Vemos cómo conforme
el valor de k crece el p-valor decrece (figura ??) y el cociente de odds
crece (figura ??). En definitiva la interpretación tanto del p-valor co-
mo del cociente de odds depende del universo de genes que estamos
considerando.
## pdf
## 2
## pdf
## 2
En la figura 16.1(a) (respectivamente en la figura 16.1(b)) tenemos

el p-valor del test de Fisher unilateral correspondiente a la tabla 16.3
(respectivamente el cociente de odds) cuando el valor de k va 0 a 100.
En trazo rojo discontinuo representamos la línea horizontal para un
valor de ordenada igual a 0.05. La línea verde punteada corresponde
con una ordenada de 0.01.
Vemos cómo el incremento del universo de genes tiene como con-
secuencia que el p-valor del test de Fisher unilateral decrezca.
16.4 Utilizando Category y GOstats

En esta sección utilizamos los paquetes [54, GOstats] (ver también
[45]) y [53, Category].
16.4.1 GSE1397
Leemos los datos normalizados.
16.4. UTILIZANDO CATEGORY Y GOSTATS 259
0.6
1.8
0.5
0.4
1.6
Odds ratio
p−valores
0.3
1.4
0.2
1.2
0.1
1.0
0.0
0 50 100 150 0 50 100 150
k k
(a) (b)
Figura 16.1: a) p-valores del test de Fisher unilateral. b) Cocientes de odds.
data(gse1397,package = "tamidata")
eset = gse1397
y = pData(eset)[,"type"]
remove(gse1397) ## Ahorramos memoria
Determinamos grupo de genes significativos.
pacman::p_load(genefilter,multtest)
tt = rowttests(eset,y)
p0 = tt$p.value
p1 = mt.rawp2adjp(p0, "BH")
orden.original = order(p1$index)
p.BH = p1$adjp[orden.original,2]
significativos = which(p.BH < 0.05)
¿Qué anotación tienen?203 203

Es una base de datos aso-
ciada a un chip.
annotation(eset)
## [1] "hgu133a"
Cargamos el paquete con la base de datos correspondiente.
library(hgu133a.db)
¿Tenemos un solo identicador GO para cada gen?
G1.entreizd = unlist(mget(featureNames(eset), hgu133aENTREZID))

anyDuplicated(G1.entreizd)
## [1] 6
Hay duplicados. Nos quedamos, para cada gen, con el conjunto de

sondas que nos da la máxima variabilidad, por ejemplo, el valor más
grande del rango intercuartílico.
eset.iqr = apply(exprs(eset), 1, IQR)

uniqGenes = findLargest(featureNames(eset), eset.iqr, "hgu133a")
eset1 = eset[uniqGenes, ]
Y ahora construimos el universo de genes y comprobamos que no

hay duplicidades.
G2.entrezid = unlist(mget(featureNames(eset1), hgu133aENTREZID))

anyDuplicated(G2.entrezid)
## [1] 0
Determinamos la identificación en la misma base de datos de los

genes declarados significativos.
seleccionados = unlist(mget(featureNames(eset[significativos,]),
hgu133aENTREZID))
Vamos a aplicar un test de Fisher unilateral para los grupos defi-

nidos de acuerdo con Gene Ontology. Cargamos paquetes necesarios.
pacman::p_load(GO.db,Category,GOstats)
204
En http:// Y realizamos los tests.204
geneontology.org/ te-
nemos una aplicación en params = new("GOHyperGParams", geneIds = seleccionados,
línea que nos realiza un universeGeneIds = G2.entrezid,
análisis similar. annotation = annotation(eset), ontology = "BP",
pvalueCutoff = 0.001,conditional = FALSE,
testDirection = "over")
overRepresented = hyperGTest(params)
Finalmente para visualizar los resultados guardamos los resultados

en un fichero y lo vemos con el navegador.
htmlReport(overRepresented, file = "GSE1397overRepresented.html")
## Error in .checkKeys(value, Lkeys(x), x@ifnotfound): value

for "GO:0015992" not found
browseURL("GSE1397overRepresented.html")
También podemos ver un resumen.
head(summary(overRepresented))
## Error in .checkKeys(value, Lkeys(x), x@ifnotfound): value

for "GO:0015992" not found
Con el siguiente código obtenemos un grafo donde los vértices co-

rresponden a los grupos definidos por la categorías Gene Ontology
significativas. Las aristas nos muestran la estructura de la base de
datos que es un grafo acíclico dirigido.
library(Rgraphviz)
plot(goDag(overRepresented))
library(Rgraphviz)
png(file=paste(dirTamiFigures,"GSE1397overRepresented.png",sep=""))
plot(goDag(overRepresented))
dev.off()
Figura 16.2: Grafo Gene Ontology con las grupos significativos.
16.4.2 GSE20986
Leemos los datos normalizados y lo renombramos.
data(gse20986, package = "tamidata")

gse = gse20986
En lo que sigue necesitamos la anotación de este ExpressionSet.
Biobase::annotation(gse)
## [1] "hgu133plus2"
Cargamos el paquete con la base de datos correspondiente.
library("hgu133plus2.db")
Lo primero: definir el universo de genes. ¿Cómo? Una pro-

puesta razonable3 podría ser aplicar un filtrado no específico y que el
universo de genes sean los restantes.
3Y nada más que esto razonable y tan razonable como muchas otras.
library(genefilter)
gse.filt = genefilter::nsFilter(gse, var.func = IQR, var.cutoff = 0.6,
require.GOBP = TRUE)$eset
¿Cuántos genes nos quedan?
dim(gse.filt)
## Features Samples
## 6164 12
¿Tenemos un solo identicador GO para cada gen?
G1.entreizd = unlist(mget(featureNames(gse.filt), hgu133plus2ENTREZID))

anyDuplicated(G1.entreizd)
## [1] 0
Vemos que no hay duplicidades en los datos filtrados. Sin embargo,

si consideramos como universo de genes todos los del chip entonces sí
que nos encontramos con duplicidades.
G2.entrezid = unlist(mget(featureNames(gse), hgu133plus2ENTREZID))

## [1] 6
La idea sería quedarnos para cada gen con el conjunto de sondas

que nos da la máxima variabilidad. Por ejemplo, con el grupo de
sondas con el mayor rango intercuartílico.
gse.iqr = apply(exprs(gse), 1, IQR)

uniqGenes = findLargest(featureNames(gse), gse.iqr, "hgu133plus2")
gse.filt2 = gse[uniqGenes, ]
Y ahora construimos el universo de genes y comprobamos que no

hay duplicidades.
G2.entrezid = unlist(mget(featureNames(gse.filt2), hgu133plus2ENTREZID))

## [1] 0
Aplicamos el procedimiento de expresión diferencial utilizado en

el ejemplo 7.2.
library(multtest)
gse.aov = rowFtests(gse.filt2, pData(gse20986)[,"tissue"])
p.originales = gse.aov[, 2]
p.BH = mt.rawp2adjp(p.originales, "BH")
pvalores = p.BH$adjp[p.BH$index, 2]
sig.1234 = which(pvalores < 0.001)
selected = unlist(mget(featureNames(gse.filt2[sig.1234,]), hgu133plus2ENTREZID))
Vamos a aplicar un test de Fisher unilateral para los grupos defi-

nidos de acuerdo con Gene Ontology. Cargamos paquetes necesarios.
library(GO.db);library(Category);library(GOstats)
Y realizamos los tests.
params = new("GOHyperGParams", geneIds = selected, universeGeneIds = G2.entrezid,

annotation = annotation(gse.filt2), ontology = "BP", pvalueCutoff = 0.01,
conditional = FALSE, testDirection = "over")
Finalmente para visualizar los resultados guardamos los resultados

en un fichero y lo vemos con el navegador.
fl = tempfile()
htmlReport(overRepresented, file = fl)
browseURL(fl)
16.4.3 ALL
Esta sección se reproduce el análisis propuesto en http://www.
bioconductor.org/help/course-materials/2009/SSCMay09/gsea/
HyperG_Lecture.pdf. Utilizamos los datos [86, ALL]. En § 5.4 se in-
dica cómo conseguir los datos bcrneg en donde hemos seleccionado
algunas muestras. Los datos los tenemos en bcrneg. Veamos número
de genes y muestras.
dim(bcrneg)
## Features Samples
## 12625 79
Realizamos un filtrado no específico quitando aquellos cuyo rango

intercuartílico esté por debajo de la mediana (de los rangos intercuar-
tílicos observados). Además se requiere que el gen tenga anotación en
Gene Ontology. Esto lo pedimos con el argumento require.GOBP =
TRUE.4
bcrneg.filt = nsFilter(bcrneg, var.cutoff = 0.5, require.GOBP = TRUE)$eset
Veamos qué nos queda.
dim(bcrneg.filt)
## Features Samples
## 4076 79
Vamos a generar una lista de genes significativos de un modo muy

básico5 . Calculamos el p-valor del test de la t y nos quedamos con los
genes con un p-valor por debajo de 0.05.
fac0 = pData(bcrneg.filt)[, "mol.biol"]

fac0 = factor(fac0) ## Quitamos categorías vacías
rtt = rowttests(bcrneg.filt, fac0)
rttPrb = rtt$p.value
tThresh = rttPrb < 0.05
4 En concreto se pide su anotación en la ontología Biological Process.
5Y tampoco muy recomendable.
Tabla 16.4: Tabla de contingencia para el término GO:0006468.
InGO
Selected FALSE TRUE
FALSE 3101 162
TRUE 658 30
Le damos nombres a las componentes del vector utilizando los

identificadores de Affymetrix GeneChip.
names(rttPrb) = featureNames(bcrneg.filt)
Guardamos estos identificadores en ids.
ids = featureNames(bcrneg.filt)
Guardamos también las correspondencias con Entrez.
map = hgu95av2ENTREZID
Definimos quién es nuestro universo. En nuestro caso todos los

genes que intervenían en nuestro estudio y de los cuales teníamos su
anotación (hay sondas de control que desaparecen con el filtrado que
acabamos de hacer).
universe = unlist(mget(ids, map))

selected = unlist(mget(ids[tThresh], map))
Elegimos un grupo utilizando un término de Gene Ontology. Pri-

mero cargamos el paquete [24, GO.db].
library(GO.db)
Nos fijamos por ejemplo en el término siguiente
GOTERM[["GO:0006468"]]
## GOID: GO:0006468
## Term: protein phosphorylation
## Ontology: BP
## Definition: The process of introducing a
## phosphate group on to a protein.
## Synonym: protein amino acid phosphorylation
La tabla 16.4 muestra los conteos observados.

Cargamos los paquetes [53, Category] y [54, GOstats].
library(Category)
library(GOstats)
params = new("GOHyperGParams", geneIds = selected, universeGeneIds = universe,

annotation = annotation(bcrneg.filt), ontology = "BP", pvalueCutoff = 0.001,
conditional = FALSE, testDirection = "over")
Veamos el resumen.
head(summary(overRepresented), n = 3)
Guardamos los resultados en un fichero HTML y lo vemos.
fl = tempfile()
htmlReport(overRepresented, file = fl)
browseURL(fl)
16.5 Ejercicios
Ejercicio 31
Utilizamos los datos tamidata::gse20986. En el problema 21 hemos
determinado los genes significativos con un FDR de 0.05 para las com-
paraciones entre las muestras obtenidas en el iris, retina y coroides con
las muestras huvec. Tenemos pues tres grupos de genes significativos
que podemos denotar Siris , Sretina y Scoroides .
1. Realizar, para cada uno de los tres grupos de genes selecciona-

dos, un análisis de un sobre solapamiento, utilizando el test de
Fisher unilateral, con los grupos definidos en Gene Ontology. En
concreto hay que utilizar las tres bases de bases de Gene On-
tology: BP (procesos biológicos), CC (componentes celulares) y
MP (función molecular).
Capítulo 17
Análisis de conjuntos de
genes
17.1 Introduction
1
El problema abordado en este capítulo corresponde a lo que se

conoce como análisis de conjunto de genes.205 Estudiamos si hay rela- 205
En la literatura se refie-
ción entre conjuntos de genes previamente definidos y fenotipo.206 ren a este problema como ge-
Estos grupos vendrán definidos según distintos criterios. Por ejemplo, ne set analysis, gene set en-
corresponder a una ruta metabólica, o localizados en un mismo cro- richment analysis, set based
mosoma o bien definidos utilizando términos de Gene Ontology. De enrichment analysis.
un modo genérico, un conjunto de genes que represente algo interpre- 206
Donde fenotipo se entien-
table desde un punto de vista biológico. Ya no estamos interesados en de en un sentido amplio co-
un análisis marginal o gen a gen de los datos de expresión. En un aná- mo en todo el texto.
lisis de expresión diferencial el resultado final es una lista ordenada
de genes de modo que una mayor asociación con la covariable fenotí-
pica produce una posición más alta en la lista. Un procedimiento de
tests múltiples nos produce una clasificación en genes significativos y
no significativos. En definitiva un valor de corte de la lista. En esta
aproximación no usamos ningún conocimiento previo sobre relaciones
conocidas entre genes que podrían ser esenciales a la hora de determi-
nar la asociación no ya gen-fenotipo sino conjunto de genes-fenotipo.
17.2 Sobre la distribución de la matriz de

expresión
Denotaremos (como siempre) la matriz de expresión (aleatoria)
como
X = [Xij ]i=1,...,N ;j=1,...,n
1 Lo tratado en este capítulo tiene mucho que ver con la obra teatral de Lope
de Vega, Fuenteovejuna. Se recomienda el video http://www.youtube.com/watch?

v=-IcuFn57nAo. - ¿Quién mató al Comendador?
- Fuenteovejuna, señor.
-¿Quién es Fuenteovejuna?
- Todo el pueblo, a una. Esta frase aparece repetida en la obra y es básica en
este tema. Este tema va de esto, de la acción conjunta de un conjunto de genes.
Unos pocos habitantes no pueden pero todos los habitantes de Fuenteovejuna sí
que pueden.
267
268 CAPÍTULO 17. ANÁLISIS DE CONJUNTOS DE GENES
donde Xij es la expresión aleatoria del i-ésimo gen en la j-ésima mues-

tra. Las expresiones observadas serán
x = [xij ]i=1,...,N ;j=1,...,n
Notemos que Xij es una variable aleatoria mientras que xij es un valor
observado. Las columnas de la matriz de expresión X son indepen-
207
Corriendo un tupido velo dientes. Son vectores aleatorios independientes207 Por tanto podemos
por toda la parte de prepro- considerar que las distintas muestras son realizaciones de vectores
cesado de la información que independientes aunque no con la misma distribución ya que son ob-
hemos visto en § 4 para datos servados bajo distintas condiciones experimentales. Si nos fijamos en
de microarrays. Es claro que las filas de la matriz de expresión, esto es, en los perfiles de expresión
el preprocesado de la infor- entonces tenemos realizaciones de vectores aleatorios dependientes y
mación introduce dependen- que además no tienen la misma distribución. Los genes no son in-
cias entre valores observados dependientes en su comportamiento hay corregulaciones entre ellos.
para distintas muestras pero Además tampoco tienen porqué comportarse de un modo (aleatorio)
las ignoramos. común.
17.3 Conjunto(s) de genes

Tenemos distintos conjuntos de genes previamente definidos uti-
lizando información previa: un grupo(s) definido por el grupo de in-
vestigación, grupos definidos utilizando Gene Ontology, . . . Lo fun-
damental, estos grupos de genes no han de estar definidos en función
208
§ 15. de nuestros datos de expresión.208 Si denotamos por G = {1, . . . , N }
el conjunto total de genes considerado (o universo de genes) entonces
los conjuntos de genes serán S1 , . . . , SK . En particular, no es extraño
considerar el caso K = 1, es decir, estar interesados en un conjunto de
genes dado. Supondremos que el conjunto Sk tiene cardinal nSk o, si
no hay confusión, simplemente nk . Los distintos conjuntos Sk no son
una partición de G: no son necesariamente disjustos (Si ∩ Sj ̸= ∅ para
i ̸= j) y su unión no tiene porqué ser todo el universo considerado de
genes.
La cuestión básica podemos formularla como: ¿Hay asociación en-
209
Esto es, la misma pre- tre un conjunto de genes y el fenotipo?209 Es una pregunta muy vaga.
gunta que nos formulábamos Se requiere una formulación más precisa. Caben distintas interpreta-
para cada gen pero ahora re- ciones de la pregunta. En [137] formulan las siguientes dos hipótesis
ferido a un conjunto dado de nulas que concretan de dos modos distintos la cuestión previa. Repro-
genes. ducimos las hipótesis nulas.210
210
Hipótesis Q1: Los genes de un conjunto muestran el mismo patrón
Hypothesis Q1: The ge- de asociación con el genotipo comparado con el resto de genes.
nes in a gene set show Hipótesis Q2: El conjunto de genes no tiene ningún gen cuyo nivel
the same pattern of de expresión está asociado con el fenotipo de interés.
associations with the
phenotype compared No tenemos la misma hipótesis nula, no. La hipótesis nula Q1 se
with the rest of the centra en la comparación entre (la asociación entre) un conjunto dado
genes. de genes (con el fenotipo) y (la asociación entre) los otros (con el
fenotipo). En cambio, la hipótesis Q2 se centra en el estudio de la
Hypothesis Q2: The gene expresión diferencial de los genes que pertenecen a un conjunto dado
set does not contain de genes.
any genes whose ex- Un planteamiento similar lo podemos encontrar en [60]. En concre-
pression levels are as- to un test que se plantea si un conjunto de genes tiene una asociación
sociated with the phe- con el fenotipo, la hipótesis Q2, recibe el nombre de test autoconteni-
notype of interest. do (self-contained test) mientras que si nos ocupamos de la hipótesis
17.4. EJEMPLOS 269
nula Q1 hablamos de un test competitivo (competitive test). De hecho

el formula las hipótesis nulas del siguiente modo:
Hipótesis nula competitiva H0comp : Los genes en un grupo dado
S están como mucho tan frecuentemente expresados de un modo
diferencial como los genes en S c .
Hipótesis nula autocontenida H0auto : Ningún gen en S está dife-
rencialmente expresado.
2
Muchos procedimientos estadísticos propuestos contrastar estas hi-

pótesis no formula expresamente cuales son las hipótesis nulas que
están contrastando. De hecho, la reflexión sobre el propio procedi-
miento de contraste propuesto es el que nos ha de indicar la hipótesis
nula. No tenemos un modelo (estocástico) preciso y esto ocasiona esta
indeterminación.
En lo que sigue veremos procedimientos que asumen una distribu-
ción conocida (o al menos asintóticamente conocida) para los estadís-
ticos de contraste. Sin embargo, la opción más utilizada es evaluar la
significación del estadístico asociado al contraste utilizando como dis-
tribución nula (o distribución bajo la hipótesis nula) una distribución
de aleatorización o una distribución bootstrap. Qué distribución es
adecuada dependerá de la hipótesis que estemos contrastando. De he-
cho, desde el punto de vista estadístico, este es el núcleo del problema.
¿Cómo estimamos la distribución nula?
17.4 Ejemplos
En esta sección comentamos los ejemplos que utilizamos.
17.4.1 Un ejemplo simulado de Efron y Tibshirani

En [44] se proponen un par de ejemplos con datos simulados. Son
los ejemplos 17.1 y 17.2.
Ejemplo 17.1 Se consideran 1000 genes y 50 muestras. Se supone
que las 25 primeras muestras son controles y las últimas 25 es el
grupo de tratamiento. Definimos los grupos de genes como: las 20
primeras filas (de la matriz de expresión) corresponden al primer gru-
po, de la 21 a la 40 el segundo y así sucesivamente. Los niveles de
expresión los generamos aleatoriamente independientemente y con la
misma distribución. La distribución común es una normal estándar
(Xij ∼ N (0, 1)). En el primer grupo añadimos un valor constante
de 2.5 a los primeros 10 genes en las muestras correspondientes a
tratamiento (últimas 25 columnas de la matriz de expresión). En con-
secuencia, lo que hacemos es que solamente el primer grupo tiene la
mitad de los genes asociados con el fenotipo y la otra mitad sin ningún
tipo de asociación. El resto de grupos no tiene ninguna asociación con
fenotipo. Generamos estos datos.
2 Es interesante leer las hipótesis nula tal como las formulan:
Competitive null hypothesis H0comp : The genes in S are at most as often
diferentially expressed as the genes in S c .
Self-contained null hypothesis H0self : No genes in S are differentially expres-
sed.
N = 1000; n = 50
set.seed(280562) ## Para obtener los mismos valores generados
et1 = matrix(rnorm(N*n),nrow = N,ncol = n)
et1[1:10,26:50] = et1[1:10,26:50] + 2.5
En este ejemplo el vector que nos indica la clasificación de las

muestras será
y.et = factor(rep(1:2,rep(25,2)),levels = 1:2,

labels = c("Normal","Tratamiento"))
En lo que sigue utilizaremos como medida de asociación fenotipo-

expresión el estadístico del t-test.
et1.tt = genefilter::rowttests(et1,y.et)$statistic
En figura 17.2 tenemos una estimación de la densidad. Podemos

ver cómo se aprecia, por debajo de 8, el valor que corresponde al
primer grupo.
df = data.frame(et1.tt)
png(paste0(dirTamiFigures,"GeneSetAnalysis5b.png"))
ggplot(df,aes(x=et1.tt))+geom_density()
dev.off()
## pdf
## 2
Ejemplo 17.2 Este ejemplo se define exactamente como el ejemplo

17.1 excepto lo que se hacía solamente para el primer grupo lo hace-
mos para todos: sumamos a los 10 primeros genes de cada grupo 2.5
Figura 17.1: Densidad estimada unidades en las muestras correspondientes al tratamiento (últimas 25
de et1.tt. columnas de la matriz de expresión). Generamos los datos.
N = 1000; n = 50
set.seed(280562)
indices.temp = (0:49)*20 + 1
indices = NULL
for(i in indices.temp) indices = c(indices,i:(i+9))
et2 = matrix(rnorm(N*n),nrow = N,ncol = n)
et2[indices,26:50] = et1[1:10,26:50] + 2.5
Notemos que la covariable indicando el grupo es la misma que en

ejemplo 17.1. Definimos los grupos para su uso posterior.
gen.name = function(i) paste("g",((i-1)*20 +1):(i*20),sep="")

gsc.et = lapply(as.list(1:50),gen.name)
names(gsc.et) = paste("set",as.character(1:50),sep="")
gsnames.et = paste("set",as.character(1:50),sep="")
genenames.et = paste("g",1:1000,sep="")
17.5. CUANTIFICANDO ASOCIACIÓN GEN-FENOTIPO 271
et2.tt = genefilter::rowttests(et2,y.et)$statistic
En figura ?? tenemos una estimación de la densidad.
df = data.frame(et2.tt)
png(paste0(dirTamiFigures,"GeneSetAnalysis11c.png"))
ggplot(df,aes(x=et2.tt))+geom_density()
dev.off()
## pdf
## 2
17.5 Cuantificando asociación gen-fenotipo

El primer paso es cuantificar la asociación entre los niveles de Figura 17.2: Densidad estimada
expresión de cada gen y el fenotipo. Esta cuantificación será un esta- de et1.tt.
dístico (una función de los datos que son las expresiones en la fila de
la matriz de expresión) cuya definición dependerá del tipo de infor-
mación fenotípica disponible. Por ejemplo, si tenemos dos condiciones
entonces este estadístico será (habitualmente pero no siempre) el esta-
dístico t que se utiliza en la comparación de medias de dos poblaciones
normales (??). Pero no necesariamente, por ejemplo, si los tamaños
muestras n1 y n2 son muy pequeños entonces muy probablemente
un estadístico como la diferencia de medias es suficiente (y menos
peligroso).
Si las muestras las tenemos clasificadas en más de dos grupos en-
tonces podemos utilizar el valor del estadístico F del análisis de la
varianza (§ 7.8).
En § 9.1 se estudiaba el método SAM (en el contexto de la ex-
presión diferencial marginal). Este método propone, dependiendo de
las descripción fenotípica con la que se trabaja, un estadístico di para
cada gen. La definición de este estadístico es función del fenotipo. Son
perfectamente utilizables como medidas de asociación gen-fenotipo (es
lo que son).
En lo que sigue a la medida de asociación gen-fenotipo la denota-
remos genéricamente por ti (aunque no sea un t estadístico).
17.6 Enriqueciendo el conjunto de genes

El vector t = (t1 , . . . , tN ) constituye, de hecho, una descripción
de la asociación marginal gen-fenotipo. Pero tenemos unos grupos de
genes en los que tenemos interés o que expresan simplemente conoci-
miento previo de posibles asociaciones entre los genes. Sea S uno de
estos conjuntos. Enriquecer el estadístico t para el conjunto consiste
en considerar un resumen de t sobre S. Y esto lo podemos hacer de
muchas formas. Si denotamos el estadístico de enriquecimiento por
t(S) la opción más simple es
∑ ti
t(S) = , (17.1)
nS
i∈S
es decir, el promedio de los ti observados sobre el conjunto de genes de

interés S. Podemos considerar muchas otras opciones y en las secciones
que siguen las veremos.
17.7 Distribuciones condicionadas a los da-

tos
Sea x la matrix de expresión observada. Y supongamos que el
vector y (de dimensión n) nos indica la covariable de interés de la
muestra (normalmente la pertenencia a un grupo). Para el universo
de genes considerado tendremos el el vector t = (t1 , . . . , tN ).
17.7.1 Distribución de permutación para un gen

Para un gen tenemos su perfil de expresión u = (u1 , . . . , un ) y
tenemos el vector y asociado a las muestras.
Sea π denota una permutación aleatoria de (1, . . . , n) de forma que
los π(i) será el índice que ocupa la posición i-ésima en la permutación
π. En particular denotaremos por π0 la permutación que nos devuelve
el orden original: π0 (j) = j. Si el vector asociado a las muestras es y
entonces tendremos el vector (permutado de y) yπ = (yπ(1) , . . . , yπ(n) ).
Obviamente y = yπ0 .
La cantidad que describe la asociación entre u y yπ es tπ . Utili-
zando esta notación el valor observado de la asociación gen-fenotipo
para u e y será tπ0 . Si consideramos B permutaciones aleatorias en-
tonces tendremos los valores tπ1 , . . . , tπB para las B permutaciones
aleatorias.
Si no hay asociación gen-fenotipo entonces el valor de tπ0 debe
de ser como los valores tπ1 , . . . , tπB . De hecho, cualquier ordenación
de tπ0 , tπ1 , . . . , tπB tiene la misma probabilidad. Podemos considerar
dos casos. En el primero una mayor asociación se expresa como un
valor mayor de t (normalmente positivo). ¿Cuántos valores tπb (con
b = 1, . . . , B) son mayores que tπ0 ? Si hay pocos indica que no hay
equiprobabilidad y, por lo tanto, rechazamos esa hipótesis. Esto es
un test de aleatorización aplicado a las muestras. El p-valor sería la
proporción de tπb s mayores que tπ0 , es decir,
|{b : tπb > tπ0 }|

pr = . (17.2)
B
En el caso en que una mayor asociación se exprese como un valor muy
grande (positivo) o muy pequeño (negativo) de t entonces el p valor
vendría dado por
|{b : |tπb | > |tπ0 |}|

pr = , (17.3)
B
ya que tendríamos un test bilateral.
Ejemplo 17.3 Consideremos el ejemplo 17.1, en concreto, los valores

del primer gen. La covariable y nos indica la pertenencia a control o
tratamiento. Como medida de asociación consideramos el estadístico t
(con varianzas desiguales). Notemos que una asociación grande supone
un valor o muy grande (positivo) o muy pequeño (negativo).
17.7. DISTRIBUCIONES CONDICIONADAS A LOS DATOS 273
u = et1[1,]
t0 = t.test(u ~ y.et)$statistic
t0 = abs(t0)
Generamos B = 100 permutaciones aleatorias de y utilizando la

función sample.
B = 100
tb = rep(0,B)
for(i in 1:B) tb[i] = t.test(u ~ sample(y.et))$statistic
Determinamos los valores absolutos de los estadísticos.
tb = abs(tb)
El valor observado de tπ0 es 8.77. Y el p-valor será la proporción

de los que su valor absoluto es mayor que el valor absoluto de tπ0 ), es
decir,
sum(tb > t0) / B
## [1] 0
Tenemos un p-valor nulo. No parece que todas las ordenaciones

de los valores tπ0 , tπ1 , . . . , tπB sean equiprobables.
La distribución nula que hemos considerado en esta sección corres-

ponde con la hipótesis nula autocontenida que veíamos previamente.
No asumimos ninguna distribución asintótica para el estadístico enri-
quecido y generamos una distribución nula en la que intercambiamos
las etiquetas de las muestras. Si nuestro interés es contrastar la hi-
pótesis Q2 o hipótesis autocontenida esta sería la distribución nula
natural.211 211
Podemos hablar de alea-
torización por columnas en-
17.7.2 Distribución de aleatorización tendiendo que las distintas
muestras corresponden a las
Denotemos por S0 el conjunto de genes original en el que tenemos distintas columnas en la ma-
interés. Ahora vamos a elegir al azar un grupo S de genes (filas) del triz de expresión.
mismo cardinal que S0 . Lo aleatorio ahora no es el vector y sino el
conjunto S de genes. Si S es aleatorio entonces también lo es t(S)
(ahora las muestras tienen su ordenación original). A la distribución de
probabilidad de t(S) se le llama distribución de aleatorización del
estadístico de enriquecimiento. Si tomamos B selecciones aleatorias de
nS0 genes tendremos los conjuntos Sb con b = 1, . . . , B y los valores
del estadístico de enriquecimiento observados son t(S0 ) (para el grupo
original) y t(Sb ) con b = 1, . . . , B para los seleccionados al azar. El
p-valor se define análogamente como
|{b : t(Sb ) > t(S0 )}|

p= . (17.4)
B
si solamente rechazamos para valores grandes (positivos). En el caso
bilateral tendremos
|{b : |t(Sb )| > |t(S0 )|}|
p= . (17.5)
B
La distribución nula que hemos considerado en esta sección corres-

ponde con la hipótesis nula competitiva o hipótesis Q1. No asumimos
ninguna distribución asintótica para el estadístico enriquecido y gene-
ramos una distribución nula en la que seleccionamos al azar grupos del
mismo tamaño. Realmente lo que estamos haciendo es generar per-
mutaciones aleatorias de las filas en la matriz de expresión. Si nuestro
interés es contrastar la hipótesis Q1 o hipótesis competitiva esta sería
212
Podemos hablar de alea- la distribución nula natural.212
torización por filas enten- En lo que sigue repasamos distintos paquetes R/Bioconductor que
diendo que los distintos ge- implementan distintas medidas de enriquecimiento y distribuciones
nes (o genéricamente carac- nulas en donde permutamos aleatoriamente las columnas (muestras)
terísticas que observamos) o las filas (características).
corresponden a las distintas
filas en la matriz de expre-
sión. También se habla de 17.8 Limma::genSetTest
muestreo de genes o gene
En el paquete [130, limma] tenemos la función limma::geneSetTest.
sampling.
En este caso la medida de enriquecimiento que se utiliza es la media
muestra de los estadísticos calculados para cada gen. Simplemente se
permuta por filas. Contrastamos pues la hipótesis competitiva.
Ejemplo 17.4 (genSetTest y ejemplo 17.1) Consideremos los da-
tos del ejemplo 17.1 y el t-estadístico para cada gen. El grupo de inte-
rés es el primero (primeras 20 filas). Supongamos que tomamos como
alternativa si tienden a tomar valores mayores en el primer grupo.
pacman::p_load(limma)
geneSetTest(1:20,et1.tt,alternative ="up")
## [1] 0.9984722
El p-valor nos indica que no rechazamos la hipótesis nula. ¿Y si

contrastamos la alternativa de valores mayores en el segundo grupo?
geneSetTest(1:20,et1.tt,alternative ="down")
## [1] 0.00153168
Vamos a realizar el contraste para cada uno de los 50 grupos con-

siderados.
pvalores = NULL
for(i in 0:49){
indices = (i * 20 + 1): (i * 20 + 10)
p.temp = geneSetTest(indices,et1.tt,alternative ="down")
pvalores = c(pvalores,p.temp)
}
Comprobamos que el p-valor del primer grupo es claramente menor

que el p-valor para los restantes grupos.
17.9 Limma::wilcoxGST
Siguiendo con el paquete [130, limma] una opción simple (no ne-
cesariamente muy potente) y que no utiliza la distribución de alea-
torización consiste en tomar los valores del estadístico en el grupo
17.10. LIMMA::CAMERA 275
de interés y en el resto de genes y compararlos utilizando un test de

Wilcoxon.213 Por lo tanto estamos en el caso en que conocemos la 213
??.
distribución nula. No aleatorizamos ni por filas ni por columnas. Es
un test exacto. El test de Wilcoxon tampoco asume ninguna hipó-
tesis distribucional sobre los estadísticos por gen que utilizamos lo
que es una ventaja. Sin embargo, asume independencia entre estos
estadísticos que no se verifica ya que las expresiones de los genes son
interdependientes.
Ejemplo 17.5 (Datos de ejemplo 17.1) Utilizamos la función lim-

ma::wilcoxGST.
wilcoxGST(1:20,et1.tt,alternative ="down")
## [1] 0.00153168
wilcoxGST(1:20,et1.tt,alternative ="up")
## [1] 0.9984722
wilcoxGST(1:20,et1.tt,alternative ="mixed")
## [1] 2.837697e-08
Tomemos otro grupo y repitamos el análisis.
wilcoxGST(21:30,et1.tt,alternative ="down")
## [1] 0.09546351
wilcoxGST(21:30,et1.tt,alternative ="up")
## [1] 0.904723
wilcoxGST(21:30,et1.tt,alternative ="mixed")
## [1] 0.8181643
17.10 Limma::CAMERA
El método fue propuesto en [155].214 Es un procedimiento para 214 El nombre es un acró-
contrastar la hipótesis competitiva. Es un procedimiento que tiene en nimo Correlation Adjusted
cuenta la correlación entre las expresiones de los distintos genes en MEan RAnk.
cada muestra. La mayor parte de los procemientos propuestos para
el contraste de la hipótesis competitiva suelen asumir (falsamente)
la independencia de la expresión observada para distintos genes y su
validez depende una hipótesis que sabemos no es cierta. Se ha visto
que no tener en cuenta esta dependencia entre genes nos lleva a un
incremento de la tasa de error FDR.
Se asume que la expresión está cuantificada en escala logarítmica
(base 2 como es habitual en este contexto).
∑
p
E[Xij ] = µij = αik yjk (17.6)
k=1
siendo yjk la k-ésima covariable (o variable fenotípica) de la j-ésima

muestra. Se supone que las expresiones aleatorias (su perfil aleatorio
215
Asumible si hemos de expresión) de un mismo gen tienen una varianza común σi2 .215 Se
aplicado previamente algún asume que las expresiones para distintas muestras son independientes
procedimiento de normaliza- pero no entre distintos genes. En particular, denotamos el coeficiente
ción. de correlación de Pearson216 entre las variables aleatorias Xi1 j y Xi2 j
216
§ 27.1. como cor(Xi1 j , Xi2 j ) = ρi1 ,i2 . Obviamente no asumimos que estos
217
No asumimos incorrela- coeficientes sean nulos.217
ción. Recordemos que inde- Un contraste, para el gen i-ésimo viene dado por
pendencia implica incorrela- ∑
p
ción pero no viceversa. βi = cj αik .

k=1
Se está interesado en contrastar la hipótesis nula de que el contraste

es nulo. Tenemos interés en los contrastes de hipótesis: H0 : βi = 0
frente a la alternativa de que H0 : βi ̸= 0. Denotemos el estadístico
218
No necesariamente con del contraste como Zi .218 ¿Qué estadísticos Zi vamos a considerar?
distribución normal.
17.11 GSA
219 219
En el paquete [43, GSA] Se utiliza la distribución de permutación a la que aplican una
se implementa el método reestandarización. La medida de enriquecimiento que proponen por
propuesto en [44]. defecto 3 es la siguiente: partimos de los valores ti que miden aso-
ciación gen-fenotipo. Definimos t+ = max{t, 0} y t− = − min{t, 0}.
∑ t+
Consideramos un conjunto de genes S. Definimos t̄S+ = i∈S nS y
i
∑ −
t̄−
ti
S = i∈S nS . Finalmente la medida de enriquecimiento (que llama-
remos el estadístico maxmean) es
−
S , t̄S }.
t(S) = max{t̄+ (17.7)
Estamos tomando la media de las partes positivas t+
i , la media de las
partes negativas t−
i y nos quedamos con el máximo de ambos valores.
Ejemplo 17.6 [44, página 119] La medida de enriquecimento que
acabamos de definir es robusta frente al caso en que tengamos una
medida extrema. El ejemplo que proponen los autores es el siguiente:
supongamos que tenemos 100 genes, 99 de los valores ti ’s son -0.5
−
y el valor restante es 10. Tenemos que t̄+ S = 10/100 = 0.1 y t̄S =
−99(−0.5)/100 = 0.495. Vemos que los valores negativos dominan
pues son la mayor parte de los datos. Si se tomara la media de las
partes positivas t+ y la media de las partes negativas t− tendríamos los
valores 10 y -0.5 (es decir, solamente consideramos cuando el valor no
es nulo) y la medida de enriquecimiento vendría dominada por valores
extremos.
Como medidas de asociación gen-prototipo ti utilizan las mismas del
paquete [138, samr] que aparecen en la sección § 9.1.1. Cuando anali-
zan los conjuntos de genes hablan de grupos de genes positivos y grupos
de genes negativos. Un grupo de genes se dice negativo si corresponden
con genes que en la clase 2 tiene expresiones menores cuando tenemos
dos grupos (1 y 2). Si tenemos una covariable y numérica entonces
los negativos corresponden al caso en que expresiones menores se aso-
cian a valores mayores de y. Los grupos positivos se definen de modo
contrario a los positivos. Cargamos el paquete.
3 Aunque lleva el promedio de los ti ’s y el promedio de |ti | como otras opciones.
17.11. GSA 277
pacman::p_load(GSA)
Ejemplo 17.7 (Ejemplo 17.1 con GSA) Empezamos analizando el

ejemplo 17.1.
grupo = c(rep(1,25),rep(2,25)) #El grupo tiene que numerarse 1,2

et1.gsa = GSA(et1,grupo, genenames=genenames.et, genesets=gsc.et,
resp.type="Two class unpaired", nperms=100)
Podemos ver los estadísticos enriquecidos para los grupos
head(et1.gsa$GSA.scores)
## [1] 3.99534187 -0.01231818 0.11759218

## [4] -0.27081919 0.05557714 -0.07898232
El valor observado para el grupo 1 es 4 mientras que una descriptiva

de los demás es la siguiente
summary(et1.gsa$GSA.scores[-1])

## -0.44625 -0.12429 -0.04239 -0.05241 0.05558
## Max.
## 0.21225
Los p-valores obtenidos para lo que ellos llaman genes negativos

que corresponden con genes que en la clase 2 tiene expresiones meno-
res. Podemos obtenerlos con
head(et1.gsa$pvalues.lo)
## [1] 1.00 0.41 0.55 0.07 0.62 0.32
Nuestro grupo 1 no destaca. Si considerados los p-valores de grupos

positivos (en grupo 2 expresiones mayores) tenemos
head(et1.gsa$pvalues.hi)
## [1] 0.00 0.59 0.45 0.93 0.38 0.68
que para el grupo 1 vale 0 y un resumen de los demás es
summary(et1.gsa$pvalues.hi[-1])

## 0.1500 0.4500 0.5800 0.5776 0.7300 0.9700
Los valores originales ti los tenemos con
head(et1.gsa$gene.scores)
## [1] 3.485459 3.901185 3.698664 4.143949 3.555439

## [6] 3.656246
En la figura 17.3 podemos ver un diagrama de cajas que compara

el primer grupo con los demás.
fac0 = factor(c(rep(1,20),rep(2,980)),levels = 1:2,labels=c("Grupo 1","Resto"))

boxplot(et1.gsa$gene.scores ~ fac0)
4
3
En el primer grupo tenemos la mitad de los genes diferenciados

2
y la otra mitad no. En el resto de los genes no hay diferenciación.

●
●
●
●
1
De ahí la gran variabilidad del primer grupo y que se solape por la

0
parte inferior con el resto de los genes. El análisis de grupo que hemos
−1
●
●
●
●
realizado lo diferencia sin problemas.

●
Grupo 1 Resto
En la figura 17.4 tenemos los grupos de genes que se considerarían
significativos (diferenciando grupos up y down) y el valor de FDR para
Figura 17.3: Valores ti para el que los declaremos significativos en los datos et1 (ejemplo 17.1).
primer grupo (izquierda) y los
demás. El primer grupo tiene GSA.plot(et1.gsa)
diez genes claramente diferencia-
dos mientras que los demás no lo
están. De ahí la gran variabilidad Vemos cómo solamente admitimos un grupo con un valor bajo de
que muestra el grupo. FDR.
Ejemplo 17.8 (Ejemplo 17.2 con GSA) En el ejemplo 17.2 to-

● ● ● ● ●● ● ● ● ●● ●●●
●
●●●●
●●
●●● ●
dos los grupos considerados tienen el mismo comportamiento. Aun-
0.500
que todos tienen expresión diferencial, no hay un comportamiento

False discovery rate
o Negative
o Positive diferenciado del grupo respecto de los otros grupos. Los datos son
0.050
et2 mientras que los grupos los tenemos en gsc.et con nombres en
gsnames.et. Finalmente genenames.tt nos da los nombres de los
0.005
genes.
0.001
0.001 0.005 0.020 0.100 0.500 grupo = c(rep(1,25),rep(2,25))

p−value
et2.gsa = GSA(et2,grupo, genenames=genenames.et, genesets=gsc.et,
resp.type="Two class unpaired", nperms=100)
Figura 17.4: Grupos significativos
con datos et1 en función de FDR.
La figura 17.5 muestra los grupos significativos en función de la
FDR para los datos et2 (ejemplo 17.2).
● ●● ● ● ●● ●
●● ● ● ●● ●● ●
0.80
●● ●
GSA.plot(et2.gsa)
0.75
Es claro que ningún grupo se diferencia de los demás.

0.70
Ejemplo 17.9 (Datos GSE1397 y GSA) Leemos los datos.

0.65
●
● ●
● ● ●
●
0.05 0.10 0.20 0.50
data(gse1397.gsc,package="tamidata")
p−value
gsc = gse1397.gsc
Figura 17.5: Grupos significativos gruposGrandes = which(sapply(geneIds(gsc),length) > 50)
con datos et2 en función de FDR. gsc = gsc[gruposGrandes]
gse = gse1397
Realizamos el análisis. Previamente convertimos la variable tipo

que es un factor a un vector numérico con valores 1 y 2 (es como lo
pide [43, GSA].
tipo.num = as.numeric(pData(gse)[,"type"])
Utilizamos como nombre de los genes los AffyId.

17.12. GSEA: GENE SET ENRICHMENT ANALYSIS 279
gse1397.gsa = GSA(exprs(gse),tipo.num, genenames=featureNames(gse),

genesets=geneIds(gsc),resp.type="Two class unpaired", nperms=1000)
●
● ● ●●
●●●
●●●●●●
●●
● ● ●●●●
●●● ●●
●● ●●
●●
●●●
●● ●●
●●●●
●
●●●
●
●●
● ●
●
●●
●
●
●●
●●
●●●
●
●
●●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●
●
● ●
0.500
●
En la figura 17.6 podemos ver la representación de la tasa de falsos

positivos como función del p-valor.

o Negative
o Positive
0.050
GSA.plot(gse1397.gsa)
0.005
●
Fijamos una tasa de error de 0.05. Veamos qué grupos son los
0.001
que o bien con una asociación negativa o bien con asociación positiva 0.001 0.005 0.020 0.100 0.500
son los que presentan una mayor diferenciación entre los dos grupos p−value
considerados (con y sin síndrome de Down). Primero determinar los

índices de los grupos en nuestra colección. Figura 17.6: Grupos significativos
con datos gse1397.
(ind.lo = which(gse1397.gsa$pvalues.lo <.05))
## [1] 7 8 38 56 103 105 119 138 180

## [10] 220 257 262 281 351 356 418 426 438
## [19] 454 459 478 494 543 566 569 575 608
## [28] 610 613 655 684 857 910 972 1011 1012
## [37] 1146 1161
(ind.hi = which(gse1397.gsa$pvalues.hi <.05))
## [1] 2 44 45 67 69 174 177 239 263

## [10] 302 337 338 376 403 431 479 532 539
## [19] 582 589 619 635 636 680 697 712 714
## [28] 715 784 786 796 893 928 936 958 1055
## [37] 1080 1098 1102 1123 1149 1151 1162
Podemos ver sus (primeros) identificadores en Gene Ontology. Pa-

ra unos
head(names(gsc[ind.lo]))
## GO:0000002 GO:0000012 GO:0000018

## "GO:0000027" "GO:0000028" "GO:0000160"
## GO:0000019 GO:0000022 GO:0000023
## "GO:0000271" "GO:0000462" "GO:0000466"
y análogamente
head(names(gsc[ind.hi]))
## GO:0000002 GO:0000012 GO:0000018

## "GO:0000012" "GO:0000186" "GO:0000187"
## GO:0000019 GO:0000022 GO:0000023
## "GO:0000302" "GO:0000305" "GO:0001507"
Y ahora viene el trabajo del especialista para ver hasta qué punto
lo que sale tiene sentido o no.
17.12 GSEA: Gene set enrichment analy-

sis
220 220
Este método no está im-
plementado en un paquete R.
Los autores proporcionan có-
digo en R pero no en forma
de paquete. Existe un inter-
faz Java para utilizarlo fuera
La referencia básica es [134] que presenta una versión modificada

del procedimiento originalmente propuesto en [98]. Es el método más
popular para realizar un enriquecimiento (agregado). Se basa en el
221
En la sección § 25.6 se ex- uso del estadístico de Kolmogorov-Smirnov para dos muestras.221 De
plica el método. hecho, utiliza una versión modificada de este estadístico que lo hace
más sensible a la detección de interacción entre grupo de genes y
fenotipo.
Método
Empezamos ordenando el universo de genes de acuerdo al grado
de asociación gen-fenotipo utilizando algunos de los estadísticos pro-
puestos en § 17.5. Tendremos la lista de genes ordenada, L.
Entradas 1. La matriz de expresión X con N filas y n columnas.
2. Procedimiento de ordenación con objeto de producir la lista
ordenada de genes, L.
3. Un valor p
4. Un conjunto de genes S.
Cálculo del enriquecimiento 1. Calculamos medida de asocia-
ción gen-fenotipo, ti .
2. Ordenamos el universo de genes de acuerdo a las medidas
de asociación del paso 1. Denotamos los índices ordenados
con r1 . . . , rN , es decir,
tr1 ≥ . . . ≥ trN .
3. Calculamos para cada i con i = 1, . . . , N

1 ∑
hS (i) = ∑ |tj |p , (17.8)
ri ∈S |ti |p
j≤i;rj ∈S
Calculamos también
∑ 1
mS (i) = , (17.9)
N − nS
j≤i;rj ∈S
/
El valor de eS es la máxima desviación de cero de hS (i) −

mS (i), es decir,
eS = max |hS (i) − mS (i)|. (17.10)

1≤i≤N
Si elegimos S de un modo aleatorio (del universo de genes)

entonces eS tendrá un valor pequeño en relación a lo que se
observa cuando S no es aleatorio bien concentrándose en la
parte superior de la lista o en la inferior o siguiendo algún
patrón no aleatorio. Si p = 0 entonces eS es el estadístico
del test de Kolmogorov-Smirnov (ver sección § 25.6).
Estimación del p-valor 1. Consideramos una asignación aleato-
ria del fenotipo a las muestras (una permutación aleatoria
de las muestras manteniendo fijo el fenotipo), reordenamos
los genes y calculamos el valor E(S).
2. Se repite el paso anterior un gran número de veces.
17.13. ESTUDIANDO INTERACCIONES ENTRE GENES INDIVIDUALES Y GRUPOS DE GENES281
3. Si e0 es el valor de eS sobre los datos originales y e1 , . . . , eB

son los valores de eS para las asignaciones aleatorias de
fenotipo a muestras entonces el p-valor viene dado por
{
2 |{ei :eBi ≥e0 }| , for e0 > 0,
p=
2 |{ei :eBi ≤e0 }| for e0 < 0.
Contrastes múltiples Suponemos que consideramos ahora una co-

lección de conjuntos de genes de interés: S1 , . . . SK .
1. Calculamos eSk para k = 1, . . . , K.
2. Para cada Sk y 1000 permutaciones fijas πi con i = 1, . . . , 1000
(las mismas para todos los conjuntos de genes) del fenoti-
po, reordenamos los genes y calculamos el enriquecimiento
eSk ,πi .
3. Ajustamos por el tamaño variable de los conjuntos de ge-
nes. Para ello consideramos los valores
∑ eSk ,πi
ē+ = ,
|{k, i : eSk ,πi > 0}|
k,i:eSk ,πi >0
y ∑ eSk ,πi
ē− = .
|{k, i : eSk ,πi < 0}|
k,i:eSk ,πi <0
Consideramos los valores

{
e0
ē+ , si e0 > 0,
ẽ0 = e0
ē− , si e0 < 0.
y { eS
k ,πi
ē+ , si eSk ,πi > 0,
ẽSk ,πi = eSk ,πi
ē− , si eSk ,πi < 0.
4. Consideremos un valor normalizado (según método de pun-

to anterior) ẽ. Se estima la tasa de falsos positivos para ese
valor como: si ẽ > 0
|{k, i : eSk ,πi ≥ ẽ}|/|{k, i : eSk ,πi ≥ 0}|
q(ẽ) =
|{k : eSk ≥ ẽ}|/|{k : eSk ≥ 0}|
Si ẽ < 0 entonces
|{k, i : eSk ,πi ≤ ẽ}|/|{k, i : eSk ,πi ≤ 0}|
q(ẽ) =
|{k : eSk ≤ ẽ}|/|{k : eSk ≤ 0}|
17.13 Estudiando interacciones entre ge-

nes individuales y grupos de genes
Suponemos que tenemos bien definido un grupo de genes S y pre-
tendemos estudiar la posible asociación entre un gen g no incluido en
S y el grupo S. Se trata de estudiar posibles asociaciones no conoci-
das previamente entre la actividad del gen individual y la actividad
conjunta del grupo S.
En [22] consideran el caso en que las muestras están clasificadas en
dos grupos. Se propone el siguiente método. Consideramos la matriz
de datos [xij ]i∈S,j∈{1,...,n} . Se aplican una componentes principales

a esta matriz de datos y nos quedamos con la primera componente
principal. Por cada muestra tendremos la primera componente del
grupo S y la expresión del gen de interés. Se calcula el coeficiente de
correlación de los pares de valores indicados en un grupo y en otro
(trabajamos en el caso en que las muestras las clasificamos en dos
grupos y se el módulo de la diferencia de los coeficientes de correla-
ción. Obviamente un valor muy grande indica que el coeficiente de
correlación en cada uno de los grupos considerados es muy diferente
y por tanto el tipo de asociación entre el gen y el grupo de genes es
222
Indican que ha imple- distinto.222
mentado el método en el pa-
quete R GPCscore pero no se
encuentra en ningún reposi- 17.14 Un método simple pero efectivo
torio.
Es un método propuesto en [76]. Insiste mucho en este trabajo en
la innecesaria complejidad del método GSEA comentado en sección
§ 17.12. Su interés está en la detección de grupos de genes que se
asocian con el fenotipo (consideran la situación en que comparamos
dos grupos) donde algunos de los genes están sobre expresados (up-
regulated) y otros infra expresados (down-regulated).
Como siempre ti es la medida de asociación marginal gen-fenotipo
(puede ser el t-estadístico pero no necesariamente). Si consideramos el
grupo de genes S con nS elementos. Asumiendo (lo que no es cierto)
que los distintos ti son valores observados de variables independien-
tes y con varianza igual a 1, entonces aproximadamente (aplicando
teorema central del límite) se tiene que
√
E (1) = nS t̄S ∼ N (0, 1), (17.11)
∑
siendo t̄S = i∈S ti /nS . Aunque no hay mayores justificaciones de
esta distribución aproximada los autores indican que, sobre los datos,
es asumible.4 Utilizando esta distribución podemos tener fácilmente
p-valores que no están basados en la distribución de permutación sino
en la distribución normal estándar.
El estadístico considerado en 17.11 detecta cambios en la media
pero no cambios de escala. Si un grupo de genes tiene la mitad que
están sobre expresados y la otra mitad infra expresados entonces no
detectaríamos cambios en la media pero la variabilidad de los valo-
res ti sí que se modificaría claramente. Proponen utilizar el siguiente
estadístico con la siguiente distribución aproximada (con nS ≥ 20
proponen los autores)
∑
(ti − t̄S )2 − (nS − 1)
E = i∈S √
(2)
∼ N (0, 1) (17.12)
2(nS − 1)
5
Tendremos un p-valor asociado a cada grupo de genes. Una vez tene-
mos todos los grupos tenemos un problema de comparaciones múlti-
ples que resolvemos utilizando lo visto en el capítulo § 8. En particular,
los autores utilizan los q-valores de Storey. Esencialmente el trabajo
4 Si
la cosa funciona: ¿por qué no?
5 Bajo
la hipótesis de que los ti son independientes, con una distribución común
con varianza unitaria entonces el estadístico tiene una distribución aproximada-
mente normal estándar. En el trabajo original dividen por 2(nS − 1) y no la raiz
cuadrada. Entiendo que debe ser una errata.
17.15. UN MÉTODO BASADO EN POBLACIONES FINITAS 283
se centra mucho en la comparación con el método GSEA destacan-

do su simplicidad frente al otro y que los resultados obtenidos son
esencialmente los mismos. Algunos comentarios propios (discutibles):
1. En mi opinión hay un uso de resultados asintóticos que no siem-

pre son asumibles.
2. En cualquier caso, el tamaño de los grupos de genes ha de ser

suficientemente grande para que se verifiquen.
3. Es una buena opción a probar.
17.15 Un método basado en poblaciones

finitas
Veamos el método propuesto en [106]. Consideremos el conjunto
de genes S con m genes.6 Tenemos ti la medida de asociación gen-
fenotipo para el i-ésimo gen. Consideremos la media muestral como
estadístico de enriquecimiento dado por
∑ ti
t̄S = .
nS
i∈S
En el resto de aproximaciones lo que se considera aleatorio es la me-

dida de asociación ti y fijo el conjunto de genes S. En este trabajo se
adopta otro punto de vista. Tenemos G = {1, . . . , N } un universo de
genes y nuestro conjunto de genes S es un subconjunto aleatorio de G.
Por tanto nos planteamos cuál es la distribución de probabilidad de
t̄S cuando S es un subconjunto aleatorio de tamaño nS de G o, dicho
de otro modo, extraemos al azar y sin reemplazamiento nS genes del
total de N que componen nuestro universo. Los autores llaman a esta
distribucion de probabilidad el modelo de conjunto aleatorio (random-
set model). Notemos que se plantea la distribución de probabilidad de
t̄S condicionada a los valores ti . Este es el punto básico, los ti es-
tán dados y no se consideran aleatorios sino fijos, dados previamente.
Utilizando resultados de muestreo en poblaciones finitas se tiene que
la media de t̄S es
∑ ti
µ = E(t̄S ) = , (17.13)
N
i∈G
es decir, la media de todos los ti observados sobre todo el universo de

genes. La varianza es
[ ( ∑ )2 ]
1 N − m ∑ t2i ti
σ 2 = var(t̄S ) = − . (17.14)
m N −1 N N
i∈G i∈G
En este procedimiento no recurrimos a ninguna distribución de alea-

torización del estadístico. Estamos utilizando una distribución asin-
tótica en el sentido en que se asume un tamaño de S suficientemente
grande para que (aplicando el teorema central del límite) podamos
considerar que t̄S tiene una distribución aproximadamente normal.
6 Estamos denotando el cardinal de S por n . Aquí denotamos por m porque
S
queremos destacar que es un número fijo y dado una vez tenemos el grupo de
genes S.
Como estadístico de enriquecimiento utilizan la versión estandarizada

de t̄S , es decir, utilizan
t̄S − µ
Z= (17.15)
σ
con µ y σ dados en las ecuaciones 17.13 y 17.14. Bajo la hipótesis nula
de que no hay ningún gen diferencialmente expresado en el conjunto de
genes S entonces Z tiene aproximadamente una distribución normal
estándar.
Z ∼ N (0, 1). (17.16)
17.16 Análisis de grupos de genes por mues-

tra
223 223
Single sample gene set
analysis ¿Qué es lo que se pretende en este tipo de procedimientos? Par-
tiendo de una matriz de expresión y una colección de grupos de genes
se obtiene una cuantificación para cada muestra y grupo de ge-
nes de lo diferente que es la expresión en esa muestra del grupo de
genes considerado respecto del resto de grupos de genes. De alguna
forma lo que estamos atendiendo es a la hipótesis competitiva pero
para cada muestra. Pasamos a otra matriz en la que en filas tenemos
los grupos de genes considerados mientras que el número de muestras
se conserva. Trasladamos el problema de expresión diferencial a nivel
224
Expresión diferencial de gen224 a un problema de expresión diferencial a nivel de grupos de
marginal en este texto. genes. Y el valor que asociamos a cada grupo cuantifica lo diferente
que es, en la muestra considerada, la expresión de los genes del grupo
de la expresión de los genes que no pertenecen a este grupo.
Con esta nueva matriz podemos aplicar análisis de expresión dife-
rencial donde en lugar de genes trabajamos con un grupo de genes. De
hecho, con una colección de grupos de genes. Esto, obviamente, no tie-
ne ninguna importancia desde el punto de vista estadístico. Podemos
225
El adjetivo marginal aho- aplicar todo lo visto para expresión diferencial marginal.225
ra se refiere a grupos de ge-
nes.
17.16.1 GSVA
Este método fue propuesto en [69] y está implementado en el pa-
quete [66, GSVA].
Suponemos x = [xij ]i=1,...,N ;j=1,...,N la matriz de expresión obte-
nida después de normalización previa. Tenemos los grupos de genes
{S1 . . . , SK } entendidos como subconjuntos de las filas de x (Sk ⊂
{1, . . . , N }. El perfil de expresión del gen (en fila) i será xi = (xi1 , . . . , xin ).
El método trabaja con datos de expresión de microarrays (log2 ) o bien
con los conteos en datos de RNA-seq.
Estimación kernel de las funciones de distribución Utilizando

el perfil de expresión xi proponen realizar una estimación ker-
nel de la función de distribución. Para datos continuos (micro-
arrays) utilizan
∫ xij −xik
1∑
n
hi 1 t2
F̂hi (xij ) = √ e− 2 dt. (17.17)
n −∞ 2π
k=1
17.17. OTROS PAQUETES Y BIBLIOGRAFÍA COMPLEMENTARIA285
si
El ancho de banda hi lo fijan en hi = 4 siendo si la desviación
estándar de xi .
Para datos de conteo (RNA-seq) utilizan un kernel de Poisson.
En concreto el estimador kernel de la función de distribución
propuesto es
1 ∑ ∑ −(xik +r xik + r
n xij
F̂r (xij ) = e , (17.18)
n y=0
y!
k=1
tomando r = 0.5 para hacer que la moda del kernel Poisson

coincida con la propia observación. Denotamos por zij el valor
F̂hi (xij ) o F̂r (xij ) dependiendo de que trabajemos con micro-
arrays o con conteos.
Órdenes simétricos Para cada muestra j ordenamos los datos zij

con j constante. Los órdenes (no los valores ordenados) los de-
notamos por rij , esto es, zr1 ,j ≤ . . . ≤ zrN ,j . Finalmente los
valores rij son a su vez transformados con el fin de conseguir
que sean simétrico alrededor del origen. En concreto tomamos:
r̃ij = | N2 − rij |.
Agregación de puntuaciones por muestra Fijamos j (una mues-

tra dada) y un grupo de genes Sk . y se define el estadístico
∑s ∑s
i=1 |r̃ij | 1Sk (rij )
τ 1S c (rij )
νjk (s) = ∑N − i=1 k , (17.19)
i=1 |r̃ij | 1Sk (rij )
τ N − |Sk |
donde 1Sk (rij ) = 1 si rij ∈ Sk y 0 en otro caso. Skc es el comple-

mentario de Sk y |Sk | el cardinal de Sk .
El valor calculado depende del grupo de genes Sk y de la muestra
j.
Resumen En el apartado anterior tenemos una función de s que

hemos de resumir. La primera propuesta es tomar
max
Ejk = νjk (s∗). (17.20)
con
νjk (s∗) = max{νjk (s) : s = 1, . . . , N }. (17.21)
Una segunda opción para resumir es considerar
dif f
Ejk = max {0, νjk (s)} − min {0, νjk (s)}. (17.22)
s=1,...,N s=1,...,N
Los autores proponen los estadísticos en 17.20 y 17.22.
17.17 Otros paquetes y bibliografía com-

plementaria
Un estudio comparativo de distintos métodos de análisis de grupos
de genes aparece en [87].
No hemos utilizado en este tema pero son de interés los paquetes
[5, topGO] y [48, PGSEA].
La bibliografía sobre este tema es (muy) grande. Como ejemplo,

podemos citar como bibliografía complementaria [123, 139, 32, 164,
93, 154, 96, 155, 104, 161, 37, 51].
Una revisión sobre distintos procedimientos para análisis de expre-
sión diferencial basada en conjuntos con datos de RNASeq lo tenemos
en [115].
Capítulo 18
Enriquecimiento de
grafos
En § 16 y § 17 se ha estudiado la expresión diferencial de grupos de

genes en una aproximación que tiene dos pasos. Un primer paso que
realiza un análisis de expresión diferencial marginal (o gen a gen).
Una vez tenemos este grupo pasamos a un segundo paso en el que
enriquecemos la señal que cada uno de los genes nos proporciona. No
se ha utilizado el conocimiento previo que podemos tener sobre la
interacción de los distintos genes. Por ejemplo, su pertenencia a una
determinada ruta de señalización. Los genes se han tratado como un
conjunto226 sin considerar relaciones (interacciones) entre ellos que se 226 En el sentido matemático
suelen modelizar utilizando grafos o redes. De esto va este capítulo. De de la expresión.
la incorporación de esta información a la hora de estudiar expresión
diferencial quizás no de grupos de genes sino de rutas de señalización o
sistemas biológicos en los que estos genes intervienen. En la literatura
a este problema se le denomina de distintas formas: gene network
enrichment analysis, graph-structured test.
Referencias de interés son [87]
Algunas bases de datos en donde tenemos grafos de interacciones
entre genes son:
YeastNet http://www.inetbio.org/yeastnet/227 227

Probabilistic Functional
Gene Network of Saccha-
FunCoup http://funcoup.sbc.su.se/. romyces cerevisiae.
18.1 Grafos
Un grafo no es más que una colección de vértices y aristas. Siendo
un poco más formales el grafo G sería el par G = (V, E) donde V es el
conjunto de vértices mientras que E es el conjunto de aristas. Podemos
denotar G = {1, . . . , N }. Una arista será un par (i, j). Podemos tener
grafos dirigidos, no dirigidos o mixtos.
Los vértices del grafo corresponden con genes (proteínas, grupos
de genes).
Una arista dirigida indica que el gen en el vértice origen regula al
gen en el vértice destino de la arista.
287
288 CAPÍTULO 18. ENRIQUECIMIENTO DE GRAFOS
18.2 NEAT
En esta sección consideramos el procedimiento propuesto en [125]
e implementado en [126, neat]. Consideramos un grafo cuyos vértices
corresponden con genes.
Tenemos un grafo dado describiendo las interacciones entre genes
y pretendemos si existe algún tipo de asociación (sobre o infra aso-
ciación) entre un par de grupos de genes, A y B. El grupo A podría
corresponder a un grupo diferencialmente expresado (obtenido por
ejemplo mediante un análisis de expresión diferencial marginal). El
conjunto B puede corresponder a un grupo previamente definido en
Gene Ontology o en KEGG.
Supongamos en un primer momento un grafo dirigido. Denotamos:
oA El número de aristas salientes de algún vértice de A.
iA El número de aristas entrantes a algún vértice de A.
nAB El número de aristas que salen de un vértice de A y llegan a

algún vértice de B.
Los autores consideran el siguiente modelo. En ausencia de relación

entre los dos grupos de genes tendríamos una urna con iV bolas (aris-
tas que llegan a algún vértice en el grafo). De ellas consideramos como
bolas rojas las que llegan a un vértice de B y negras todas las demás.
Por tanto en la urna tenemos iB bolas rojas e iV −iB bolas negras. Ex-
traemos al azar oA bolas de la urna. Suponiendo que ninguna de estas
aristas tienen una mayor probabilidad de llegar a otro vértice que no
sea de B entonces el vértice al que llegan podemos considerar que será
una extracción aleatoria de la urna considerada. Sea NAB la variable
aleatoria que nos da el total de bolas rojas que obtenemos en las oA
bolas extraídas. En otras palabras, NAB cuenta cuántas de las aristas
que salen de A llegan a B. Bajo la hipótesis nula de que no hay asocia-
ción entre ambos conjuntos de genes este número sería una extracción
aleatoria del total de aristas y seguiría una distribución hipergeomé-
trica con oA extracciones iB e iV − iB bolas negras. Esta sería la
distribución nula si no hay asociación de ningún tipo entre A y B. La
media de la hipergeométrica es oA iiVB . En [125] se propone contrastar
la hipótesis de que la media real de la variable aleatoria NAB es oA iiVB ,
es decir, contrastar H0 : ENAB = oA iiVB frente a H1 : ENAB ̸= oA iiVB .
Teniendo en cuenta que NAB tiene una distribución discreta el p-valor
sería p = 2 min{P (NAB < nAB ), P (NAB > nAB )} + P (NAB = nAB ).
Consideremos el caso de un grafo no dirigido. Sea dA la suma de
las aristas que indicen con cualquier vértice de A. Ahora NAB (res-
pectivamente nAB ) sería el valor aleatorio (observado) de aristas que
unen un vértice de A con algún vértice de B. Bajo la hipótesis nula
de no asociación entonces NAB tiene una distribución nula hipérgeo-
métrica con dA extracciones, dB bolas rojas y dV − dB negras. Por los
demás todo es igual.
Cuando tengamos un grafo mixto lo que se hace es las aristas
no dirigidas considerarlas como dos aristas dirigidas uniendo los dos
vértices en los dos sentidos posibles.
18.3. DEGRAPH 289
18.3 DEGraph
El procedimiento fue propuesto en [78] y está implementado en el
paquete [77, DEGraph].
Método
Se trata de proponer tests multivariantes para estudiar expresión
diferencial (básicamente, cambios en el vector de medias) y que sean
coherentes con una estructura de grafo dada.
Consideremos un grafo con p genes. Este grafo es G = (V, E) donde
V es el conjunto de vértices mientras que E es el conjunto de aristas.
Consideramos el vector δ ∈ Rp que nos indicará la diferencia en la
expresión media entre dos condiciones.
Sea EG una función de energía definida sobre el grafo. ¿Cómo
definirla? Veamos distintas posibilidades. Por ejemplo, consideremos
la laplaciana del grafo L Si G es un grafo no dirigido con matriz de
adjacencia A228 y matriz de grados de incidencia D = diag(A1p )229 . 228
A = [aij ]i,j=1,...,p donde
El elemento i-ésimo de la diagonal de D, Dii = di es el grado de aij = 1 si (i, j) ∈ E y cero en
incidencia del vértice i. Se define la matriz laplaciana de G como otro caso.
L = D−A y su versión normalizada como Lnorm = I −D−1/2 AD−1/2 . 229
diag(x denota la matriz
Supongamos que consideramos la función de energía definida sobre diagonal con el vector x en
un vector δ ∈ Rd como la diagonal y 1p es el vector
p × 1 con el valor 1 en cada
EG (δ) = δ ′ QG δ, (18.1) posición.
donde QG es L entonces
∑
EG (δ) = (δi − δj )2 (18.2)
i,j∈V
mientras que si utilizamos la versión normalizada tendremos
∑ ( δi δ
)2
EG (δ) = √ − √j (18.3)
i,j∈V
di dj
De un modo genérico, si consideremos una matriz semidefinida po-

sitiva QG entonces podemos considerar su descomposición en valores
singulares
QG = U ΛU ′ , (18.4)
siendo U una matriz ortogonal, Λ = diag(λ1 , . . . , λp ) los valores pro-
pios correspondientes a los vectores propios que forman las columnas
de U .
Pretendemos reducir la dimensión del vector δ a un espacio de
dimensión k mucho menor que p de forma que se tengan las funciones
de menor energía. De un modo preciso, pretendemos encontrar los
vectores ui ∈ Rp con i ≤ k tales que
ui = argminv∈Rp EG (v), (18.5)
y cada ui es ortogonal a todos los anteriores uj con j < i. Estos

vectores corresponden a los vectores propios asociados a los k valores
propios más pequeños.230 230
Vemos que estamos utili-
Se consideran grafos dirigidos G = (V, E) donde el conjunto de zando los mismos resultados
aristas E es un par ordenado de vértices. La matriz de adyacencia A que en componentes princi-
pales § 13.
puede no ser simétrica y aij ̸= 0 si y solamente si (i, j) ∈ E o, de otro

modo, una arista va del vértice vi al vértice vj . Se utiliza la función
de energía
∑ ( )2
1 ∑
p
EG (δ) = δi − − aij δj , (18.6)
−
di (j,i)∈E
i:di ̸=0
∑p
donde d−
i = j=1 |aji |. Se comprueba que
EG (δ) = δ ′ MG δ, (18.7)
−1 ′ ′ ˜ −1 ′
siendo MG = (I˜ − D− A ) (I − D− A ), D− = diag(d− −
1 , . . . , dp ) y
− −
231
El elemento I˜ es no nulo I˜ = diag(I(d1 ̸= 0), . . . , I(dp ̸= 0)) 231
Una vez tenemos esta forma
si d−
i ̸
= 0 y nulo en otro caso. cuadrática podemos hacer su descomposición en valores singulares,
MG = U ′ ΛU . En lo que sigue si x ∈ Rp entonces se denota x̃ = U ′ x.
El procedimiento propuesto consiste en lo siguiente: en lugar de
trabajar con los datos originales x se trabaja con las primeras k co-
lumnas de la matriz U correspondientes a los k vectores propios cuyos
valores propios son los k menores. Y se aplica sobre estos datos redu-
232
https://en.wikipedia. cidos un test de la T 2 de Hotelling.232 Varios comentarios son impor-
org/wiki/Hotelling's_ tantes. Obviamente no podemos aplicar el test de la T 2 de Hotelling
T-squared_distribution. por un problema de dimensión. Los autores muestran además la ga-
nancia de potencia en el test de comparación aplicando esta reducción
de dimensión. ¿Cómo queda el procedimiento? Denotamos:
1. x̄i con i = 1, 2 los vectores de medias en ambas condiciones.
233
Pooled estimator. 2. S la matriz de covarianzas estimada conjuntamente233
Si aplicáramos el test de T 2 de Hotelling entonces el estadístico del
contraste sería
n1 n2
T2 = (x̄1 − x̄2 )′ S −1 (x̄1 − x̄2 ). (18.8)
n1 + n2
Si en lugar de trabajar en la base original transformamos a una base
ortonormal formada por las columnas de U entonces el estadístico no
cambiaría. Si denotamos el estadístico en la nueva base T̃ 2 se tiene
que
n1 n2
T 2 = T̃ 2 = (x̄1 − x̄2 )′ U (U ′ SU )−1 U ′ (x̄1 − x̄2 ). (18.9)
n1 + n2
Realmente no se trabaja con la nueva base completa sino con k com-
ponentes (k ≤ p). Denotamos por U[k] la matriz formada por las
primeras k componentes de U (correspondientes a los k menores valo-
res propios) y por I[k] una matriz con todo ceros salvo los k primeros
elementos de la diagonal principal iguales a uno. Considerando la pro-
yección sobre el espacio generado por las primeras k componentes el
estadístico de Hotelling en el nuevo espacio sería
n1 n2
T̃k2 = (x̄1 − x̄2 )′ U[k] (U[k]
′
SU[k] )−1 U[k]′
(x̄1 − x̄2 ) =
n1 + n2
n1 n2
(x̄1 − x̄2 )′ U I[k] U ′ (U I[k] U ′ SU I[k] U ′ )+ U I[k] U ′ (x̄1 − x̄2 ).
n1 + n2
(18.10)
donde A+ es la inversa generalizada de la matriz A. El estadístico

dado en 18.10 es el utilizado en el contraste.
18.3. DEGRAPH 291
Ejemplo
library(DEGraph)
Parte VI
Agregación
293
Capítulo 19
Listas de características
ordenadas
234 234
Este capítulo está basa-
En temas anteriores hemos visto cómo cuando realizamos un aná- do fundamentalmente en [20]
lisis de cada característica marginalmente obtenemos un estadístico y su implementación en el
y un p-valor asociado. Por ejemplo, en la situación más simple de paquete [128, GeneSelector].
comparación de dos grupos de muestras (dos condiciones) podemos De hecho, no es más que un
utilizar un t-test (bilateral). De hecho ordenamos las características resumen. Una buena referen-
según el módulo del estadístico es mayor o bien si el p-valor es más cia es [33].
pequeño. Ambos criterios producen la misma ordenación.235 235
Si es con el estadístico or-
En lo anterior estas listas las hemos usado sólamente a fin de de- denamos de mayor a menor
terminar en qué posición cortar de modo que por encima del punto y si es con el p-valor la or-
de corte declaramos que un test es significativo y por debajo que no denación se hace de menor a
lo es. ¿Este es el único uso que podemos realizar de esta ordenación? mayor.
No, claro. Supongamos que obtenemos 1000 características significa-
tivas con un FDR de 0.05. ¿De qué nos sirve? ¿El investigador va a
seguir estudiando cada uno de estos genes? No es probable que tenga
dinero para ello.236 Lo más probable es que elija seguir estudiando 236
Bueno, a lo mejor en
aquellos genes que aparecen en la parte superior de la lista que hemos Estados Unidos o Alemania.
construido. Por tanto, la posición en la lista tiene gran importancia. Eso dicen.
¿Cómo de estable es la ordenación que hemos obtenido? Cuando
se habla de estable hay que definir frente a qué se pretende estabili-
dad. Una primera fuente de variabilidad a la hora de obtener la lista
es utilizar distintos estadísticos (y por lo tanto distintos p-valores)
cuando contrastamos la expresión diferencial marginal. Por tanto, es-
tabilidad frente al procedimiento estadístico utilizado. Dentro de este
apartado se puede incluir el hecho que los datos hay que preprocesar-
los (correcciones de fondo, normalización y resumen en microarrays
por ejemplo) y no hay, por supuesto, un único método.
Una segunda fuente de variabilidad son modificaciones en los datos
que manejamos, pequeñas modificaciones de los mismos no debieran
afectar (demasiado) a la lista obtenida.
En consecuencia, la lista ordenada es variable y hemos de cuantifi-
car la estabilidad de la ordenación. Esto se trata en § 19.1. Un segundo
aspecto es cómo agregar distintas listas con objeto de obtener una lista
agregada más estable, más fiable. Lo vemos en § 19.2.
295
296CAPÍTULO 19. LISTAS DE CARACTERÍSTICAS ORDENADAS
19.1 Estabilidad de la lista ordenada

Tenemos la matriz de expresión x = [xij ]i=1,...,N ;j=1,...,n y el vector
que describe las muestras y = (y1 , . . . , yn )′ . Una lista ordenada es una
permutación de (1, . . . , N ) que podemos denotar π(i). El gen i ocupa
la posición π(i) en la lista ordenada. Podemos también denotar por
(r1 , . . . , rN ) la lista ordenada de modo que
rj = i ⇐⇒ π(i) = j.
Por ejemplo, si π(1898) = 1 significa que el gen cuyo perfil de ex-

presión está en la fila 1989 está en la primera posición de la lista
ordenada. Tendremos también que r1 = 1989. No vamos a considerar
ordenaciones con empates. Normalmente se suele mostrar la lista de
237
Top-k list. los k primeros genes en la lista237 donde k suele ser 20 o 50.
19.1.1 Diferentes criterios de ordenación

Si nos centramos en el caso de dos grupos tenemos muchísimos
procedimientos que nos permiten cuantificar la asociación entre la
expresión del gen y el fenotipo.
Cargamos el paquete [128, GeneSelector].
library(GeneSelector)
library(tamidata)
data(gse1397)
x = exprs(gse1397)
y = pData(gse1397)[,"type"]
Obtengamos distintos estadísticos. Empezamos con el fold-change
fc = RankingFC(x,y)
Calculamos los t-estadísticos.
tstat = RankingTstat(x,y)
Los t-estadísticos moderados utilizando el modelo limma [129]
limma = RankingLimma(x,y,proportion=0.01)
Los t-estadísticos de Fox-Dimmic [47].
foxdimmic = RankingFoxDimmic(x,y,m=100)
238
Shrinkage t-statistic. El t-estadístico de contracción238 con
shrinkt = RankingShrinkageT(x,y)
Nos fijamos para comentar en detalle en una de estas ordenaciones.

Veamos qué nos han devuelto.
19.1. ESTABILIDAD DE LA LISTA ORDENADA 297
class(tstat)
## [1] "GeneRanking"
## attr(,"package")
## [1] "GeneSelector"
Que tiene los siguientes slots.
getSlots("GeneRanking")
## x y statistic ranking
## "matrix" "factor" "numeric" "numeric"
## pval type method
## "vector" "character" "character"
Por ejemplo, en tstat@x tenemos la matriz de expresión y tstat@y

nos proporciona la variable fenotípica que en este caso simplemente
nos da el grupo al que pertenece la muestra (en código numérico.
tstat@y
## [1] 1 1 1 1 1 1 1 2 2 2 2 2 2 2
## Levels: 1 2
La lista la tenemos en tstat@ranking. Veamos los primeros.
head(tstat@ranking)
## 1007_s_at 1053_at 117_at 121_at 1255_g_at

## 12194 12433 2870 8757 15880
## 1294_at
## 234
Nos indica la posición en la matriz de expresión y también tiene

como etiqueta el identificador Affy (AffyID). También podemos ver
los t-estadísticos y los correspondientes p-valores
head(tstat@statistic)
## 1007_s_at 1053_at 117_at 121_at

## -0.6183648 0.6022344 1.5635785 -0.8738516
## 1255_g_at 1294_at
## 0.3815208 2.9096918
head(tstat@pval)
## 1007_s_at 1053_at 117_at 121_at

## 0.54789263 0.55822637 0.14389203 0.39934953
## 1255_g_at 1294_at
## 0.70948639 0.01308856
y recuperar la información sobre el test que hemos utilizado que

en este caso es un t-test para muestras independientes.
tstat@type
## [1] "unpaired"
tstat@method
## [1] "ordinaryT"
La función GeneSelector::toplist nos proporciona un resumen útil

con la lista en la primera columna, el estadístico en la segunda y el
p-valor en la tercera. Podemos ver las 10 primeras posiciones con
toplist(tstat,top=10)
## index statistic pval

## 1 346 -10.517552 2.070655e-07
## 2 1170 -10.344123 2.481752e-07
## 3 1853 -8.762265 1.463473e-06
## 4 6303 7.648232 5.939862e-06
## 5 7889 -7.190209 1.101446e-05
## 6 10450 6.365838 3.579137e-05
## 7 10132 -6.020134 6.027785e-05
## 8 17751 -6.013987 6.084819e-05
## 9 16324 -5.798600 8.491862e-05
## 10 12401 5.637777 1.093774e-04
Hasta ahora hemos descrito los resultados utilizando el t-test. He-

mos utilizado otros tres. Mostremos de un modo conjunto los resulta-
dos.
fc.top = toplist(fc,top=10,show=FALSE)
tstat.top = toplist(tstat,top=10,show=FALSE)
limma.top = toplist(limma,top=10,show=FALSE)
foxdimmic.top = toplist(foxdimmic,top=10,show=FALSE)
shrinkt.top = toplist(shrinkt,top=10,show=FALSE)
global.top = cbind(fc.top[,"index"],tstat.top[,"index"],limma.top[,"index"],
foxdimmic.top[,"index"],shrinkt.top[,"index"])
colnames(global.top) = c("fc","tstat","limma","foxdimmic","shrinkt")
Y obtenemos.
global.top
## fc tstat limma foxdimmic shrinkt

## [1,] 9149 346 346 6303 346
## [2,] 11148 1170 1170 6468 1170
## [3,] 4375 1853 1853 328 1853
## [4,] 8951 6303 6303 651 6303
## [5,] 888 7889 7889 8566 10132
## [6,] 3946 10450 10132 9149 17751
## [7,] 11145 10132 17751 11148 16324
## [8,] 11150 17751 16324 9620 14969
## [9,] 11573 16324 14969 5817 650
## [10,] 11659 12401 9555 966 2277
¿Tenemos genes que aparecen en las cinco listas consideradas? Po-

demos observar que no hay ninguno. La función GeneSelector::GeneSelector
nos hace el trabajo de comprobar si hay genes presentes en la parte
superior según todos los criterios.
lista = list(fc,tstat,limma,foxdimmic,shrinkt)
genesel = GeneSelector(lista,maxrank=10)
show(genesel)
## GeneSelector run with gene rankings from the following statistics:

## Foldchange
## ordinaryT
## Limma
## FoxDimmicT
## ShrinkageT
## Number of genes below threshold rank 10 in all statistics:0
Sin embargo, excluyendo el primer criterio (que no es precisamente

el mejor) obtenemos un resultado distinto.
listareducida = list(tstat,limma,foxdimmic,shrinkt)
genesel = GeneSelector(listareducida,maxrank=10)
show(genesel)

## ordinaryT
## Limma
## FoxDimmicT
## ShrinkageT
Podemos ver qué gen es.
which(slot(genesel,"selected") == 1)
## [1] 6303
Repitiendo para los 50 primeros de la lista reducida.
genesel = GeneSelector(listareducida,maxrank=50)
show(genesel)

## ordinaryT
## Limma
## FoxDimmicT
## ShrinkageT
Y son los siguientes.
which(slot(genesel,"selected") == 1)
## [1] 651 6303

Y una tentación a evitar. Cuando un investigador ha invertido

tiempo y dinero (y necesita publicar desesperadamente) necesita ob-
tener resultados “significativos”. Posiblemente tenía la hipótesis de
que algún o algunos genes debieran de estar en la parte superior de
la lista. La cosa es fácil. ¿Por qué no elegir estadísticos que lo hagan
entre los disponibles o incluso proponiendo uno nuevo? En definiti-
va elegir los criterios utilizando información previa (a veces, sin mala
intención). Obviamente esto sesga los resultados o simplemente los
239
Y el comentario es váli- invalida.239
do para muchos otros proce-
dimientos estadísticos. Siem- 19.1.2 Estabilidad frente a cambios en los datos
pre hay un evidente sesgo ha-
cia la publicación de los re- ¿Qué ocurre con nuestra lista si quitamos alguna muestra?240 ¿O
sultados significativos igno- si cambian un poco los valores? En definitiva, esperamos que pequeñas
rando los que no lo son. modificaciones en los datos no alteren en demasía nuestra ordenación
240
De las pocas que habi- de las características.
tualmente tendremos. Veamos diferentes opciones para modificar los datos que lleva im-
plementados [128, GeneSelector].
La primera opción puede ser elegir un número de muestras k (< n
el número total de muestras) y quitarlas de nuestros datos. ( ) El nú-
241
Que nos da el número de mero total de posibilidades será el número combinatorio nk .241 Este
subconjuntos distintos de ta- procedimiento es conocido como Jackknife . Un caso particular sería
maño k que podemos formar cuando k = 1 y vamos dejando una muestra fuera cada vez. Sería el
con un total de n elementos. procedimiento leaving-one-out
( ) . Cuando aplicamos este procedimiento
podemos considerar las nk o bien una muestra elegida al azar si son
muchas.
Una segunda opción es utilizar un método bootstrap. En este caso
lo que hacemos es elegir de las n muestras disponibles un total de n
muestras con reeemplazamiento. Obviamente alguna de las muestras
242
El método bootstrap conse puede repetir.242
siste en muestrear sobre los Una tercera opción puede ser añadir ruido aleatorio a los propios
propios datos. O dicho de un datos de expresión. En microarrays podemos añadir ruido normal con
modo más técnico muestrear media nula y un valor pequeño de la varianza que tiene que tener en
de la distribución empírica cuenta el orden de los datos.243
de las muestras. Una cuarta opción es modificar la covariable y. Supongamos que
243
Lo que se conoce como tenemos un factor experimental (un número finito de grupos) y lo
ruido blanco. que hacemos es cambiar la etiqueta que identifica el grupo sobre una
pequeña cantidad de muestras. En resumen cambiamos el grupo de
un pequeño grupo de muestras.
Fijamos la semilla del generador para obtener los mismos resulta-
dos.
set.seed(1979)
Aplicamos jackknife con dejando fuera cada vez una de las mues-
244
En definitiva, un leaving- tras originales. 244 Observemos que se impone una restricción a esto
one-out. y es que cada clase ha de tener un tamaño de, al menos, 6 muestras.
leave1out = GenerateFoldMatrix(y = as.numeric(y), replicates = 50,

k = 1,minclassize=6)
show(leave1out)
## number of removed samples per replicate: 1

## number of replicates: 14
## constraints: minimum classize for each class: 6
Y la salida la podemos pasar a la función GeneSelector::RepeatRanking.
leave1out.tstat = RepeatRanking(tstat,leave1out,scheme="subsampling")
Un dibujo de interés es comparar para cada gen su posición original

y las que tiene con los nuevos datos perturbados o modificados. Es la
figura ??.
png(paste0(dirTamiFigures,"ListasOrdenadas25.png"))
plot(leave1out.tstat)
dev.off()
También podemos modificar los datos de modo que vamos cam-

biando la etiqueta de una muestra cada vez.245
change1.tstat = RepeatRanking(tstat,leave1out,scheme="labelexchange")
También generamos muestras bootstrap imponiendo la misma res- 245 Lo que significa que asig-
tricción sobre el tamaño de cada clase. namos esa muestra al otro
grupo.
boot = GenerateBootMatrix(y = as.numeric(y), replicates = 50,
maxties = 3,minclassize=6)
boot.tstat = RepeatRanking(tstat,boot)
Podemos añadir ruido a las intensidades observadas.
noise.tstat = RepeatRanking(tstat, varlist=list(genewise=TRUE, factor=1/10))
Fijémonos ahora a los resultados obtenidos con las muestras gene-

radas mediante bootstrap.246 246
Resultados no mostrados.
toplist(boot.tstat,show = FALSE)
Vemos que nos muestra la tabla original con los diez primeros
genes, el t-estadístico y el p-valor. La siguiente tabla de frecuencias
muestras los genes que han aparecido al menos una vez entre los 10
primeros y la frecuencia de veces que aparece en cada una de las 10
primeras posiciones.
En la figura 19.1 mostramos las ordenaciones originales en abscisas
frente a las observadas cuando modificamos los datos según los dis-
tintos procedimientos. Es más que evidente la tremenda variabilidad
que obtenemos en las ordenaciones.
par(mfrow=c(2,2))
plot(leave1out.tstat, col="blue",
pch=".", cex=2.5, main = "jackknife")
plot(change1.tstat, col="blue",
pch=".", cex=2.5, main = "intercambio etiqueta")
plot(boot.tstat, col="blue",
pch=".", cex=2.5, main = "bootstrap")
plot(noise.tstat, frac=1/10,
col="blue", pch=".", cex=2.5, main = "ruido")
jackknife intercambio etiqueta

Ranks in perturbed datasets

400
400
200
200
0
0 50 150 0 50 150
Rank in the original dataset Rank in the original dataset
bootstrap ruido

400
2000
200
0
0 50 150 0 500 1500
Rank in the original dataset Rank in the original dataset
Figura 19.1: Orden original frente a los obtenidos modificando los datos.
19.2. AGREGACIÓN DE LISTAS 303
19.2 Agregación de listas

Hemos obtenido cinco listas distintas correspondientes a distin-
tos estadísticos. Vamos a plantearnos la obtención de una sola lista
que las agregue. Lo primero247 es construir un heatmap. Los datos 247
Porque es bonito aunque
a clasificar son las distintas ordenaciones. Se realiza una doble clasi- tengo mis serias dudas de que
ficación jerárquica con la distancias euclídea248 y el enlace completo sirva para mucho.
como disimilaridad entre grupos.249 248
Notemos que son órdenes
En la figura 19.2 tenemos el dibujo. Se aprecia cómo el criterio del y no está demasiada justifi-
fold change produce una lista claramente distinta a las demás. Tam- cada esta elección.
bién es claro que el t-estadístico y el t-estadístico modera de Limma 249
§ 14.
producen ordenaciones similares. En cuanto a los genes se necesita un
estudio mucho más profundo para concluir algo.250 250
El dibujo es bonito y por
eso lo he puesto.
merged = MergeMethods(lista)
merged = MergeMethods(lista)
HeatmapRankings(merged) HeatmapRankings(merged)
Hemos de agregar las ordenaciones. La opción más básica sería Figura 19.2: Heatmap para las or-
promediar, por gen, los órdenes obtenidos. denaciones obtenidas con distin-
tos estadísticos.
AggMean = AggregateSimple(merged, measure = "mean")

Parte VII
Probabilidad y
Estadística
305
Capítulo 20
Estadística descriptiva
20.1 Datos
Vamos a trabajar con datos de expresión obtenidos mediante mi-
croarrays para un gen determinado. Tomamos los datos en la fila 3109
de tamidata:gse44456.
library(Biobase)
y = exprs(gse44456)[3109,]
Es el gen
featureNames(gse44456)[3109]
## [1] "7895629"
Los valores observados son
head(y)
## GSM1085665_HE32H001.CEL
## 8.339249
## GSM1085666_HE32H003.CEL
## 7.907181
## GSM1085667_HE32H004.CEL
## 7.816187
## GSM1085668_HE32H005.CEL
## 8.232150
## GSM1085669_HE32H006_2_.CEL
## 7.869529
## GSM1085670_HE32H007_2_.CEL
## 8.023928
Nos fijamos en el grupo a que corresponde cada muestra, si era

alcohólico o no.
(z = pData(gse44456)[,"case"])
## [1] control alcoholic control alcoholic

## [5] control alcoholic alcoholic control
307
308 CAPÍTULO 20. ESTADÍSTICA DESCRIPTIVA
## [9] control alcoholic control control

## [13] alcoholic alcoholic control alcoholic
## [17] alcoholic alcoholic alcoholic alcoholic
## [21] alcoholic control alcoholic control
## [25] alcoholic control alcoholic control
## [29] control control alcoholic control
## [33] alcoholic alcoholic control alcoholic
## [37] control control control
## Levels: control alcoholic
Vamos a construir un data.frame con las expresiones de este gen

y la covariable que nos indica la cepa.
df = data.frame(x =z,y=y)
20.2 Introducción
Tenemos unos datos observados en distintas muestras. De un mo-
do genérico denotaremos por x1 el primer valor observado, por x2 el
segundo valor observado y así sucesivamente. En el lenguaje estadís-
tico a esto se le llama una muestra. Por ello, diremos que tenemos
una muestra x1 , . . . , xn de n datos. Se entiende que estos datos se han
tomado en unas condiciones similares. ¿Cómo son estos datos? Pre-
tendemos describirlos de un modo sencillo. Esta descripción será de
dos tipos: una descripción numérica, describimos muchos números con
unos pocos números que tengan un sentido claro; y una descripción
gráfica. Describimos los números con gráficos que destaquen sus pro-
piedades básicas. Al conjunto de técnicas que nos dan descripciones
numéricas y gráficas de un conjunto de datos reciben el nombre de
Estadística descriptiva y, con frecuencia, simplemente descripti-
va. Se habla de la descriptiva de los datos. Veremos que son ideas
sencillas pero de un uso constante. Cuando se describen los datos las
preguntas básicas que hemos de tener en la cabeza pueden ser:
1. ¿De qué orden son?
2. ¿Cómo de dispersos están?
3. ¿Hay datos anormales que estén muy alejados de los demás?
En la primera pregunta intentamos localizar los valores: ¿estamos al-
rededor de 2?, ¿o bien alrededor de 20?, ¿o alrededor de 200000? Pre-
tendemos localizar la muestra, dar un valor representativo de todos
ellos. En la segunda pregunta nos preguntamos si los datos se agru-
pan si están próximos entre sí. Por último, nos planteamos si tenemos
datos que son anormales. Obviamente lo que es anormal depende de
cómo son los otros.
20.3 Descriptivas numéricas

Empezamos con las descripciones numéricas. De un modo gené-
rico se pretende describir un conjunto de datos numéricos mediante
unos pocos números (elegidos, eso sí, con gracia). En particular va-
mos a considerar medidas de localización y medidas de dispersión. Las
20.3. DESCRIPTIVAS NUMÉRICAS 309
medidas de localización intentan responder la pregunta que veíamos

antes de: ¿de qué orden son los datos? Las medidas de dispersión in-
tentan responder a la segunda pregunta, ¿cómo de dispersos son los
datos? ¿Cómo de variables son los datos?
Como medidas de localización veremos la media y medianas mues-
trales fundamentalmente y como medidas de dispersión básicas vere-
mos la varianza y desviación típica muestrales.
20.3.1 Media muestral

La medida de localización más utilizada es la media aritmética o
media muestral (que es el nombre habitualmente usado en Estadística)
que se define como
∑n
xi
x̄ = . (20.1)
i=1
n
La podemos calcular con
mean(y)
## [1] 7.890915
Notemos que si conocemos solamente la variable y y queremos

saber cuántos datos tenemos lo mejor es hacer
length(y)
## [1] 39
Y, aunque no muy recomendable, otro modo de calcular la media

muestral es calcular la suma y dividir por el número de términos que
estamos sumando. Esto lo podemos hacer utilizando las funciones sum
y length.
sum(y)/length(y)
## [1] 7.890915
20.3.2 Media ajustada

La media muestral es, sin duda, la mejor forma de localizar una
muestra. No obstante es muy sensible a datos anómalos o extremos
(y que con frecuencia son errores introducidos en el banco de datos).
Por ejemplo, a nuestros datos originales les vamos a añadir un dato
anómalo. Le añadimos el valor 34.
yy = c(y,3400)
Podemos comparar la media original y la nueva media muestral.
mean(y)
## [1] 7.890915
mean(yy)
## [1] 92.69364
Se ha modificado muchísimo. Puede que el dato sea real pero pue-

de que sea un error. En cualquier caso es un único valor entre otros
muchos. Puede interesarnos localizar nuestra muestra sin atender a
estos datos anómalos. ¿Cómo? Una opción simple es fijarnos en una
cierta proporción de los datos, por ejemplo, una proporción α y elimi-
nar el α por uno de los datos más pequeños y el α por uno de los más
grandes. La media de los que quedan es la media ajustada. La media
ajustada se obtiene con mean indicándole un parámetro adicional.
mean(y,trim=.1)
## [1] 7.89261
Estamos eliminando el 10% de los datos mayores y el 10% de los

datos menores. La media de los restantes es nuestra media ajustada.
Ahora podemos comparar la media ajustada de los datos originales y
de los datos con la observación anómala.
mean(y,trim=.1)
## [1] 7.89261
mean(yy,trim=.1)
## [1] 7.901745
Vemos cómo no se ha modificado demasiado. Estamos describiendo

la localización de la parte central de los datos despreciando los datos
extremos a ambos lados.
20.3.3 Percentiles
Otro manera de localizar los datos es utilizar los percentiles mues-
trales. Supongamos que tomamos un valor p entre 0 y 1. El percentil
de orden p es un valor que tiene por debajo el 100 × p por ciento de
los datos y por encima el 100 × (1 − p) por ciento. Denotaremos el
percentil de orden p como qp . Ordenamos nuestros datos de menor a
mayor con la función sort.
sort(y)
¿Cuántos de los datos originales son menores o iguales a 1? Po-

demos contar a mano. 1 Otra posibilidad es utilizar la función ecdf.
Fn = ecdf(y)
Fn(1)
## [1] 0
Vemos pues que la proporción de datos que son inferiores a 1 es

de 0. O dicho de otro modo: el valor 1 es el percentil de orden 0 de
los datos.
1 Cosa antigua en franco retroceso y que no está prohibido hacer. El inconve-
niente es cuando tenemos centenares o miles de observaciones.

20.3. DESCRIPTIVAS NUMÉRICAS 311
La función básica para calcular los cuantiles es quantile. El detalle

exacto del procedimiento utilizado para estimar estos valores se puede
consultar con help(quantile). 2
La mediana muestral es el percentil de orden 0.5 esto es por debajo
tiene al menos la mitad de los datos y por encima la otra mitad. La
podemos obtener con
median(y)
## [1] 7.880398
De hecho, podemos plantearnos cómo conseguir un percentil de

orden p (con 0 < p < 1) arbitrario. Tomemos p = 0.27.
quantile(y,probs = 0.27)
## 27%
## 7.778698
O bien p = 0.76
quantile(y,probs = 0.76)
## 76%
## 8.005315
Cuando p = 0.25 al percentil le llamamos cuartil inferior. Si p =

0.75 tenemos el cuartil superior.
quantile(y,probs = c(0.25,0.75))
## 25% 75%
## 7.763305 8.001348
20.3.4 Varianza y desviación estándar muestrales

Ahora pretendemos cuantificar lo dispersos que están nuestros da-
tos. Las dos medidas más utilizadas son la varianza y la desviación
estándar. La varianza muestral se define como
∑
n
(xi − x̄)2
s2 = , (20.2)
i=1
n−1
y la desviación estándar (o típica) muestral se define como

v
u n
√ u∑ (xi − x̄)2
s = s2 = t . (20.3)
i=1
n−1
La varianza se puede calcular con
var(y)
## [1] 0.05017174
2 Se pueden ver hasta nueve procedimientos distintos.
y la desviación estándar la obtenemos con
sd(y)
## [1] 0.2239905
20.3.5 Rango
El mínimo y el máximo lo podemos obtener con
range(y)
## [1] 7.320905 8.364369
o bien con
min(y)
## [1] 7.320905
max(y)
## [1] 8.364369
El rango, esto es, el máximo valor menos el mínimo valor lo pode-

mos obtener con
max(y)-min(y)
## [1] 1.043464
o bien con
diff(range(y))
## [1] 1.043464
20.3.6 Rango intercuartílico

Una medida más robusta que el rango es el rango intercuartílico.
Se define como la diferencia entre los percentiles de orden 0.75 y 0.25,
es decir, el cuartil superior menos el cuartil inferior. Se puede obtener
con
IQR(y)
## [1] 0.2380429
20.3.7 La función genérica summary

Es una función que nos proporciona una descripción básica de los
datos. En concreto, nos da el mínimo, el primer cuartil, la media, la
mediana, el tercer cuartil y el máximo.
20.4. MAD 313
summary(y)

## 7.321 7.763 7.880 7.891 8.001 8.364
Sin duda, es la opción más simple para obtener una descripción

rápida de los datos.
20.4 MAD
Es una forma de cuantificar variabilidad más robusta que la desvia-
ción estándar muestral. Tenemos unos datos x1 , . . . , xn . Supongamos
que m es una mediana de estos datos. Consideremos los nuevos datos
|xi −m| con i = 1, . . . , n, es decir, consideramos el valor absoluto de la
diferencia entre cada xi y la mediana. El valor de MAD es la mediana
de las valores |xi − m| con i = 1, . . . , n, esto es, la mediana de las
desviaciones absolutas respecto de la mediana de las observaciones.
En resumen,
M AD({x1 , . . . , xn }) =
mediana({|xi − mediana({x1 , . . . , xn })| : i = 1, . . . , n}) (20.4)
Para entender el párrafo siguiente es necesario leer el tema de va-

riables aleatorias. Usualmente MAD se suele utilizar para estimar la
desviación estándar poblacional, σ. Si suponemos que estamos en una
población normal, esto es, tenemos valores observados de una varia-
ble normal X con media µ y varianza σ 2 , X ∼ N (µ, σ 2 ), entonces la
media y la mediana coinciden y
1 |X − µ| M AD M AD
= P (|X−µ| ≤ M AD) = P ( ≤ ) = P (|Z| ≤ )
2 σ σ σ
(20.5)
siendo Z una normal estándar, Z ∼ N (0, 1), con función de distribu-

ción Φ. Por tanto
1
Φ(M AD/σ) − Φ(−M AD/σ) = .
2
De donde,
M AD 3
= Φ−1 ( ) = 0.67449.
σ 4
Por ello, si pretendemos estimar σ a partir de MAD entonces hemos
de considerar
1
−1
M AD = 1.4826M AD. (20.6)
Φ ( 43 )
20.5 Ejercicios
Ej. 32 — Consideremos los siguientes datos.
43.86 33.14 37.04 29.29 21.49 34.98 18.09 18.84 36.20 27.82 22.86 32.11
22.45 38.22 44.55 39.03 33.25 18.27 34.44 24.88 24.58 42.12 30.04 19.58
34.00 32.98 28.35 25.75 22.78 15.88 38.97 13.47 21.42 34.19 16.49 15.17
31.42 17.00 37.06 30.35 19.65 34.62 16.48 19.42 42.89 23.89 29.26 45.64
32.29 22.96 29.60 39.98 21.86 18.25 35.96 30.57 40.79 17.21 27.07 28.56
15.59 23.51 18.78 37.72 14.40 28.40 43.17 22.65 27.85 41.56 42.44 16.57
23.55 29.66 20.72 28.28 42.10 13.76 27.27 19.69 20.18 23.80 14.37 22.02
29.06 34.52 21.91 19.98 16.24 44.56 18.54 35.96 30.12 32.82 45.76 28.75
32.01 19.39 23.76 41.72 32.90 31.47 15.04 12.74 44.11 38.65 27.18 35.52
15.70 38.95 30.59 15.43 45.60 14.98 23.11 22.11 23.03 19.91 34.95 16.05
Se pide:
1.Leer los datos utilizando el método que se prefiera.
2.Calcular la media, mediana, media recortada con una proporción
del 0.05, los percentiles de orden 0.1 y 0.9.
3.Supongamos que se han seguido recogiendo datos. En concreto
una segunda muestra con los siguientes valores.
123.34 78.23 89.6 1.2
Incorporar estas nuevas observaciones a los datos originales y
calcular las descriptivas numéricas anteriores sobre los nuevos
datos. Indicar cuáles de ellas varían y cuáles no justificando la
respuesta.
20.6 Descripciones gráficas de los datos

En esta sección pretendemos ver algunas de las descripciones grá-
ficas para variables numéricas y categóricas.
20.6.1 Añadimos variables y seleccionamos casos o

variables
Vamos a añadir más información en nuestro banco de datos. Segui-
mos con las concentraciones de nitritos del ejemplo ??. En concreto se
sabe que las muestras de agua se tomaron en dos localizaciones de la
Albufera distintas. Las primeras 8 muestras se tomaron en el puerto
de Catarroja y las 6 últimas muestras se tomaron en El Palmar. Nos
fijamos ahora en las cepas utilizadas en el estudio tamidata::gse44456.
20.6.2 Frecuencias
La segunda variable que hemos introducido en el banco de datos
es la zona en que tomamos la medida. Es pues una variable categórica
que nos indica la pertenencia del dato a una categoría, en este caso, la
zona en que se observa el dato. La descripción básica más simple son
los conteos o frecuencias absolutas. Contamos el número de veces que
se repiten cada una de las categorías. Tendremos el número de datos
que se ha observado en cada zona. Los obtenemos de un modo simple
con la función table.
table(z)
## z
## control alcoholic
## 19 20
Si dividimos las frecuencias absolutas por el número total de datos

tenemos las frecuencias relativas. Por ejemplo, con
20.6. DESCRIPCIONES GRÁFICAS DE LOS DATOS 315
prop.table(table(z))
## z
## 0.4871795 0.5128205
O, de otro modo, si sumamos la tabla nos da el total de casos
sum(table(z))
## [1] 39
y podemos obtener las frecuencias relativas dividiendo los conteos

o frecuencias absolutas por esta suma.
table(z)/sum(table(z))
## z
## 0.4871795 0.5128205
Las frecuencias absolutas y relativas las podemos representar grá-

ficamente con un diagrama de barras. Bien las frecuencias absolutas
(figura 20.1) con el siguiente código
library(ggplot2)
df = data.frame(z)
png(paste0(dirTamiFigures,"EstDesc27.png"))
ggplot(df,aes(x = z)) + geom_bar() + xlab("strain")
dev.off()
o relativas. Como dibujo es el mismo y solamente nos cambia la

escala que observamos en ordenadas.
20.6.3 Histograma
Para una variable cuantitativa una buena opción para observar la
distribución de los datos es un histograma. La idea de un histograma es Figura 20.1: Diagrama de barras
(demasiado) simple. Si x1 , . . . , xn son los datos de los cuales queremos con las frecuencias absolutas.
construir el histograma consideramos el intervalo que va del mínimo
al máximo, es decir, el intervalo
[a, b] = [min{x1 , . . . , xn }, max{x1 , . . . , xn }]
y lo subdivimos en un número de subintervalos con la misma longi-

tud. A estos subintervalos se les suele llamar clases. Supongamos que
elegimos k clases. Entonces los subintervalos que consideramos son
[a, a + δ), [a + δ, a + 2δ), . . . , [a + (k − 1)δ, b]
donde
b−a
δ=
k
Dependiendo del software que utilicemos los valores de a y b suelen
elegirse como un poco menos que el mínimo y un poco más que el
mínimo. El número de clases se elige de un modo automático pero
siempre modificable por el usuario. Contamos el número de datos

que hay en cada clase. Representamos una barras (que se representan
pegadas una con otra lo que también nos permite diferenciarlo de un
diagrama de barras) cuya base coincide con el subintervalo y cuya
altura es proporcional al número de datos que hemos observado en
dicho subintervalo. Este es el dibujo. Veamos cómo hacerlo con R.
Si no le indicamos nada el programa decide el número de clases o
subintervalos (figura 20.2).
df0 = data.frame(y)
ggplot(df0,aes(x=y))+geom_histogram()
dev.off()
## pdf
## 2
20.6.4 Diagramas de cajas

Es un dibujo basado en los cuartiles fundamentalmente. 251 La
Figura 20.2: Histograma sin elegir
número de clases. idea es representar una caja como la parte que más destaca en el
dibujo. Dentro de la caja se representa con una línea (algo más gruesa
251 habitualmente) la mediana. Los extremos de la caja coinciden con los
Una buena explica-
percentiles del 25% y del 75%. La longitud de la caja es la diferencia
ción se puede consultar en
de estos percentiles, es decir, el rango intercuartílico. La caja muestra
http://en.wikipedia.org/wiki/Box_plot.
la distribución de la mitad de los datos, la mitad de los datos que
están centrados.
Se le añaden unos bigotes que salen de la caja. Son unas líneas que
describen la variabilidad de los datos que están en los extremos. Hay
varias opciones para elegir el punto al que llegan los bigotes. Entre
otras opciones las dos más habituales son:
1. Que lleguen al mínimo y al máximo de los datos.
2. Que lleguen al mínimo y al máximo de los datos que están en

el intervalo que tiene por extremo inferior el percentil del 25%
menos 1.5 veces el rango intercuartílico y por extremo superior
el percentil del 75% mas 1.5 veces el rango intercuartílico. Este
valor de 1.5 obviamente podemos modificarlo.
Supongamos que nos planteamos representar un diagrama de cajas de

toda la muestra. En la figura 20.3 tenemos el resultado.
df0 = data.frame(y,z)
df1= reshape2::melt(df0)
ggplot(df1,aes(x=z,y=value)) + geom_boxplot()
dev.off()
## pdf
## 2
Figura 20.3: Diagrama de cajas.

20.6. DESCRIPCIONES GRÁFICAS DE LOS DATOS 317
20.6.5 Estimadores kernel de la densidad

Es conveniente consultar http://en.wikipedia.org/wiki/Kernel_
density_estimation. Supongamos x1 , . . . , xm los valores observados
(de expresión en este caso) el estimador kernel de la densidad en cada
punto x se calcula utilizando la siguiente expresión
∑
n ( )
1 xi − x
fˆ(x) = K ,
i
nh h
donde la función K es no negativa y verifica

∫ +∞
K(u)du = 1,
−∞
y
K(−u) = K(u),
es decir, es simétrica respecto del origen. Una función K que se suele
utilizar es la gaussiana dada por
1
K(u) = √ e− 2 u .
1 2
2π
Otros ejemplos de funciones kernel que podemos usar las podemos ver
en http://en.wikipedia.org/wiki/Kernel_%28statistics%29.
En la figura 20.4 aparece un estimador kernel de la densidad uti-
lizando una función kernel gaussiana.
df = data.frame(y)
png(paste0(dirTamiFigures,"EstDesc32b.png"))
ggplot(df,aes(x=y)) + geom_density()
dev.off()
## pdf
## 2
20.6.6 Buscando datos anómalos

Tenemos unos datos numéricos x1 , . . . , xn y queremos saber si hay
alguno que se sale de madre. Si hay alguno que está muy alejado de los Figura 20.4: Estimador kernel de
demás. Que es anómalo. Lo primero es precisar qué entendemos por la función de densidad.
dato anómalo.3 Vamos a ver las dos definiciones más habitualmente
utilizadas. En la primera utilizamos media y desviación estándar. En
la segunda utilizamos cuartiles.
La primera es la que más tradición tiene. Dados los datos calcula-
mos su media y desviación típica muestrales: x̄ y s. Se entiende por
dato anómalo aquél que está fuera del intervalo
[x̄ − 3s, x̄ − 3s],
es decir, que o bien es extremo porque es menor que x̄ − 3s o bien es

extremo porque es mayor que x̄ + 3s. ¿Tenemos datos anómalos en
este sentido en y?
3 La expresión inglesa es outlier.

y[y < mean(y) - 3 * sd(y)]
## named numeric(0)
y[y > mean(y) + 3 * sd(y)]
## named numeric(0)
Vemos que detectamos uno de ellos.

El segundo procedimiento utiliza los cuartiles. Denotemos por q25
y q75 los percentiles de orden 25% y 75%, esto es, los cuartiles inferior
y superior. El rango intercuartílico sería
IQR = q75 − q25 .
La segunda forma de considerar un dato como extremo es considerar

que lo es si está fuera del intervalo
[q25 − 1.5 × IQR, q75 + 1.5 × IQR].
Puede ser extremo por abajo si es menor que q25 − 1.5 × IQR o por
arriba si es mayor que q75 + 1.5 × IQR. Determinemos los extremos
del intervalo.
(lw = quantile(y,probs=0.25) - 1.5 * IQR(y))
## 25%
## 7.40624
(up = quantile(y,probs=0.75) + 1.5 * IQR(y))
## 75%
## 8.358412
Y veamos si hay puntos extremos por abajo
y[y < lw]
## GSM1085686_HE32H023_2_.CEL
## 7.320905
Detecta el punto añadido por nosotros. Y por arriba.
y[y > up]
## GSM1085697_HE32H034.CEL
## 8.364369
20.7 Ejercicios
Ej. 33 — Vamos a realizar distintas representaciones gráficas con
los datos del ejercicio 32. Se pide lo siguiente:
1.Realizar distintos histogramas de los datos que aparecen en el
ejercicio 32 modificando el número de clases. ¿Hay un compor-
tamiento consistente en la representación gráfica?
2.Representar gráficamente un estimador kernel de la densidad.

Observar el valor que se ha utilizado para el ancho de banda.
3.Modificar el valor del ancho de banda observado en el apartado
2 doblando su valor y volver a representar el estimador kernel de
la densidad.
4.Modificar el valor del ancho de banda observado en el apartado
2 considerando la mitad de su valor y volver a representar el
estimador kernel de la densidad.
5.Comparar los tres estimadores kernel que hemos obtenido. ¿Qué
ocurre cuando incrementamos el ancho de banda? ¿Y cuando lo
disminuimos?
Ej. 34 — Consideramos los datos del ejercicio 32. La muestra inicial

la denotamos por x mientras que los datos ampliados los denotamos
por xx. Supongamos que los datos x han sido obtenidos en distintas
localizaciones. En concreto las localizaciones las tenemos codificadas
de un modo numérico. Son las siguientes.
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2
Se pide:
1.Introducir estos datos en un vector en R que denotaremos por y
utilizando la función c() de concatenación.
2.Realizar un diagrama de cajas de la variable x.
3.Realizar diagramas de barras de los valores que tenemos en la va-
riable x para las distintas localizaciones que nos vienen indicadas
por la variable y.
4.Los datos adicionales que aparecen en el vector xx han sido ob-
tenidos en una cuarta localizacion. Completar el vector yy para
incluir esta localización, es decir, en xx tenemos los datos amplia-
dos mientras que en yy tendremos las localizaciones ampliadas.
5.Muestra un diagrama de barras comparativo de los valores xx
para las distintas localizaciones que aparecen en yy.
Ej. 35 — x
22.24 21.04 23.89 22.49 25.22 22.15 22.49 27.51 23.57 25.22 23.47 18.91
21.64 24.29 21.68 24.51 22.32 24.77 18.30 23.03 22.03 21.09 23.32 21.15
21.21 25.53 19.34 25.89 23.06 25.90 20.09 25.65 27.76 29.14 22.88 31.40
22.79 23.68 22.15 21.50 22.40 24.39 20.34 17.53 25.59 20.25 20.76 23.08
20.66 20.47
y
27.60 24.02 33.97 27.84 33.12 37.32 37.53 38.95 29.80 32.72 30.04 26.45
26.34 32.82 28.91 29.37 32.39 29.43 37.83 24.46 37.82 32.19 34.51 32.64
30.44 38.70 29.84 29.35 32.78 34.01 36.24 41.86 35.96 35.57 33.84 27.69
29.32 41.71 34.08 27.64 33.06 39.98 36.62 29.72 33.51 31.49 33.51 33.24
25.02 39.78 31.96 37.69 44.01 29.07 32.94 30.47 33.33 24.34 35.99 32.25
36.51 33.47 35.37 31.82 38.49 25.67 29.36 36.64 24.14 39.54
Se pide:
1.Representar en dos gráficos distintos los estimadores kernel de
ambas densidades.
2.Repetir el apartado anterior pero en la misma gráfica.

3.Representar las funciones de distribución de la primera muestra.
Haced lo mismo con la función de distribución de la segunda
muestra.
4.Representad las dos funciones de distribución en un mismo grá-
fico.
Capítulo 21
Probabilidad
252 252
- Is he in?
Is he in?
Nathe!
21.1 Experimento, suceso y probabilidad He can’t hear you through
your...
Nos movemos constantemente en situaciones en que no podemos triple bloody glazing.
predecir qué va a ocurrir.1 Realizamos un viaje en coche entre dos Script: Full Monty (1997)
ciudades dadas. El tiempo que tardamos en realizar el viaje depende
de muchos factores que hacen incierto el resultado. Nos sometemos
a una operación quirúrgica. El resultado también es incierto. Quizás
los ejemplos más simples y, por ello, los que se suelen utilizar están
asociados con juegos de azar. Lanzamos un dado, el resultado que ob-
tenemos no lo podemos predecir. Y el número de ejemplos es infinito.
Nos encontramos en situaciones en donde no podemos predecir lo que
va a ocurrir.
Experimento Estas situaciones son lo que llamamos experimentos.

Dado un conjunto de condiciones no podemos predecir el re-
sultado. Los experimentos más simples de analizar suelen estar
ligados a juegos de azar.
1. Un experimento puede ser lanzar una moneda en donde no

podemos predecir si el resultado va a ser que sale una cara
o bien que sale una cruz.
2. El experimento puede ser lanzar un dado. Aquí tenemos
seis posibles resultados (cada una de las caras del dado).
También es un experimento con resultado incierto si juga-
mos a la lotería. Aquí el resultado será el número que sale
premiado en un sorteo.
Espacio muestral En estos ejemplos sabemos qué cosas pueden pa-

sar, el conjunto de posibles resultados al que se le llama espacio
muestral y se suele denotar con la letra Ω. Sin embargo, cuan-
do realizamos el experimento no sabemos exactamente qué va
a pasar. No sabemos qué resultado entre los posibles se va a
producir exactamente.
En el experimento consistente en lanzar una moneda tenemos
dos posibles resultados: el resultado cara y el resultado cruz. Por
1 Lo cual no es de nuestro agrado. Pero la vida es así.
321
322 CAPÍTULO 21. PROBABILIDAD
ello podemos denotar el espacio muestral como
Ω = {cara, cruz}.
Si lanzamos el dado podríamos representar el espacio muestral

como
Ω = {1, 2, 3, 4, 5, 6},
donde el número 2 significa que cuando lanzamos el dado sale
el número 2 y así sucesivamente.
En una lotería en la que se juegan 15000 números los posibles
resultados son cada uno de estos números. Por tanto, el espacio
muestral sería
Ω = {1, 2, . . . , 15000}.
Suceso aleatorio Se llama suceso aleatorio a cualquier conjunto de

resultados. Por ejemplo, si lanzamos un dado, un suceso puede
ser saber si obtenemos un número par. Este suceso es el conjunto
formado por tres resultados. Lo representamos como
A = {2, 4, 6}.
Nos puede interesar saber si el número que obtenemos es un

valor mayor o igual a 4. Este es el suceso
A = {4, 5, 6}.
Dado un suceso que nos interesa nuestro problema es saber cómo

de probable es que se produzca. Y conocer esto antes de realizar
el experimento.
Probabilidad Consideremos el experimento en que lanzamos una
moneda. Conocemos el conjunto de resultados que se pueden
producir, el espacio muestral: Ω = {1, 2, . . . , 6}. Nos planteamos
la siguiente pregunta: ¿Qué probabilidad tengo de obtener un
número par? Si el dado está bien construido no esperamos que
un resultado ocurra con más frecuencia que otro. No esperamos
que un resultado sea más probable que otro. Estamos usando la
palabra probabilidad en su uso del lenguaje común. El término se
usa de un modo impreciso pero comprensible por todos. Diría-
mos que los resultados son equiprobables o que tienen la misma
probabilidad. En un experimento no queremos saber qué va a
pasar. No tiene mucho sentido plantearnos esto porque es alea-
torio sino que nos conformamos con saber la probabilidad de lo
que puede pasar. En el ejemplo del dado parece razonable decir
que la probabilidad de un número par sería
3
P (Obtenemos un número par) = P ({2, 4, 6}) = .
6
¿Por qué? Si todos los resultados son equiprobables entonces la
probabilidad parece razonable considerar que sería el número de
resultados que corresponden con salir un número par dividido
por el número de resultados que se pueden producir. En resu-
men, el número de resultados que son favorables a lo que me
interesa (que salga un número par) dividido por el número to-
tal de resultados. En el mismo experimento: ¿qué probabilidad
tenemos de un número mayor o igual a 4?
21.1. EXPERIMENTO, SUCESO Y PROBABILIDAD 323
3
P (Mayor o igual a 4) = P ({5, 5, 6}) = .
6
¿Qué probabilidad tenemos de obtener una cara al lanzar una
moneda? Por el mismo razonamiento:
1
P (Cara) = P ({Cara}) = .
2
Un resultado es favorable y dos resultados son posibles cuando
lanzamos la moneda.
Tenemos en R una función que nos sirve para elegir al azar de un
grupo de elementos previamente definidos y de un modo equiprobable
entre los posibles resultados del experimento. Es la función sample.
Ejemplo 21.1 (Lanzamos una moneda muchas veces) Veamos
cómo lanzar una moneda con R. Le decimos cuál es el espacio muestral
Omega = c("cara","cruz")
y luego elegimos uno al azar en el espacio muestral.
sample(Omega,1)
## [1] "cruz"
Volvamos a lanzar la moneda.
sample(Omega,1)
## [1] "cruz"
Y una tercera vez.
sample(Omega,1)
## [1] "cara"
De continuar iríamos obteniendo una serie de resultados cara o

cruz. Lancemos 30 veces la moneda y veamos qué pasa.
sample(Omega,30,replace=TRUE)
## [1] "cruz" "cara" "cara" "cruz" "cara" "cruz"

## [7] "cara" "cara" "cara" "cruz" "cara" "cara"
## [13] "cruz" "cara" "cruz" "cruz" "cruz" "cara"
## [19] "cruz" "cara" "cara" "cruz" "cruz" "cara"
## [25] "cara" "cruz" "cruz" "cara" "cara" "cruz"
Y otras 30 veces.
## [1] "cara" "cara" "cara" "cara" "cara" "cruz"

## [7] "cara" "cruz" "cruz" "cruz" "cara" "cruz"
## [13] "cara" "cruz" "cara" "cruz" "cruz" "cara"
## [19] "cruz" "cruz" "cara" "cara" "cara" "cruz"
## [25] "cruz" "cruz" "cara" "cruz" "cara" "cara"
Podemos contar cuántas veces nos ha salido cara y cruz (el que
quiera puede hacerlo manualmente).
x = sample(Omega,30,replace=TRUE)
table(x)
## x
## cara cruz
## 16 14
Si dividimos por el total de lanzamientos tenemos la frecuencia

relativa de veces que nos ha salido cada uno de los dos posibles re-
sultados. En nuestro caso tenemos las siguientes frecuencias relativas
observadas:
table(x) / 30
## x
## cara cruz
## 0.5333333 0.4666667
Vamos a lanzar 100 veces la moneda y calculamos las frecuencias

relativas.
table(x) / 100
## x
## cara cruz
## 0.52 0.48
¿Y por qué no lanzar la moneda 1000 veces?
table(x) / 1000
## x
## cara cruz
## 0.522 0.478
Y para acabar con la experiencia vamos a lanzarla 100000 veces.
table(x) / 100000
## x
## cara cruz
## 0.49986 0.50014
Es claro que conforme repetimos el experimento y observamos la

frecuencia relativa de veces que ocurre cada resultado nos acercamos
cada vez más al valor 0.5 para cada uno de los posibles resultados.
En la figura 21.1 representamos en el eje de abscisas el número de
veces que lanzamos la moneda y en ordenadas la frecuencia relativa
de veces que se ha observado cara. Podemos ver cómo las frecuencias
relativas de aparición de cara van apróximandose al valor 0.5.
## pdf
## 2
Supongamos que nos fijamos en la frecuencia relativa de aparición

de las cruces. En la figura 21.2 representamos en abscisas el número
de lanzamientos y en ordenadas la frecuencia relativa de aparición de
cruces. Vemos cómo se estabiliza la frecuencia alrededor del valor 0.5.
Ejemplo 21.2 (Lanzamiento de un dado) ¿Cómo lanzamos un da-

do con R? Pues la función sample es adecuada. Empezamos definiendo
el espacio muestral.
Figura 21.1: Frecuencias relativas
(Omega = 1:6) de aparición de cara en sucesivos
lanzamientos de una moneda co-
rrecta.
## [1] 1 2 3 4 5 6
Y ahora lanzamos el dado.
sample(Omega,1)
## [1] 3
O bien lo lanzamos 20 veces.
## [1] 6 1 4 1 5 4 4 1 3 4 3 6 5 2 1 1 5 6 5 3 Figura 21.2: Frecuencias relativas

de aparición de cruz en sucesivos
Esperamos que cuando lo lanzamos un gran número de veces la lanzamientos de una moneda co-
frecuencia de veces que ocurre cada resultado se aproxime a 16 . rrecta.
table(x) / 1000
## x
## 1 2 3 4 5 6
## 0.176 0.168 0.167 0.176 0.147 0.166
Como así podemos comprobar.
En este tipo de experimentos con resultados equiprobables la pro-

babilidad de cualquier suceso A viene dada por el cociente entre el
número de resultados que tiene A (a los que se suele llamar casos fa-
vorables a la ocurrencia de A) y el número total de resultados o casos
posibles.
Si denotamos el cardinal o número de elementos de A con |A|
entonces, cuando los resultados son equiprobables, podemos definir la
probabilidad del suceso A como
|A| Casos favorables a que ocurra A

P (A) = = . (21.1)
|Ω| Casos posibles
Se suele conocer como la definión de probabilidad de Laplace. Describe

con precisión situaciones como las descritas asociadas a algunos juegos
de azar y algún otro caso de interés pero, desde luego, no todos los
posibles experimentos en que estamos interesados.
Observemos que, en la definición de Laplace, si tomamos un suceso

formado por un solo resultado entonces
1 1
P ({ω}) = = . (21.2)
|Ω| Casos posibles
La probabilidad de cara es 1/2. La probabilidad de cruz también es

1/2. La probabilidad de un seis cuando lanzamos un dado es 1/6.
También lo es la de obtener un 5. O un 4. Finalmente vemos que
∑ 1
P (A) = .
|Ω|
ω∈A
21.1.1 Contando: variaciones, permutaciones y com-

binaciones
En experimentos con resultados equiprobables hay que contar el
número total de resultados y el número de casos que contiene el suceso
aleatorio de interés, esto es, hemos de contar casos favorables y casos
posibles.
Para ellos es fundamental un breve repaso de combinatoria: varia-
ciones, permutaciones y combinaciones.
Variaciones sin repetición Supongamos que tenemos un conjunto

de n elementos (por ejemplo, el conjunto {1, . . . , n} y preten-
demos saber cuántas secuencias ordenadas de k elementos (con
k < n) podemos formar. Para entender el problema supongamos
que n = 3 y k = 2. Entonces las posibles secuencias serían
12 21 13 31 23 32
Tenemos seis secuencias porque consideramos distintas 12 y 21.

¿Cómo contarlas sin enumerarlas todas ellas? El razonamiento
es sencillo. Para la primera posición tenemos 3 posibilidades.
Una vez elegido el número que ocupa la primera posición nos
quedan 2 posibilidades para el segundo. En total 3 × 2.
En general, si consideramos n y k tenemos n posibilidades para
el primero. Dada la elección nos quedan (n − 1) elecciones para
el segundo. Dadas las dos primeras elecciones nos quedan (n−2)
elecciones para el tercero. Para la última posición nos quedarán
(n − k + 1) posibles elecciones. En total tendremos
n × (n − 1) × . . . × (n − k + 1).
Esto recibe el nombre de variaciones sin repetición.
Permutaciones ¿De cuántas maneras podemos ordenar n elemen-

tos distintos? Podemos seguir con el razonamiento del párrafo
anterior. Cuando ordenamos n elementos tenemos que elegir el
primero de ellos, con n posibles elementos. Una vez tenemos el
primero, para el segundo tenemos n − 1 y así sucesivamente. Po-
demos ver que tenemos variaciones sin repetición donde n = k.
Por tanto el número total de permutaciones es
n! = n × (n − 1) × . . . × 1.
Combinaciones ¿Cuántos conjuntos distintos de k elementos pode-

mos formar con un total de n? Estamos en una situación similar
a las variaciones sin repetición salvo que no queremos que inter-
venga el orden. Por ejemplo, las secuencias
12 21
son distintas como secuencias. Sin embargo, los conjuntos
{1,2} {2,1}
son el mismo. Una vez hemos elegido los elementos de un con-

junto (por ejemplo, los elementos 1 y 2) hemos de plantearnos
cuántas secuencias ordenadas podemos formar, 2! en el ejemplo.
En resumen, de un conjunto de k elementos podemos formar
k! secuencias (ordenadas) distintas. Tenemos n elementos. Con
ellos podemos formar n × (n − 1) × . . . × (n − k + 1) secuencias
ordenadas. Pero cada k! de estas secuencias tenemos los mismos
elementos. En resumen, el número de conjuntos distintos de k
elementos que podemos formar con n elementos distintos es
( )
n n × (n − 1) × . . . × (n − k + 1)
= .
k k!
Fácilmente podemos comprobar que
( )
n n!
= .
k k!(n − k)!
( )
El número nk recibe el nombre de combinaciones de n ele-
mentos tomados de k en k.
Ejemplo 21.3 (Factorial y combinaciones) Dado un valor de n,

por ejemplo, n = 10 podemos obtener el valor de 10! con
factorial(10)
## [1] 3628800
Las combinaciones de n elementos tomados de k en k para n = 10

y k = 5 las obtenemos con
choose(10,5)
## [1] 252
Obviamente estamos eligiendo 5 elementos de un total de 10. De

ahí el nombre de la función.
Ejemplo 21.4 (Póquer) Supongamos el póquer cerrado sin como-

dines. Nos planteamos la probabilidad de que nos sirvan en una mano
exactamente una pareja. Estamos en una situación de resultados equi-
probables. Los resultados posibles son todos los posibles subconjuntos
de 5 elementos del total de 52 cartas. Por tanto, el número de manos
distintas será ( )
52
.
5
Contemos ahora el número de manos que contienen exactamente una

pareja (y no dos parejas o un trío). Vamos contando. Primero elegimos
el número del cual formamos la pareja. Tenemos 13 posibilidades. Una
vez elegido
( ) el palo tenemos cuatro cartas con el mismo número, por
tanto, 42 posibles parejas con ese número. Ahora hemos de elegir los
otros tres números que nos aparecen en la mano. Tenemos 12 número
disponibles (quitamos el que hemos utilizado( ) para formar la pareja)
y elegimos tres números con un total de 12 3 posibilidades. Pero una
vez elegidos los números tenemos cuatro cartas de cada número. Por
3
lo tanto, por cada elección de números tenemos
(4 )(12 ) 34 . En total como
casos favorables nos encontramos con 13 2 3 4 casos favorables.
La probabilidad buscada es
( )( ) 3
13 42 12 4
(52 )3 .
5
La podemos calcular con R.
(casosfavorables = 13 * choose(4,2) * choose(12,3) * 4^3)
## [1] 1098240
(casosposibles = choose(52,5))
## [1] 2598960
casosfavorables / casosposibles
## [1] 0.422569
Tenemos una probabilidad de 2.366.

Esto es como se debe de hacer. Y ahora como no se debe de hacer.
Vamos a jugar con R. Empezamos definido las cartas que tenemos
(cartas = rep(1:13,4))
## [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 1 2
## [16] 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4
## [31] 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6
## [46] 7 8 9 10 11 12 13
Y ahora extraemos al azar una mano.
(mano = sample(cartas,5))
## [1] 11 10 12 8 11
¿Cómo sé que tenemos una pareja? Una forma sencilla es contar

la frecuencia de cada número.
(conteosmano = table(mano))
## mano
## 8 10 11 12
## 1 1 2 1
Y ver cuántos conteos me devuelve.

length(conteosmano)
## [1] 4
Si me devuelve 5 quiere decir que no se repite ningún número. Si

me devuelve 4 quiere decir que hay una pareja exactamente. Contemos
pues el número de veces que se produce esta situación y repitamos la
experiencia muchas veces. La frecuencia relativa de éxitos nos ha de
dar la probabilidad. Un poco de código más complicado de R.
nsimulaciones = 1000
exitos = 0
for(i in 1:nsimulaciones){
mano = sample(cartas,5)
conteosmano = table(mano)
if(length(conteosmano) == 4) exitos = exitos + 1
}
exitos / nsimulaciones
## [1] 0.416
21.1.2 Un poco de teoría

2
En lo anterior hemos visto ejemplos de experimentos aleatorios

donde todos los resultados son equiprobables y por ello la probabilidad
de cada suceso no era más que el número de elementos que contiene
(casos favorables) dividido por el total de resultados posibles (casos
posibles). ¿Este es el único caso que nos encontramos de experimento
aleatorio? Desde luego que no. De hecho, una probabilidad es cualquier
función que a los sucesos les da valores entre 0 y 1 verificando algunos
principios (o axiomas) razonables.
Definición 21.1 (Probabilidad) Una función de conjunto, P , de-

finida sobre los sucesos es una probabilidad si verifica
1. P (A) ≥ 0 para todo suceso A.
2. P (Ω) = 1.
3. P es σ-aditiva, es decir, si {An }n≥1 son sucesos disjuntos dos

a dos entonces
∪ ∑
n
P( An ) = P (An ).
n≥1 n≥1
A partir de la definición anterior se deducen algunas propiedades

muy útiles.
1. La probabilidad del vacío es cero: P (∅) = 0.
2. Si tenemos sucesos tales que A ⊂ B entonces P (A) ≤ P (B).

2 Esta sección incluye algo de teoría. Su lectura no es muy necesaria para seguir
el curso aunque sí que es conveniente. No hay nada tan práctico como la teoría.
3. Si los sucesos A1 , . . . , An no son disjuntos entonces

( n )
∪
P Ai =
i=1
∑n ∑
P (Ai ) − P (Ai ∩ Aj ) + . . . + (−1)n+1 P (A1 ∩ . . . ∩(21.3)
An ).
i=1 i<j
En particular si tenemos dos sucesos

P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ). (21.4)
4. A partir del punto anterior es inmediato que

P (Ac ) = 1 − P (A). (21.5)
5. Dados los sucesos A1 , . . . , An , la relación existente entre la pro-

babilidad de la unión de los Ai y la probabilidad de cada uno
de ellos es la siguiente:
( n )
∪ ∑n
P Ai ≤ P (Ai ).
i=1 i=1
21.2 Ejercicios
Ejercicio 36
Seis personas se sientan a comer en un restaurante. Hay seis sillas
alrededor de la mesa.
1. ¿De cuántas formas distintas pueden sentarse?
2. Supongamos que las sillas están enfrentadas, tres en un lado de
la mesa y otras tres al otro lado. Además las seis personas son
tres parejas que han quedado a cenar. Siguiendo una antigua
costumbre se sientan a un lado los hombres y al otro lado las
mujeres. ¿De cuántas formas distintas se pueden sentar?
Ejercicio 37
Supongamos el póquer cerrado sin comodines. Calcular la proba-
bilidad de obtener un póquer cuando nos dan una mano.
Ejercicio 38
Consideremos el experimento aleatorio consistente en lanzar dos
veces un dado. Se pide:
1. ¿Qué probabilidad tenemos de obtener dos veces el número 6?
2. ¿Y de obtener el par de valores 1 y 5?
3. ¿Qué probabilidad tenemos de que coincidan el primer y el se-
gundo resultado, esto es, de que el primer lanzamiento sea un
uno y el segundo también o de que el primer lanzamiento sea
un dos y el segundo también, etc?
4. ¿Qué probabilidad tenemos de que la suma de los dos valores
sea 7? ¿Y de que la suma de los dos valores sea mayor o igual
que 7? ¿Y de que sea mayor que 7?
21.3. VARIABLE ALEATORIA 331
21.3 Variable aleatoria

Supongamos el experimento consistente en elegir al azar o aleato-
riamente a una individuo de la Comunidad Valenciana. Obviamente
el espacio muestral está formado por los distintos individuos. Si los
numeramos tenemos Ω = {ωi }N i=i donde N es el número total de per-
sonas de la Comunidad. Elección al azar supone que cada individuo
tiene la misma probabilidad de ser elegido. Por tanto tenemos
1
P ({ωi }) = .
N
El resultado mismo no suele tener un interés especial para nosotros.
Seleccionamos aleatoriamente estas personas porque tenemos interés
en sus ingresos, en el número de personas que conviven con el o ella,
si está casada o es soltera, su glucosa o tensión arterial. Son ejemplos
de valores que nos pueden interesar del individuo seleccionado depen-
diendo de que estemos realizando un estudio de tipo socio económico
o bien un estudio de salud. Por ello nuestro interés no está en el indi-
viduo ω que obtenemos cuando seleccionamos a una persona al azar
sino que nuestro interés es un valor asociado a ω que denotamos por
X(ω) y que puede ser su tensión arterial. Lo que es aleatorio es ω
porque lo seleccionamos aleatoriamente. Una vez tenemos ω el valor
X(ω) = x viene dado. Elegimos al azar a una persona, una vez elegida
su edad no es aleatoria, es la que tiene. Elegimos al azar una muestra
de agua en una planta de tratamiento de aguas residuales. Luego de-
terminamos la demanda química de oxígeno. A la función que asocia
a un resultado un valor numérico se le llama variable aleatoria. Lo
podemos denotar como
X:Ω → R
ω → X(ω) = x.
21.3.1 Variable aleatoria discreta

Es una variable aleatoria que toma un número finito de valores o
bien toma un número infinito de posibles valores que podemos nume-
rar. 3
Un ejemplo muy simple y habitual es la edad de un individuo
seleccionado al azar. La edad suele cuantificarse con valores enteros.
Decimos que una persona tiene 24 años o que tiene 25 años. Por lo
tanto es un valor entero. Si cuantificamos la edad en años entonces los
valores posibles de la variable aleatoria son 0, 1, 2, . . . . En cualquier
caso un número finito de posibles valores.
Otro ejemplo puede ser el número de organismos que observamos
en una placa al microscopio, el número de huevos en una buitrera, el
número de píxeles defectuosos en un monitor de ordenador, el número
de árboles dentro de un quadrat en un muestreo espacial. Todos son
ejemplos de variable aleatoria discreta. Como vemos habitualmente
son valores que resultan de contar. Es lo más frecuente pero no siempre
es así.
3 Para ser rigurosos una variable discreta puede tomar también un número in-
finito numerable de valores. En fin, detalles técnicos a los que no hay que prestar
demasiado interés en un curso como este.
Supongamos que denotamos por D = {x1 , x2 , . . . , } el conjunto

de valores posibles para la variable. Las probabilidades que hemos de
conocer son
P (X = xi ),
es decir, la probabilidad de que la variable tome cada uno de sus valo-
res posibles. Estas probabilidades P (X = xi ) con i = 1, . . . , n reciben
el nombre de función de probabilidad de la variable aleatoria X.
Cualquier otra probabilidad que nos interese la podemos obtener a
partir de la función de probabilidad.
Por ejemplo, supongamos D = {0, 1, . . . , 10} y la función de pro-
babilidad aparece en la tabla 21.1.
x 0.000 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000 9.000 10.000
P (X = x) 0.107 0.268 0.302 0.201 0.088 0.026 0.006 0.001 0.000 0.000 0.000
Tabla 21.1: Función de probabilidad de una variable discreta. En la primera fila el valor y en la segunda la probabilidad
de tomar este valor.
A partir de la función de probabilidad P (X = xi ) podemos calcu-

lar cualquier otra probabilidad. Por ejemplo:
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2),
o bien,
P (X ≥ 7) = P (X = 7) + P (X = 8) + P (X = 9) + P (X = 10).
También
P (4 ≤ X ≤ 7) = P (X = 4) + P (X = 5) + P (X = 6) + P (X = 7).
P (4 < X ≤ 7) = P (X = 5) + P (X = 6) + P (X = 7).
P (4 < X < 7) = P (X = 5) + P (X = 6).
De un modo genérico podemos escribir que
∑
P (X ∈ A) = P (X = x),
x∈A
siendo A cualquier conjunto (por ejemplo, un intervalo).
21.3.2 Ejercicios
Ejercicio 39
Consideremos el experimento aleatorio consistente en lanzar dos
veces un dado. Un resultado del experimento puede ser ω = (1, 3)
indicando que en primer lugar hemos obtenido un 1 y en el segundo
lanzamiento hemos obtenido un 3. Consideramos la variable aleatoria
que asocia al resultado obtenido la suma de los valores que obtene-
mos en el primer y en el segundo lanzamiento. Si ω = (i, j) entonces
X(ω) = i + j.
1. Indicar qué valores puede tomar la variable X.
2. Obtener la función de probabilidad de la variable X.
3. Obtener las probabilidades siguientes: P (X ≤ 1), P (X ≤ 2), P (X >
2), P (X ≤ 4), P (4 ≤ X ≤ 6), P (4 < X ≤ 6), P (4 ≤ X < 6).
21.3.3 Variable aleatoria continua

Consideremos el siguiente experimento. Cogemos una muestra de
panga vietnamita y medimos la concentración de mercurio en dicha
muestra. El resultado ω es la muestra que hemos tomado. De esta
muestra nos interesa solamente la concentración de mercurio. Nos in-
teresa el valor asociado a la muestra y no la muestra misma. Por ello
podemos definir X(ω) = x donde x es la concentración medida de
mercurio. El valor aleatorio que observamos los denotamos por X, la
variable aleatoria. Una vez hemos observado el valor, esto es, una vez
se ha realizado la determinación de mercurio el valor ya no es aleatorio.
Es un valor dado, por ejemplo, una concentración de 0.5 miligramos
por kilogramo. Este valor ya no lo denotamos con la letra mayúscula
sino con la letra en minúscula, x. ¿Qué nos interesa conocer sobre
estos valores aleatorios? Posiblemente muchas cosas pero lo más bá-
sico (y de lo cual se deduce cualquier otra) es conocer la probabilidad
que tenemos de que el valor que observemos esté entre dos números.
¿Qué probabilidad tenemos de que la muestra que analicemos de un
valor entre 0.3 y 0.6? ¿Qué probabilidad hay de observar un valor
entre 0.4 y 0.8? O bien, si una cierta normativa afirma que un valor
por encima de 0.5 no se permite entonces parece natural plantear-
se: ¿cuál es la probabilidad de observar una muestra por encima de
este valor? O por el contrario: ¿con qué frecuencia observamos mues-
tras que no alcance el valor 0.5? Las probabilidades que acabamos
de indicar se denotan como: P (0.3 ≤ X ≤ 0.6), P (0.4 ≤ X ≤ 0.8),
P (X ≥ 0.5) y P (X ≤ 0.5). Sin tener que referirnos a valores concre-
tos podemos denotar de un modo genérico todos los casos anteriores
como P (a ≤ X ≤ b) donde a y b toman los valores que queramos.
Cuando consideramos P (0.3 ≤ X ≤ 0.6) estamos tomando a = 0.3
y b = 0.6. También P (X ≥ 0.5) tiene esta forma ya que estamos to-
mando a0 = .5 y b = +∞. Obviamente, P (X ≤ 0.5) corresponde con
a = −∞ y b = 0.5.
En resumen, cuando trabajamos con una variable aleatoria lo fun-
damental es conocer las probabilidades P (a ≤ X ≤ b) donde a y b son
números reales o a = −∞ o b = +∞.
Cuando una variable es continua entonces la probabilidad anterior
se puede calcular como
∫ b
P (a < X ≤ b) = f (x)dx.
a
La función f recibe el nombre de función de densidad (de proba-

bilidad) de la variable X.
De hecho se tiene que
∫ b
P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b) = f (x)dx.
a
Ejemplo 21.5 (Uniforme en el intervalo unitario) Una variable

aleatoria uniforme en el intervalo [0, 1] es un experimento que ya he-
mos visto. En las calculadoras suele haber una función conocida como
rand que cuando la usamos nos devuelve un valor entre 0 y 1. La idea
es que es imprevisible el valor y no esperamos que aparezca alrededor
de nada. Simplemente dentro del intervalo. La función de densidad
viene dada por
{
0≤x≤1
1.00
1 si
f (x) =
0 si x < 0 ó x > 1.
0.75
La podemos ver representada en la figura 21.3.

0.50
Supongamos que tomamos 0 ≤ a ≤ b ≤ 1 entonces
0.25
∫ b ∫ b
P (a ≤ X ≤ b) = f (x)dx = dx = b − a,
a a
0.00
0.0 0.4 0.8 1.2
es decir, la probabilidad de que la variable está en el intervalo [a, b]

Figura 21.3: Función de densidad
depende solamente de la longitud del intervalo y no de dónde está
de una variable uniforme en el in- colocado dentro del intervalo [0, 1].
tervalo [0, 1]. ¿Podemos generar un valor aleatorio que se comporte como una
uniforme en [0, 1]? Simplemente con
runif(1,min=0,max=1)
## [1] 0.6736497
De hecho, podemos simular el número de puntos que queramos.

Por ejemplo, generemos 20 valores.4
runif(20,min=0,max=1)
## [1] 0.4254709 0.1286097 0.8850760 0.6972555

## [5] 0.3407570 0.2811757 0.7881495 0.3535969
## [9] 0.3210780 0.8187089 0.6592973 0.2631164
## [13] 0.4046266 0.4530579 0.7039735 0.2226044
## [17] 0.6317559 0.4801175 0.4283014 0.0634963
Ejemplo 21.6 También podemos considerar la uniforme en un in-

tervalo arbitrario [a, b] donde a y b son números arbitrarios siendo a
menor que b. La función de densidad de la variable es
0.3
{ 1
b−a si a≤x≤b
f (x) =
0.2
0 en otro caso.
Supongamos a = 2 y b = 5. La función de densidad la podemos

ver en la figura 21.4.
0.1
Además, si consideramos un par de puntos c y d tales que a ≤ c ≤

0.0 d ≤ b entonces:
0 2 4 6
∫ ∫
d d
1 d−c
Figura 21.4: Función de densidad P (c ≤ X ≤ d) = f (x)dx = dx = .
de una variable uniforme en el in- c c b−a b−a
tervalo [2, 5].
Otra vez la probabilidad de que el valor aleatorio de X esté en el
intervalo [c, d] solamente depende de lo largo que es el intervalo y no
de dónde está dentro de [a, b].
4 Más no que ocupa demasiado espacio. En cualquier caso podemos probar a
cambiar el valor 20 por el número de valores que nos apetezca simular.

21.3.4 Ejercicios
Ej. 40 — Consideremos una variable aleatoria uniforme en el inter-
valo [0, 1]. Se pide:
1.¿Qué probabilidad tenemos de que la variable sea menor o igual
que 0.5? En otras palabras: ¿cuánto vale P (X ≤ 0.5)?
2.¿Y P (X < 0.5)?
3.Calcular P (X ≥ 0.5) y P (X > 0.5).
4.Determinar las siguientes probabilidades: P (0.6 < X ≤ 0.9),
P (0.6 ≤ X < 0.9) y P (0.6 ≤ X ≤ 0.9).
Ej. 41 — Consideremos una variable aleatoria uniforme en el inter-

valo [0, 8]. Se pide:
1.¿Qué probabilidad tenemos de que la variable sea menor o igual
que 0.5? En otras palabras: ¿cuánto vale P (X ≤ 0.5)?
2.¿Y P (X < 0.5)?
3.Calcular P (X ≥ 0.5) y P (X > 0.5).
4.Determinar las siguientes probabilidades: P (0.6 < X ≤ 0.9),
P (0.6 ≤ X < 0.9) y P (0.6 ≤ X ≤ 0.9).
21.3.5 Función de distribución

Dada una variable aleatoria X se define la función de distribución
(o función de distribución acumulada) como la función que para valor
real x nos da la probabilidad de que la variable sea menor o igual que
este valor, es decir,
FX (x) = F (x) = P (X ≤ x). (21.6)
Obviamente si la variable que tenemos es discreta y toma valores en
{x1 , x2 , . . .} entonces
∑
FX (x) = P (X = xi ),
xi :xi ≤x
es decir, sumamos la probabilidad de que la variable tome cada uno

de los valores que puede tomar y que son menores o iguales al valor
x. 0.3 ●
Ejemplo 21.7 Consideramos la variable aleatoria discreta tal que su

función de probabilidad aparece en la tabla 21.1. Vamos a determinar
Función de probabilidad
0.2 ●
la función de distribución. Las probabilidades que aparecen en la tabla

21.1 aparecen representadas en la figura ??. La función de distribución
la hemos representada en la figura 21.6.
●
0.1
●
En el caso de una variable que sea continua se tiene la igualdad ●
∫ x 0.0
●
● ● ● ●
0.0 2.5 5.0 7.5 10.0

FX (x) = f (t)dt. x
−∞
Figura 21.5: Probabilidades de la
En general se tiene la siguiente importante igualdad. tabla 21.1.
P (a < X ≤ b) = F (b) − F (a) con a ≤ b, a, b ∈ R. (21.7) stepfun(ee$x, c(0, cumsum(ee$probabilidad)))

1.0
La igualdad afirma que la probabilidad de que la variable sea estric- ●

●
● ● ● ● ● ●
tamente mayor que a y menor o igual que b lo podemos obtener como

0.8
la diferencia de la función de distribución en los extremos.

●
0.6
F
0.4
●
0.2
●
0.0
0 2 4 6 8 10
x
21.3.6 Función de distribución muestral o empirica

Tenemos una muestra de datos numéricos que denotamos por
{x1 , . . . , xn }5 ¿Qué es la distribución empírica de estos valores? Su-
pongamos un experimento que consiste en elegir uno de los valores xi
completamente al azar o, de otro modo, con la misma probabilidad.
Sería un experimento que de un modo equiprobable produce cada los
resultados {x1 , . . . , xn }. Esta distribución de probabilidad se conoce
como distribución empírica y a la correspondiente función de dis-
tribución como la función de distribución empírica o muestral.
Es, por tanto, la distribución de probabilidad que da probabilidad n1
a cada uno de los datos. De otro modo un experimento que produce el
valor xi con probabilidad 1/n. Dados los datos x1 , . . . , xn , la función
de distribución muestral se define como
|{xi : xi ≤ x}|
Fn (x) = , (21.8)
n
donde | · | denota el cardinal, esto es, el número de elementos del
conjunto. Para cada punto x consideramos el conjunto formado por
todos los datos xi que son menores o iguales que x. Contamos el
número de puntos en este conjunto (su cardinal) y lo dividimos por el
total de datos. En resumen, Fn (x) nos da la proporción de datos que
son menores o iguales que x. Y esto lo consideramos para todos los
valores de x posibles.
ecdf(y)
Vamos a considerar dos funciones para obtener la función de dis-
1.0
●
●
●
●
●
●
tribución muestral. La primera es la función ecdf y podemos verla en
la figura 21.7.
0.8
●
●
●
●
●
●
●
●
0.6
●
●
●
Fn(x)
●
●
●
●
●
plot(ecdf(y))
0.4
●
●
●
●
●
●
●
●
0.2
●
●
Si queremos conocer el valor de Fn en un valor determinado, por

●
●
●
●
●
●
0.0
7.2 7.4 7.6 7.8 8.0 8.2 8.4

ejemplo para x = 37 podemos hacer
x
ecdf(y)(37)
Figura 21.7: Función de distribu-
ción muestral con la función ecdf. ## [1] 1
o bien en 40,
ecdf(y)(40)
## [1] 1
La segunda opción es la función Ecdf del paquete [70, Hmisc].

1.0
Aparece en la figura 21.8.

0.8
Proportion <= x
library(Hmisc)
0.6
Ecdf(y)
0.4
0.2
0.0
7.4 7.6 7.8 8.0 8.2 8.4 21.3.7 Ejercicios

y
n:39 m:0 Ej. 42 — Consideremos el experimento aleatorio consistente en lan-
zar dos veces un dado. Un resultado del experimento puede ser ω =
ción muestral con la función Ecdf. 5 En estas notas podrían ser las expresiones a nivel de sonda de un microarray.
21.4. MEDIA Y VARIANZA 337
(1, 3) indicando que en primer lugar hemos obtenido un 1 y en el se-

gundo lanzamiento hemos obtenido un 3. Consideramos la variable
aleatoria que asocia al resultado obtenido la suma de los valores que
obtenemos en el primer y en el segundo lanzamiento. Si ω = (i, j)
entonces X(ω) = i + j. Se pide:
1.Determinar la función de distribución de la variable aleatoria X.
2.Representar de un modo manual la función de distribución que
hemos determinado en el punto 1.
3.Representar la función de distribución utilizando la función step-
fun.
Ej. 43 — Supongamos una variable uniforme en el intervalo [2, 6]

que denotamos como X ∼ U (2, 6). Se pide:
1.Determinar la función de distribución de la variable aleatoria X.
2.Representar gráficamente la función de distribución de la variable
aleatoria X.
Ej. 44 — Supongamos una variable uniforme en el intervalo [2, 6]

que denotamos como X ∼ U (2, 6). Se pide:
1.Representar gráficamente la función de distribución utilizando
las funciones plot y punif.
21.4 Media y varianza

Una variable suele describirse de un modo simple mediante su
media y su varianza. La media nos da una idea de alrededor de qué
valor se producen los valores aleatorios de la variable mientras que
la varianza cuantifica la dispersión de estos valores alrededor de la
media.
21.4.1 Media de una variable aleatoria discreta

Ejemplo 21.8 (La media como límite de medias muestrales)
Supongamos que tenemos una variable que puede tomar los valores
{0, 9} con probabilidades dadas en la tabla 21.2. El experimento su-
pongamos que consiste en elegir al azar una vivienda en una gran
población (por ejemplo, Valencia) y observar el número de personas
que habitan la vivienda. En la fila etiquetada con x tenemos el número
de personas y en la fila etiquetada P (X = x) la frecuencia de cada
valor posible que asumimos conocidas.
x 0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
P (X = x) 0.20 0.11 0.13 0.24 0.27 0.02 0.01 0.01 0.00 0.01
Tabla 21.2: Función de probabilidad de la variable aleatoria que nos da el número de personas que residen en una
vivienda.
Podemos simular la selección aleatoria de una vivienda en esa

población utilizando la función sample.
x = 0:9
probabilidades = c(0.20,0.11,0.13,0.24,0.27,0.02,0.015,0.009,
0.0009,0.0051)
sample(x,size=1,replace=TRUE,prob=probabilidades)
## [1] 4
Supongamos que repetimos el proceso de extracción 100 veces.
n = 100
(y = sample(x,size=n,replace=TRUE,prob=probabilidades))
## [1] 2 9 1 4 2 3 4 0 4 1 3 3 0 1 3 4 4 4 9 0 2 4
## [23] 1 3 3 1 4 4 4 2 4 3 6 0 3 4 3 2 1 3 4 3 4 4
## [45] 7 1 0 4 0 3 2 0 3 5 2 3 4 0 2 4 4 3 1 3 0 3
## [67] 4 3 4 3 2 2 3 4 3 4 3 4 4 1 3 0 2 3 0 3 4 3
## [89] 2 4 0 3 4 4 4 2 4 4 4 0
Las frecuencias que observamos de cada tipo son las siguientes
prop.table(table(y))
## y
## 0 1 2 3 4 5 6 7 9
## 0.13 0.09 0.13 0.27 0.33 0.01 0.01 0.01 0.02
¿Se parecen? En las categorías más probables bastante. Repitamos

el proceso con 1000 muestras.
y = sample(x,size=1000,replace=TRUE,prob=probabilidades)
prop.table(table(y))
## y
## 0 1 2 3 4 5 6 7
## 0.190 0.100 0.133 0.259 0.265 0.023 0.013 0.008
## 8 9
## 0.002 0.007
Vemos cómo se parecen más las frecuencias observadas a las proba-

bilidades de cada uno de los valores. Denotemos∑los n
valores simulados
yi
por {y1 , . . . , yn }. Su media muestral será ȳn = i=1
n pero
∑
n
yi ∑n
nx
ȳn = = x
i=1
n x=0
n
donde nx denota el número de veces que aparece el resultado x. Ob-

viamente cuando el número de datos que generamos va creciendo la
frecuencia relativa de veces que aparece el resultado x que viene dada
por el cociente nx /n, se va aproximando a la probabilidad P (X = x).
Por ello tendremos que
∑n
nx ∑n
ȳn = x −→ xP (X = x).
x=0
n x=0
En nuestro caso el número medio de personas que viven en la

vivienda vendría dada por
21.4. MEDIA Y VARIANZA 339
(mu = sum(x * probabilidades))
## [1] 2.4761
En la figura 21.9 hemos representado con una línea horizontal 2
cuya ordenada es la media que acabamos que calcular. Luego vamos

simulando valores según la variable discreta que acabamos de proponer.
y
En el eje de abscisas consideramos el número de valores que vamos 1
promediando. Vemos cómo la media muestral se va aproximando al

valor dado de la media.
0
Definición 21.2 Si X es una variable aleatoria discreta que toma los 0 2500 5000 7500 10000
valores {x1 , x2 , . . .} entonces la media de X se define como

x
∑
+∞ Figura 21.9: Medias muestrales
EX = µX = µ = xi P (X = xi ). del número de personas que ha-
bitan una vivienda en función del
i=1
tamaño de la muestra. La línea
Ejemplo 21.9 Lanzamos la moneda si sale cara la variable X vale horizontal punteada indica la me-
uno y si sale cruz la variable X vale cero. ¿Cuál es su media? dia poblacional.
µ = 1 × p + 0 × (1 − p) = p.
21.4.2 Varianza y desviación típica

Definición 21.3 (Varianza y desviación típica) Si X es una va-
riable aleatoria discreta que toma los valores {x1 , x2 , . . .} entonces la
varianza de X se define como
∑
+∞
var(X) = σ = E(X − µ) =
2 2
(xi − µ)2 P (X = xi ).
i=1
Habitualmente además de la varianza se suele utilizar para medir

variabilidad la desviación típica dada por
v
u+∞
√ u∑
σ = var(X) = t (xi − µ)2 P (X = xi ).
i=1
En variables continuas las definiciones de media y varianza son las

análogas sustituyendo sumatorios por integrales.
Definición 21.4 Si X es una variable continua con función de den-
sidad f entonces la media de X se define como
∫ +∞
EX = µ = xf (x)dx
−∞
Definición 21.5 Si X es una variable continua con función de den-

sidad f entonces la varianza de X se define como
∫ +∞
var(X) = σ 2 = (x − µ)2 f (x)dx,
−∞
mientras que la desviación típica de X se define como

√∫
+∞
σX = σ = (x − µ)2 f (x)dx.
−∞
Hemos visto antes que si vamos observando valores de una varia-

ble entonces las sucesivas medias muestrales se van aproximando a
la media poblacional. ¿Ocurre algo similar con la varianza y con la
desviación típica? Por supuesto que sí.
21.5 Variable Bernoulli

Empezamos con algún ejemplo que motiva esta distribución.
1. Lanzamos una moneda y nos planteamos si sale cara (y lo llama-

mos éxito) o si no sale cara (y lo llamamos fracaso). Nos fijamos
en la ocurrencia o no de un suceso: salir cara. Tenemos un espa-
cio muestral Ω = {cara, cruz} y nos planteamos si se produce
A = {cara}.
2. Elegimos al azar a una persona en la población de la Comuni-

dad Valenciana y nos fijamos si es diabético (y lo consideramos
éxito) o no lo es (fracaso). En este caso el espacio muestral es
el conjunto de individuos de la Comunidad y el suceso que nos
interesa sería el conjunto de individuos que son diabéticos en
dicha Comunidad.
Tenemos, en los ejemplos anteriores, distintos experimentos donde

nos fijamos en un suceso A y nos planteamos si ocurre o no ocurre
este suceso. Una situación de este tipo recibe el nombre de prueba
de Bernoulli. Dada una prueba de Bernoulli consideramos la variable
aleatoria que nos indica si A se ha producido, esto es, la variable
X(ω) = 1A (ω),
donde 1A (ω) = 1 si ω ∈ A y cero en otro caso. Del experimento que

realizamos solamente nos importa saber si un determinado suceso ha
tenido lugar. De hecho, como éxito es que el resultado ω pertenezca
al suceso A entonces la probabilidad de éxito será p = P (A).
El rango de la variable es {1, 0} donde 1 indica el éxito y 0 el fra-
caso. Una variable de este tipo recibe el nombre de variable Bernoulli.
Es el ejemplo más simple de variable aleatoria. Su función de proba-
bilidad sería: fX (1) = P (X = 1) = p y fX (0) = P (X = 0) = 1 − p
que, de un modo conjunto, podemos representar como
P (X = x) = px (1 − p)1−x para x = 0, 1. (21.9)
Si una variable sigue una distribución de probabilidad se dice que es

una variable Bernoulli o que se distribuye Bernoulli y se denota
X ∼ Bi(1, p).
Ejemplo 21.10 (Lanzamiento de moneda correcta) La función

de probabilidad es fX (1) = P (X = 1) = 1/2 y fX (0) = P (X = 0) =
1/2.
Ejemplo 21.11 (Selección aleatoria de un individuo) Seleccionamos

a un individuo al azar en la población de la Comunidad Valenciana. La
función de probabilidad es fX (1) = P (X = 1) = p y fX (0) = P (X =
0) = 1 − p. El valor de p nos indica la proporción real de diabéticos
en la población. Habitualmente el valor de p no es conocido.
21.6 Variable binomial

Consideremos un experimento con dos posibles resultados. A uno
de ellos le llamamos éxito y al otro le llamamos fracaso. Suponemos
21.6. VARIABLE BINOMIAL 341
que hay una probabilidad p de obtener un éxito (donde 0 ≤ p ≤ 1)

y, por lo tanto, una probabilidad 1 − p de obtener un fracaso. Un
experimento de este tipo recibe el nombre de prueba de Bernoulli.
El ejemplo más simple, lanzamiento de una moneda donde identi-
ficamos salir cara con éxito y salir cruz como fracaso. En este caso, la
probabilidad de éxito es p = 0.5.
Otro ejemplo, elegimos al azar a una persona de la población espa-
ñola e identificamos éxito con que la persona tenga un cierto atributo
(sea diabético por ejemplo) y fracaso con que no tenga el atributo. La
probabilidad de éxito p coincide con la proporción que realmente hay
de diabéticos en la población.
Repetimos n veces una prueba de Bernoulli independientemente
una de otra (lanzamos n veces una moneda) y observamos la variable
aletoria que nos da el número total de éxitos. Una variable de este tipo
recibe el nombre de variable binomial con n pruebas y una probabilidad
de éxito p y se suele denotar como
X ∼ Bi(n, p).
Observemos que los valores que puede tomar esta variable son 0, 1, 2, . . . , n,
esto es, desde cero éxitos hasta n éxitos. ¿Qué probabilidad tenemos
de observar un número determinado de éxitos? Esta probabilidad,
P (X = x) es la función de probabilidad de la binomial y se prueba
que tiene la siguiente expresión.
( )
n x
P (X = x) = p (1 − p)n−x . (21.10)
x
Si tenemos una variable binomial X con n pruebas y una proba-

bilidad de éxito p, X ∼ Bi(n, p), entonces su media es
∑n ( )
n x
EX = µ = x p (1 − p)n−x = np, (21.11)
x=0
x
mientras que su varianza viene dada por
∑
n ( )
n x
var(X) = σ 2 = (x − np)2 p (1 − p)n−x = np(1 − p). (21.12)
x=0
x
Ejemplo 21.12 (Función de probabilidad de la binomial) La fun-

ción dbinom nos permite calcular la función de probabilidad de una
variable binomial. Por ejemplo, ¿qué probabilidad tenemos de obtener
70 caras si lanzamos 123 veces una moneda. La respuesta es
dbinom(70,size=123,prob=0.5)
## [1] 0.02230619
Ejemplo 21.13 (Simulación de una variable binomial) Supongamos

que queremos lanzar una moneda 30 veces con R.6 Esto lo podemos
hacer con
6 Algo no demasiado raro aunque pueda parecerlo.

rbinom(30,size=1,prob=.5)
## [1] 1 0 1 1 0 0 1 1 0 1 1 0 1 1 0 1 0 1 1 1 1 0 1
## [24] 1 1 1 0 1 0 0
El uno corresponde con éxito (cara) y el cero con fracaso. Si repe-

timos el proceso posiblemente no obtengamos los mismos resultados.
## [1] 0 0 1 0 1 0 0 1 0 1 1 1 0 0 1 0 0 1 0 0 1 0 1
## [24] 1 0 1 1 1 1 0
Realmente nos interesa el número de éxitos y no el orden en que

se producen. Esto lo podemos hacer con
## [1] 16
Si lo repetimos posiblemente no obtengamos el mismo número de

unos.
## [1] 16
Supongamos que queremos simular 40 veces el experimento con-

sistente en lanzar 30 veces una moneda y contamos en cada caso el
número de unos.
## [1] 19 14 14 14 16 16 14 17 12 13 14 20 19 16 14
## [16] 17 11 22 13 13 15 15 16 16 17 13 20 18 11 13
## [31] 12 8 12 18 17 17 12 13 15 18
Si la moneda no está bien construida y pretendemos que la ca-

ra tenga una probabilidad de 0.6, entonces repetimos el experimento
anterior con
## [1] 18 20 17 21 20 20 24 20 19 17 22 22 16 17 15
## [16] 14 20 20 19 19 17 18 20 21 18 18 17 13 19 14
## [31] 19 17 17 22 20 15 25 18 18 17
Ejemplo 21.14 (De cómo calcular probabilidades de la distribución binomial)

Supongamos que queremos calcular la probabilidad de obtener 23 éxi-
tos cuando realizamos 30 pruebas de Bernoulli donde la probabilidad
de éxito es 0.6, es decir, pretendemos calcular para X ∼ Bi(30, 0.6)
la función de probabilidad en x = 23 dada por
( )
30
P (X = x) = (0.6)30 (1 − 0.6)30−23 . (21.13)
23
21.6. VARIABLE BINOMIAL 343
dbinom(23,size=30,prob=.6)
## [1] 0.02634109
Podemos conocer las probabilidades de cada uno de los posibles

resultados, es decir, la función de probabilidad P (X = x), con
dbinom(0:30,size=30,prob=.6)
## [1] 1.152922e-12 5.188147e-11 1.128422e-09

## [4] 1.579791e-08 1.599538e-07 1.247640e-06 0.15 ●
## [7] 7.797748e-06 4.010270e-05 1.729429e-04 ●
## [10] 6.341240e-04 1.997491e-03 5.447702e-03 ●

●
## [13] 1.293829e-02 2.687184e-02 4.894513e-02 0.10
## [16] 7.831221e-02 1.101265e-01 1.360387e-01 ●

●
y
## [19] 1.473752e-01 1.396186e-01 1.151854e-01
## [22] 8.227527e-02 5.048710e-02 2.634109e-02
0.05 ●
●
## [25] 1.152423e-02 4.148722e-03 1.196747e-03 ● ●
## [28] 2.659437e-04 4.274096e-05 4.421478e-06 ● ● ● ● ● ● ● ● ● ●

●
●
●
●
●
● ● ● ● ●
0.00
## [31] 2.210739e-07 0 10 20 30
x
En la figura 21.10 tenemos la representación gráfica de estas pro- Figura 21.10: Para una variable
babilidades. binomial con n = 30 y una proba-
También podemos obtener la función de la distribución binomial bilidad de éxito de p = 0.6 mos-
tramos la función de probabilidad
en cualquier punto, es decir, la probabilidad P (X ≤ 12) es que para cada x nos da la proba-
bilidad de que la variable tome ese
0.20
pbinom(12,size=30,prob=.6) valor, P (X = x).
## [1] 0.02123988 0.15
La figura 21.12 muestra la función de distribución de una variable 0.10
aleatoria con distribución binomial con n = 30 pruebas y una proba-

bilidad de éxito p = 0.6. 0.05
21.6.1 Ejercicios 0.00
5 10
Ej. 45 — Se pide:
1.Simular 100 valores con distribución binomial con 20 pruebas y Figura 21.11: Función de densidad
una probabilidad de éxito en cada prueba de 0.3. Guardar estos de una normal con media 7 y va-
rianza 4.
valores en el vector x.
1.00 ● ● ● ● ● ● ●
2.Calcular la media y varianza muestrales de los valores generados. ●

●
●
3.Comparar la media muestral observada con 20×0.3 y la varianza 0.75

●
muestral observada con 20 × 0.3 × 0.7 que corresponden con la ●
media y la varianza teóricas.

P(X <= x)
0.50
4.Repetir los apartados anteriores sustituyendo las 100 simulacio- ●
nes por 1000, por 10000 y por 100000. Comparar en cada caso 0.25
●
los valores teóricos con los valores muestrales. ●
●
●
0.00 ● ● ● ● ● ● ● ● ● ● ● ●
Ej. 46 — Generamos 10000 valores con distribución binomial con 0 10 20 30

x
20 pruebas y una probabilidad de éxito por prueba de 0.3. Comparar
la función de distribución muestral (vista en la práctica anterior) con Figura 21.12: Función de distri-
la función de distribución teórica que acabamos de ver. bución de una binomial con n =
30 pruebas y una probabilidad de
Ej. 47 — Consideremos una variable aleatoria con distribución bi- éxito p = 0.6. Para cada abcisa x
nomial con 45 pruebas y una probabilidad de éxito de 0.67. Se pide: tenemos la probabilidad de que la
variable sea menor o igual que ese
valor x, P (X ≤ x).
1.P (X ≤ 23).
2.P (X < 23).
3.P (X > 29).
4.P (X ≥ 29).
5.P (34 < X ≤ 45).
6.P (34 ≤ X ≤ 45).
Ej. 48 — Dos especialistas en plagas vegetales difieren en su apre-

ciación de la proporción de palmeras afectadas por el picudo en la
Comunidad Valenciana. Uno de ellos (especialista A) afirma que un
30 % de las palmeras están afectadas. El otro, especialista B, afirma
que es un 45 % de las palmeras. Un tercer especialista decide tomar
una muestra aleatoria simple de la población total de palmeras. En
total muestrea un total de 325 palmeras y observa 133 palmeras afec-
tadas. Se pide:
1.Calcula la probabilidad de las afirmaciones de cada uno de los
especialistas.
2.¿Qué afirmación es más probable? ¿Con cuál de los dos juicios
nos quedaríamos?
3.Si es cierta la afirmación del especialista A: ¿qué probabilidad
tenemos de observar 133 o menos?
4.Si es cierta la afirmación del especialista B: ¿qué probabilidad
tenemos de observar 133 o menos?
5.Se decide continuar el muestreo y observamos el estado de 145
palmeras más de las cuales están afectadas 56. Utilizando sola-
mente la nueva muestra responde a las preguntas 1, 2, 3 y 4.
6.Responder las preguntas 1, 2, 3 y 4 utilizando conjuntamente
toda la muestra.
21.7 Distribución Poisson

Esta distribución aparece ligada a experimentos en los que nos
interesa la ocurrencia de un determinado suceso a lo largo de un in-
tervalo finito de tiempo7 , verificándose las siguientes condiciones:
1. la probabilidad de que el suceso ocurra en un intervalo pequeño

de tiempo es proporcional a la longitud del intervalo, siendo λ
el factor de proporcionalidad,
2. la probabilidad de que el suceso ocurra en dos o más ocasiones

en un intervalo pequeño de tiempo es prácticamente nula.
Fenómenos como el número de partículas que llegan a un contador

Geiger procedentes de una fuente radiactiva, el número de llamadas
que llegan a una centralita telefónica durante un intervalo de tiem-
po, las bombas caídas sobre la región de Londres durante la Segunda
Guerra mundial y las bacterias que crecen en la superficie de un culti-
vo, entre otros, pueden ser descritos mediante una variable aleatoria
Poisson.
7 En un planteamiento más general, el intervalo finito de tiempo puede ser sus-
tituido por un subconjunto acotado de Rk

21.7. DISTRIBUCIÓN POISSON 345
La distribución de Poisson de parámetro λ es una de las distribu-

ciones de probabilidad discretas más conocida. Denotaremos que la
variable X sigue una distribución de Poisson con
X ∼ P o(λ).
El soporte de la distribución es DX = {0, 1, 2, 3, . . .} y su función de

probabilidad viene dada por
e−λ λx
fX (x) = P (X = x) = , si x = 0, 1, . . . (21.14)
x!
y cero en el resto. 8
La función de distribución tiene por expresión
∑ e−λ λn
FX (x) = .
n!
n≤x
Diremos que X es una variable Poisson de parámetro λ o que X sigue

una distribución de Poisson y lo denotaremos
X ∼ P o(λ).
¿Por qué es tan importante la distribución de Poisson en las apli-

caciones? Posiblemente9 la razón sea que aproxima a la distribución
binomial cuando tenemos un gran número de pruebas y una pequeña
probabilidad de éxito en cada una de ellas. Esto es hacemos muchas
pruebas pero es muy raro que tengamos un éxito en una de ellas. Por
ello, a esta distribución se le suele llamar la distribución de los sucesos
raros.
Proposición 21.1 (La distribución de Poisson como límite de distribuciones binomiales)
Sea {Xn }n≥1 una sucesión de variables tales que Xn ∼ Bi(n, pn ) y
limn→+∞ npn = λ entonces
e−λ λx
lim P (Xn = x) = .
n→+∞ x!
Demostración 21.1 Consideremos la sucesión de variables aleato-
rias Xn ∼ Bi(n, pn ) en la que a medida que n aumenta, pn disminuye
de forma tal que npn ≈ λ. Más concretamente, npn → λ. Tendremos
para la función de probabilidad que
( )
n x n!
P (Xn = x) = p (1 − pn )n−x = px (1 − pn )n−x ,
x n x!(n − x)! n
y para n suficientemente grande,
( )x ( )n−x
n! λ λ
P (Xn = x) ≈ 1−
x!(n − x)! n n
( )n ( )−x
λ n(n − 1) · · · (n − x + 1)
x
λ λ
= 1 − 1 − .
x! nx n n
8 Es fácil comprobar que la función que acabamos de considerar en 21.14 es de
probabilidad. Es no negativa y
∑
+∞
λx ∑ λx
+∞
e−λ = e−λ = e−λ eλ = 1.
x=0
x! x=0
x!
9 Probablemente queda mejor en estas notas

Al pasar al límite,
( )n ( )−x
n(n − 1) · · · (n − x + 1) λ λ
→ 1, 1− → e−λ , 1− → 1,
nx n n
y tendremos
e−λ λx
lim fXn (x) = .
n→+∞ x!
La utilidad de este resultado reside en permitir la aproximación de la
función de cuantía de una binomial con n pruebas y probabilidad de
éxito p, Bi(n, p), mediante la función de cuantía de una Poisson con
párametro λ = np cuando n es grande y p pequeño.
21.8 Distribuciones geométrica y binomial

negativa
21.8.1 Distribución geométrica
¿Cuál es el número de lanzamientos de una moneda (correcta) que
hemos de realizar antes de obtener la primera cara? No prefijamos
el número de lanzamientos de la moneda. Solamente prefijamos que
queremos alcanzar el primer éxito, la primera cara, y contamos el
número de lanzamientos que hemos realizado.
En general, consideremos una sucesión de pruebas Bernoulli (éxito
o fracaso) independientes con la misma probabilidad de éxito, p. La
variable aleatoria que nos interesa es el número de pruebas que hemos
de realizar hasta obtener el primer éxito (donde no vamos a contar
el éxito). La denotamos por X. ¿Cuál es su función de probabilidad?
Supongamos que denotamos por Ai el súceso consistente en obtener
éxito en la prueba i-ésima. Es claro que {X = 0} = A1 y
P (X = 0) = P (A1 ) = p.
En general si x > 0 tenemos
( ) ∏
x
P (X = x) = P Ac1 ∩. . .∩Acx ∩Ax+1 = P (Ax ) P (Aci ) = p(1−p)x ,
i=1
donde la segunda igualdad se sigue de la independencia de los sucesos

Ai . En consecuencia, si X sigue una distribución geométrica con pro-
babilidad de éxito p entonces su función de probabilidad viene dada
por
P (X = x) = p(1 − p)x si x = 0, 1, . . . ,
y cero en el resto.
21.8.2 Distribución binomial negativa

253 253
En esta sección estudia-
mos la distribución binomial Consideremos pruebas Bernoulli independientes con la misma pro-
negativa en el modo en que babilidad de éxito, p, en cada una de ellas. Fijamos el número de
nos resulta útil cuando estu- fracasos que queremos obtener, por ejemplo, r fracasos. Nos plantea-
diamos expresión diferencial mos el número de éxitos hasta obtener el r-éximo fracaso. La
utilizando conteos. función de probabilidad vendrá dada por
( )
k+r−1 k
P (X = k) = p (1 − p)r (21.15)
k
21.9. DISTRIBUCIÓN NORMAL 347
con k = 0, 1, . . . donde el nombre de binomial negativa es consecuencia

de
( )
k+r−1
=
k
(k + r − 1)! (k + r − 1) . . . r
= =
k!(r − 1)! k!
( )
k (−r)(−r − 1) . . . (−r − k + 1) k −r
(−1) = (−1) . (21.16)
k! k
Se demuestra que
pr
E(X) = µ = , (21.17)
1−p
y que su varianza viene dada por
pr
var(X) = σ 2 = . (21.18)
(1 − p)2
Aunque perdemos la interpretación podemos utilizar un valor de r

que sea un número positivo cualquiera, no necesariamente un número
entero. Recordemos que la función gamma de Euler generaliza el con-
cepto de número factorial. La función gamma se define como Γ(r) =
∫ +∞ r −x
0
x e dx. Y, en particular, se tiene que Γ(r) = (r − 1)Γ(r − 1). Si
r es un entero positivo tendremos Γ(r) = (r − 1)!. Teniendo en cuenta
esto es natural la generalización.
Γ(k + r) k
P (X = k) = p (1 − p)r (21.19)
k!Γ(r)
con k = 0, 1, . . .
En lo anterior hemos parametrizado la familia utilizando k y r. Su-
pongamos que parametrizamos utilizando µ y r. Tendremos entonces
p = µ/(r + µ) y sustituyendo
( )k ( )r
Γ(k + r) µ r
P (X = k) = . (21.20)
k!Γ(r) r + µ r+µ
Si ahora definimos el parámetro ϕ = 1/r entonces la forma que adopta

la función de probabilidad es
( )k ( )1/ϕ
Γ(k + 1/ϕ) µ 1
P (X = k) = . (21.21)
k!Γ(1/ϕ) µ + 1/ϕ 1 + µϕ
Además se sigue fácilmente que
var(X) = σ 2 = µ + ϕµ2 . (21.22)
Por ello el parámetro ϕ, que recibe el nombre de parámetro de dis-

persión, cuantifica el incremento de la varianza respecto de la media.
21.9 Distribución normal

Definición 21.6 (Variable normal) Una variable aleatoria X se
dice que sigue una distribución normal con media µ y varianza σ 2 (o,
simplemente, que es una variable aleatoria normal) y se denota con

X ∼ N (µ, σ 2 )10 si su función de densidad viene dada por
1 1 (x−µ)
2
f (x) = √ e− 2 σ 2 (21.23)
2πσ
De otro modo, si tomamos dos valores arbitrarios a y b con a ≤ b
entonces ∫ b
P (a ≤ X ≤ b) = f (x)dx.
a
En esta sección asumimos siempre que la variable aleatoria sigue una

distribución normal con media µ y con varianza σ 2 , X ∼ N (µ, σ 2 ).
En la figura 21.11 aparece un ejemplo de la función definida en
21.23. En concreto es una normal con media 7 y varianza 4.
Ya lo indicamos en la propia definición pero se puede demostrar
que la media y varianza de una normal son µ y σ 2 . En definitiva
estamos afirmando que se verifican las siguientes ecuaciones.
∫ +∞
µ = xf (x)dx,
−∞
∫ +∞
σ2 = (x − µ)2 f (x)dx.
−∞
Nota 21.1 (La normal estándar) Una variable aleatoria Z se dice

que tiene una distribución normal estándar cuando su media es cero
y su varianza es uno: Z ∼ N (0, 1). Su función de densidad es
0.4
1
f (x) = √ e− 2 x .
1 2
(21.24)
0.3
2π
Densidad
0.2
La representación gráfica de esta densidad la tenemos en la figura

21.13.
0.1
Si Z es una normal estándar entonces la función de distribución,

0.0
−6 −4 −2 0 2 4 6
esto es, la función que para cada valor z nos da la probabilidad de que
x
la variable sea menor o igual que este valor z es la siguiente
∫ z
1
√ e− 2 x dx.
1 2
Figura 21.13: Función de densidad Φ(z) = (21.25)
de una normal estándar o típica. −∞ 2π
Dado un punto z el valor de la función Φ(z) nos da el área bajo la
curva de la densidad normal entre −∞ y el punto z. En la figura 21.14
hemos rayado en negro esta zona para z = 1.3
Hay tablas que nos proporcionan el valor de esta función para di-
ferentes valores de z.11 Esto era necesario cuando no teníamos herra-
mientas informáticas. Ahora lo lógico es utilizar software. En concreto
0.4
el valor de Φ(1.3) (área de la zona rayada en negro en la figura 21.14
lo obtendríamos con R del siguiente modo.
0.3
pnorm(1.3)
Densidad
0.2
## [1] 0.9031995
0.1
En la figura 21.15 tenemos representada la función Φ.
10 También
se denota con frecuencia X ∼ N (µ, σ), es decir, se indica la media
0.0
µ y la desviación típica o estándar σ.
−6 −3 0 3 6
x
11 Simplemente poniendo en Google “tablas de la normal” nos aparecen un mon-
tón de tablas. Cualquier libro de texto de hace unos años lleva al final del texto
Figura 21.14: La función de distri- unas tablas de la normal.
bución de la normal estándar en el
punto 1.3 corresponde con el área
de la zona rayada.
1.00
0.75
Nota 21.2 (Estandarización o tipificación) Si tenemos una va-

riable aleatoria con distribución normal con media µ y varianza σ 2
entonces la variable aleatoria Z = X−µ
σ sigue una distribución normal
con media 0 y con varianza 1, esto es, se verifica
0.4
X −µ
Z= ∼ N (0, 1). (21.26)
σ 0.3
12
Esta transformación recibe el nombre de tipificación o estandari- 0.2
zación de la variable aleatoria X.

En la figura 21.16 mostramos la densidad de una variable X normal 0.1
con media 7 y varianza 4 y la densidad de la variable tipificada Z.

0.0
Nota 21.3 (De cómo calculaban los antiguos las probabilidades con la normal) 0 10 20
¿Qué problema nos planteamos? Suponemos que una cierta cantidad

sigue una distribución normal con unos parámetros (media y varian- Figura 21.16: Función de densidad
za) dados. Nos planteamos cómo calcular la probabilidad de que la de una normal con media 7 y va-
rianza 4 (verde) y de una normal
variable esté en un cierto intervalo. Por ejemplo, sabemos que el va- típica con media 0 y varianza 1
lor aleatorio que observamos sigue una distribución normal con media (azul).
56 y desviación típica 9. ¿Qué probabilidad tenemos de que la variable
aleatoria tome un valor entre 60 y 63? Nos planteamos el valor de la
siguiente probabilidad: P (60 ≤ X ≤ 63). Esta probabilidad correspon-
de con la zona rayada de negro en la figura 21.17. Para calcular este
área se aplicaban las siguientes igualdades donde Z = (X − 56)/3,
( )
60 − 56 X − 56 63 − 56
P (60 ≤ X ≤ 63) = P ≤ ≤ =
3 3 3
( ) ( ) ( )
60 − 56 63 − 56 63 − 56 60 − 56
P ≤Z≤ =P Z≤ −P Z ≤ .
3 3 3 3
(21.27)
Pero la variable Z es una normal estándar por lo que

( ) ( ) ( ) ( )
63 − 56 60 − 56 63 − 56 60 − 56
P Z≤ −P Z ≤ =Φ −Φ .
3 3 3 3
De un modo genérico lo que acabamos de indicar es que si X ∼

N (56, 9) entonces
( ) ( )
63 − 56 60 − 56
P (60 ≤ X ≤ 63) = Φ −Φ ,
3 3
siendo Φ la función de ditribución de una normal estándar.

Si suponemos que X ∼ N (µ, σ 2 ) y tomamos dos números a y b 0.10
tales que a ≤ b entonces

( ) ( )
Densidad
b−µ a−µ
P (a ≤ X ≤ b) = Φ −Φ , (21.28) 0.05
σ σ
12 Esta afirmación es simplemente consecuencia de la siguiente igualdad (y per- 0.00
dón por la ecuación) 50 55

x
60
∫ b (x−µ)2
∫ b−µ
1 −1 σ 1 1 2 Figura 21.17: Densidad de una
√ e2 σ2 dx = √ e− 2 x dx.
a 2πσ a−µ 2π N (56, 9). El área de la zona raya-
σ
da en negro corresponde a la pro-
babilidad de que la variable esté
entre 60 y 63.
Ejemplo 21.15 (Calculando la función de densidad de una normal)

Supongamos que µ = 16 y σ 2 = 4. La función de densidad en un punto
la podemos calcular con
dnorm(14,mean= 16, sd= 2)
## [1] 0.1209854
o, en un conjunto de puntos, con
x0 = seq(10,22,1)
dnorm(x0,mean= 16, sd= 2)
## [1] 0.002215924 0.008764150 0.026995483

0.20 ## [4] 0.064758798 0.120985362 0.176032663
## [7] 0.199471140 0.176032663 0.120985362
0.15
## [10] 0.064758798 0.026995483 0.008764150
## [13] 0.002215924
0.10
En la figura 21.18 aparecen tres densidades normales con paráme-

0.05
tros distintos de modo que veamos el efecto de modificar la media y
la varianza. En concreto se representan las densidades de las distri-
buciones normales N (16, 4), N (24, 4) y N (16, 9).
0.00
10 20 30 40
Ejemplo 21.16 Podemos generar valores aleatórios con distribución

Figura 21.18: Funciones de densi-
normal.
dad de una normal con media 16 y
desviación típica 2 (azul), de una rnorm(20,mean= 16, sd= 2)
normal con media 16 y desviación
típica 3 (verde) y una normal con ## [1] 17.03234 18.49385 15.11046 20.57400 19.35615
media 24 y desviación típica 2 (ro-
jo). ## [6] 16.17576 16.69089 16.81915 13.23524 14.93939
## [11] 14.30180 18.22035 17.23786 17.45294 18.62862
## [16] 16.47633 18.45759 18.46499 15.02872 16.07962
1.00 La función de distribución de la variable X, es decir, F (x) =

P (X ≤ x) la obtenemos con
0.75
pnorm(14,mean= 16, sd= 2)

0.50
y
## [1] 0.1586553
0.25
Podemos representar esta función (figura 21.19).
También podemos plantear el problema inverso. Consideramos una
0.00
10 15 20
probabilidad, por ejemplo 0.34, y buscamos el valor de x donde P (X ≤
x
x) = 0.34 o dicho de otro modo el percentil de orden 0.34.
ción (acumulada) de la distribu- qnorm(0.34,mean= 16, sd= 2)
ción normal con media 16 y des-
viación estándar 2. ## [1] 15.17507
Nota 21.4 (¿Cómo interpretar la desviación típica?) Hemos vis-

to cómo una desviación típica mayor supone una mayor variabilidad.
La variable aleatorio tiende a producir valores más dispersos. Hemos
representado la función de densidad de distintas distribuciones nor-
males y vemos cómo cuando la desviación típica es mayor entonces
la gráfica es más plana. Los valores normales se observan alrededor

de la media µ y están más o menos dispersos según el valor de σ
sea mayor o menor. Hay una interpretación sencilla de la desviación
estándar. Consideremos el intervalo [µ − σ, µ + σ], ¿qué probabilidad
tenemos de que una variable aleatoria con distribución normal esté en
este intervalo?
X −µ
P (µ − σ ≤ X ≤ µ + σ) = P (−1 ≤ ≤ 1) = P (−1 ≤ Z ≤ 1)
σ
(21.29)
siendo Z una variable con distribución normal estándar, Z ∼ N (0, 1).
Pero,
∫ +1
1 x2
P (−1 ≤ Z ≤ 1) = √ e− 2 dx =
−1 2π
∫ +1 ∫ −11
1 2 1 x2
√ e− 2 dx − √ e− 2 dx = Φ(1) − Φ(−1). (21.30)
x
−∞ 2π −∞ 2π
Vamos a calcular la diferencia anterior utilizando R.
pnorm(1,mean=0,sd=1) - pnorm(-1,mean=0,sd=1)
## [1] 0.6826895
Por tanto, si X es una variable aleatoria con distribución normal

con media µ y desviación típica σ entonces la probabilidad de que la
variable esté entre µ − σ y µ + σ es
P (µ − σ ≤ X ≤ µ + σ) = 0.6826895. (21.31)
De un modo análogo si consideramos el intervalo [µ − 2σ, µ + 2σ]

entonces
P (µ − 2σ ≤ X ≤ µ + 2σ) = P (−2 ≤ Z ≤ 2) (21.32)
que viene dado por
## [1] 0.9544997
Y finalmente si consideramos el intervalo [µ − 2σ, µ + 2σ] se tiene
P (µ − 3σ ≤ X ≤ µ + 3σ) = P (−3 ≤ Z ≤ 3) (21.33)
que es igual a
## [1] 0.9973002
En la tabla 21.3 tenemos las probabilidades que hemos calculado.

De un modo sencillo podemos decir: la variable dista de la media
en una desviación estándar con una probabilidad de 0.68,
en dos desviaciones con una probabilidad de 0.95 y en tres
desviaciones estándar con una probabilidad de 0.99.
P (µ − σ ≤ X ≤ µ + σ) 0.6826895
P (µ − 2σ ≤ X ≤ µ + 2σ) 0.9544997
P (µ − 3σ ≤ X ≤ µ + 3σ) 0.9973002
Tabla 21.3: Probabilidad de que la variable diste de la media en un

número dado de desviaciones típicas
21.10 Ejercicios
Ej. 49 — Se pide:
1.Simular 100 valores con distribución normal con media 20 y des-
viación típica 3. Guardar estos valores en el vector x.
2.Calcular la media y varianza muestrales de los valores generados.
3.Comparar la media muestral observada con 20 y la varianza
muestral observada con 9 que corresponden con la media y la
varianza teóricas.
4.Repetir los apartados anteriores sustituyendo las 100 simulacio-
nes por 1000, por 10000 y por 100000. Comparar en cada caso
los valores teóricos con los valores muestrales.
Ej. 50 — Consideremos una variable aleatoria con distribución nor-

mal con media 20 y desviación típica 3. Se pide:
1.P (X ≤ 23).
2.P (X < 23).
3.P (X > 29).
4.P (X ≥ 29).
5.P (34 < X ≤ 45).
6.P (34 ≤ X ≤ 45).
Capítulo 22
Distribución muestral
22.1 Población y muestra aleatoria

Podemos tener interés en estudiar alguna característica en una
población grande. Por ejemplo, la población puede ser una población
animal o vegetal: los patos de la Albufera; las palmeras de la provincia
de Valencia; una especie de pájaros en la provincia de Alicante; toda
la población española, etc.
Fijémonos en las palmeras de la provincia de Valencia. Suponga-
mos que la característica que nos interesa es si la palmera está afecta-
da por el picudo rojo. Queremos conocer la proporción p de palmeras
afectadas por la plaga. Para ello lo que podemos hacer es recorrer toda
la provincia e ir palmera por palmera observando si el picudo ha afec-
tado a la palmera. Cuando hayamos observado todas las palmeras la
proporción de palmeras afectadas será el cociente entre el número de
palmeras afectadas y el número total de palmeras que hay. Realmen-
te no es difícil. Sin embargo, parece laborioso, caro y, posiblemente,
innecesario. Es más barato (y esperemos que suficiente) elegir al azar
un conjunto de n palmeras (con un número n no muy grande) y ob-
servar su estado. Es decir, tomar una muestra aleatoria de palmeras
y, con lo que observamos en la muestra, intentar estimar el valor de
la proporción en toda la población o proporción poblacional.
22.2 Distribución muestral de una varia-

ble binomial
Ejemplo 22.1 Tenemos una población de individuos. Intentamos es-
tudiar la prevalencia de una enfermedad no muy frecuente, la hida-
tidosis. Vamos a suponer que la proporción real de personas con la
enfermedad es p = 0.034.
N=2374560
X = rbinom(N,size=1,prob=.034)
Hemos numerada a la población y guardado los datos en el vector

X. Si la i-ésima persona tiene la enfermedad entonces guardamos en
la posición i del vector X un valor uno, si no la tiene guardamos un
valor cero. Por ejemplo, los 10 primeros individuos de la población
son
353
354 CAPÍTULO 22. DISTRIBUCIÓN MUESTRAL
X[1:10]
## [1] 0 0 0 0 0 0 0 0 0 0
Y el individuo que ocupa la posición 100000 es
X[100000]
## [1] 0
Ahora vamos a simular el muestreo aleatorio de la población. To-

mamos una muestra de tamaño n = 100 y observamos la proporción
de personas enfermas en la muestra.
n = 100
x = sample(X,n)
x
## [1] 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
## [23] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [45] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
## [67] 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
## [89] 0 0 0 0 0 0 0 0 0 0 0 0
De hecho el total de individuos enfermos en la muestra lo podemos

ver con
sum(x)
## [1] 4
Repitiendo el proceso obtenemos
x = sample(X,100)
sum(x)
## [1] 2
Y si lo hacemos como unas 20 veces obtenemos los siguientes va-

lores observados
## [1] 3 5 5 2 3 2 3 7 6 4 4 0 4 4 2 4 6 3 3 2
Si, en lugar de contar el número de enfermos observados, nos

fijamos en la proporción observada tenemos
sumas/n
## [1] 0.03 0.05 0.05 0.02 0.03 0.02 0.03 0.07 0.06
## [10] 0.04 0.04 0.00 0.04 0.04 0.02 0.04 0.06 0.03
## [19] 0.03 0.02
¿Con qué frecuencia observamos 3 enfermos?

La obtenemos con la expresión
( )
n
.0343 (1 − 0.034)97
3
22.3. DISTRIBUCIÓN MUESTRAL DE LA MEDIA BAJO NORMALIDAD355
En general si en una selección aleatoria de n individuos contamos el

número de individuos con la enfermedad (que entendemos como el
número de éxitos) entonces
( )
n k
P (X = k) = p (1 − p)n−k
k
siendo p la proporción en la población de enfermos (que en nuestro

ejemplo estamos suponiendo p = 0.034).
22.2.1 Ejercicios
Ej. 51 — 254 Muchos equipos de investigación pretenden realizar un 254 [152, pág. 79, problemas
estudio sobre el porcentaje de personas que tienen cáncer de colon. 2-3]
Si una muestra aleatoria de diez personas se pudo obtener, y si la
probabilidad de probabilidad de tener cáncer de colon es 0.05, ¿cuál
es la probabilidad de que un equipo de investigación obtenga p̂ = 0.1?
¿Y la de p̂ = 0.05?
Ej. 52 — 255 Alguien afirma que la probabilidad de perder dinero 255

[152, pág. 80, problema 4]
cuando se utiliza una estrategia de inversión para la compra y venta
de los productos básicos es de 0.1. Si esta afirmación es correcta: ¿cuál
es la probabilidad de obtener p̂ ≤ 0.05 sobre la base de una muestra
aleatoria de 25 de los inversores?
Ej. 53 — 256 Imaginemos que un millar de equipos de investigación 256 [152, pág. 80, problemas
extraen una muestra al azar de una distribución binomial con p = 0.4, 6-7]
cada estudio está basado en una muestra de tamaño 30. Tendremos
1000 valores de p̂. Si promediamos estos 1000 valores: ¿Cuál sería
aproximadamente el resultado? Si calculamos la varianza muestral de
los valores de p̂: ¿Cuál sería aproximadamente el resultado?
22.3 Distribución muestral de la media ba-

jo normalidad
Supondremos que es una población normal con media µ = 160 y
una desviación estándar de 10.23. Podría corresponder con la altu-
ra de los individuos. Suponemos que hay N = 237456 personas en
la población en estudio. Como no vamos a medir a tantas personas
ahorramos tiempo generando aleatoriamente estos valores.
N = 237456
X = rnorm(N,mean=160,sd=10.23)
Es una población de 2.37456×105 individuos. Por X estamos deno-

tando toda la población. Es decir, suponemos (de un modo irreal) que
tenemos a toda la población. Podemos ver los 10 primeros elementos
de la población con
X[1:10]
## [1] 143.7714 148.5352 151.5329 151.3984 175.6894

## [6] 172.3557 164.0881 176.9400 148.9404 142.8552
30000
356 CAPÍTULO 22. DISTRIBUCIÓN MUESTRAL 20000
count
La figura 22.1 tenemos un histograma de toda la población. La
figura 22.2 tiene un estimador kernel de la densidad de probabilidad. 10000
Como conocemos toda la población podemos conocer su media o

media poblacional y vale:
0
125 150 175 200
(mu=mean(X)) X
Figura 22.1: Histograma de la po-

## [1] 160.0128 blación de alturas.
Tomamos una muestra de n = 100 individuos de la población con

0.04
la función sample.
0.03
n = 100
x = sample(X,n)
density
0.02
Parece natural aproximar o, dicho con propiedad, estimar el valor 0.01
desconocido de µ con la media muestral. Veamos el valor:
mean(x) 0.00
110 130 150 170 190 210

X
## [1] 157.9384
Figura 22.2: Estimador kernel de
la densidad de las alturas.
Si repetimos la selección de los individuos y el cálculo de la media
muestral tenemos
x = sample(X,n)
mean(x)
## [1] 158.9058
Podemos repetirlo muchas veces e iremos obteniendo valores dis-

tintos. En la figura ?? estimador kernel de la densidad de los valores
generados.
161.5
Supongamos que repetimos lo anterior pero incrementando el ta-
161.0
maño de la muestra. En lugar de tomar muestras de tamaño 100
pasamos a tomar muestras de tamaño 400. En la figura ?? mostramos
160.5
las medias muestrales obtenidas para diferentes muestras. Las medias
Sample mean
160.0
muestrales están mucho más próximas a la media poblacional.
Finalmente supongamos que tomamos muestras de tamaño cre-
159.5
ciente y mostramos en abscisas el tamaño de la muestra y en ordena-
159.0
das la media muestral observada. En la figura 22.3 tenemos el resulta-
do. Lo repetimos. En la figura ?? tenemos las medias observadas. No
158.5
0 5000 10000 15000 20000

obtenemos las mismas medias muestrales pero si un comportamiento
Sample size
aleatorio similar.
Figura 22.3: Generamos muestras Si denotamos la muestra aleatoria que estamos extrayendo de la
de tamaño creciente. Calculamos población con X1 , . . . , Xn entonces la media muestral (que utilizare-
la media muestral de cada mues- mos para estimar la media poblacional) tiene una distribución (o se
tra. En el eje de abscisas mostra-
mos el tamaño de la muestra que
distribuye como) una normal con media µ (la media poblacional) y con
2
hemos generado. En el eje de or-
2
varianza σX̄ n
= σn , la varianza poblacional dividida por el tamaño de
denadas en valor observado de la la muestra. De un modo resumido esto se expresa con
media muestral. La línea horizon-
tal muestra la media poblacional. σ2
Vemos cómo las medias muestra- X̄n ∼ N (µ, ) (22.1)
les se aproximan a la media de la n
población. si X1 , . . . , Xn son variables aleatorias independientes y con distribu-
ción
Xi ∼ N (µ, σ 2 ), con i = 1, . . . , n.
22.3. DISTRIBUCIÓN MUESTRAL DE LA MEDIA BAJO NORMALIDAD357
El resultado dado en 22.1 también lo podemos expresar como
√ X̄n − µ
n ∼ N (0, 1) (22.2)
σ
Nos interesa conocer probabilidades como
P (X̄ ≤ b)
o en general probabilidades como
P (a ≤ X̄ ≤ b)
donde a y b son valores que nos pueden ir interesando dependiendo

del problema.
Ejemplo 22.2 Por ejemplo, supongamos que nos interesa saber qué
probabilidad tiene la media muestral de ser menor que 162. Como
estamos suponiendo que conocemos toda la población podemos tomar
como varianza la de toda la población.
sigma = sd(X)
Y la probabilidad la podemos obtener con
pnorm(162,mean=mu,sd=sigma/sqrt(n))
## [1] 0.9741615
¿Qué probabilidad tenemos de que la media esté entre 159 y 162?
pnorm(162,mean=mu,sd=sigma/sqrt(n)) -
pnorm(159,mean=mu,sd=sigma/sqrt(n))
## [1] 0.8135001
¿O de que sea mayor que 160?
1 - pnorm(160,mean=mu,sd=sigma/sqrt(n))
## [1] 0.5050096
Si ∫ x
1 (t − µ)2
Φ(x) = √ exp − dt.
−∞ 2πσ 2σ 2
lo que estamos haciendo con R es simplemente aplicar que
P (X̄ ≤ b) = Φ(b)
o
P (a ≤ X̄ ≤ b) = Φ(b) − Φ(a)
o
P (a ≤ X̄) = 1 − Φ(a)
22.3.1 Ejercicios
Ej. 54 — 257 Supongamos n = 16, σ = 2 y µ = 30. Supongamos 257
[152, pág. 84, problema 8]
normalidad. Determinar:
1.P (X̄ ≤ 29),
2.P (X̄ > 30.5),
3.P (29 ≤ X̄ ≤ 31).
258
[152, pág. 84, problemas Ej. 55 — 258 Alguien dice que dentro de un determinado barrio, el
10-11] coste medio de una casa es de µ = 100000 euros con una desviación es-
tándar de σ = 10.000 euros. Supongamos que, basándonos en n = 16
viviendas, observamos una media muestral X̄ = 95.000. Suponiendo
normalidad, ¿cuál es la probabilidad de obtener una media muestral
como la observada o menor si las afirmaciones sobre la media y desvia-
ción estándar son verdaderas? ¿Y la probabilidad de tener una media
muestral entre 97500 y 102500 euros?
259
[152, pág. 85, problema Ej. 56 — 259 Supongamos que eres un profesional de la salud in-
13] teresado en los efectos de la medicació en la presión arterial diastólica
de las mujeres adultas. Para un medicamento en particular que es-
tá siendo estudiado, se encuentra que para n = 9 mujeres, la media
muestral es X̄ = 85 y la varianza muestral es s2 = 160.78. Estimar
el error estándar de la media muestral asumiendo que tenemos una
muestra aleatoria.
260
[152, pág. 85, problema Ej. 57 — 260 Una compañía afirma que las primas pagadas por sus
12] clientes para el seguro de automóviles tiene una distribución normal
con media µ = 750 euros y desviación estándar σ = 100 euros. Su-
poniendo normalidad, ¿cuál es la probabilidad de que para n = 9
clientes elegidos al azar, ¿la media muestral tome un valor entre 700
y 800 euros?
22.4 Distribución muestral de la media en

poblaciones no normales. Teorema cen-
tral del límite
El resultado que damos en 22.1 es aproximadamente cierto incluso
aunque los datos no sigan aproximadamente una distribución normal.
22.4.1 Aproximación de la distribución binomial

Con datos binomiales, el estimador de la proporción p, p̂ podemos
verlo como una media muestral
∑n
Xi
p̂ = i=1 ,
n
donde Xi = 1 si hay un éxito en la i-ésima prueba de Bernoulli.
Utilizando el teorema central del límite tenemos que
p̂ − p
Z=√ . (22.3)
p(1 − p)/n
22.4. DISTRIBUCIÓN MUESTRAL DE LA MEDIA EN POBLACIONES NO NORMALES. TEOREMA
Si n es suficientemente grande tenemos que para cualesquiera valores

reales a y b tenemos
P (a ≤ p̂ ≤ b) =
P (p̂ ≤ b) − P (p̂ ≤ a) =
b−p a−p
P (Z ≤ √ ) − P (Z ≤ √ ). (22.4)
p(1 − p)/n p(1 − p)/n
La calidad de la aproximación depende los valores de n y de p. Una

regla simple es que la aproximación es buena si np ≥ 15 y n(1 − p) ≥
15.
22.4.2 Ilustración del teorema central del límite

Hemos utilizado en la sección anterior este resultado probabilísti-
co. El teorema central del límite dice que si tenemos variables aleato-
rias X1 , X2 , . . . independientes entre sí y con una misma distribución1
entonces la media muestral se comporta asintóticamente según una
distribución normal. En concreto, si la media y varianza común a
todas las variables son µ and σ 2 entonces
( )
X̄n − µ
lim P √ ≤ z = P (Z ≤ z) (22.5)
n→+∞ nσ
donde Z es una variable con distribución normal con media 0 y va-

rianza 1, es decir, una normal estándar o típica.
22.4.3 Ejercicios
Ej. 58 — 1.Supongamos una distribución binomial con p = 0.5
y n = 10 y queremos calcular la probabilidad de que p̂ sea menor
o igual a 7/10. Obtener el valor exacto y el valor aproximado
utilizando la aproximación dada por el teorema central del límite.
2.Repetir el punto anterior obteniendo el valor exacto y el valor
aproximado de P (0.3 ≤ p̂ ≤ 0.7).
Ej. 59 — 1.Supongamos una distribución binomial con p = 0.5 y

n = 100 y queremos calcular la probabilidad de que p̂ sea menor
o igual a 0.55. Obtener el valor exacto y el valor aproximado
utilizando la aproximación dada por el teorema central del límite.
2.Repetir el punto anterior obteniendo el valor exacto y el valor
aproximado de P (0.45 ≤ p̂ ≤ 0.55).
1 En definitiva repetimos independientemente un mismo experimento y obser-
vamos una misma cantidad cada vez.

Capítulo 23
Estimación
23.1 Introducción
Tratamos el problema de la estimación. En concreto, en poblacio-
nes normales, nos planteamos la estimación de la media y varianza.
También consideramos la estimación de una proporción. Se aborda
el problema del cálculo del tamaño de la muestra para estimar los
parámetros con un error máximo dado.
23.2 La población
¿Qué es una población? La Estadística se ocupa del estudio de
grandes poblaciones. Pero, otra vez, ¿y qué es una población? La
respuesta no es simple ni tampoco es única.
El primer sentido que podemos dar al término población es una
gran colección de elementos de los cuales queremos conocer algo. Al-
gunos ejemplos son:
1. la población española a día 2 de noviembre de 2011;
2. la población de samaruc el 2 de diciembre de 2010;
3. la población de fartet en la Comunidad Valenciana en febrero

de 2012;
4. Los pinos de los Montes Universales;
y muchísimos ejemplos similares. Todos los ejemplos que acabamos

de proponer se caracterizan porque toda la población está ahí y, en
principio, podríamos observarla. Podemos tener la santa paciencia de
observar todos y cada uno de los pinos de los Montes Universales.
Estos ejemplos son poblaciones finitas, es decir, son grandes conjun-
tos de individuos pero un número finito. Tenemos interés en alguna
característica de la población. Por ejemplo, ¿cuál es la longitud media
de un samaruc adulto de la Albufera? ¿Cuál es la proporción de pinos
en los Montes Universales afectados por la procesionaria?
¿Cómo podemos obtener este valor? Es una población finita y los
peces están ahí. Pues los cogemos y medimos cada uno de ellos. La
cantidad buscada no es más que la media de las longitudes de cada
uno de los peces. Simple de decir sí pero, obviamente, impracticable.
Aunque, sobre el papel, es una población accesible; realmente, es una
361
362 CAPÍTULO 23. ESTIMACIÓN
población inaccesible. No podemos acceder a toda la población. Por

ello, hemos de considerar el experimento consistente en elegir al azar
un individuo de la población. Si el individuo elegido lo denotamos
por ω, una vez lo tenemos, podemos medirlo, podemos observar la
característica que nos interesa, podemos observar la variable X en el
individuo ω, siendo x el valor que observamos. Este proceso es lo que se
denota abreviadamente como X(ω) = x. Sin embargo, no observamos
la variable aleatoria X una sola vez. Elegimos independientemente
y de la misma población de peces n individuos. Antes de elegirlos
tenemos una colección de valores aleatorios que son independientes
entre sí y que repiten el experimento. Esto es lo que se conoce como
muestra aleatoria y denotamos {X1 , . . . , Xn }. Los valores observamos
una vez hemos elegido a los n peces los denotamos con x1 , . . . , xn .
En otras ocasiones la población no es un concepto tan concreto.
Por ejemplo, estamos la demanda biológica de oxígeno en muestras
de agua tomadas en la playa de Canet d’en Berenguer. En principio,
el número de muestras es infinito. Además, aunque asumamos que
las muestras tienen un comportamiento aleatorio similar en la playa
de Canet, es claro que necesitamos indicar, al menos, el día en que
las tomamos. En este caso, la población no existe. Son las infinitas
repeticiones que podemos hacer del experimento consistente en tomar
una muestra de agua y determinar la demanda biológica de oxígeno.
23.3 Estimación puntual

Nota 23.1 (Estimando una media) Vamos a ilustrar los concep-
tos con una población finita. Y muy grande. Suponemos que tenemos
una población de 237456 personas que conocemos la altura de cada
una de las personas.1 Los datos los tenemos en el vector X.
Por ejemplo, las estaturas de las diez primeras personas (en cen-
tímetros) son
## [1] 155.0 156.6 157.4 161.9 159.2 156.0 159.3

## [8] 158.3 159.3 158.1
Por X estamos denotando toda la población. Por lo tanto la media

de la población o media poblacional la conocemos. Simplemente hemos
de realizar la media muestral de todas las estaturas.
(mu=mean(X))
## [1] 159.9931
Pretendemos estimar la media poblacional (que en nuestro ejemplo

artificial conocemos) utilizando una muestra aleatoria de 10 individuos
(una muestra no muy grande ciertamente). Podemos elegir la muestra
aleatoria con la función sample. Por ejemplo, una primera muestra
estaría compuesta por los individuos
n = 10
(x = sample(X,n))
1 Hemos tenido la santa paciencia de medir la estatura de cada uno de ellos. Y
ellos se han dejado.

23.3. ESTIMACIÓN PUNTUAL 363
## [1] 157.4714 158.0356 163.9513 164.0696 151.9937

## [6] 164.0996 159.1570 156.9069 166.9971 165.5937
Nuestra estimación sería
(mediamuestral = mean(x))
## [1] 160.8276
de modo que el error que cometemos es
mediamuestral - mu
## [1] 0.834481
Supongamos que repetimos la estimación varias veces y veamos los

diez primeros valores que obtenemos
## [1] 159.1075 160.4753 160.6225 158.7048 159.1453

## [6] 157.2618 155.9279 163.4243 158.8823 162.1287
Veamos un resumen de los errores observados.
errores = estimaciones-mu
summary(errores) 0.20

## -4.06524 -1.29182 -0.00975 -0.03127 1.26638
0.15
## Max.
density
## 4.50297 0.10
De hecho, en la figura 23.1 hemos representado un estimador kernel 0.05
de las estimaciones y una línea vertical mostrando la media real.

Así es como funciona la estimación puntual. Hemos visto una 0.00
situación irreal en que tenemos todos los valores que componen la

157.5 160.0 162.5
estimaciones
población y, por lo tanto, podemos conocer la media de la población.

Figura 23.1: Estimador kernel de
Esto no es nunca así. Conocemos una muestra aleatoria de la población la densidad de las estimaciones
que denotaremos por X1 , . . . , Xn y, con estos valores, pretendemos obtenidas eligiendo muestras de
estimar la media de la población µ. De hecho, hemos utilizado estos tamaño 10 de la población. La lí-
valores y obtenido un método para estimar µ, a esto le podemos llamar nea vertical tiene como abscisa co-
mún la media poblacional.
un estimador de µ y denotarlo como
∑
n
Xi
µ̂ = X̄n = .
i=1
n
Antes de tomar la muestra, X̄n es un valor aleatorio pero después

de tomar la muestra tenemos que X1 = x1 , . . . , Xn = xn , es decir,
que no son valores aleatorios sino unos valores dados. En el ejemplo
anterior, antes de utilizar la función sample tenemos un valor aleato-
rio pero después tenemos el valor observado correspondiente. Por lo
tanto una vez seleccionada la muestra decimos que tenemos los valo-
res observados
∑n x1 , . . . , xn y la variable aleatoria X̄n toma el valor fijo
x̄n = i=1 xi /n.
23.4 Algunas definiciones

Definición 23.1 (Muestra aleatoria) Una muestra aleatoria (de
tamaño n) son n valores aleatorios X1 , . . . , Xn que tienen la misma
distribución y son independientes entre sí.
Definición 23.2 (Estimador) Un estimador es cualquier función
de la muestra aleatoria X1 , . . . , Xn que toma valores admisibles para
el parámetro que estimamos.
23.5 Estimación puntual de la media

Si pretendemos estimar la media µ de una población su estimador
usual es la media muestral, X̄n . Si tenemos una muestra aleatoria
donde cada Xi sigue una distribución normal entonces
σ2
X̄n ∼ N (µ, ) (23.1)
n
Si las distintas variables Xi que componen la muestra no siguen una
distribución muestral entonces asumiendo que tenemos una muestra
grande el resultado que damos en 23.1 es aproximadamente cierto. En
cualquier caso, la varianza de la media muestral X̄n
23.6 Intervalo de confianza para la media

Hemos considerado en el apartado anterior la estimación puntual
de la media poblacional, µ, mediante la media muestral, X̄. Es una op-
ción natural. Otra opción puede ser estimar la media de la población
µ dando un intervalo que la contenga. En lugar de decir “estimamos
la media poblacional en 161.19”, esto es utilizar un valor numérico
exclusivamente podemos utilizar una expresión como “la media po-
blacional es mayor que 158.37 y menor que 162.79”. Este segundo
tipo de estimación es la que se hace con un intervalo de confianza.
En resumen estimamos la media poblacional µ o bien mediante un
punto (estimador puntual) o bien mediante un intervalo (estimación
por intervalos). Al primer método se le llama estimador puntual y al
segundo intervalo de confianza.
23.6.1 Asumimos que conocemos la varianza

Vamos a asumir en un primer momento algo que no tiene ninguna
realidad (raramente nos lo vamos a encontrar en una aplicación real)
pero nos facilita la presentación. En concreto asumimos que no cono-
cemos la media µ (es lo que queremos estimar) pero, sin embargo, sí
conocemos la desviación estándar, σ.
Una segunda hipótesis (que sí se verifica con frecuencia) que va-
mos a asumir es que los datos proceden de una población normal. Ya
discutiremos qué hacemos después con cada una de estas hipótesis.
Siendo µ y σ la media y la desviación típica reales, por el teo-
rema central del límite se verifica que aproximadamente (o con más
precisión si el tamaño de la muestra aleatoria, n, es grande) la me-
dia muestral√tiene una distribución normal con media µ y desviación
estándar σ/ n,
σ2
X̄ ∼ N (µ, ),
n
23.6. INTERVALO DE CONFIANZA PARA LA MEDIA 365
o, lo que es equivalente, que

√ X̄ − µ
n ∼ N (0, 1),
σ
donde N (0, 1) es una normal con media cero y varianza uno, lo que
se conoce como una normal estándar o normal típica. 2
Notemos que, asumiendo la desviación estándar conocida, en la
√
expresión n X̄−µ
σ conocemos todos los términos que aparecen (X̄, σ
y n) una vez hemos tomado la muestra salvo el valor de la media
poblacional µ. Precisamente es lo que queremos estimar.
Fijemos una probabilidad alta, por ejemplo, una probabilidad de
0.95. Podemos determinar un valor positivo c tal que
( )
√ X̄ − µ
P −c≤ n ≤ c = 0.95
σ
Por las propiedades de simetría de la normal c ha de verificar que
( )
X̄ − µ
P ≤ c = 0.975
σ
Podemos determinarlo con la función qnorm del siguiente modo.
qnorm(0.975,mean=0,sd=1)
## [1] 1.959964
En resumen que
( )
√ X̄ − µ
P − 1.96 ≤ n ≤ 1.96 = 0.95
σ
o, lo que es equivalente,
( )
σ σ
P X̄ − 1.96 √ ≤ µ ≤ X̄ + 1.96 √ = 0.95.
n n
Vemos que el intervalo [X̄ − 1.96 √σn , X̄ + 1.96 √σn ] tiene una probabi-
lidad de 0.95 de contener a µ o también de cubrir a µ. Si ahora susti-
tuimos los valores aleatorios Xi con i = 1, . . . , n con los valores obser-
vados en la muestra entonces el intervalo aleatorio [X̄ − 1.96 √σn , X̄ +
1.96 √σn ] pasa a ser un intervalo fijo [x̄ − 1.96 √σn , x̄ + 1.96 √σn ] que
conocemos como intervalo de confianza con nivel de confianza 0.95.
Nota de R 23.1 (Intervalo de confianza con R) Vamos a eva-
luarlo con R. Empezamos tomando los datos.
(x = sample(X,10))
## [1] 163.7176 168.5702 154.3190 157.4909 166.1140

## [6] 156.4414 159.6397 165.5520 158.5075 167.7663
Determinamos la media muestral y la desviación estándar mues-

tral.
2 Es equivalente porque si una variable aleatoria X suponemos que tiene distri-
bución normal con media µ y varianza σ 2 entonces la variable aleatoria (X − µ)/σ

sigue una distribución normal con media 0 y varianza 1 que se conoce como una
normal típica o normal estándar. Esto se suele indicar como: X ∼ N (µ, σ 2 ) en-
tonces (X − µ)/σ ∼ N (0, 1)
media = mean(x)
s = sd(x)
Por lo tanto el intervalo tendrá por extremo inferior
(extremo.inferior = mean(x) - qnorm(0.975,mean=0,sd=1)*sd(x)/sqrt(n))
## [1] 158.6343
y por extremo superior.
(extremo.superior = mean(x) + qnorm(0.975,mean=0,sd=1)*sd(x)/sqrt(n))
## [1] 164.9894
Si en lugar de 0.95 elegimos como nivel de confianza (utilizando

la notación habitual) 1 − α con α un valor pequeño (en el ejemplo
anterior α = 0.05) podemos determinar c que verifique
√ X̄ − µ
P (−c ≤ n ≤ c) = 1 − α
σ
o que
X̄ − µ α
P( ≤ c)) = 1 − .
σ 2
Denotamos el valor de c que verifica lo anterior como Z1− α2 . Final-
mente el intervalo
σ σ
[X̄ − Z1− α2 √ , X̄ + Z1− α2 √ ]
n n
cubre a µ con una probabilidad de 1 − α y el intervalo de confianza
es el que obtenemos cuando sustituimos los valores aleatorios por los
valores observados. Es decir, el intervalo de confianza viene dado por
σ σ
[x̄ − Z1− α2 √ , x̄ + Z1− α2 √ ]
n n
De un modo genérico: ¿Cómo podemos determinar el intervalo de
confianza que acabamos de ver? Fijamos el nivel de confianza 1 − α
(en este caso a 1 − α = 0.99 o equvalentemente α = 0.01).
alpha = 0.01
Determinamos el extremo inferior:
(extremo.inferior = mean(x) - qnorm(1-alpha/2,mean=0,sd=1)*sd(x)/sqrt(n))
## [1] 157.6359
y el superior
(extremo.superior = mean(x) + qnorm(1-alpha/2,mean=0,sd=1)*sd(x)/sqrt(n))
## [1] 165.9879
El intervalo es el siguiente:
c(extremo.inferior,extremo.superior)
## [1] 157.6359 165.9879
El último paso es rogar a Dios que las cosas hayan ido bien. Te-
nemos una confianza de 1 − α (0.99 en el ejemplo) de que el valor
real de la media esté en este intervalo. Pero esto no quiere decir que
realmente lo está. Si repetimos un gran número de veces el valor real
de la media está en el intervalo un (1−α)×100 % de la veces (un 99%
en el ejemplo) pero puede ocurrir (desgracias de la vida) que estemos
en el α × 100 (en el ejemplo un 1%) restante. En general la cosa va
bien porque elegimos un nivel de confianza grande (próximo a uno)
pero no siempre va bien.
23.6.2 No asumimos la varianza conocida

No es realista asumir que conocemos la varianza σ 2 (o la desviación
típica σ). En absoluto lo es. ¿Por qué vamos a desconocer la media
y conocer la varianza? 3 Salvo situaciones realmente esotéricas esto
no es así. En consecuencia lo lógico es sustituir
√ la desviación típica
∑n
poblacional σ por su estimador natural S = n−1 1
i=1 (X i − X̄)2 .
Si lo hacemos tendremos la cantidad
√ X̄ − µ
n . (23.2)
S
En la expresión anterior lo conocemos todo (una vez tenemos los da-
tos) excepto el valor de µ. Sin embargo, la distribución de probabilidad
de esta cantidad ya no es una normal estándar. Nos aparece una dis-
tribución de probabilidad nueva que se conoce como la distribución t
de Student. 4 √
De hecho, William Sealy Gossett demostró que la cantidad n X̄−µ S
se comporta como una t de Student con n − 1 grados de libertad. Esto
lo denotaremos como 0.4
√ X̄ − µ
∼ tn−1 .
0.3
T = n (23.3)
S
dt(u, df = 9)
0.2
En la figura 23.2 hemos representado la función de densidad de una t

0.1
de Student con 9 grados de libertad.

0.0
−3 −2 −1 0 1 2 3
Figura 23.2: Función de densidad

de una t de Student con 9 grados
de libertad
3 ¿Van por ahí los datos diciendo somos normales no te decimos la media pero
te decimos la varianza? Los pobre datos no dicen nada.

n+1
( )−(n+1)/2
4 La expresión exacta de esta densidad es f (x) = Γ(√ 2 ) 1 + t2
nπ n
∫
donde Γ(x) = 0+∞ tx−1 e−t dt es la función Gamma de Euler. La miráis y ya está.
No hace falta saberla pero por lo menos es bueno verla una vez en la vida.
Nota 23.2 (¿Qué relación tiene la t de Student con la normal?)

Hay dos puntos interesantes a tener en cuenta cuando utilizamos una
distribución t de Student. La primera es qué relación tiene con una
distribución normal estándar y la segunda es qué ocurre cuando mo-
dificamos los grados de libertad.
Para ver la relación con la normal estándar hemos representado en
0.4
la figura 23.3 la densidad de la normal en trazo continuo y la densidad

de una t de Student con 2 grados de libertad en trazo discontinuo.
0.3
Vemos que tienen una forma similar, ambas están centradas en cero.
0.2
Sin embargo, la densidad de la normal está más concentrada alrededor

de cero. La densidad de la t de Student está más repartida. Y esto
0.1
ocurre para cualquier número de grados de libertad.

0.0
−3 −2 −1 0 1 2 3
¿Qué ocurre cuando incrementamos el número de grados de liber-
x tad? Cuando se va incrementando el número de grados la densidad de
la t de Student se aproxima a la densidad de la normal. En la figura
Figura 23.3: Funciones de densi- 23.4 se ilustra y comenta este hecho.
dad de la normal estándar (tra-
zo continuo) y de densidades t de Y ahora vamos a repetir lo visto en la sección anterior sustituyendo
Student con 2 grados de libertad.
a la normal estándar con la densidad de la t de Student con n-1
grados de libertad. Dada una probabilidad, por ejemplo 0.95, podemos
determinar el valor c tal que
0.4
P (−c ≤ T ≤ c) = 0.95.
0.3
En concreto verificará que

0.2
P (T ≤ c) = 0.975
0.1
y el valor de c (por ejemplo, para 9 grados de libertad) lo obtendremos

0.0
−3 −2 −1 0 1 2 3
con
x
qt(0.975,df=9)
Figura 23.4: Funciones de densi-
dad de la normal estándar (tra- ## [1] 2.262157
zo continuo) y de densidades t de
Student con 2, 7 y 12 grados de Denotamos el valor de c tal que
libertad. Según el número de gra-
dos de libertad de la t es mayor α
más se aproxima la densidad de la
P (T ≤ c) = 1 − ,
2
t a la normal. Por ello, la más ale-
jada es la t(2) y la más próxima como tn−1,1−α/2 . Entonces
es la t(12).
S S
P (X̄ − tn−1,1−α/2 √ ≤ µ ≤ X̄ + tn−1,1−α/2 √ ) = 1 − α. (23.4)
n n
El intervalo de confianza lo obtenemos sustituyendo los valores alea-
torios por los valores observados.
Teorema 23.1 Si suponemos que tenemos una muestra aleatoria de
datos normales X1 , . . . , Xn y observamos los datos X1 = x1 , . . . , Xn =
xn entonces el intervalo
[ ]
s s
x̄ − tn−1,1−α/2 √ , x̄ + tn−1,1−α/2 √
n n
es un intervalo de confianza con nivel de confianza 1−α para la media
µ. De un un modo abreviado el intervalo anterior se puede escribir
como
s
x̄ ± tn−1,1−α/2 √
n
Nota de R 23.2 (Cálculo del intervalo de confianza con R) ¿Y

cómo hacerlo con R? Fijamos el nivel de confianza (en este caso a
0.99).
alpha = 0.01
Determinamos el extremo inferior:
(extremo.inferior = mean(x) - qt(1-alpha/2,df=n-1)*sd(x)/sqrt(n))
## [1] 156.5431
y el superior
(extremo.superior = mean(x) + qt(1-alpha/2,df=n-1)*sd(x)/sqrt(n))
## [1] 167.0806
El intervalo es el siguiente
c(extremo.inferior,extremo.superior)
## [1] 156.5431 167.0806

5
Nota 23.3 (Obtención del intervalo de confianza utilizando t.test)

No hace falta escribir todo lo anterior para calcular el intervalo de con-
fianza. El intervalo de confianza para la media lo podemos obtener con
la función t.test. De hecho, nos da el intervalo de confianza y alguna
cosa más que, de momento, no necesitamos.
alpha = 0.05
t.test(x,conf.level=1-alpha)
##
## One Sample t-test
##
## data: x
## t = 99.808, df = 9, p-value = 5.161e-15
## alternative hypothesis: true mean is not equal to 0
## 158.1444 165.4793
## mean of x
## 161.8119
Si queremos una salida en la que solamente nos aparezca el inter-

valo de confianza podemos hacer
alpha = 0.05
t.test(x,conf.level=1-alpha)$conf.int
## [1] 158.1444 165.4793

## attr(,"conf.level")
## [1] 0.95
5 Podemos comprobar que el intervalo que obtenemos asumiendo varianza co-
nocida es más pequeño que el que obtenemos asumiendo varianza desconocida.

Nota 23.4 (Evaluando el intervalo de confianza) Podemos repe-

tir el proceso de estimación muchas veces y ver en cuántas ocasiones
100
el intervalo contiene al verdadero valor de la media. Generamos 100

80
intervalos con muestras de tamaño n = 100. En la figura 23.5 hemos

representado los 100 intervalos que hemos obtenido. La línea vertical
60
indica la media poblacional. Cada segmento horizontal se ha dibujado

40
de modo que las abcisas de sus extremos corresponden con el extremo

20
inferior y superior del correspondiente intervalo de confianza.

0
156 158 160 162 164
Intervalos de confianza
Ejemplo 23.1 (Datos gse21942) Vamos a utilizar los datos tami-
data::gse21942.
Figura 23.5: Intervalos de confian-
za de la media en una población library(Biobase)
normal. Hemos simulado 100 in- data(gse21942,package="tamidata")
tervalos. La línea vertical tiene co- y = exprs(gse21942)[54651,]
mo abscisa el valor real de la me-
dia. ¿Cuántos intervalos no con- x = pData(gse21942)[,"FactorValue..DISEASE.STATE."]
tienen a la media real? Cuéntalos. y0 = y[x == "multiple sclerosis"]
Vamos a obtener el intervalo de confianza para la expresión media.

La función básica es t.test.
t.test(y0)
##
##
## data: y0
## t = 7.5787, df = 13, p-value = 4.023e-06
## 3.517188 6.321905
## mean of x
## 4.919546
Si queremos obtener el intervalo de confianza solamente podemos

hacer lo siguiente.
y0.t = t.test(y0)
y0.t$conf.int
## [1] 3.517188 6.321905

## [1] 0.95
o simplemente
t.test(y0)$conf.int
## [1] 3.517188 6.321905

## [1] 0.95
Por defecto el nivel de confianza que se elige es 0.95. Podemos

modificarlo. Bien bajándolo
t.test(y0,conf.level=.90)$conf.int
## [1] 3.769982 6.069111

## [1] 0.9
o bien tomando un nivel de confianza mayor, 0.99.
## [1] 2.964190 6.874903

## [1] 0.99
Ejemplo 23.2 Lo vamos a ilustrar con datos de los resultados de

la selectividad en la Comunidad Valenciana. Estos datos se pueden
encontrar en http://www.edu.gva.es/univ/val/prueba_acceso.htm Los
datos nos dan la media y desviación estándar muestrales de las notas
obtenidas en Matemáticas II en el examen de selectividad en la Comu-
nidad Valenciana el año 2010. Tenemos estos valores distinguiendo
por universidad y si los resultados se han obtenido en la fase general o
en la fase específica. Tenemos unos datos agregados. Conocemos unos
resúmenes de los datos pero no los datos mismos.6
Utilizando los datos de la tabla 23.1 vamos a calcular intervalos de
confianza para la nota media en cada una de las universidades y en el
total de todas las universidades. Vamos a centrarnos en los resultados
globales, esto es, la última línea de la tabla. Empezamos construyendo
un intervalo de confianza para la media global. En el siguiente código
media = 5.021
desviacion.estandar = 2.077
n = 4499
alpha = .01
(extremoinferior = media - qt(1-alpha/2,df=n-1) *
desviacion.estandar/ sqrt(n))
## [1] 4.941204
(extremosuperior = media + qt(1-alpha/2,df=n-1) *

desviacion.estandar / sqrt(n))
## [1] 5.100796
De modo que el intervalo de confianza viene dado por [4.941,5.101].

Y ahora para la nota en la fase general.
media = 4.969
n = 1724
6 No es tan extraña esta situación. Con frecuencia cuando lees un informe o
bien un artículo científico no sueles disponer de los datos originales sino de los
resúmenes que de los mismos proporcionan los autores en la publicación. Tiene
sentido e interés ver cómo calcular estos intervalos a partir de los datos resumidos.
Tabla 23.1: Resumen de los resultados de Matemáticas II. Las etiquetas indican: Matric., matriculados; Pre-
sent.,presentados; Aptos, aptos; Media, nota media; DE, desviación estándar; Present. FG, presentados fase general;
Present. FE, presentados fase específica; Aprob. FE, aprobados fase específica; Media FG, media fase general; DE
FG, desviación típica fase general; Media FE, media fase específica; DE FG, desviación típica fase específica. En filas
tenemos las universidades de Alicante (UA), la Jaume I de Castellón (UJI), la Miguel Hernández de Elche (UMH),
la Universidad de Valencia (UV) y todos los estudiantes en el Sistema de Universidades Valencianas (SUV).
Universidad Matric. Present. Aptos Media DE

UA 783 771 401 4,989 2,124
UJI 530 518 249 4,857 2,088
UMH 693 673 262 4,369 1,922
UPV 1073 1049 589 5,274 2,070
UV 1525 1488 851 5,212 2,053
SUV 4604 4499 2352 5,021 2,077
Universidad Present. FG Present. FE Aprob. FE

UA 276 495 254
UJI 213 305 148
UMH 267 406 154
UPV 422 627 357
UV 546 942 537
SUV 1724 2775 1450
Universidad Media FG DE FG Media FE DE FE

UA 5,053 1,839 4,954 2,267
UJI 4,852 1,874 4,860 2,225
UMH 4,304 1,812 4,412 1,989
UPV 5,135 1,959 5,367 2,137
UV 5,170 1,89 5,237 2,141
SUV 4,969 1,909 5,054 2,174
23.7. ERROR ABSOLUTO Y TAMAÑO DE LA MUESTRA 373
alpha = .01
(extremoinferior =
media - qt(1-alpha/2,df=n-1) * desviacion.estandar/ sqrt(n))
## [1] 4.850441
(extremosuperior =
media + qt(1-alpha/2,df=n-1) * desviacion.estandar / sqrt(n))
## [1] 5.087559
El intervalo es [4.85, 5.088]. Y terminamos con la media en la

fase específica.
media = 5.054
n = 2775
alpha = .01
(extremoinferior = media - qt(1-alpha/2,df=n-1) *
desviacion.estandar/ sqrt(n))
## [1] 4.947624
(extremosuperior = media + qt(1-alpha/2,df=n-1) *

desviacion.estandar / sqrt(n))
## [1] 5.160376
23.7 Error absoluto y tamaño de la mues-

tra
En esta sección nos planteamos (por primera vez) un problema de
cálculo de tamaño de la muestra. ¿Cuántos datos hemos de tener para
que nuestro estudio tenga validez? Es una pregunta muy genérica sin
respuesta. La respuesta necesita que concretemos más lo que queremos
de nuestros datos. En esta sección nos planteamos la siguiente pre-
gunta: ¿Cuántos datos necesitamos para que cuanto estimamos una
media poblacional el error máximo que cometemos sea menor que una
cantidad que previamente especificamos? Por ejemplo, queremos co-
nocer la concentración media de un elemento en una zona. Queremos
conocer esta cantidad, denotada por µ, con un error máximo de δ uni-
dades siendo δ una cantidad positiva que fijamos nosotros. Lo primero
que hemos de tener en cuenta es que en Estadística nunca podemos
afirmar con seguridad nada. Podemos pedir que sea muy probable o,
mejor, que tengamos mucha confianza en que ocurra pero que seguro
que ocurra es mucho pedir. Siempre hacemos afirmaciones basadas en
la probabilidad de sucesos que pueden o no ocurrir y, por lo tanto,
afirmar que nuestro error va a ser menor que un cierto nivel δ siempre
o seguro no es posible.
Vamos a responder a la pregunta anterior utilizando los datos ta-
midata::gse21942. Pretendemos estimar la expresión media en esclero-
sis múltiple del gen en fila 54651. Ya hemos determinado un intervalo
de confianza para µ con un nivel 1 − α. Por ejemplo, con α = 0.05 el
intervalo es
## [1] 3.517188 6.321905

## [1] 0.95
Tenemos una confianza de 0.95 de que el valor de µ esté dentro

(esté cubierto por) el intervalo anterior. Asumamos que la cosa ha
ido bien, esto es, asumamos que µ está dentro. No lo sabemos pero
confiamos con un nivel de confianza 0.95 que esto sea así. Pues bien,
lo asumimos. A la pregunta: ¿en cuánto estimas µ?, respondemos (sin
dudar) que en
mean(y0)
## [1] 4.919546
esto es, respondemos dando el valor de la media muestral x̄ de

las concentraciones utilizadas para calcular el intervalo. Esta media
muestral es el punto medio del intervalo. Por lo tanto si µ está en
intervalo entonces la diferencia entre µ y el centro es menor o igual
que la mitad de la longitud de dicho intervalo que vale
## [1] 2.804717
¿Qué error absoluto tenemos con la muestra que se tomó? Guar-

damos el intervalo de confianza en y0.ci.
y0.ci = t.test(y0,conf.level=.95)$conf.int
Sabemos que el error absoluto es la mitad de la longitud del inter-

valo de confianza. Lo calculamos.
(y0.ci[2] - y0.ci[1]) / 2
## [1] 1.402359
Supongamos que nos parece excesivo y pretendemos un error ab-

soluto máximo de 0.5.
¿Cuál era el tamaño muestral original?
length(y0)
## [1] 14
El intervalo de confianza para la media de una población normal

viene dado por la siguiente expresión.
[ ]
S S
X̄ − tn−1,1− α2 √ , X̄ + tn−1,1− α2 √
n n
En consecuencia, el error absoluto vendrá dado por
S
tn−1,1− α2 √
n
Esta expresión en R se calcula con el siguiente código.
23.7. ERROR ABSOLUTO Y TAMAÑO DE LA MUESTRA 375
alpha = .05
n = length(y0)
qt(1-alpha/2,df=n-1)*sd(y0)/sqrt(n)
## [1] 1.402359
Suponemos que la desviación estándar no se va a modificar mucho

si tomamos más muestras.
sd0 = sd(y0)
Fijamos un valor para el error que queremos cometer.
delta = 0.2
Se tiene que verificar

S
tn−1,1− α2 √ ≤ δ
n
Si asumimos que s es aproximadamente constante.
m = n + 10
qt(1-alpha/2,df=m-1)*sd(y0)/sqrt(m)
## [1] 1.0256
Vemos que no es suficiente. ¿Y 100 observaciones más?
m = n + 100
## [1] 0.4506785
Quizás nos hemos pasado. Veamos con 90.
m = n + 90
## [1] 0.4723448
Una manera de hacerlo sería
for(m in 80:95)
print(c(m,qt(1-alpha/2,df=m-1)*sd(y0)/sqrt(m)))
## [1] 80.0000000 0.5405073

## [1] 81.0000000 0.5370561
## [1] 82.0000000 0.5336702
## [1] 83.0000000 0.5303475
## [1] 84.0000000 0.5270861
## [1] 85.0000000 0.5238842
## [1] 86.00000 0.52074
## [1] 87.0000000 0.5176517
## [1] 88.0000000 0.5146177
## [1] 89.0000000 0.5116364
## [1] 90.0000000 0.5087064

## [1] 91.0000000 0.5058261
## [1] 92.0000000 0.5029943
## [1] 93.0000000 0.5002094
## [1] 94.0000000 0.4974704
## [1] 95.0000000 0.4947758
23.8 Estimación de la varianza en pobla-

ciones normales
Si X1 , . . . , Xn es una muestra aleatoria de una normal con media
µ y varianza σ 2 entonces
∑
n
(Xi − X̄n )2 (n − 1)S 2
= ∼ χ2n−1 .
σ2 σ2
0.10
i=1
0.08
2
Estamos diciendo que la variable aleatoria (n−1)S tiene una distribu-
dchisq(x, df = 10)
σ2
0.06
ción ji-cuadrado con n-1 grados de libertad. 7 En la figura 23.6 hemos

0.04
representado la función de densidad de una ji-cuadrado con 10 grados

de libertad.
0.02
Con objeto de ver cómo cambia la forma de la función de densi-

0.00
0 5 10 15 20 25 30 dad cuando cambia el número de grados de libertad en la figura 23.7

x
mostramos las densidades de la ji-cuadrado con 10 grados de libertad
(trazo continuo) y con 20 grados de libertad (trazo discontinuo).
Figura 23.6: Función de densidad Denotamos el percentil de orden p de una ji-cuadrado con k grados
de una ji-cuadrado con 10 grados
de libertad. de libertad como χp,k . Es decir, si la variable X se distribuye como
una ji-cuadrado con k grados de libertad, X ∼∼ χ2k , entonces
P (X ≤ χ2p,k ) = p.
0.10
0.08
El valor anterior lo podemos obtener con la función qchisq.

dchisq(x, df = 10)
0.06
p = 0.75
0.04
k = 13
0.02
qchisq(p,df=k)
0.00
0 10 20 30 40 50
x
## [1] 15.98391
Figura 23.7: Función de densidad Entonces tenemos que

de una ji-cuadrado con 10 grados
( )
de libertad (trazo continuo) y con (n − 1)S 2
20 grados de libertad (trazo dis- P χ2α/2,n−1 ≤ ≤ χ 2
1−α/2,n−1 = 1 − α.
continuo). σ2
Y por lo tanto,
( )
(n − 1)S 2 (n − 1)S 2
P ≤ σ 2
≤ = 1 − α.
χ21−α/2,n−1 χ2α/2,n−1
7 La densidad de una distribución ji-cuadrado con k grados de libertad es
1 k x
f (x) = x 2 −1 e− 2 para x ≥ 0 y cero en otro caso.
2k/2 Γ(k/2)
23.8. ESTIMACIÓN DE LA VARIANZA EN POBLACIONES NORMALES377
Es decir el intervalo
[ ]
(n − 1)S 2 (n − 1)S 2
,
χ21−α/2,n−1 χ2α/2,n−1
es un intervalo de confianza para σ 2 con nivel de confianza 1 − α.

Es claro que el correspondiente intervalo de confianza (con nivel
de confianza 1 − α) para la desviación estándar poblacional vendrá
dado por
[√ √ ]
(n − 1)S 2 (n − 1)S 2
,
χ21−α/2,n−1 χ2α/2,n−1
Veamos cómo hacerlo con R. La función que nos da los percentiles

de la ji-cuadrado es pchisq. Tomamos los datos.
n = 100
x = sample(X,100)
Y construimos el intervalo de confianza.
alpha = .05
s2 = var(x)
(extremoinferior = (n-1)*s2 / qchisq(1-alpha/2,df=n-1))
## [1] 21.71652
(extremosuperior = (n-1)*s2 / qchisq(alpha/2,df=n-1))
## [1] 38.01578
El intervalo de confianza para σ 2 con un nivel de confianza de 0.95

es [21.717, 38.016].
Capítulo 24
Contraste de hipótesis
24.1 Introducción
Se introduce el problema del contraste de hipótesis en una pobla-
ción.
En concreto, vamos a asumir que tenemos una muestra aleatoria
de una distribución normal, X1 , . . . , Xn , variables aleatorias indepen-
dientes y con una misma distribución. La distribución común que
asumimos es normal con media µ y varianza σ 2 . Es decir, estamos
asumiendo que
Xi N (µ, σ 2 )
y que los distintos valores son independientes entre si.
En este tema nos planteamos el problema del contraste de hipó-
tesis y lo estudiamos estudiando, fundamentalmente, los contrastes
sobre la media µ de la variable que observamos (concentración de
contaminante, nivel de radiación o de ruido).
Asumimos normalidad en los datos con los que trabajamos. Pero:
¿es razonable está hipótesis? Nos ocupamos al final de este tema de
lo que se conoce como contrastes de normalidad.
24.2 Constrastes para una muestra

Vamos a plantear el problema del contraste de hipótesis utilizando
el problema de una muestra en poblaciones normales.
24.2.1 Un contraste unilateral

Empezamos comentando un ejemplo que nos ayude a entender el
problema del contraste de hipótesis.
Ejemplo 24.1 (Un problema inventado) Un fabricante de bom-
billas afirma que sus bombillas tienen una duración media de al menos
1500 horas. Muy bien, esta persona afirma esto. Nuestro problema es
tomar una entre dos decisiones. Admitir que lo que afirma es correcto
o bien que no lo es y la duración media real es claramente menor
que 1500. Lo primero que necesitamos para tomar la decisión son
datos. Hemos tomado una muestra de bombillas y hemos repetido el
experimento consistente en tenerlas en funcionamiento ininterrumpi-
do hasta que la bombilla deja de funcionar.1 En definitiva tenemos
1 Alguna bombilla dura algo más. http://www.centennialbulb.org/index.htm.
379
380 CAPÍTULO 24. CONTRASTE DE HIPÓTESIS
una muestra aleatoria de duraciones de bombillas de este fabricante.

Supongamos que las duraciones observadas son
## [1] 1742.3 1306.8 1310.5 1509.2 1211.7 1177.3

## [7] 1622.3 1051.9 1470.8 1408.8 1550.2 1375.1
## [13] 1210.3 2091.8 1607.8 1396.2 1307.0 1427.5
## [19] 1607.4 1431.1 2086.8 1667.8 1659.9 1495.3
## [25] 1251.4 1135.3 1595.0 1612.1 1328.9 1555.0
## [31] 1939.2 1992.0 1555.5 1902.2 1261.7 1920.0
## [37] 1419.2 1927.3 1188.9 1363.4 1458.5 1706.3
## [43] 2032.8 1751.9 1766.6 1111.4 1672.1 1602.6
## [49] 1491.4 1636.5 1396.7 1614.8 1809.7 1529.5
## [55] 2070.2 2021.9 1892.9 1661.3 1468.7 1265.1
## [61] 1569.9 1753.7 1986.8 1324.9 1373.4 1785.6
## [67] 1624.5 962.3 1484.7 1905.8 1884.8 1640.5
## [73] 1912.0 1794.9 1497.7 2158.2 2222.1 1796.2
## [79] 1183.5 1314.7 1272.7 1439.5 1928.9 2304.5
## [85] 2079.1 2016.7 1493.3 1590.0 1421.1 1943.5
## [91] 1951.3 1378.1 1195.5 1435.4 1395.1 1381.3
## [97] 1345.8 1827.2 1646.1 1845.5
La afirmación del fabricante la consideramos como una hipótesis

que hemos de evaluar. En concreto nos planteamos dicha hipótesis y
su negación. De un modo más preciso la hipótesis de una duración
media menor o igual a 1500 y su negación serían
H0 : µ ≤ 1500,
H1 : µ > 1500,
donde H0 y H1 son las hipótesis nula y alternativa respectivamente.2

Hemos de elegir entre una de ellas. Elegir supone decidir. Hemos
de decidir, con los datos que tenemos sobre las duraciones de las
bombillas, cuál de las hipótesis es más compatible con los datos: la nula
o la alternativa. Esto supone tomar una decisión: bien rechazamos la
hipótesis nula o bien no rechazamos la hipótesis nula.
¿Y cómo decidimos? El procedimiento que se utiliza es tomar una
función de la muestra aleatoria, T (X1 , . . . , Xn ), y en función de los
valores que toma decidir. En este contraste, el estadístico habitual-
mente utilizado es el siguiente
X̄n − 1500
T = √ . (24.1)
S/ n
Si consideramos los valores observados tenemos

x̄n − 1500
t0 = √ , (24.2)
s/ n
que toma el siguiente valor
2 En algunos textos se denotan las hipótesis nula y alternativa como H y H

0 a
respectivamente.
24.2. CONSTRASTES PARA UNA MUESTRA 381
(t0 = (mean(x) - 1500) / (sd(x)/sqrt(n)))
## [1] 3.337196
Si observamos la definición de T parece razonable definir como

regla de decisión: rechazamos la hipótesis nula si
T ≥c
donde c es un valor que elegiremos adecuadamente. Si asumimos que

la media poblacional es µ = 1500, es decir, el valor límite entre am-
bas hipótesis entonces se verifica que T (definido en 24.1) sigue una
distribución t de Student con n-1 grados de libertad, es decir,
X̄n − 1500
T = √ ∼ tn−1 . (24.3)
S/ n
Supongamos que no queremos equivocarnos rechazando la hipótesis

nula cuando es cierta más que un 5 % de las ocasiones. Al error que
cometemos cuando hacemos esto se le llama error tipo I. Esto supone
que, colocándonos en la situación límite entre las hipótesis nula y
alternativa, hemos de elegir el valor de la constante c de modo que
P (T ≥ c) = 0.05, (24.4)
o, equivalentemente, que
P (T ≤ c) = 1 − 0.05 = 0.95. (24.5)
La constante c es el percentil o cuantil de orden 0.95 de una distribu-

ción t de Student con n-1 grados de libertad que denotamos tn−1,0.95 .
El valor de c lo podemos calcular con R con el siguiente código
qt(.95,df=99)
## [1] 1.660391
ya que n = 100. Ya lo tenemos todo. El valor observado de T es

t0 .
t0
## [1] 3.337196
Como t0 es mayor que tn−1,0.95 rechazamos la hipótesis nula lo que

indica que el fabricante no mentía: sus bombillas tienen una duración
media superior a 1500.
Gráficamente podemos representar lo que acabamos de hacer. En la
figura 24.1 representamos la densidad cuando la media vale µ0 = 1500.
En línea discontinua más a la izquierda (trazo discontinuo) indicamos
la posición del estadístico t0 .
## pdf
## 2
Figura 24.1: Contraste unilateral

Realidad
Decisión H0 H1
Rechazamos H0 Error tipo I
No rechazamos H0 Error tipo II
Tabla 24.1: Errores que podemos cometer en un problema de contraste

de hipótesis.
Y ahora planteamos el problema de un modo genérico. Considera-

mos el contraste de hipótesis.
H0 : µ ≤ µ0 ,
H1 : µ > µ0 .
Hemos de tomar una entre dos posibles decisiones: rechazamos la hi-

pótesis nula o bien no rechazamos la hipótesis nula. Un problema de
contraste de hipótesis consiste en tomar una decisión. Cuando deci-
dimos nos equivocamos.3 De hecho, nos podemos equivocar de dos
modos. El primer tipo de error consiste en rechazar la hipótesis nula
cuando realmente es cierta, el error tipo I. Es el error al que tradi-
cionalmente se le ha prestado más atención. Se considera el error a
controlar. Por ello, se le pone una cota, un valor máximo. Esta cota es
el nivel de significación α. El valor más habitual para α es 0.05. Otros
valores que habitualmente se utilizando son 0.01 o 0.1. El otro posi-
ble error consiste en no rechazar la hipótesis nula cuando realmente
no es cierta. Es el error tipo II. Como todo error ha de ser pequeño.
Este tipo de error lo podemos controlar utilizando muestras grandes.
Fijamos un α y con más muestra tendremos un menor error tipo II.
El procedimiento para realizar un contraste de hipótesis es el si-
guiente:
1. Planteamos el contraste de hipótesis.
2. Fijamos un nivel de significación α.
3. Tomamos los datos.
4. Evaluamos el valor del estadístico.
5. Si el estadístico está en la región crítica rechazamos la hipótesis
nula. En otro caso, no rechazamos dicha hipótesis nula.
Suponemos fijado α. Calculamos el estadístico.
X̄n − µ0
T = √ (24.6)
S/ n
y el valor observado
x̄n − µ0
t0 = √ . (24.7)
s/ n
Bajo la hipótesis de que la media poblacional µ vale µ0 , µ = µ0 , se
tiene que
X̄n − µ0
T = √ ∼ tn−1 , (24.8)
S/ n
3 Algunos sostienen que lo mejor en la vida es no tomar decisiones. Que las cosas
pasen y asumirlas.
y t0 sería un valor observado de una variable aleatoria con distribución

t con n-1 grados de libertad.
Supongamos que queremos (es una elección del decisor que somos
nosotros) un error tipo I que sea menor o igual a α (habitualmente
0.05, 0.01 o 0.1) entonces la regla de decisión es:
• Rechazamos H0 si T > tn−1,1−α , o dicho de otro modo, recha-
zamos si T ∈ [tn−1,1−α , +∞).
• En otro caso, no rechazamos H0 .
Si denotamos C = [tn−1,1−α , +∞) entonces estamos rechazando cuan-
do el valor del estadístico está en C. Rechazamos H0 si T ∈ C y no la
rechazamos en otro caso. A este intervalo le llamamos región crítica.
Lo que acabamos de hacer se puede hacer de otro modo.
1. Supongamos que calculamos el área a la derecha de t0 en una t
de Student con n − 1 grados de libertad. Este valor lo vamos a
denotar con la letra p y recibe el nombre de p-valor. Es decir, el
p-valor viene dado por
p = P (T ≥ t0 )dondeT ∼ tn−1 .
El p-valor lo podemos calcular con el siguiente código.
(pvalor=1-pt(t0,df=n-1))
## [1] 0.0005965143
2. Las dos afirmaciones siguientes son equivalentes:

(a) Se verifica que t0 > tn−1,1−α y por lo tanto rechazamos la
hipótesis nula.
(b) El área a la derecha de t0 sea menor que α.
Es equivalente que a que el área a la derecha de t0 sea menor que el
área a la derecha de tn−1,1−α . El área a la derecha de t0 es el valor
de p o el p-valor mientras que el área a la derecha de tn−1,1−α es
α. Por tanto, la misma regla de decisión que estamos empleando se
puede formular como: rechazamos la hipótesis nula H0 si p < α y no
rechazamos si p ≥ α. En la figura 24.2 el p-valor es el área de la zona
en color negro.
## pdf
## 2
Ejemplo 24.2 (Función t.test para contrastar) Vamos a reali-

zar el contraste utilizando la función t.test.
t.test(x,mu=1500,alternative="greater") Figura 24.2: El p-valor correspon-

de con el área sombreada.
##
##
## data: x
## t = 3.3372, df = 99, p-value = 0.0005965

## alternative hypothesis: true mean is greater than 1500
## 1548.743 Inf
## mean of x
## 1597.009
Vemos cómo la función no nos da el valor a partir del cual recha-

zamos. Simplemente nos indica el p-valor y la hipótesis alternativa.
¿Qué hipótesis nula tenemos? La hipótesis nula la obtenemos por ne-
gación de la alternativa que nos da la salida. Y la decisión la hemos
de tomar nosotros que, al fin y al cabo, somos el decisor. El nivel de
significación α lo hemos elegido a priori. Si trabajamos con un nivel
de significación α = 0.05 entonces podemos ver en la salida anterior
que dicho p-valor es menor que 0.05 y rechazamos la hipótesis nula.
Ahí se acaba la historia. Un contraste de hipótesis se acaba cuando se
ha tomado una decisión.
Ejemplo 24.3 Utilizamos los datos tamidata::gse21942. Son datos

de expresión con microarrays en los que se compara la expresión entre
enfermos de esclerosis múltiple y sanos. Consideramos el gen con
identificador Affymetrix y cuyo perfil de expresión aparece en la fila
54651 de la matriz de expresión.
y = exprs(gse21942)[54651,]
x = pData(gse21942)[,"FactorValue..DISEASE.STATE."]
Nos fijamos en los individuos con la enfermedad (14 primeras

muestras).
y0 = y[1:14]
¿Su media es significativamente menor a 6?
H0 : µ ≥ 6,
H1 : µ < 6.
El contraste se puede hacer con dos procedimientos equivalentes.

Primer procedimiento 1. En primer lugar elegimos el nivel de
significación α.
2. Calculamos el estadístico T = t0 definido en ecuación 24.6.
3. Rechazamos la hipótesis nula si t0 < tn−1,α y no rechaza-
mos en otro caso.
Segundo procedimiento 1. Elegimos el nivel de significación α.
2. Calculamos el estadístico T = t0 definido en ecuación 24.6.
3. Calculamos el área a la izquierda de t0 en una t de Student
con n-1 grados de libertad. Este es el valor p o p-valor.
4. Rechazamos la hipótesis nula si p < α y no rechazamos en
otro caso.
Hagámoslo con R. Tenemos n = 14. Tomamos α = 0.05. El esta-

dístico vale
n = 14
mu0 = 7
(t0 = (mean(y0) - mu0) / (sd(y0)/sqrt(n)))
## [1] -3.204991
Determinamos el punto a partir del cual rechazamos: tn−1,α
alpha = 0.05
qt(alpha,df=n-1)
## [1] -1.770933
Como t0 < tn−1,α entonces rechazamos la hipótesis nula.

El segundo procedimiento es más simple de aplicar y es el que
usaremos.
t.test(y0,mu=mu0,alternative="less")
##
##
## data: y0
## t = -3.205, df = 13, p-value = 0.00345
## alternative hypothesis: true mean is less than 7
## -Inf 6.069111
## mean of x
## 4.919546
Como el p-valor es notablemente menor que 0.05 rechazamos la

hipótesis nula.
24.2.2 Y, finalmente, el contraste bilateral

Suponemos que queremos valorar si la media de la variable de
interés podemos considerar que toma un valor próximo a µ0 . ¿Cómo
formulamos el contraste? El contraste lo formularíamos como:
H0 : µ = µ0 ,
H1 : µ ̸= µ0 .
El contraste se puede hacer con dos procedimientos equivalentes.

Primer procedimiento 1. En primer lugar elegimos el nivel de
significación α.
2. Calculamos el estadístico T = t0 (definido en ecuación
24.6).
3. Rechazamos la hipótesis nula si t0 < 1 − tn−1,1−α/2 o bien
si t0 > tn−1,1−α/2 y no rechazamos en otro caso.
Segundo procedimiento 1. Elegimos el nivel de significación α.

2. Calculamos el estadístico T = t0 (definido en ecuación
24.6).
3. Calculamos el área a la izquierda de −|t0 | más a la derecha
de |t0 | en una t de Student con n-1 grados de libertad. Este
es el valor p o p-valor.
4. Rechazamos la hipótesis nula si p < α y no rechazamos en
otro caso.
Ejemplo 24.4 Seguimos con los datos del ejemplo 24.3. Nos plan-
teamos saber Supongamos que nos planteamos contrastar si estamos
alrededor de una concentración de 5. El contraste es pues el siguiente:
H0 : µ = 5,
H1 : µ ̸= 5.
t.test(y0,alternative="two.sided",mu=5)
##
##
## data: y0
## t = -0.12394, df = 13, p-value = 0.9033
## 3.517188 6.321905
## mean of x
## 4.919546
Con el p-valor 0.9033 no podemos rechazar la hipótesis nula a

ninguno de los niveles de significación habituales de 0.01 o 0.05 o 0.1.
¿Y de 7? El contraste es ahora:
H0 : µ = 7,
H1 : µ ̸= 7.
Realizamos el contrate.
t.test(y0,alternative="two.sided",mu=7)
##
##
## data: y0
## t = -3.205, df = 13, p-value = 0.006901
## 3.517188 6.321905
## mean of x
## 4.919546
24.3. INTERVALO DE CONFIANZA Y CONTRASTE DE HIPÓTESIS387
El p-valor 0.0069 es menor que el nivel de significación y por lo

tanto rechazamos la hipótesis nula con un nivel de significación de
0.05. Notemos que el argumento alternative toma el valor two.sided
por defecto. @
24.3 Intervalo de confianza y contraste de

hipótesis
Hemos estudiado cómo estimar, mediante un intervalo de confian-
za, la media de una variable normal. El intervalo de confianza√ con un
nivel de confianza
√ 1 − α viene dado por [x̄n − t n−1,1−α/2 s/ n, x̄n −
tn−1,1−α/2 s/ n]. Supongamos que tomamos µ0 en este intervalo. Nos
planteamos el siguiente contraste:
H0 : µ = µ0 ,
H1 : µ ̸= µ0
y pretendemos contrastar estas hipótesis con un nivel de √ significación

α. Si calculamos el valor del estadístico t0 = (x̄n −µ0 )/(s/ n) tenemos
que se verifica que |t0 | ≤ tn−1,1−α/2 y por lo tanto no rechazamos la
hipótesis nula consistente en que la verdadera media de la población
µ toma el valor µ0 .
Este resultado lo hemos formulado referido a la media de una po-
blación normal. Sin embargo, es un resultado válido en general. Si
suponemos que tenemos un parámetro de toda la población (media,
varianza, desviación estandar en poblaciones normales o bien la proba-
bilidad de éxito en poblaciones binomiales) que vamos a denotar de un
modo genérico como θ. Tenemos un intervalo de confianza (con un ni-
vel de confianza 1−α) para θ que depende de la muestra {x1 , . . . , xn } y
que denotamos por [A(x1 , . . . , xn ), B(x1 , . . . , xn )] o simplemente como
[A, B]. Entonces, si A ≤ θ0 ≤ B y consideramos el contraste bilateral
H0 : θ = θ 0 ,
H1 : θ ̸= θ0
no rechazaremos la hipótesis nula con un nivel de significación α.

Y viceversa: si consideremos todos los valores θ0 para los cuales no
rechazamos la hipótesis nula (con un nivel de significación α) en el
contraste formulado anteriormente tenemos un intervalo de confianza
para θ con nivel de confianza 1 − α.
Ejemplo 24.5 Vamos a ilustrar con los datos del ejemplo 24.3. Re-
cuperamos el contraste de si la media sobre los individuos enfermos
es 5.
t.test(y0,alternative="two.sided",mu=5,conf.level=0.95)
##
##
## data: y0
## t = -0.12394, df = 13, p-value = 0.9033

## 3.517188 6.321905
## mean of x
## 4.919546
Podemos comprobar que si tomamos como valores para la media µ

cualquier valor µ0 que esté en el intervalo de confianza el p valor que
observaremos para el contraste H0 : µ = µ0 frente a H1 : µ ̸= µ0 será
mayor que α = 0.05 y por lo tanto no la rechazamos.
Y al revés, si vamos contrastando H0 : µ = µ0 frente a H1 : µ ̸= µ0
para todos los posibles valores de µ0 y nos quedamos con los valores
de µ0 para los cuales no rechazamos con un nivel de significación α
entonces tenemos un intervalo de confianza con nivel de confianza
1 − α.
24.4 Contraste de normalidad

Hemos vistos que, con mucha frecuencia, los procedimientos esta-
dísticos que hemos utilizado (y mucho de lo que sigue) asumen que
los datos que estamos manejando pueden considerarse una muestra de
una distribución normal. ¿Y esto es así sin más? ¿Hemos de asumirlo
y confiar en nuestra suerte? No. Podemos contrastar esta hipótesis. La
hipótesis de que los datos que estamos usando siguen una distribución
normal es una hipótesis a contrastar. Y estamos en condiciones de po-
der hacerlo. El contraste lo podemos formular de un modo informal
como:
H0 : Tenemos una muestra de una distribución normal.
H1 : No tenemos una muestra de una distribución normal.
Quizás una formulación más formalista del contraste puede ser la si-
guiente donde X es el valor aleatorio que estamos observando n veces.
H0 : X ∼ N (µ, σ 2 ) con −∞ < µ < +∞ y σ 2 > 0.
H1 : X no sigue una distribución normal.
Consideremos unos datos y veamos cómo evaluar si han sido gene-

rados según una distribución normal. Realmente vamos a considerar
dos conjuntos de datos. Uno de ellos (que denotamos por x) sí que
sigue una distribución normal mientras que la segunda muestra (que
denotamos por y) no sigue una distribución normal. Vamos a estudiar
la normalidad de estas dos muestras y recordemos que nos ha de salir
siempre una valoración afirmativa para x y negativa para y.
24.4.1 Gráficos para evaluar la normalidad

Parece que lo primero es ver gráficamente cómo son estos datos.
En esta sección vemos el uso del dibujo q-q o dibujo cuantil-cuantil.
Nota 24.1 (Estimando la densidad de puntos) Una primera op-

ción (bastante natural pero nada aconsejable) para evaluar la norma-
lidad es utilizar un histograma o un estimador kernel de la densidad.
Nos dan una idea de cómo se distribuyen los puntos. En las figuras
24.4. CONTRASTE DE NORMALIDAD 389
24.3(a) y 24.3(b) mostramos el histograma y el estimador kernel de

la densidad respectivamente para la muestra x. Las figuras 24.3(c) y
24.3(d) son las análogas para la muestra y. ¿Qué se espera ver en
estas dos figuras si los datos son normales? La mejor respuesta a es-
ta pregunta es otra pregunta: ¿se parecen las figuras a una densidad
normal? Yo diría que las figuras 24.3(a) y 24.3(b) correspondientes a
la muestra sí que recuerdan la forma de la densidad normal mientras
que esto no es cierto para las figuras 24.3(c) y 24.3(d).
(a) (b)
(c) (d)
Figura 24.3: Datos x: histograma (a) y estimador kernel de la densidad de x (b). Datos y: histograma (c) y estimador
kernel de la densidad de x (d).
No es muy fácil evaluar hasta qué punto es normal la muestra

con aproximaciones de la densidad normal que es lo que son el his-
tograma y el estimador kernel de la densidad. De hecho, este tipo de
representaciones no son nada aconsejables para este propósito.
Hay una representación gráfica muy popular para este problema
concreto: el dibujo q-q o dibujo cuantil-cuantil. ¿Qué se pretende
evaluar? Si los datos pueden haber sido generados según un modelo
normal con la media y varianza que sean. Si X es la variable que
estamos observando (n veces), pretendemos evaluar hasta qué punto
es cierto que
X ∼ N (µ, σ 2 ), (24.9)
2
para algún µ y algún σ . Supongamos que es cierta la afirmación, supo-
nemos cierta que la variable sigue una distribución normal. Elegimos
una serie de probabilidades pi .4 . En concreto estos valores tienen la
forma
i−α
pi = , (24.10)
n − 2α + 1
5
donde i = 1, . . . , n. Dos son los valores de α que suelen utilizarse
α = 0.375, (24.11)
o bien
α = 0.5. (24.12)
Una vez hemos elegido estos valores pi hemos de determinar los valo-
res de la abscisa y la ordenada del i-ésimo punto. Si xi con i = 1, . . . , n
son los datos entonces los ordenamos obteniendo los estadísticos or-
denados x(i) que verifican
x(1) ≤ . . . ≤ x(n) .
Notemos que el i-ésimo estadístico ordenado x(i) es aproximadamente

el percentil de orden pi . Ahora consideramos una distribución nor-
mal estándar y consideramos el valor qi tal que si Z es una variable
aleatoria con distribución normal estándar entonces
∫ qi
1 x2
pi = P (Z ≤ qi ) = √ e− 2 dx.
−∞ 2π
De hecho, es habitual denotar
∫ y
1 x2
Φ(y) = √ e− 2 dx.
−∞ 2π
Entonces
pi = Φ(qi ),
es decir,
qi = Φ−1 (pi ).
En el dibujo q-q representamos los puntos (qi , x(i) ) con i = 1, . . . , n.
La nota 24.6 nos muestra cómo realizar el dibujo de un modo
simple utilizando las funciones qqnorm y qqline.
Ejemplo 24.6 (Dibujo q-q con las funciones qnorm y qqline)

La función qqnorm nos proporciona el dibujo q-q fácilmente. En la
figura 24.4(a) tenemos la representación gráfica para la muestra x.
qqnorm(x)
La figura 24.4(c) muestra el mismo dibujo para la segunda muestra.

¿Podemos considerar que los puntos de la figura 24.4(a) están sobre
una línea recta, están alineados? Yo diría que sí. ¿Y los puntos de la
figura 24.4(c)? Creo que coincidiríamos que no.
4 Una explicación detallada de cómo elegir estos valores lo podemos encontrar
en o en [Thode2002]
5 La función pppoints nos indica los valores que realmente se utilizan.
24.4. CONTRASTE DE NORMALIDAD 391
(a) (b)
(c) (d)
Figura 24.4: (a) Dibujo q-q o cuantil-cuantil para datos x. (b) Dibujo q-q o cuantil-cuantil para la muestra x añadiendo
la línea que pasa por el primer y tercer cuartil. Vemos cómo los puntos están muy próximos a la línea. No podemos
rechazar la normalidad de los datos utilizando este dibujo. (c) Dibujo q-q o cuantil-cuantil para datos y. (d) Dibujo
q-q o cuantil-cuantil para la muestra y añadiendo la línea que pasa por el primer y tercer cuartil. Los puntos están
alejados de la línea. Parece razonable rechazar la normalidad de los datos utilizando este gráfico.
En las dos figuras estamos intentando ver si podemos superponer

una línea recta a los puntos que estamos representando. No viene
mal una ayuda visual que nos coloque una buena línea y sobre ella
veamos si los puntos están cercanos a la línea. Se pueden superponer
muchas líneas. Existe una práctica a la hora de elegir esta línea. Para
trazar una línea necesitamos dos puntos. Se eligen dos buenos puntos
y consideramos la línea que pasa por ellos. El primero es el punto
correspondiente a los percentiles de orden 0.25, esto es, el cuartil
inferior. Determinamos este cuartil inferior en los datos observados
(y es el valor de la ordenada) y en una distribución normal estándar
(y es el valor de la abscisa). El segundo punto es el correspondiente
al cuartil superior o percentil de orden 0.75. Su abscisa y ordenada
son los percentiles de orden 0.75 en la distribución normal estándar
y el observado en los datos. En las figuras 24.4(b) y 24.4(d) tenemos
los dibujos q-q añadiendo la línea que pasa por los cuartiles inferior y
superior. Para los datos x se obtiene con el siguiente código.
qqnorm(x)
qqline(x)
¿Están sobre una línea recta los puntos en cada una de las gráficas?
Podemos ver que para la figura 24.4(b) correspondiente a la muestra
x los datos parecen bien alineados. Esto no parece tan cierto para los
datos de la muestra y que aparecen en la figura 24.4(d). Rechazaría-
mos gráficamente la normalidad de la muestra y mientras que no la
rechazaríamos para la muestra x.
En http://en.wikipedia.org/wiki/Q-Q_plot se tiene una explica-
ción muy completa de este gráfico.
24.5 Constrastes de normalidad

Un procedimiento gráfico siempre ayuda a descartar situaciones
claras. En la sección anterior hemos visto cómo podíamos rechazar la
normalidad de los datos y mediante un dibujo q-q. Para los datos x
no hemos podido rechazarla. ¿Nos quedamos con esto? ¿Admitimos
que son datos normales y en paz? No. El siguiente paso a dar consiste
en utilizar un contraste de hipótesis. Vamos a comentar rápidamente
los contrastes más utilizados. En este sección utilizamos el paquete
de R nortest [64] para los test ji-cuadrado y Kolmogorov-Smirnov. El
test de Shapiro-Wilk lo aplicamos con la función shapiro.test de [114,
stats].
24.5.1 Test de Shapiro–Wilk

Es otro test para determinar si podemos considerar unos datos
normales Apliquémoslo a nuestros datos. Para la muestra x
shapiro.test(x)
##
## Shapiro-Wilk normality test
##
## data: x
## W = 0.98668, p-value = 0.2204
24.5. CONSTRASTES DE NORMALIDAD 393
No rechazamos con un nivel de significación de 0.05. Para la se-

gunda muestra,
shapiro.test(y)
##
##
## data: y
## W = 0.79992, p-value = 1.516e-11
Vemos como rechazamos claramente.

Una buena explicación de este test se puede encontrar en http:
//en.wikipedia.org/wiki/Shapiro%E2%80%93Wilk_test
24.5.2 Test ji-cuadrado

Lo podemos hacer con la función pearson.test del paquete [64,
nortest]. La aplicamos a ambos conjuntos de datos. Primero a los
datos x.
library(nortest)
pearson.test(x)
##
## Pearson chi-square normality test
##
## data: x
## P = 18.239, p-value = 0.1086
Y después a la muestra y.
pearson.test(y)
##
## Pearson chi-square normality test
##
## data: y
## P = 97.099, p-value = 6.69e-16
Vemos cómo rechazamos la normalidad de la muestra y mientras

que no la rechazamos para la muestra x a un nivel de significación
α = 0.05.
24.5.3 Test de Kolmogorov-Smirnov

Para aplicar este test utilizamos la función lillie.test del paquete
[64, nortest]. Empezamos con los datos x.
lillie.test(x)
##
## Lilliefors (Kolmogorov-Smirnov) normality
## test
##
## data: x
## D = 0.060824, p-value = 0.2606
Y ahora para los datos y.
lillie.test(y)
##
## Lilliefors (Kolmogorov-Smirnov) normality
## test
##
## data: y
## D = 0.18224, p-value = 1.273e-10
Vemos cómo rechazamos la normalidad de la muestra y mientras

que no la rechazamos para la muestra x a un nivel de significación
α = 0.05.
Capítulo 25
Comparación de dos
poblaciones
25.1 Introducción
Distintos problemas relativos a comparar dos poblaciones se tratan
en este tema. Empezamos abordando el problema de la comparación
mediante herramientas puramente descriptivas de las dos muestras de
que disponemos, una por población en estudio. Seguimos con la com-
paración de dos poblaciones normales, en particular, la comparación
de sus medias y varianzas. Continuamos con la comparación mediante
el test de Kolmogorov-Smirnov para dos muestras. Terminamos con
un test de Montecarlo para comparar las medias de dos poblaciones.
25.2 Comparación descriptiva de las mues-

tras
Pretendemos comparar dos poblaciones. De cada una de ellas dis-
ponemos de una muestra. Hablamos de dos muestras independien-
tes porque proceden de poblaciones distintas.
Por ejemplo, podemos tener la expresión de un gen dado observado
bajo dos condiciones (salvaje y modificado) y pretendemos comparar-
las. Para ilustrar tomamos muestras concretas. Tenemos dos muestras
x e y, una por población. Lo primero es la comparación descriptiva de
estas muestras.
La primera muestra es
## [1] 23.3 23.4 26.5 25.8 19.1 22.1 26.3 21.9 21.8
## [10] 22.5 19.5 23.1 22.5 26.9 22.4 27.3 24.1 27.8
## [19] 25.1 22.7 24.7 24.6 16.4 23.2 24.8 27.9 19.2
## [28] 26.4 22.3 23.8 19.7 27.6 22.6 20.3 22.3 21.4
## [37] 25.2 19.1 22.5 23.4 20.7 21.6 21.1 24.4 22.1
mientras que la segunda muestra es
round(y,1)
## [1] 29.2 28.3 27.9 28.0 30.5 26.0 32.5 28.4 29.0
## [10] 31.8 24.7 22.8 26.5 28.8 23.8 29.9 28.8 31.4
395
396 CAPÍTULO 25. COMPARACIÓN DE DOS POBLACIONES
## [19] 30.9 32.0 31.0 33.4 29.0 23.7 33.8 26.6 31.9
## [28] 30.7 27.3 28.2 36.6 29.8 25.3 31.2 29.6 30.1
## [37] 32.8 28.0 27.9 33.3 26.6 29.3 27.8 30.3 26.3
## [46] 28.5 29.1 29.0 32.9 27.1 32.7 33.4 25.7 28.8
¿Qué significa comparar las dos muestras? Desde un punto de vista

estadístico las dos muestras son realizaciones de variables aleatorias.
Si repetimos el muestreo obtendremos valores distintos en cada una
de las dos zonas observadas. Por tanto, la comparación no puede ser
comparar los valores numéricos uno a uno. Tampoco puede ser com-
parar sin más algún resumen de los datos como la media y la varianza
muestrales. En nuestro caso, los valores observados son para la prime-
ra muestra
mean(x)
## [1] 23.14726
sd(x)
## [1] 2.630329
y para la segunda
mean(y)
## [1] 29.24535
sd(y)
## [1] 2.850981
Casi tiene un mayor interés la comparación gráfica de ambas mues-

tras. En la figura 25.1 tenemos el histograma y el estimador kernel de
la densidad de las muestras x e y. ¿Podemos considerar que ambas
muestras han sido obtenidas de una misma población? O, por el con-
trario: ¿proceden de distintas poblaciones?
Una primera cuestión es que pretendemos comparar muestras obte-
nidas de posiblemente dos poblaciones distintas. No parece una buena
opción utilizar figuras distintas (bien histogramas bien estimadores
kernel). Ambos dibujos se configuran para su propia muestra. Por
ejemplo, el número de clases de cada histograma depende del número
de datos y por lo tanto es distinta. La anchura de banda de los estima-
dores kernel también son distintos. En resumen, si queremos compa-
rar lo lógico es representar conjuntamente ambas muestras. ¿Cómo?
Utilizar histogramas conjuntos no es especialmente útil o de inter-
pretación fácil. Es preferible utilizar colocar en una misma gráfica los
dos estimadores kernel. Un detalle, el nivel de suavizado debe de ser
el mismo para los dos estimadores, o dicho de otro modo, la anchura
de banda ha de ser la misma. En la figura 25.2 se muestra una repre-
sentación conjunta de ambos estimadores kernel de la densidad. Los
datos muestran una forma simétrica y vemos que la muestra y toma
valores mayores que la muestra x. Sin embargo, es una pura interpre-
tación gráfica. Hemos de estimar las diferencias entre las muestras y
contrastar si ambas muestras proceden de distintas poblaciones con
contrastes de hipótesis formales. Es lo que vamos a hacer.
25.2. COMPARACIÓN DESCRIPTIVA DE LAS MUESTRAS 397
(a) (b)
(c) (d)
Figura 25.1: Datos x: histograma (a) y estimador kernel de la densidad de x (b). Datos y: histograma (c) y estimador
kernel de la densidad de x (d).
z = data.frame(u = c(x,y),v=factor(rep(c(1,2),c(length(x),length(y))),
levels=1:2,labels=c("x","y")))
png(paste0(dirTamiFigures,"CompDosPob7.png"))
ggplot(z,aes(x=u,group=v,colour=v))+geom_density()
dev.off()
## pdf
## 2
Cuando comparamos dos poblaciones hay que hacerse varias pre-

guntas y en función de las respuestas que obtengamos planteamos la
comparación. ¿Son los datos normales? Es la primera pregunta que
Figura 25.2: Estimadores kernel
debemos responder: ¿Podemos considerar que los datos proceden de
de la densidad de x e y. Los datos dos poblaciones normales? De otro modo: ¿la primera muestra procede
de la muestra y tienden a tomar de una población normal con media y varianza µX y σX 2
desconocidos
valores mayores que los de x. y la segunda muestra procede de una población normal con media y
varianza µY y σY2 desconocidos? Obviamente esto supone pasar test
de normalidad a nuestros datos. Cada una de las dos muestras ha de
pasar el test de normalidad. Supongamos que la respuesta es afirma-
tiva. El problema de comparar las poblaciones se simplifica. ¿Cómo es
la densidad de una normal? Si la variable aleatoria X ∼ N (µX , σY2 )
entonces su función de densidad es
2
(x−µX )
1 − 21
f (x) = √ e σ2
X (25.1)
2πσX
La de la variable Y con distribución Y ∼ N (µY , σY2 ) tiene la misma
expresión en donde cambiamos µx por µY y σX por σY . En resumen
si las medias son la misma, µX = µY y las varianzas son iguales
2
σX = σY2 entonces las densidades son la misma. Tenemos la misma
población normal. En resumen, si asumimos que las dos poblaciones
son normales entonces comparar las poblaciones se reduce a comparar
las medias y las varianzas. Además cuando no sean iguales podremos
saber a qué se debe. Las situaciones en que nos podemos encontrar
son las siguientes:
1. La misma media y varianza.
2. Distinta media y la misma varianza. En la figura ?? mostramos
dos densidades normales verificándolo.
3. La misma media y distinta varianza. En la figura ?? vemos las
funciones de densidad.
4. Distinta media y varianza. En la figura ?? tenemos un ejemplo
de densidades normales verificando esto.
En la situación 1 de la enumeración anterior no tenemos dos pobla-
ciones. Tenemos una sola población. Sin embargo, en los casos 2, 3 y
4 tenemos dos poblaciones distintas bien porque la media, la varianza
o ambas son distintas. Podemos evaluar (contrastar) si la diferencia
entre las poblaciones se da en la variabilidad (en las varianzas) en las
medias o en ambas cosas. Esto nos da una visión clara de las diferen-
cias entre las poblaciones.
En la sección § 25.4.2 planteamos el correspondiente contraste de
hipótesis en donde comparamos las varianzas de dos poblaciones nor-
males. Obviamente si rechazamos la hipótesis de igualdad de las va-
rianzas tenemos dos poblaciones distintas ya que sus varianzas lo son.
25.3. COMPARANDO LAS MEDIAS DE DOS POBLACIONES NORMALES399
Lo que no sabemos es sus medias son o no iguales. Esto va después. Si

no hemos rechazado que las varianzas sean iguales entonces compara-
mos las medias asumiendo una misma varianza en las dos poblaciones,
es decir, asumimos que la primera muestra aleatoria es de una pobla-
ción normal con media µX y varianza σ 2 mientras que la segunda
muestra es de una normal con media µY y varianza σ 2 . Finalmente,
también podemos realizar el contraste de hipótesis para comparar las
medias cuando las varianzas son distintas.
(a) (b) (c)
Figura 25.3: Densidades normales: (a) distinta media y la misma varianza; (b) misma media y distinta varianza; (c)
distintas medias y varianzas.
25.3 Comparando las medias de dos po-

blaciones normales
Asumimos, en esta sección, que las muestras son de poblaciones
normales. Desde el punto de vista del usuario el interés suele estar en
comparar medias independientemente de si las varianzas son iguales o
no. Esto es una visión algo miope porque la diferencia de la varianza
también indica que tenemos poblaciones distintas.
Tenemos una muestra X1 , . . . , Xn de una variable X ∼ N (µX , σX2
)
y otra muestra Y1 , . . . , Ym de Y ∼ N (µY , σY ).
2
25.3.1 Estimación de la diferencia de medias

Nos interesa estudiar si µX y µY son iguales o no. Esto se puede
formular de varias formas. En primer lugar podemos plantearnos es-
timar la diferencia de los dos valores. El estimador de esta cantidad
es
µX\ − µY = µ̂X − µ̂Y = X̄n − Ȳm .
La expresión anterior significa que el estimador de la diferencia µX −
µY , que denotamos como µX\ − µY , tomamos la diferencia de los es-
timadores de µX y µY que son respectivamente X̄n y Ȳm . El valor a
estimar µX − µY es un número desconocido, lo que llamamos pará-
metro, que estimamos mediante el estimador puntual X̄n − Ȳm .
Hemos visto antes como construir intervalos de confianza para cada
una de las medias µX y µY . Estos intervalos
√ (asumiendo normalidad)
√
tienen la expresión x̄n ± tn−1,1−α/2 sX / n y ȳm ± tm−1,1−α/2 sX / m.
Ejemplo 25.1 Supongamos que tomamos un nivel de confianza 1 −

α = 0.95. Con los datos que tenemos los intervalos son, para la pri-
mera muestra,
t.test(x)$conf.int
## [1] 22.35703 23.93750

## [1] 0.95
y para la segunda
t.test(y)$conf.int
## [1] 28.46718 30.02352

## [1] 0.95
El primer intervalo contiene a µX con un nivel de confianza 1 − α y el

segundo a µY con el mismo nivel de confianza. Pero esto ya lo sabía
y no me resuelve nada. Queremos un intervalo para la diferencia de
medias µX − µY con un nivel de confianza previamente especificado
1 − α. Para ello se utiliza la siguiente cantidad.
(X̄n − Ȳm ) − (µX − µY )
T = (25.2)
SE(X̄n − Ȳm )
donde SE(X̄n − Ȳm ) denota la desviación estándar de la variable X̄n −

Ȳm . Esta cantidad no tiene una expresión única. De hecho, depende
de si las varianzas son iguales o distintas. Además el comportamiento
aleatorio de T definido en la ecuación 25.2 también depende de si son
la misma varianza o son distintas. En cualquier caso T va a tener
una distribución de probabilidad que es una t de Student donde serán
distintos los grados de libertad. Si de momento denotamos como ν
estos grados (tomará dos valores posibles) entonces el intervalo de
confianza para µX − µY con un nivel de confianza 1 − α tendrá la
expresión general
X̄n − Ȳm ± tν,1−α/2 × SE(X̄n − Ȳm ).
Como vemos no es muy distinto al caso de una sola muestra en que

estimamos una sola media.
Ejemplo 25.2 En nuestro caso, y antes de ver las expresiones, po-
demos obtener el intervalo de confianza asumiendo varianzas iguales
con
t.test(x,y,var.equal=TRUE)$conf.int
## [1] -7.200980 -4.995192

## [1] 0.95
y asumiendo que son distintas (que es la opción por defecto) con
t.test(x,y,var.equal=FALSE)$conf.int
## [1] -7.193018 -5.003155

## [1] 0.95
Como vemos son bastante parecidos los dos intervalos. Posiblemen-

te no deben de ser muy distintas las varianzas de las dos poblaciones.
Si asumimos que las dos varianzas son iguales, esto es, asumimos la
2
hipótesis de que σX = σY2 , denotaremos por σ 2 el valor común: σ 2 =
σX = σY . El valor común σ 2 de la varianza se puede estimar con
2 2
(n − 1)SX
2
+ (m − 1)SY2
Sp2 = .
n+m−2
√
De hecho, lo que tenemos es que SE(X̄n − Ȳm ) = Sp 1
n + 1
m y
X̄ − Ȳ − (µX − µY )
T = √ ∼ tn+m−2 , (25.3)
Sp n1 + m 1
tiene una distribución t de Student con n + m − 2 grados de libertad.

El intervalo de confianza lo podemos construir utilizando el resultado
dado en 25.3 y vendría dado por
Sp
X̄n − Ȳm ± tn+m−2,1−α/2 .
n+m−2
Ejemplo 25.3 Este intervalo viene dado, para un nivel de 1 − α =

0.95 por
t.test(x,y,var.equal=TRUE,conf.level=0.95)$conf.int
## [1] -7.200980 -4.995192

## [1] 0.95
y, para un nivel de 1 − α = 0.99 por
t.test(x,y,var.equal=TRUE,conf.level=0.99)$conf.int
## [1] -7.558148 -4.638024

## [1] 0.99
Como vemos un mayor nivel de confianza supone un intervalo

más grande. Tenemos más confianza en que el valor verdadero de
µX − µY esté en el intervalo pero el intervalo al ser mayor nos estima
la diferencia de medias con una precisión menor.
Y ahora consideremos el caso con varianzas posiblemente distintas,

2
esto es, suponemos que σX ̸= σY2 . No tiene ahora sentido estimar una
varianza común que no existe. Estimamos cada una de ellas con su
2 2
estimador natural: σX con SX y σY2 con SY2 . El error estándar
√ de
S2 Sy2
X̄n − Ȳm , SE(X̄n − Ȳm ), viene dado por SE(X̄n − Ȳm ) = n +
X
m
y la expresión que adopta 25.2 y su distribución aproximada es
X̄n − Ȳm − (µX − µY )

T = √ ∼ tν0 (25.4)
2
SX Sy2
n + m
con ( )
2
SX Sy2
n + m
ν0 = 2 /n)2
(SX 2 /m)2
(SY
.
n−1 + m−1
Es decir, que T se distribuye aproximadamente como una distri-

bución t de Student ν0 grados de libertad donde ν0 no tiene porqué
ser un número entero. El intervalo de confianza con nivel de confianza
1 − α viene dado por
√
2
SX Sy2
X̄n − Ȳm ± tν0 ,1−α/2 + .
n m
Ejemplo 25.4 Con los datos que estamos analizando los intervalos
para la diferencia de medias con niveles de confianza 0.95 y 0.99 son
t.test(x,y,var.equal=FALSE,conf.level=0.95)$conf.int
## [1] -7.193018 -5.003155

## [1] 0.95
t.test(x,y,var.equal=FALSE,conf.level=0.99)$conf.int
## [1] -7.547722 -4.648450

## [1] 0.99
25.3.2 Contraste de hipótesis

Otra manera de comparar las medias de dos poblaciones es con-
trastar si sus medias son iguales o bien si alguna de ellas es mayor
que la otra. Vamos a considerar el contraste de igualdad de medias
frente a la desigualdad lo que también se llama contraste bilateral,
bidireccional o de dos colas.
H0 : µX = µY ,
H1 : µX ̸= µY .
La región crítica, es decir, los valores para los cuales rechazamos la

hipótesis nula es:
|T0 | > tν,1−α/2
siendo
X̄ − Ȳ
T0 = √ , (25.5)
Sp n1 + 1
m
y ν = n + m − 2 si las varianzas se asumen iguales. Para varianzas

desiguales:
X̄n − Ȳm
T0 = √ 2 (25.6)
SX Sy2
n + m
y ν = ν0 . El p-valor viene dado por

p = P (T0 ≥ |t0 |)
siendo t0 el valor observado de T0 en cada caso.
Ejemplo 25.5 (Test de la t para comparar medias) Supongamos
que el nivel de significación elegido es α = 0.01. Vamos a contrastar la
igualdad de medias en los dos casos. Con varianzas iguales tendremos:
t.test(x,y,var.equal=TRUE)
##
## Two Sample t-test
##
## data: x and y
## t = -10.974, df = 97, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## -7.200980 -4.995192
## mean of x mean of y
## 23.14726 29.24535
Vemos que el p-valor 0 es muy pequeño (menor que α) y por ello

rechazamos la igualdad de las medias. ¿Qué pasa si no asumimos
la igualdad de las varianzas? ¿Cambia el resultado del test? Para
varianzas desiguales:
X̄ − Ȳ
T =√ 2 2
(25.7)
SX SY
n + m
y ( )
2 2
SX SY
n + m
ν= 2 /n)2
(SX 2 /m)2
(SY
.
n−1 + m−1
El p-valor viene dado por
p = P (|T | ≥ t0 )
siendo t0 el valor observado de T en cada caso.
t.test(x,y,var.equal=FALSE)
##
## Welch Two Sample t-test
##
## data: x and y
## t = -11.055, df = 95.965, p-value < 2.2e-16
## -7.193018 -5.003155
## mean of x mean of y
## 23.14726 29.24535
El p-valor 0 es muy pequeño por lo que rechazamos la hipótesis

nula.
25.3.3 Los contrastes unilaterales o direccionales

Los otros dos contrastes serían los correspondientes unilaterales, o
direccionales o de una cola.
H0 : µX ≤ µY ,
H1 : µX > µ Y .
H0 : µX ≥ µY ,
H1 : µX < µ Y .
Ejemplo 25.6 Vamos a comparar las expressiones medias del gen

cuyo perfil aparece en la fila 54651 de la matriz de expresión de ta-
midata::gse21942. En principio vamos a suponer que las varianzas
de dichas concentraciones las podemos considerar iguales. Primero
leemos los datos.
library(Biobase)
y = exprs(gse21942)[54651,]
Los intervalos de confianza para la diferencia de medias y el con-

traste de hipótesis para la igualdad de las medias frente a la alternativa
de medias distintas asumiendo que las varianzas son la misma lo po-
demos obtener con
t.test(y~x,var.equal=TRUE)
##
##
## data: y by x
## t = 6.2573, df = 27, p-value = 1.077e-06
## 2.675284 5.285788
## mean in group healthy
## 8.900083
## mean in group multiple sclerosis
## 4.919546
Estimamos la diferencia de medias como 3.981 y el intervalo de

confianza con nivel 0.95 es [2.675,5.286]. Además el p-valor observado
es 1.076984 × 10−6 menor que 0.01 por lo que rechazamos la hipótesis
nula de igualdad de medias.
Vamos a repetir el estudio sin asumir que la varianza es la misma
en las dos poblaciones.
t.test(y~x,var.equal=TRUE)
25.4. INFERENCIA SOBRE LAS VARIANZAS DE DOS POBLACIONES NORMALES405
##
##
## data: y by x
## t = 6.2573, df = 27, p-value = 1.077e-06
## 2.675284 5.285788
## mean in group healthy
## 8.900083
## mean in group multiple sclerosis
## 4.919546
El estimador puntual de la diferencia de medias no cambia, 3.981.

Sin embargo, el intervalo de confianza con nivel 0.95 sí que cambia.
Ahora es [2.567,5.395]. Además el p-valor observado es 3 × 10−5 sigue
siendo menor que 0.01 por lo que rechazamos la hipótesis nula de
igualdad de medias. La pregunta obvia es: ¿qué opción elegir? Desde
el punto de vista aplicado lo lógico es asumir varianzas desiguales
(que por otra parte suele ser el caso). Por ello la opción por defecto
de t.test es precisamente asumir varianzas distintas. Además cuando
las varianzas son realmente iguales o casi iguales los resultados que
se obtienen asumiendo que las varianzas son la misma o sin asumirlo
son prácticamente las mismas.
25.4 Inferencia sobre las varianzas de dos

poblaciones normales
Hasta ahora no nos hemos preocupado de las varianzas de las po-
blaciones normales con las que estamos trabajando. Ya es hora de
hacerlo. Además es enormemente importante estimar y contrastar co-
sas sobre las varianzas. Tenemos dos muestras correspondientes a dos
poblaciones. Tenemos, como siempre, un doble interés: estimar y con-
trastar.
25.4.1 Estimación del cociente de varianzas

Ejemplo 25.7 Vamos a generar unos datos con distribución normal
de los cuales sabemos sus medias y varianzas.
n = 45
m = 54
x = rnorm(n,mean=23,sd=2.45)
y = rnorm(m,mean=30,sd=3.45)
Si llamamos a la función var.test tenemos lo siguiente:

Si miramos la última línea vemos que no nos está estimando cada
varianza separadamente. En lugar de ello, como nos interesa compa-
2
rarlas, lo que estimamos es el cociente σX /σY2 .
Las varianzas de las dos poblaciones se comparan utilizando el co-

2
ciente σX /σY2 . Podemos estimarlo o bien contrastar hipótesis sobre el
cociente. El estimador puntual de esta cantidad es

2
SX
(25.8)
SY2
que con nuestros datos vale 0.711 indicando que la primera varianza es
menor que la segunda. Bien, nos hemos centrado en la estimación de
2
σX /σY2 . Siempre que estimamos damos una estimación puntual (que
acabamos de ver en 25.8) y un intervalo de confianza. Para obtenerlo
utilizamos la cantidad pivotal siguiente:
2 2
1.5 SX /σX
∼ F (n − 1, m − 1) (25.9)
SY2 /σY2
1.0
que tiene una distribución F (de Fisher) con n − 1 y m − 1 grados de
libertad.
Los tamaños muestrales de nuestros datos son n=45 y m=54. La
y0
S 2 /σ 2
0.5 función de densidad de SX2 /σX 2 aparece en la figura 25.4.
Y Y
Denotemos por Fp (n − 1, m − 1) el percentil de orden p de la
distribución F (n−1, m−1), es decir, el punto que a su izquierda tiene
0.0
0.0 0.5 1.0 1.5 2.0 2.5

un área p. Por ejemplo, si tomamos los valores de n y m anteriores y
x0
p = 0.975 entonces el percentil viene dado como
Figura 25.4
qf(0.975,df1=n-1,df2=m-1)
## [1] 1.75846
Teniendo en cuenta el resultado 25.9 el intervalo de confianza para

2 2
SX /σX
es el siguiente:
2 /σ 2
SY Y
[ 2 ]
SY 1 SY2 1
,
1−α/2 (n − 1, m − 1) SX Fα/2 (n − 1, m − 1)
SX2 F 2
25.4.2 Contraste de hipótesis para el cociente de

varianzas
Nuestro interés fundamental es valorar si podemos considerar que
las varianzas son iguales o que son distintas. Tenemos un problema de
contraste de hipótesis. De hecho, estamos interesados en el siguiente
contraste:
2
H0 : σX = σY2 ,
H1 : 2
σX ̸= σY2 .
que lo reformulamos como
2
σX
H0 : 2
σY
= 1,
2
σX
H1 : 2
σY
̸= 1.
2
2 σX
Bajo la hipótesis de que H0 : σX = σY2 (o H0 : 2
σY
= 1) tenemos que
2
SX
F = ∼ F (n − 1, m − 1) (25.10)
SY2
y podemos contrastar que las varianzas sean la misma rechazando la
hipótesis nula de igualdad con un nivel de significación α si
F < Fα/2 (n − 1, m − 1) o F > F1−α/2 (n − 1, m − 1).
25.5. COMPARACIÓN DE MEDIAS CON MUESTRAS APAREADAS407
Ejemplo 25.8 Vamos a plantearnos si podemos considerar que la va-

rianza de la expresión del gen en fila 54651 (de la matriz de expresión
de tamidata::gse21942) es la misma en dos condiciones.
y = exprs(gse21942)[54651,]
En primer lugar podemos observar las varianzas muestrales de

ambas muestras
aggregate(y,by=list(x),FUN=var)
## Group.1 x
## 1 healthy 0.1736921
## 2 multiple sclerosis 5.8991638
Comparamos las varianzas.
var.test(y~x)
##
## F test to compare two variances
##
## data: y by x
## F = 0.029444, num df = 14, denom df = 13,
## p-value = 5.258e-08
## alternative hypothesis: true ratio of variances is not equal to 1
## 0.009553828 0.088680708
## ratio of variances
## 0.02944351
El cociente lo estimamos como 0.029. El intervalo de confianza

para el cociente de las varianzas es [0.01,0.089]. Como vemos el valor
uno no está en el intervalo de confianza y no podemos considerar que
la variabilidad de las medidas sean semejantes.
25.5 Comparación de medias con mues-

tras apareadas
Volvemos al problema de comparar dos muestras. Ahora ya no ha-
blamos de muestras independientes. No son dos zonas distintas en las
que medimos una concentración y tomamos mediciones en cada una
de ellas. O dos grupos de enfermos distintos de modo que en un gru-
po administramos una medicación y en el otro grupo administramos
la otra. Ahora vamos a suponer que tenemos muestras apareadas o
emparejadas (paired es la expresión inglesa). Por ejemplo, si medimos
la humedad en una localización un día y repetimos la medición otro
día pero en el mismo lugar entonces tenemos dos observaciones apa-
readas. Son el mismo punto y lo que cambia es el momento en que
observamos. Esto lo hacemos en n localizaciones distintas y tenemos:
(xi , yi ) con i = 1, . . . , n. El factor que empareja es lo localización en

que medimos.
Un ejemplo médico habitual es medir algo en un enfermo antes y
después de tomar una medicación. Los datos son apareados pues co-
rresponden a la misma persona. El factor que empareja es la persona.
Hablando con (un poco) de precisión lo que tenemos son n ob-
servaciones independientes de dos variables aleatorias que denotamos
(Xi , Yi ) con i = 1, . . . , n. Notemos que las dos variables aleatorias Xi
e Yi no son independientes, están relacionadas porque bien correspon-
den a la misma localización o a una misma persona. Siendo µX y µY
las medias de las variables X e Y nos interesa (lo que no es mucha
novedad) conocer la diferencia de medias µX − µY . Como es sabido la
media de la variable diferencia es la diferencia de las medias de cada
variable, esto es, µX−Y = µX − µY . Teniendo en cuenta este resultado
lo que vamos a hacer es olvidarnos de las variables X e Y y trabajar
con la variable D = X − Y y contrastar si la media de la variable D
es nula.
Ejemplo 25.9 Supongamos las siguientes mediciones de humedad en

n localizaciones con una diferencia de un día en la observación.
Los valores de las muestras x e y (mostramos los 10 primeros
solamente por razones de espacio) son:
cbind(x[1:10],y[1:10])
## [,1] [,2]
## [1,] 47.65658 38.90872
## [2,] 24.43842 31.14831
## [3,] 37.64699 30.06900
## [4,] 39.42556 18.29267
## [5,] 25.56568 41.57664
## [6,] 30.50563 40.43124
## [7,] 40.20254 50.22449
## [8,] 28.01582 38.39682
## [9,] 33.39100 32.93366
## [10,] 40.88822 35.99563
Si hacemos lo indicado. Empezamos calculando las diferencias y

vemos los 10 primeros valores.
d = x -y
d[1:10]
## [1] 8.7478665 -6.7098870 7.5779865

## [4] 21.1328860 -16.0109616 -9.9256049
## [7] -10.0219548 -10.3810040 0.4573352
## [10] 4.8925915
Ahora podemos obtener el estimador puntual de la diferencia de

medias, el intervalo de confianza y el contraste de si la diferencia de
medias vale cero utilizando t.test sobre las diferencias.
t.test(d)
##
25.5. COMPARACIÓN DE MEDIAS CON MUESTRAS APAREADAS409

##
## data: d
## t = -5.8304, df = 144, p-value = 3.489e-08
## -5.487038 -2.708603
## mean of x
## -4.097821
Otra opción en la que no necesitamos calcular previamente las

diferencias es la siguiente:
t.test(x,y,paired=TRUE)
##
## Paired t-test
##
## data: x and y
## t = -5.8304, df = 144, p-value = 3.489e-08
## -5.487038 -2.708603
## mean of the differences
## -4.097821
Como vemos lo que sale es lo mismo.
Ejemplo 25.10 Se trata de evaluar el efecto de la dieta y el ejercicio

en el nivel de colesterol. Se midió la concentración antes y después
de un programa de ejercicio aeróbico y cambio a una dieta baja en
grasas. Los datos son los siguientes
(x = c(265,240,258,295,251,245,287,314,260,279,283,240,238,225,247))
## [1] 265 240 258 295 251 245 287 314 260 279 283
## [12] 240 238 225 247
(y = c(229,231,227,240,238,241,234,256,247,239,246,218,219,226,233))
## [1] 229 231 227 240 238 241 234 256 247 239 246
## [12] 218 219 226 233
donde x corresponde a los niveles antes e y a los niveles después.

Podemos contrastar la igualdad de medias frente a la desigualdad con
t.test(x,y,paired=T)
##
## Paired t-test
##
## data: x and y
## t = 5.4659, df = 14, p-value = 8.316e-05

## 16.32430 37.40904
## 26.86667
Podemos observar que el valor 0 no está en el intervalo de con-

fianza. Por el tipo de dato que tenemos parece más natural contrastar
las hipótesis H0 : µX ≤ µY frente a H1 : µX > µY .
t.test(x,y,paired=T,alternative = "greater")
##
## Paired t-test
##
## data: x and y
## t = 5.4659, df = 14, p-value = 4.158e-05
## alternative hypothesis: true difference in means is greater than 0
## 18.20922 Inf
## 26.86667
Vemos que el p-valor 0 es menor que α = 0.05 y por lo tanto

rechazamos la hipótesis nula. De hecho, también rechazamos con un
nivel de significación α = 0.01.
25.6 Test de Kolmogorov-Smirnov para dos

muestras
En esta sección nos ocupamos del test no paramétrico conocido
261
Es aconsejable consultar como test de Kolmogorov-Smirnov para dos muestras. 261
http://en.wikipedia. Hasta ahora hemos comparado poblaciones asumiendo que ambas
org/wiki/Kolmogorov%E2% poblaciones tienen una distribución normal. Las variables que obser-
80%93Smirnov_test. vábamos seguían una distribución normal. ¿Qué ocurre cuando no lo
podemos asumir? ¿Qué ocurre cuando nuestros datos son marcada-
density.default(x = x, bw = h)
mente no normales?
En la figura 25.5 tenemos los estimadores kernel de las densidades
0.08
de dos muestras que pretendemos comparar. Vemos claramente que

las formas de las densidades estimadas no se parecen en nada a los de
0.06
Density
una normal.
0.04
Un dibujo q-q para la muestra x aparece en la figura 25.6 y para

0.02
la muestra y en la figura ??. Vemos que en ambas figuras los puntos

0.00
se alejan de la línea. Ninguna de las dos muestras puede considerarse

0 10 20 30 40 50
N = 45 Bandwidth = 2.911
normal. Finalmente, si aplicamos un test de normalidad a las muestras
(en concreto, vamos a utilizar el test de Shapiro-Wilk) obtenemos los
Figura 25.5: Estimadores kernel siguientes resultados.
de la densidad de x (trazo conti-
nuo) e y (trazo discontinuo). shapiro.test(x)
25.6. TEST DE KOLMOGOROV-SMIRNOV PARA DOS MUESTRAS 411
##
##
## data: x
## W = 0.88088, p-value = 0.0002536
shapiro.test(y)
##
##
## data: y
## W = 0.75051, p-value = 3.23e-08
Vemos cómo el test de normalidad rechaza claramente que poda-

mos considerarlas muestras normales. No parece muy razonable uti-
lizar un test de comparación de medias basada en la distribución t.
¿Hay otras opciones? Sí que las hay. Además no son malas soluciones.
En esta sección nos ocupamos del test de Kolmogorov-Smirnov para
dos muestras. Es un procedimiento no paramétrico. Un procedimien-
to se dice no paramétrico cuando no asume ningún modelo particular
para los datos. No suponemos que son normales o que son binomiales
o que son exponenciales, etc. A veces se les llama de distribución libre
indicando que no estamos sujetos a un modelo específico. Esto suena
bien. De hecho es bueno pero también tiene su pago. Asumimos menos
hipótesis pero también son procedimientos con menos potencia. Les
cuesta más rechazar la hipótesis nula.
qqnorm(x)
qqline(x)
dev.off()
## pdf
## 2
## pdf
## 2
La hipótesis nula que pretendemos contrastar la podemos formular

como:
H0 : Las muestras han sido extraídas de una misma población.
H1 : Las muestras han sido extraídas de poblaciones distintas.
Para contrastar, como siempre, necesitamos un estadístico del con-
traste, un estadístico que compare ambas muestras. El estadístico no
se basa en la comparación de las medias y varianzas muestrales co-
mo en los test anteriores. Denotamos las muestras como x1 , . . . , xn e
y1 , . . . , ym de tamaños respectivos n y m. Consideramos las funcio-
nes de distribución empíricas o muestrales que denotamos Fn para
muestra de las x’s y por Gm para la muestra de las y’s. Es decir:
|{xi : xi ≤ z}|
Fn (z) = .
n
(a) (b)
Figura 25.6: (a) Dibujo q-q de la muestra x. Vemos que los puntos se
alejan de la línea indicando que no hay normalidad en los datos. (b)
Dibujo q-q de la muestra y. Vemos que los puntos se alejan de la línea
indicando que no hay normalidad en los datos.
Donde | · | denota el cardinal del conjunto. En resumen, Fn (z) está

contando el número de valores en la muestra x que son menores o
iguales que z. La función Gm se define de un modo análogo con la
segunda muestra. En la figura 25.7 mostramos las dos funciones Fn y
Gm .
El estadístico del test es
D = max |Fn (z) − Gm (z)|, (25.11)
z
es decir, D nos da la máxima diferencia que observamos entre las fun-

ciones de distribución muestrales Fn y Gm . En la figura 25.7 repre-
sentamos con un segmento vertical la máxima diferencia entre ambas
funciones, esto es, el valor del estadístico D. Por la definición del es-
tadístico D es claro que rechazamos para valores grandes de D. Si d
es el valor observado entonces el p-valor vendría dado por
p = P (D ≥ d),
donde en la probabilidad anterior asumimos la hipótesis nula.
library(Hmisc)
xy = c(x,y)
xcdf = ecdf(x)
ycdf = ecdf(y)
xy1 = xy[which.max(abs(xcdf(xy) - ycdf(xy)))]
Ecdf(xy, group= c(rep(1,length(x)),rep(2,length(y))),xlab="z")
segments(xy1,xcdf(xy1),xy1,ycdf(xy1),lty=2)
dev.off()
## pdf
## 2
Ejemplo 25.11 (Función ks.test) El test de Kolmogorov-Smirnov

para dos muestras lo podemos aplicar con la función ks.test del si-
guiente modo:
25.6. TEST DE KOLMOGOROV-SMIRNOV PARA DOS MUESTRAS 413
Figura 25.7: Funciones de distribución empíricas de ambas muestras.

Vemos que la función de distribución de la segunda muestra (la mues-
tra y indicada en la gráfica con el número 2) es mayor que la función
de distribución empírica de la primera muestra (muestra x indicada
con 1 en la gráfica). La longitud de la línea punteada nos muestra la
máxima diferencia entre ambas funciones de distribución. Esta longi-
tud es el valor del estadístico de
ks.test(x,y)
##
## Two-sample Kolmogorov-Smirnov test
##
## data: x and y
## D = 0.38519, p-value = 0.000928
## alternative hypothesis: two-sided
La salida se autoexplica. Observamos un p-valor de 9 × 10−4 . Si

trabajamos con un nivel de significación de α = 0.05 entonces como el
p-valor es menor que este nivel rechazamos la hipótesis nula. Podemos
decir que hay diferencias significativas en la distribución de los datos
a un nivel de significación 0.05.
25.7 Test de Wilcoxon

262
No asumimos ningún mo- Es un procedimiento no parámetrico262 Pretendemos comparar
delo paramétrico para las vados poblaciones (dos condiciones experimentales por ejemplo). El va-
riables aleatorias. En parti- lor aleatorio correspondiente a la primera población corresponde a una
cular, no asumimos normali- variable aleatoria X mientras que Y es la variable que nos describe a
dad. una observación de la segunda población. Tenemos dos muestras alea-
torias: X1 , . . . , Xn una muestra de la primera población e Y1 , . . . , Ym
correspondiente a la segunda población.
Capítulo 26
Datos categóricos
26.1 Estimación de una proporción

Supongamos que denotamos por p la proporción a estimar (pro-
porción de aprobados en un examen, proporción de votantes de un
cierto partido político). Realmente disponemos (antes de tomar los
datos) de una muestra aleatoria X1 , . . . , Xn donde cada valor aleato-
rio Xi puede tomar los valores 1 y cero con probabilidades p y 1 − p.
El estimador de p viene dado por
∑
n
Xi
p̂ = .
i=1
n
Por el teorema central del límite sabemos que aproximadamente (cuan-

do el número de datos n es grande) p̂ tiene una distribución normal
con media p y varianza p(1 − p)/n, es decir,
p̂ ∼ N (p, p(1 − p)/n).
Esto lo podemos escribir como

p̂ − p
√ ∼ N (0, 1).
p(1 − p)/n
Sin embargo, esto no es utilizable para determinar un intervalo de
confianza. Una opción es estimar la varianza mediante p̂(1 − p̂)/n y
considerar que aproximadamente (lo cual quiere decir que hemos de
tener una muestra grande) se verifica
p̂ − p
√ ∼ N (0, 1).
p̂(1 − p̂)/n
Si denotamos (como hemos indicado antes) el percentil de orden γ

(0 < γ < 1) de una normal estándar como Zγ entonces se verifica
para un α dado
( )
p̂ − p
P − Z1−α/2 ≤ √ ≤ Z1−α/2 = 1 − α.
p̂(1 − p̂)/n
o, escrito de otro modo, que
( √ √ )
p̂(1 − p̂) p̂(1 − p̂)
P p̂ − Z1−α/2 ≤ p ≤ p̂ + Z1−α/2 = 1 − α.
n n
415
416 CAPÍTULO 26. DATOS CATEGÓRICOS
Tabla 26.1: Efecto preventivo de la aspirina
Ataque fatal y no fatal No ataque

Placebo 189 10845
Aspirina 104 10933
Teorema 26.1 (Intervalo de confianza para una proporción)

Si X1 , . . . , Xn son una muestra aleatoria de variables binomiales con
una prueba y probabilidad de éxito p entonces el intervalo
√
p̂(1 − p̂)
p̂ ± Z1−α/2
n
es un intervalo de confianza para la proporción p siendo
∑n
Xi
p̂ = i=1 .
n
Nota de R 26.1 (R y lo buena que es la aspirina) Vamos a ob-
tener este intervalo de confianza utilizando R. Los datos con los que
vamos a trabajar consideran si una persona toma aspirina o placebo
y si ha sufrido un ataque cardíaco o no. Aparecen en la tabla 26.1.
Vamos a estimar la proporción de personas que tomando placebo
tienen un ataque cardíaco.
library(Hmisc,T)
binconf(x=189, n=11034, method="asymptotic")
## PointEst Lower Upper

## 0.01712887 0.01470788 0.01954987
Del mismo modo podemos estimar la proporción de los que, to-

mando aspirina, tienen ataque cardíaco. La estimación puntual y el
intervalo de confianza vienen dados en la siguiente salida.
binconf(x=104, n=11037, method="asymptotic")
## PointEst Lower Upper

## 0.00942285 0.007620423 0.01122528
En principio parece que si tomas aspirina tienes una probabilidad

menor de tener el ataque. En cualquier caso en lo que sigue veremos
el problema de comparar las proporciones.
26.1.1 Ejercicios
Ejercicio 60
Para los datos de la tabla 23.1 se pide:
1. Estimar la proporción de aptos para cada una de las universi-

dades y para todo el sistema universitario valenciano.
26.2. TAMAÑO DE LA MUESTRA EN LA ESTIMACIÓN DE UNA PROPORCIÓN417
Ejercicio 61
[152, pág. 120, problema 21] Se observan los siguientes éxitos y
fracasos: 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0. Calcule un intervalo
de confianza con nivel 0,95 para la probabilidad de éxito p.
Ejercicio 62
[152, pág. 120, problema 22] Teniendo en cuenta los siguientes
resultados para una muestra de una distribución binomial, calcule el
error estándar de p̂ cuando:
1. n = 25, X = 5.
2. n = 48, X = 12.
3. n = 100, X = 80.
4. n = 300, X = 160.
Ejercicio 63
[152, pág. 120, problema 23] Entre los 100 adultos seleccionados al
azar, 10 se encontraron desempleados. Dar una intervalo de confianza
con un nivel de 0,99 para el porcentaje de adultos desempleados.
Ejercicio 64
[152, pág. 121, problema 31] Una compañía de cosméticos encontró
que 180 de cada 1000 mujeres seleccionadas al azar en Nueva York han
visto el anuncio de televisión de la empresa. Calcule un intervalo de
confianza al 0,95 para el porcentaje de mujeres en la ciudad de Nueva
York que han visto el anuncio.
26.2 Tamaño de la muestra en la estima-

ción de una proporción
En la sección anterior hemos visto un intervalo
[ de confianza pa-
√
ra estimar una proporción. Es el intervalo p̂ − Z1−α/2 p̂(1− n
p̂)
, p̂ +
√ ]
Z1−α/2 p̂(1−n
p̂)
. Este intervalo tiene nivel de confianza 1 − α. Dados
unos datos tenemos el intervalo. Supongamos que la cosa ha ido bien:
El intervalo que calculamos cubre al valor verdadero de p. Tenemos
una confianza 1 − α de que esto sea cierto. Bien. El intervalo cubre a
p pero nuestra estimación puntual de p es p̂. Si nos piden que demos
un valor para p responderemos dando la estimación puntual, dando
el valor p̂. La diferencia entre la estimación puntual que damos y el
valor real de p (que desconocemos y siempre desconoceremos) es co-
mo mucho la mitad de la longitud del intervalo de confianza (siempre
asumiendo que p está dentro de este intervalo). En otras palabras:
√
p̂(1 − p̂)
|p̂ − p| ≤ Z1−α/2 .
n
Un intervalo que acierte mucho es bueno, esto es, un nivel de con-
fianza alto es bueno. De hecho, menos de un 90% no se suele utilizar.
Pero no sólo importa el nivel de confianza. Por ejemplo, el intervalo

[0, 1] tiene un nivel de confianza de 1. ¿Cuál es la proporción de perso-
nas que sufren ataque de corazón tomando aspirina? Si respondemos
que esta proporción está entre 0 y 1 estamos haciendo una afirma-
ción con una confianza de uno. No nos equivocamos en absoluto. Pero
también la afirmación es absolutamente inútil. No nos dice nada que
no supieramos previamente. En resumen el intervalo que damos para
estimar p tiene que ser tal que confiemos que contiene el valor que
queremos conocer pero también tiene que ser preciso, tan estrecho co-
mo podamos para que sea informativo. Es fácil suponer que precisión
supone más muestra, más datos.
El problema se plantea normalmente del siguiente modo. Quiero
estimar la proporción p y quiero que hacerlo con un error máximo dado
δ (por ejemplo, δ = 0.02). Necesitamos una primera muestra. ¿Para
qué? Para tener una estimación inicial de p. Denotemos el tamaño de
esta primera muestra como n0 y la estimación puntual de p obtenida
como p̂0 . Entonces podemos plantearnos qué valor de n verifica que
√
p̂0 (1 − p̂0 )
Z1−α/2 ≤δ
n
Esto es simple. Despejamos en la desigualdad anterior el valor de n y
tenemos que
p̂0 (1 − p̂0 )
n ≥ Z1−α/2
2
δ2
La estimación inicial de la proporción no necesariamente la tenemos
que obtener de una muestra inicial. Puede que tengamos alguna mues-
tra previa de esa población o alguna estimación que obtengamos de
alguna publicación.
26.2.1 Exercises
Ejercicio 65
Pretendemos estimar la proporción de palmeras afectadas por el
picudo. Se ha tomado una primera muestra de 100 palmeras al azar.
Se han observado 23 palmeras afectadas. Se pide:
1. ¿Cuál es el error máximo observado con un nivel de confianza
de 0.95?
2. Tomamos como estimación inicial de p el valor observado con la
primera muestra de 100 palmeras. Supongamos que nos plantea-
mos estimar la proporción de palmeras afectadas con un error
máximo de 0.04 y un nivel de confianza de 0.95. ¿Cuál ha de ser
el número total de palmeras a observar?
3. Responde a la pregunta del apartado 2 suponiendo que deseamos
un nivel de confianza en el error máximo de 0.99. Mantenemos
el error máximo en 0.04.
4. Responde a la pregunta del apartado 2 suponiendo que deseamos
un nivel de confianza en el error máximo de 0.95 pero queremos
un error máximo de 0.02.
5. ¿Más nivel de confianza supone más muestra? Responde la pre-
gunta considerando los apartados anteriores.
26.3. VARIAS VARIABLES CATEGÓRICAS 419
6. ¿Menor error supone una mayor muestra? Responde la pregunta

utilizando los apartados anteriores?.
26.3 Varias variables categóricas

En esta sección vemos algunas cuestiones básicas cuando trabaja-
mos con datos categóricos. Sin duda, una magnífica referencia biblio-
gráfica para saber más (muchísimo más y muchísimo mejor) es [3].
Todo este material está tomado (notación incluida) de este texto. Es
un breve y, a veces, críptico resumen de algunas partes de los temas
2 y 3 de [3]. Fundamentalmente utilizamos el test exacto de Fisher.
26.3.1 Probabilidad y tabla de contingencia

Supongamos que tenemos dos variables aleatorias X e Y con I y
J categorías. Su distribución conjunta viene dada por
πij = P (X = i, Y = j),
con i = 1, . . . , I y j = 1, . . . , J. Es decir, la probabilidad de que

simultáneamente X tome el valor i y la variable Y tome el valor j.
También podemos considerar el comportamiento marginal de estas
variables y preguntarnos por las distribuciones marginales que se
definen como
∑
J ∑
J
πi· = P (X = i) = P (X = i, Y = j) = πij
j=1 j=1
∑
I ∑
I
π·j = P (Y = j) = P (X = i, Y = j) = πij
i=1 i=1
Habitualmente una variable, por ejemplo Y , es una variable respuesta

y la otra, X es explicativa o predictora. En esta situación no tiene
sentido hablar de distribución conjunta y sí de distribución condi-
cionada que se define como
πij
P (Y = j|X = i) = πj|i = .
πi·
Dos variables aleatorias categóricas se dicen independientes si
P (X = i, Y = j) = P (X = i)P (Y = j)
esto es
πij = πi· π·j .
En particular, la condicionada es igual a la marginal.
πj|i = π·j con j = 1, . . . , J.
Si X e Y son variables respuesta entonces hablamos de independencia.

Si Y es respuesta y X explicativa hablamos de homogeneidad.
Supongamos que tomamos una muestra (xi , yi ) con i = 1, . . . , n.
¿Cómo estimamos la distribución conjunta, las marginales y las con-
dicionadas? Un ejemplo puede ser tomar una muestra de hombres en
un cierto grupo de edad. Asignamos a cada individuo en el estudio a
Tabla 26.2: Tabla de contingencia para X= toma aspirina o placebo

(I = 2) e Y = sufre ataque cardíaco o no (J = 2).
Ataque fatal Ataque no fatal No ataque

Placebo 18 171 10845
Aspirina 5 99 10933
Tabla 26.3: Tabla de contingencia 2 × 2.
Test positivo Test negativo Total

Enfermo n11 n11 n1·
No enfermo n21 n22 n2·
Total n·1 n·2 n
uno de dos posibles grupos: toma una aspirina diaria (grupo aspiri-
na) o bien le damos diariamente un placebo (grupo placebo). Se toma
una gran muestra y los resultados los tenemos en la tabla 26.2 don-
de el número que aparece en cada celda de la tabla indica el número
de veces que se da simultáneamente el valor correspondiente de la fi-
la y columna consideradas. Esta tabla recibe el nombre de tabla de
contingencia1 o tabla de clasificación cruzada. De un modo genérico
podemos considerar la tabla 26.3 donde denotamos por nij el número
de ocurrencias del valor i de X y del valor j de Y . Por ni· denotamos
la suma de los conteos de la fila, esto es, del total de veces que X toma
el valor i. Análogamente por n·j denotamos el total de la columna j y
nos da el número total de veces que la variable Y ha tomado el valor
j. Notemos que estimamos la distribución conjunta (ver tabla 26.4)
con
nij
P̂ (X = i, Y = j) = π̂ij = (26.1)
n
La distribución condicionada de la variable Y a la variable X (tabla
26.5) la estimaríamos con
nij
P̂ (Y = j|X = i) = π̂j|i = . (26.2)
ni·
De un modo similar podemos estimar la distribución condicionada de
la variable X a la variable Y .
nij
P̂ (X = i|Y = j) = π̂i|j = . (26.3)
n·j
De un modo genérico la tabla 26.2 correspondería a la tabla 26.3.

A partir de estos conteos tendremos la distribución conjunta estimada
que mostramos en la tabla 26.4. La distribución condicional estimada
de Y a X (de la columna a la fila) la mostramos en la tabla 26.5.
26.3.2 Comparación de proporciones

Muchos estudios se diseñan para comparar grupos basándonos en
una respuesta binaria, Y . Con dos grupos tenemos una tabla de con-
1 Nombre debido a Karl Pearson.
Tabla 26.4: Distribución conjunta estimada
π̂ij Test positivo Test negativo Total

Enfermo n11 /n n11 /n n1· /n
No enfermo n21 /n n22 /n n2· /n
Total n·1 /n n·2 /n 1
Tabla 26.5: Distribución condicionada estimada de Y a X.
π̂j|i Test positivo Test negativo Total

Enfermo n11 /n1· n11 /n1· 1
No enfermo n21 /n2· n22 /n2· 1
tingencia 2 × 2. Supongamos que denotamos las probabilidades con-

dicionadas del siguiente modo:
P (Y = 1|X = i) = πi , (26.4)
P (Y = 2|X = i) = 1 − πi . (26.5)
Estudiar la posible asociación entre las variables X e Y es equivalente

a comparar las proporciones π1 y π2 . ¿Cómo comparamos las propor-
ciones? Podemos estimar la diferencia de las proporciones2 π1 − π2 .
Otra opción es trabajar con odds. ¿Qué son los odds?
Definición 26.1 (Odds) Para un suceso aleatorio A con probabili-

dad P (A) los odds se definen como el cociente
P (A)
.
1 − P (A)
En concreto se trata de considerar los odds del suceso Y = 1 en la

distribución condicionada a X = 1 frente a los odds del suceso Y = 1
en la distribución condicionada a X = 2. Estamos considerando el
siguiente cociente
π1 /(1 − π1 )
θ= .
π2 /(1 − π2 )
Este cociente de odds (odds ratio en inglés) es muy útil como medida
de asociación en una tabla 2 × 2. Se comprueba fácilmente3 que
π11 π22
θ= .
π12 π21
Por ello también se le llama el cociente de los productos cruzados. El
cociente de los odds tiene las siguientes propiedades:
• Puede ser cualquier valor positivo.

2 Por su simplicidad suele la opción más habitual en los textos introductorios
de Estadística.
3 Tenemos que
π1 /(1 − π1 ) π1|1 /(1 − π1|1 )

θ= = , (26.6)
π2 /(1 − π2 ) π1|2 /(1 − π1|2 )
pero πj|i = πij /πi· y sustituyendo se sigue inmediatamente el resultado.
• θ = 1 significa que no hay asociación entre X e Y , que X e Y

son independientes.
• Valores de θ alejados de 1 indican una asociación mayor.
• Se suele trabajar con log θ pues entonces el valor que tenemos

es simétrico respecto a cero.
• El odds ratio no cambia cuando intercambiamos filas y colum-
nas.
26.3.3 Test de Fisher

Consideramos una tabla 2 × 2. La hipótesis nula es de indepen-
dencia. Condicionamos a los totales marginales de fila y columna.
Solamente nos queda libre un conteo (por ejemplo, n11 ) y
(n1· )( n2· )
n·1 −t
p(t) = P (n11 = t) = t
( n
)
n·1
donde los valores posibles son
m− ≤ n11 ≤ m·
con m− = max{0, n1· + n·1 − n} y m· = min{n1· , n·1 }. Queremos

contrastar independencia. En tablas 2 × 2 lo podemos formular en
términos del cociente de odds, θ. Recordemos que la independencia
de las variables binarias o dicotómicas es equivalente a que el cociente
de odds sea igual a 1.
H0 : θ = 1
frente a (alternativa unilateral)
H1 : θ > 1
Para el test anterior, si t0 es el valor observado de n11 , entonces el

p-valor sería
P (n11 ≥ t0 ).
Ejemplo 26.1 Muriel Bristol indicó en una ocasión a R.A. Fisher

que era capaz de diferenciar si en un té con leche se había servido
primero el té y luego la leche o bien primero la leche y luego el té.4
Se realiza la experiencia consistente en darle a probar 8 tazas de té a
dicha señora. Ella sabe que hay cuatro tazas preparadas en el orden
te y luego leche y cuatro tazas preparadas en el orden leche y luego
té. ¿Sabía esta señora diferenciar el orden o respondía de un modo
aleatorio? Este es el problema conocido como la señora probando el
té. En la tabla 26.6 mostramos un posible resultado de la experiencia.
En este experimento sería más extrema la tabla con n11 = 4. El
p-valor sería
P (n11 = 3) + P (n11 = 4) = 0.243.
Estamos ordenando las tablas de acuerdo con n11 .
4 Realmente Fisher lo comenta en su libro The Design of Experiments y más
que probablemente es una bonita leyenda pero que le da interés al problema.

Tabla 26.6: Fisher y el té.
Predicción primer servicio

Primer servicio Leche Té Total
Leche 3 1 4
Té 1 3 4
Total 4 4
Capítulo 27
Modelos lineales
El problema que se trata en este tema es básico. Estudiar relaciones

entre una variable que llamaremos variable respuesta y una (o más
de una) variable que llamaremos variables predictoras. También se
utilizan las denominaciones de variable dependiente para la variable
respuesta y variables independientes en lugar en predictoras.
Si denotamos a la variable respuesta por Y (al valor observado lo
denotaremos por y) y a la variable predictora por X nuestro problema
es intentar conocer el valor de Y cuando conocemos el valor de la
variable X.
Ejemplo 27.1 Vamos a utilizar los datos tamidata:gse44456.
library(Biobase)
Nos fijamos en el gen que ocupa la fila 19254 en la matriz de

expresión. Nada de lo que sigue tiene
ningún sentido biológico. Es
y = exprs(gse44456)[19254,] simplemente un ejemplo
para ilustrar.
¿Qué gen es?
featureNames(gse44456)[19254]
## [1] "8047097"
Empezamos representando en figura 27.1 la expresión del gen como

función de la tasa de crecimiento de la célula.
## pdf
## 2
Nuestro problema es intentar predecir la expresión del gen a partir

de la tasa de crecimiento.
27.1 Coeficiente de correlación de Pear- Figura 27.1: Expresión del gen

son 19254 frente al pH.
Tenemos la matriz de expresión y consideramos el perfil de ex-

presión de dos genes. Supongamos que nos planteamos la siguiente
425
426 CAPÍTULO 27. MODELOS LINEALES
(a) (b) (c)
Figura 27.2: a) Datos. b) Los datos con dos líneas: la línea horizontal
que corta al eje de ordenadas en ȳ y la línea vertical que corta al
eje de abscisas en x̄. c) Los datos, la línea horizontal que corta al eje
de ordenadas en ȳ y la línea vertical que corta al eje de abscisas en
x̄. Representamos en rojo aquellos puntos donde el producto cruzado
(xi − x̄)(yi − ȳ) es positivo y en azul aquellos puntos donde el producto
toma un valor negativo.
pregunta: ¿están relacionadas linealmente las expresiones de los genes

que estamos considerando? Denotemos los niveles de expresión del pri-
mer y segundo gen mediante (xi , yi ) con i = 1, . . . , n. Es decir, en la
muestra i el gen 1 se expresa xi y el gen 2 se expresa yi . Supongamos
que los datos observados son los que aparecen en la figura ??.
Un valor que se utiliza frecuentemente para responder esta pregun-
ta es el coeficiente de correlación de Pearson. Se define del siguiente
Fué propuesto por Karl Pear- modo.
son.
Definición 27.1 (Coeficiente de correlación de Pearson)
∑n
(xi − x̄n )(yi − ȳn )
r = √∑n i=1 √∑n .
i=1 (xi − x̄n ) i=1 (yi − ȳn )
2 2
Veamos una ilustración gráfica del concepto. En la figura 27.2(a)

mostramos los datos con los que vamos a trabajar.
En la figura 27.2(b) añadimos al diagrama de puntos mostrado en
la figura 27.2(a) un par de líneas que se cortan en el punto (x̄, ȳ): la
línea horizontal que corta al eje de ordenadas en ȳ y la línea vertical
que corta al eje de abscisas en x̄.
Consideremos los productos cruzados (xi − x̄)(yi − ȳ). En la figura
27.2(c) reproducimos el dibujo de la figura ??(b). Simplemente, repre-
sentamos en rojo aquellos puntos donde el producto cruzado anterior
es positivo y en azul aquellos puntos donde el producto toma un valor
negativo.
Tenemos una relación razonablemente lineal entre las dos variables
y por ello vemos muchos más puntos rojos que azules. El coeficiente
de correlación lineal de Pearson vale
cor(x1,y1)
## [1] 0.7769814
Vamos a repetir el mismo análisis con otros dos conjuntos de da-

tos. En uno de ellos la asociación lineal es mayor mientras que en el
27.1. COEFICIENTE DE CORRELACIÓN DE PEARSON 427
otro buscaremos que no haya prácticamente asociación lineal entre las

variables.
(a) (b)
(c) (d)
Figura 27.3: Ejemplo con fuerte asociación lineal: datos (a) y los datos diferenciando el signo del producto cruzado.
Las figuras (c) y (d) son los dibujos análogos con datos en los que apenas hay asociación lineal entre las abscisas y
las ordenadas.
En la figura 27.3(a) mostramos los datos con fuerte asociación

lineal. Distinguimos por el signo del producto cruzado en la figura
27.3(b) Vemos cómo hay muchos puntos azules. El nuevo coeficiente
de correlación lineal de Pearson es
cor(x2,y2)
## [1] 0.9889923
Mayor que en el caso anterior. Y un tercer ejemplo donde la asocia-

ción lineal es casi inexistente. En las figuras 27.3(c) y (d) mostramos
los dibujos análogos al caso anterior. Vemos cómo hay muchos más
puntos azules que en los dos casos anteriores. El nuevo coeficiente de
correlación lineal de Pearson es
cor(x3,y3)
## [1] 0.08869201
Esta es la ilustración gráfica de la idea que subyace a este concepto.

Cuanto más se aproximan los puntos a una línea recta mayor es el valor
absoluto del coeficiente de correlación, más próximo a uno. Si cuando
x crece y crece entonces la recta el valor de coeficiente de correlación
es positivo. Si cuando x crece y decrece entonces el coeficiente de
correlación es negativo.
Si vemos la definición 27.1 que acabamos de dar se tiene que
sxy
r= .
sx sy
La covarianza muestral
∑n
(xi − x̄n )(yi − ȳn )
sxy = i=1 ,
n−1
está estimando la cantidad
E(X − µX )(Y − µY ),
mientras que las desviaciones típicas muestrales, sx y sy , no son más
que estimaciones de las desviaciones típicas poblacionales σX y σY . En
resumen que r = sxy /(sx sy ) no es más que un estimador del coeficiente
de correlación de Pearson que damos en la siguiente definición.
Definición 27.2 Dadas dos variables aleatorias X e Y definimos su
coeficiente de correlación de Pearson como
E(X − µX )(Y − µY )
ρ= .
σX σY
Esta cantidad es una cuantificación de la asociación lineal entre X e
Y . Es importante notar que aquí no hay predictor y respuesta. Ambas
variables son tratadas de un modo simétrico. De hecho si intercambia-
mos las variables el valor del coeficiente de correlación no se modifica,
es el mismo. Además se tiene que
−1 ≤ ρ ≤ 1.
Se puede probar que si ρ = 1 entonces existe dos constantes a y b (con
b positiva) tales que Y = a + bX (con probabilidad uno). Si ρ = −1
entonces existen a y b (con b negativa) tales que Y = a + bX (con
probabilidad uno). En resumen que si el coeficiente de correlación es
1 o -1 entonces una variable es función lineal de la otra. La recta es
creciente si la correlación es positiva y decreciente si es negativa.
27.2 Matriz de covarianzas y matriz de co-

rrelaciones
Ahora consideramos una muestra de dimensión d, y1 , . . . , yn . Si
 
yi1
 .. 
yi =  . 
yip
27.2. MATRIZ DE COVARIANZAS Y MATRIZ DE CORRELACIONES 429
Entonces podemos representar toda la muestra como la siguiente ma-

triz
 ′  
y1 y11 . . . y1d
   .. 
Y =  ...  =  ... ..
. . 
yn′ yn1 . . . ynd
El vector de medias muestral viene dado por la siguiente expresión
en términos de la matriz Y ,
1∑
n
1
ȳ = yi = Y ′ 1n . (27.1)
n i=1 n
siendo 1n el vector n × 1 con todos los valores iguales a uno. También
denotaremos
 
ȳ·1
 .. 
ȳ =  . 
ȳ·p
La matriz de covarianzas muestral es aquella matriz que tiene en la
posición (j, k) la covarianza muestral entre las componentes j y k, es
decir,
1 ∑
n
sjk = (yij − ȳ·j )(yik − ȳ·k ),
n − 1 i=1
de modo que
 
s11 ... s1d
1 ∑
n
 ..  =
S =  ... ..
. .  (yi − ȳ)(yi − ȳ)′ .
n − 1 i=1
sd1 ... sdd
Finalmente, si denotamos por rjk el coeficiente de correlación entre
las variables j y k, es decir,
∑n
(yij − ȳ·j )(yik − ȳ·k ) sjk
rjk = √∑n i=1 ∑n =√ (27.2)
i=1 (yij − ȳ·j ) i=1 (yik − ȳ·k )
2 2 sjj skk
Denotaremos por R la matriz de correlaciones muestrales R =

[rjk ].
Ejemplo 27.2 (Matrices de covarianza y correlación muestrales)
¿Cómo calculamos las matrices de covarianzas y de correlaciones con
R.
Supongamos la siguiente matriz de expresión con 9 genes y cuatro
muestras.
M
## muestra1 muestra2 muestra3 muestra4

## gen1 25.43529 23.05873 26.00079 25.52829
## gen2 22.10927 23.71074 22.34906 25.56481
## gen3 19.98967 23.50403 22.84677 21.50219
## gen4 18.08352 22.33291 25.65621 22.68493
## gen5 19.15375 24.79281 22.24346 23.45789
## gen6 28.75482 22.20723 26.29208 23.49364
## gen7 25.09714 22.19309 25.49735 25.48533
## gen8 26.32781 25.10382 24.12959 26.25590
## gen9 20.37034 18.94016 25.54662 25.15155
La matriz de covarianzas entre las muestras viene dada por
cov(M)
y las covarianzas entre los genes por
cov(t(M))
Análogamente la matriz de correlación entre las muestras es
cor(M)
y entre los genes viene dada por
cor(t(M))
27.3 Regresión lineal simple

En todos los ejemplos antes comentados el problema común es de-
terminar el valor de Y a partir del valor de X. Obviamente la respuesta
más simple sería buscar una función que podemos denotar por f de
modo que para un valor dado x simplemente calculamos y = f (x). Un
poco de imaginación y conocimiento de la posible relación entre x e y
podrían darnos una idea de qué función f buscar. Este planteamiento
es de base muy restrictivo. ¿Por qué? Pues en primer lugar porque
estamos asumiendo que, para un valor de x, existe un único valor de
y asociado. Y esto nunca (o casi) es así. Un detalle, a veces X es una
variable aleatoria que observamos simultáneamente con Y , en otras
ocasiones es un valor que nosotros prefijamos (dosis de medicación,
tratamiento en un problema de diseño de experimentos). Sin embar-
go, desde el punto de vista de la regresión X siempre lo consideramos
fijo y estudiamos cómo se comporta Y dado el valor de X = x. Es
decir, de la distribución condicionada de Y al valor de X = x.
Un ejemplo muy famoso de Galton. Se tomaba como variable pre-
dictora la estatura del padre y como variable respuesta o a predecir, la
estatura de un hijo. Es claro que para un mismo padre la estatura de
sus hijos es variable. No todos los hijos de un mismo padre miden lo
mismo. No tiene ningún sentido asumir una relación funcional entre
la estatura de un padre y la de un hijo.
Tan tontos no son los estadísticos (que no estadistas). De hecho,
lo que se modeliza es la relación entre el valor x y el valor medio de
la variable Y dado ese valor x. Siguiendo con el ejemplo de Galton.
Si consideramos un padre de estatura X = 178 centímetros. Supon-
dremos que la media de la variable Y que nos da la estatura aleatoria
de un hijo es la que se relaciona con x. Denotemos por E[Y | x] esta
media (estatura media de todos los hijos de un padre con estatura 178
centímetros). Hemos de admitir que además de lo que mide el padre,
algo tendrá que decir la madre, y también otros muchos factores que
todos podemos imaginar. De modo que Y , conocida la estatura del
padre, sigue siendo una cantidad aleatoria. De hecho, se asume que la
distribución de Y es normal cuya media depende de Y , E[Y | x], pero
cuya varianza no depende de x, es decir, es una cantidad constante
que denotaremos por σ 2 . En resumen, estamos asumiendo que
Y ∼ N (E[Y | x], σ 2 ). (27.3)
27.3. REGRESIÓN LINEAL SIMPLE 431
En el modelo de regresión más simple con el que se trabaja se asume

que la media condicionada E[Y | x] es una función lineal de x, en
otras palabras, se asume que
E[Y | x] = β0 + β1 x. (27.4)
Las hipótesis asumidas en 27.3 y 27.4, podemos expresarlas conjun-
tamente diciendo que la variable respuesta Y se puede expresar como
Y = β0 + β1 x + ϵ, (27.5)
donde
ϵ ∼ N (0, σ 2 ). (27.6)
En la formulación de 27.5 expresamos el valor aleatorio de Y como
suma de una parte que sistemáticamente depende de x (la compo-
nente sistemática del modelo) y un término aleatorio con distribución
normal, un término de error o desajuste del modelo. En esta variable
normal con media cero y varianza constante σ 2 estamos incluyendo
todas las posibles causas que influyen el valor de Y y que no vienen
dadas por la variable predictora.
No consideramos un solo valor aleatorio de Y dado un valor fijo
de x. Realmente, tenemos n valores observados cuyos valores son in-
dependientes entre sí pero no tienen la misma distribución. Hemos de
pensar que cad a Yi tiene una variable predictora distinta que influye
en la distribución de Yi . Tenemos pares (xi , Yi ) donde la xi viene da-
da y consideramos la distribución de Yi condicionada a xi , es decir,
Yi | xi .
Resumiendo, estamos asumiendo que Yi ∼ N (β0 + β1 xi , σ 2 ) y que
los distintos Yi son independientes entre si. Utilizando propiedades de
la distribución normal multivariante tenemos que estas hipótesis las
podemos expresar conjuntamente diciendo que
Y ∼ Nn (Xβ, σ 2 In×n ), (27.7)
donde
   
Y1 1 x1 [ ]
   .. ..  β
Y =  ...  X = . .  β= 0
β1
Yn 1 xn
Si consideramos que
 
ϵ1
 .. 
ϵ=.
ϵn
donde los ϵi ∼ N (0, σ 2 ) e independientes entre si. Entonces el modelo
dado en 27.7 lo podemos reescribir como
Y = Xβ + ϵ, (27.8)
con ϵ ∼ Nn (0, σ 2 In×n ).
Este modelo probabilístico es conocido como el modelo de re-
gresión lineal simple. No lo estudiaremos en más detalle porque
nos vamos a ocupar de la situación más general en que tenemos más
de una variable predictora. No es más que un caso particular y sin
mucha dificultad adicional se puede estudiar el situación general de
regresión lineal múltiple.
27.4 Regresión lineal múltiple

Pretendemos determinar la relación que liga a una variable res-
puesta Y como función de p − 1 variables predictoras, x1 , . . . , xp−1 .
Siguiendo el razonamiento anterior podemos plantearnos un modelo
muy general como el que sigue.
Y = f (x1 , . . . , xn ) + ϵ, (27.9)
donde f es una función desconocida y ϵ es el término del error. Vamos

a asumir una situación más simple. En concreto que la función f es
lineal de modo que la relación sería Y = β0 + β1 x1 + . . . + βp−1 xp−1 .
Realmente observamos n vectores (yi , xi1 , . . . , xi,p−1 ) en consecuencia
nuestro modelo estocástico ha de considerar el modelo para los n
valores aleatorios Yi , donde cada Yi tiene asociado un vector xi . Vamos
a suponer que para una combinación de valores (xi1 , . . . , xi,p−1 ) vamos
a observar un valor aleatorio Yi con distribución normal cuya media
es β0 + β1 xi1 + . . . + βp−1 xi,p−1 y cuya varianza va a ser constante e
igual a σ 2 . Además los distintos Yi son independientes entre si.
Vamos a formular conjuntamente estas hipótesis. Denotaremos
 
    β0  
Y1 1 x11 . . . x1,p−1  β1  ϵ1
 ..   .. . .     .
Y =  .  X = . .. ..  β =  ..  ϵ =  .. 
 . 
Yn 1 xn1 . . . xn,p−1 ϵn
βp−1
El modelo estocástico básico es el que sigue
Y = Xβ + ϵ. (27.10)
En este modelo a Xβ le llamaremos la parte sistemática mientras

que ϵ es la componente aleatoria del modelo. Estamos expresando los
datos como la suma de una parte sistemática más una parte alea-
toria. La parte sistemática es la media del vector Y . Notemos que
la dimensión del espacio en que estamos trabajando es n, el número
de observaciones. El vector de medias o parte sistemática del modelo
tiene dimensión p por lo que la parte no explicada, el residuo, tiene
dimensión n − p.
Figura 27.4: Expresamos la obser-
vación y como suma ortogonal de
una parte sistemática más un re- 27.5 Estimación de β
siduo.
¿Cómo estimamos los parámetros β? Nuestros datos son (yi , xi1 , . . . , xi,p−1 )
con i = 1, . . . , n. Nuestro objetivo es estimar los coeficientes β de modo
que Xβ esté próximo a y. En concreto vamos a minimizar
∑
n
ϵ2i = ϵ′ ϵ = (y − Xβ)′ (y − Xβ). (27.11)
i=1
Si desarrollamos la expresión anterior tendremos que
(y − Xβ)′ (y − Xβ) = y ′ y − 2β ′ X ′ y + +β ′ X ′ Xβ.
Diferenciando respecto de los distintos βj e igualando a cero nos da

el siguiente sistema de ecuaciones normales:
X ′ X β̂ = X ′ y. (27.12)
27.5. ESTIMACIÓN DE β 433
Si asumimos que la matriz X ′ X es una matriz no singular entonces

tendremos que
β̂ = (X ′ X)−1 X ′ y, (27.13)
y en consecuencia se sigue que
X β̂ = X(X ′ X)−1 X ′ y = Hy. (27.14)
′ −1 ′
La matriz H = X(X X) X y = Hy es la matriz de proyección de y
sobre el espacio engendrado por los p vectores columna de la matriz
X. Es una matriz n × n.
Utilizando la matriz H podemos calcular las predicciones para
cada una de los xi originales. Vienen dadas por
ŷ = Hy = X β̂. (27.15)
También tenemos los residuos, esto es, las diferencias entre los valores
observados originalmente y las predicciones que de ellos hacemos. Los
residuos en términos de la matriz H vienen dados por
ϵ̂ = y − Hy = (I − H)y. (27.16)
Finalmente, hemos determinado los coeficientes que nos minimizaban
la suma de cuadrados. El valor mínimo que hemos obtenido que recibe
el nombre de suma de cuadrados residual o suma de cuadrados
del error que viene dada por
∑
n
SS(Error) = (yi − ŷi )2 , (27.17)
i=1
y sería, como función de la matriz H,

ϵ̂′ ϵ̂ = y ′ (I − H)(I − H)y = y ′ (I − H)y. (27.18)
Veamos una interpretación geométrica que nos ayude a entender qué
son los estimadores mínimo cuadráticos que utilizamos. Estamos mi-
nimizando (y − Xβ)′ (y − Xβ). Si vemos la figura 27.4 el valor de β
que nos da el mínimo coincide con el punto que nos da la proyección
ortogonal de y sobre el plano que viene engendrado por las columnas
de la matriz X. De este modo es claro que
(y − ȳ1n )′ (y − ȳ1n ) = (y −X β̂)′ (y −X β̂)+(ŷ − ȳ1n )′ (ŷ − ȳ1n ). (27.19)
o de otro modo la ecuación anterior la podemos expresar como
∑
n ∑
n ∑
n
(yi − ȳ) =
2
(yi − yî ) +
2
(yî − ȳ)2 . (27.20)
i=1 i=1 i=1
Las sumas de cuadrados que acabamos de considerar reciben la si-

guiente denominación:
Suma de cuadrados total
∑
n
SS(T otal) = (y − ȳ1n )′ (y − ȳ1n ) = (yi − ȳ)2 . (27.21)
i=1
Suma de cuadrados del error

∑
n
SS(Error) = (y − X β̂)′ (y − X β̂) = (yi − yî )2 . (27.22)
i=1
Suma de cuadrados de la regresión

∑
n
SS(Regresion) = (ŷ − ȳ1n )′ (ŷ − ȳ1n ) = (yî − ȳ)2 . (27.23)
i=1
27.6 Algunos casos particulares

Supongamos en primer lugar la situación en que no tenemos nin-
gún predictor. Esto es, nuestro modelo es Y = µ + ϵ. En este caso
se tiene que la matriz de diseño X = 1n = (1, . . . , 1)′ , X ′ X = n y,
finalmente, β̂ = (X ′ X)−1 X ′ y = n1 1′n y = ŷ.
El segundo ejemplo que podemos considerar sería con una sola
variable predictora o lo que es lo mismo, el modelo de regresión lineal
simple. En este caso, tendremos
     
Y1 1 x1 [ ] ϵ1
 ..   .. .  β0  
 .  = . ..  +  ... 
β1
Yn 1 xn ϵn
Notemos que podemos hacer Yi = β0 + β1 x̄ + β1 (xi − x̄) + ϵi . Nuestra

matriz de diseño sería
 
1 x1 − x̄
 .. .. 
X = . . 
1 xn − x̄
con
[ ]
′ n ∑ 0
XX= n
i=1 (xi − x̄)
2
0
Finalmente se comprueba sin dificultad que

∑n
(xi − x̂)yi
β̂ = ∑i=1
n (27.24)
i=1 (xi − x̂)
2
27.7 Verosimilitud
Dados los datos (xi , yi ) con i = 1, . . . , n la verosimilitud de y =
(y1 , . . . , yn )′ vendría dada por
1 1
L(β, σ) = n
n
exp{− 2 (y − Xβ)′ (y − Xβ)} (27.25)
(2π) σ
2 2σ
y la logverosimilitud sería
n 1
l(β, σ) = log(2π) − n log σ − 2 (y − Xβ)′ (y − Xβ). (27.26)
2 2σ
El estimador máximo verosímil de β se obtiene maximizando cualquie-
ra de las dos funciones anteriores. Es obvio que el máximo respecto
de β se obtiene como el valor que minimiza (y − Xβ)′ (y − Xβ), en
definitiva, que los estimadores máximo verosímiles no son más que los
estimadores mínimo cuadráticos.
27.8 Distribución muestral de β̂

Hemos visto que β̂ = (X ′ X)−1 X ′ Y . Aplicando propiedades sim-
ples de la media tenemos que
E β̂ = (X ′ X)−1 X ′ (EY ) = β, (27.27)

27.9. BONDAD DE AJUSTE 435
o, lo que es lo mismo, que β̂ es un estimador insesgado de β, el

estimador tiene por vector de medias el vector de parámetros que
estima. Es una buena propiedad. La matriz de covarianzas del error
se obtiene fácilmente como
var(β̂) = (X ′ X)−1 X ′ (σ 2 I)X(X ′ X)−1 = (X ′ X)−1 σ 2 . (27.28)
Esta matriz de covarianzas depende de la varianza desconocida del

error σ 2 . Si estimamos esta varianza tendremos un estimador de dicha
matriz de covarianzas. Se puede probar que
E[SS(Error)] = (n − p)σ 2 (27.29)
de donde, un estimador insesgado para la varianza σ 2 viene dado por
ϵ̂′ ϵ̂
σ̂ 2 = . (27.30)
n−p
Ya podemos estimar var(β̂). Este estimador sería
ar(β̂) = (X ′ X)−1 σ̂ 2 .
vd (27.31)
Si (X ′ X)−1 = [aij ]i,j=1,...,p entonces el estimador de la varianza de β̂i ,

var(β̂i ), sería aii σ̂ 2 . Recordemos que β̂i es un estimador insesgado de
βi y por lo tanto su varianza coincide con su error cuadrático medio.
Finalmente el error estándar de β̂i , es decir, su desviación típica (raíz
cuadrada de su varianza) sería
d β̂i ) = √aii σ̂.

SE( (27.32)
Realmente de β̂ sabemos más cosas: β̂ = (X ′ X)−1 X ′ Y y puesto que

Y ∼ Nn (Xβ, σ 2 In×n ) entonces, por propiedades básicas de la distri-
bución normal multivariante se tiene que
β̂ ∼ Np (β, (X ′ X)−1 σ 2 ). (27.33)
Una vez realizado el ajuste con la función summary podemos ob-

servar los valores estimados de σ (etiquetado como Residual standard
error y los errores estándar de β̂i .
27.9 Bondad de ajuste

Hemos supuesto una relación lineal entre la media de la variable
respuesta y las variables predictoras. Asumiendo la relación hemos
considerado una función objetivo y minimizando dicha función hemos
obtenido los estimadores mínimo cuadráticos. Sin embargo, la primera
pregunta que hay que responder es: ¿tenemos un ajuste razonable? La
respuesta se da utilizando medidas que comparan los valores observa-
dos con las predicciones asumiendo el modelo, es decir, comparando
yi con ŷi para los distintos datos. En concreto, con diferencia la más
utilizada es el coeficiente de determinación que se denota por R2
y se define como
∑n
(yi − ŷi )2 SS(Error)
R = 1 − ∑i=1
2
n =1− . (27.34)
(y
i=1 i − ȳ i )2 SS(T otal)
∑n
Es habitual denominar a i=1 (yi − ŷi )2 , ∑
suma de cuadrados del
n
i=1 (ŷi − ȳ) se le llama
2
error mientras que a SS(Regresion) =
suma de cuadrados de la regresión. Tenemos pues que
∑n
(ŷi − ȳ)2 SS(Regresion)
R = ∑ni=1
2
= . (27.35)
(y
i=1 i − ȳi )2 SS(T otal)
El ajuste que estamos realizando se supone que será tanto mejor cuan-
to más pequeña sea SS(Error). Tampoco sería natural que SS(Error)
fuera nula pues sería tanto como asumir que los distintos valores alea-
torios son iguales a su media. Notemos que SS(T otal) es una cuan-
tificación de la variabilidad de los distintos yi sin tener en cuenta las
variables predictoras mientras que SS(Error) nos cuantifica la varia-
ción residual después de utilizar las variables predictoras. Es de espe-
rar que un mejor ajuste vaya acompañado de un valor de SS(Error)
pequeño en relación con SS(T otal). Esa es la idea del coeficiente de
determinación. Toma valores entre 0 y 1 y cuanto más cerca de 1
mejor es el ajuste.
Tiene un pequeño inconveniente y es que no tiene en cuenta el nú-
mero de variables predictoras que estamos utilizando para predecir la
variable respuesta. Una pequeña modificación de R2 para incorporar
esta información es el coeficiente de determinación ajustado que
podemos denotar R2 -ajustado y se define como
∑n
(yi − ŷi )2 /(n − p)
R2 − ajustado = 1 − ∑i=1 n , (27.36)
i=1 (yi − ȳ) /(n − 1)
2
donde suponemos que tenemos p − 1 variables predictoras.
27.10 Valoración de las hipótesis del mo-

delo
Un modelo de regresión lineal múltiple supone, como hemos visto,
varias hipótesis. Es necesario valorar lo razonables, lo asumibles que
son estas hipótesis. Las hipótesis del modelo que vamos a valorar son
las siguientes:
1. ¿Tenemos errores independientes, con la misma varianza y con
distribución normal? Esto es, nos preguntamos si es asumible la
hipótesis ϵ ∼ Nn (0, σ 2 In×n ).
2. Asumimos que E[Yi | xi ] = β0 + β1 xi1 + . . . + βp−1 xi,p−1 .
Los errores ϵ no son directamente observables. Observamos los resi-
duos ϵ̂ = y − ŷ que no es lo mismo. Las propiedades de ambos vectores
son distintas. En particular, estamos asumiendo que var(ϵ) = σ 2 In×n .
Sin embargo, esta afirmación no es cierta para los residuos observados
ϵ̂. Notemos que
ŷ = X(X ′ X)−1 X ′ y = Hy.
De modo que
ϵ̂ = y − ŷ = (I − H)y = (I − H)Xβ + (I − H)ϵ = (I − H)ϵ.
La tercera igualdad anterior es consecuencia de que HXβ = Xβ por-

que H es la matriz de proyección sobre el espacio engendrado por las
27.10. VALORACIÓN DE LAS HIPÓTESIS DEL MODELO 437
columnas de X y Xβ está en este espacio por lo que la proyección es

el propio punto. Notemos que I − H también es una matriz de pro-
yección (sobre el espacio ortogonal al engendrado por las columnas de
X) de modo que (I − H)2 = I − H. Aplicando esta propiedad se tiene
que
var(ϵ̂) = var(I − H)ϵ = (I − H)σ 2 , (27.37)
ya que var(ϵ) = σ 2 In×n . Vemos pues que, aunque asumimos que los
errores ϵ son incorrelados y con la misma varianza, esto no es cierto
para los residuos ϵ̂.
27.10.1 Homogeneidad de la varianza

La mera observación de los residuos sin considerar su posible aso-
ciación con otra variable no nos proporciona información sobre si la
varianza de los mismos es constante. Hemos de considerarlos en rela-
ción con otras variables. Es habitual considerar un diagrama de pun-
tos de los residuos ϵ̂ como función de las predicciones ŷ. Cuando la
varianza es constante debemos de observar los residuos dispersos de
un modo aleatorio respecto del eje de abscisas. También podemos ver
un comportamiento no aleatorio alrededor del eje de abscisas cuando
la parte estructural del modelo no es lineal, es decir, cuando no se
verifica que EY = Xβ.
Ejemplo 27.3 Los datos que vamos a utilizar para valorar las hipóte-
sis del modelo son los datos tamidata::gse44456. Se pretende estudiar
la relación que liga el nivel de expresión observado del gen el pH. El
siguiente diagrama de puntos muestra en abscisas las predicciones y
en ordenadas los residuos. No parece en principio que no podamos
asumir una varianza constante.
y = exprs(gse44456)[19254,]
x = pData(gse44456)[,"pH"]
Construimos un data.frame para su uso posterior.
gse44456_19254 = data.frame(y,x)
Hacemos el ajuste lineal.
gen19254.lm = lm(y ~ x,data=gse44456_19254)
Notemos que elegimos el primer dibujo (figura 27.5).
## pdf
## 2
Cuando no tenemos una varianza constante una opción es transfor-

mar las variables. Si y es la variable original y h(y) la transformada
queremos determinar h de modo que la transformada tenga varianza
constante. Transformaciones habituales que podemos valorar son la
Figura 27.5: Predicciones frente a
raíz cuadrada o el logaritmo de la variable respuesta. residuos del ajuste.
¿Qué tipo de representación cabe esperar cuando la varianza no es
constante? Veamos distintas representaciones de los residuos frente a
los valores ajustados correspondiendo a varianza constante, varianzas
no constantes y situaciones en que no hay linealidad.
Figura 27.6: Residuos cuando se verifica la homogeneidad de la va-

rianza.
Ejemplo 27.4 (Hipótesis del modelo de regresión) Ilustramos có-

mo observaríamos residuos cuya varianza es constante. En la figura
27.6 tenemos 50 posibles residuos en donde la varianza es constante.
## pdf
## 2
En la figura 27.7 tenemos como abscisas valores que van de 1

a 50 en incrementos unitarios. El valor de residuo que generamos
tienen varianza creciente. En concreto vamos multiplicando el valor
con distribución N (0, 1) por una constante c. La varianza es del orden
del cuadrado del valor por el que multiplicamos.
## pdf
## 2
√ √ √
En la figura 27.8 los valores por los que multiplicamos son 1, 2, 3, . . . , 50
por lo que las varianzas se incrementan mucho menos de una abscisa
a la siguiente.
## pdf
## 2
Finalmente en la figura 27.9 mostramos un ejemplo de un residuo

no lineal. Es un caso en que no podemos suponer que la media es una
función lineal de los predictores.
Figura 27.7: Residuos con varianza creciente con la variable predicto-

ra.
Figura 27.8: Residuos con varianza creciente con la variable predicto-

ra.
Figura 27.9: Residuo no lineal con la variable predictora.
## pdf
## 2
27.10.2 Normalidad
La siguiente hipótesis a valorar es la normalidad de los errores. La
herramienta gráfica más habitual es el dibujo q-q o la representación
cuantil-cuantil. Ordenamos los residuos y representamos los residuos
ordenados en función de Φ−1 ( n+1 i
) para i = 1, . . . , n. Si los residuos
tienen una distribución normal entonces deben estar alineados. El
histograma no es muy adecuado para ver la normalidad de los residuos.
Ejemplo 27.5 (Dibujos cuantil-cuantil) Para los datos represen-

tamos un dibujo q-q. En la figura que sigue mostramos cómo hacerlo
después de ajustar el modelo y utilizando la función plot (realmente
estamos utilizando plot.lm).
## pdf
## 2
En la figura 27.11 aparece un dibujo q-q utilizando las funciones

qqnorm que construye el dibujo y qqline que añade una línea uniendo
el primer y tercer cuartil. Como vemos es el mismo dibujo.
Figura 27.10: Dibujo cuantil- ## pdf

cuantil. ## 2
Figura 27.12: Densidades normal, lognormal, Cauchy y uniforme.
Hemos visto cómo es una dibujo q-q cuando tenemos normalidad. Pe-
ro: ¿y qué pasa cuando no tenemos normalidad. Esto es lo interesante
saber qué tenemos que buscar para detectar que los residuos no siguen
una distribución normal.
Ejemplo 27.6 (Dibujos cuantil-cuantil y error no normal) Veamos

cómo se modifican los dibujos q-q con otras distribuciones de probabili-
dad. En esta nota consideramos cuatro distribuciones de probabilidad.
En la siguiente aparecen las densidades de los modelos considerados.
La primera es la correspondiente a la distribución normal. Luego tene-
mos la lognormal, la densidad de una Cauchy y la densidad uniforme.
La lognormal se toma como ejemplo de distribución asimétrica, la
Cauchy como ejemplo de una distribución con las colas más largas
que la normal y finalmente la uniforme como ejemplo de distribución
con las colas más cortas. Las funciones de densidad correspondientes
aparecen en la figura 27.12.
## pdf
## 2
En la figura 27.13 tenemos nueve dibujos q-q realizados con datos

simulados con una distribución normal.
## pdf
## 2
La figura 27.14 que sigue muestra el dibujo q-q con datos simulados
correspondientes a la distribución lognormal.
Figura 27.13: Densidad normal de los residuos.
## pdf
## 2
correspondientes a la distribución de Cauchy.
## pdf
## 2
correspondientes a la distribución de uniforme.
## pdf
## 2
Como vemos no es simple la interpretación de estos dibujos. Por

ejemplo, no es fácil diferenciar entre una distribución con colas más
largas de una situación en donde tenemos observaciones anómalas.
¿Cómo hacerlo? Si quitamos las observaciones extremas y aparecen
otras estamos en una distribución con colas largas.
Si tenemos muestras grandes el problema de la no normalidad se
alivia. El problema de la no normalidad es mayor para colas largas
que para colas más cortas. La asimetría se resolvería transformando
los datos.
También podemos usar un test de normalidad. Un test de norma-
lidad es un cualquier test estadístico donde la hipótesis nula es que los
datos observados (en nuestro caso los residuos observados) proceden
de una distribución normal. Una opción que viene implementada con
la función shapiro.test es el test de Shapiro-Wilk.
Figura 27.14: Densidad lognormal de los residuos.
Figura 27.15: Densidad Cauchy de los residuos.

Figura 27.16: Densidad uniforme de los residuos.
Ejemplo 27.7 (Residuos y test de normalidad de Shapiro-Wilks)

Aplicamos un test de Shapiro-Wilks a los residuos observados en el
ajuste de los datos gen19254. Vemos que el p-valor observado es muy
grande y no podemos rechazar la normalidad de los residuos.
head(residuals(gen19254.lm)) #Mostramos los primeros

## GSM1085665_HE32H001.CEL
## 0.31615334
## GSM1085666_HE32H003.CEL
## -0.01649683
## GSM1085667_HE32H004.CEL
## 0.07792104
## GSM1085668_HE32H005.CEL
## 0.27348758
## GSM1085669_HE32H006_2_.CEL
## 0.85598123
## GSM1085670_HE32H007_2_.CEL
## -0.70969598
shapiro.test(residuals(gen19254.lm))
##
##
## data: residuals(gen19254.lm)
## W = 0.96264, p-value = 0.2182
27.10.3 Incorrelación de los errores

Estamos asumiendo que los errores son incorrelados. La co-
rrelación entre los datos pueden venir de que han sido observados
próximos bien en el tiempo bien en el espacio. ¿Cómo contrastar si
los residuos son incorrelados?
Un test de la hipótesis de incorrelación es el test de Durbin-Watson
que utiliza el siguiente estadístico
∑n
(ϵ̂i − ϵ̂i−1 )2
DW = i=2∑n 2 , (27.38)
i=1 ϵ̂i
bajo la hipótesis nula de incorrelación la distribución es una combi-

nación lineal de distintas distribuciones χ2 .
Ejemplo 27.8 Vamos a aplicar el test de Durbin-Watson de correla-

ción serial.
library(lmtest)
Aplicamos el test de Durbin-Watson.
dwtest(gen19254.lm)
##
## Durbin-Watson test
##
## data: gen19254.lm
## DW = 2.3323, p-value = 0.8575
## alternative hypothesis: true autocorrelation is greater than 0
Vemos que no tenemos autocorrelación.
27.10.4 Observaciones anómalas y observaciones in-

fluyentes
Algunas observaciones no ajustan bien al modelo y son llamadas
observaciones anómalas. Otras observaciones influyen mucho en el
ajuste y lo modifican de un modo substantivo. Estas últimas reciben el
nombre de observaciones influyentes. Una observación dada puede
ser o bien anómala o bien influyente o ambas cosas.
Empecemos estudiando qué se entiende por influencia de una
observación. Llamaremos a hi = Hii , esto es, el valor en la posición
(i, i) de la matriz H la influencia (leverage en inglés). Notemos que
var(ϵ̂i ) = σ 2 (1 − hi ). En consecuencia, una influencia alta supone
una varianza del correspondiente residuo∑p baja. Forzamos al ajuste a
que esté próximo a yi . Se tiene que i=1 hi = p. En consecuencia
el valor medio de los hi es p/n. Como una regla simple de aplicar si
la influencia hi es mayor que 2p/n debemos de observar el dato con
atención. Buscamos valores grandes de las influencias.
Ejemplo 27.9 Calculamos las influencias el ajuste gen19254.lm. En

la siguiente figura aparece una representación de las influencias res-
pecto de los residuos estandarizados. Calculamos las influencias.
gen19254.inf = influence(gen19254.lm)
head(gen19254.inf$hat)
## GSM1085665_HE32H001.CEL
## 0.02890237
## GSM1085666_HE32H003.CEL
## 0.31508019
## GSM1085667_HE32H004.CEL
## 0.03777124
## GSM1085668_HE32H005.CEL
## 0.02890237
## GSM1085669_HE32H006_2_.CEL
## 0.02611433
## GSM1085670_HE32H007_2_.CEL
## 0.02769529
Y las representamos en la figura 27.17.
## pdf
## 2
Otra posibilidad es para encontrar observaciones anómalas consiste

en trabajar con los residuos estudentizados. Veamos su definición.
Notemos que var(ϵ̂i ) = σ 2 (1 − hi ) lo que sugiere tomar
ϵ̂i
Figura 27.17: Influencias para el ri = √ (27.39)
ajuste gen19254.lm. σ̂ 1 − hi
Estos son los residuos estudentizados. Si el modelo que asumimos es
correcto entonces la varianza de estos residuos es uno y son aproxi-
madamente incorrelados. Notemos que la estudentización corrige las
varianzas desiguales de los residuos cuando las varianzas de los errores
son iguales entre si. En otro caso esto no es cierto. Si las varianzas
de los errores no son iguales (tenemos heterocedasticidad) entonces
la estudentización no hace homogéneas las varianzas de los residuos.
Algunos autores (y programas) tienden a usar en lugar de los residuos
originales, los residuos estudentizados.
Una observación anómala es una observación que no se ajusta a
nuestro modelo. Hemos de protegernos frente a este tipo de puntos. Un
test para observaciones anómalas es útil si nos permite distinguir entre
observaciones que son realmente anómala y aquellas que simplemente
tienen un residuo grande aunque no excepcionalmente grande.
Para detectar este tipo de puntos, lo que hacemos es excluir el
punto i-ésimo y ajustamos el modelo sin ese punto obteniendo los
2
estimadores β̂(i) y σ̂(i) . Tendremos para el punto i-ésimo la siguiente
estimación
ŷ(i) = x′i β̂(i) . (27.40)
Si el valor yi − ŷ(i) es grande entonces el caso i es una observación
anómala. Con objeto de valorar si estos nuevos residuos son anormales
hemos de estandarizarlos. Notemos que
vd
ar(yi − ŷ(i) ) = σ̂(i)
2
(1 + x′i (X(i)
′
X(i) )−1 xi )
de modo que podemos definir los residuos jackknife como
yi − ŷ(i) yi − ŷ(i)
ti = √ = √ ∼ tn−p−1 ,
vd
ar(yi − ŷ(i) ) ′ X )−1 x
σ̂(i) 1 + x′i (X(i) (i) i
asumiendo que el modelo es correcto. Se tiene la siguiente expresión

( )1/2
ϵ̂i n−p−1
ti = √ = ri .
σ̂(i) 1 − hi n − p − ri2
Puesto que cada uno de los ti sigue una distribución conocida pode-
mos contrastar si tenemos una observación anómala. En principio el
procedimiento sería simplemente fijar un nivel de significación α y de-
terminar el percentil 1− α2 de una distribución t de Student con n−p−1
grados de libertad. Si denotamos el percentil como tn−p−1,1− α2 enton-
ces residuos que no estén en el intervalo [−tn−p−1,1− α2 , tn−p−1,1− α2 ]
serían sospechosos. Esto no es adecuado. Porque estamos analizan-
do n residuos estudentizados. Con uno sólo sí que sería aplicable el
razonamiento. Tenemos un problema de muchos tests simultáneamen-
te considerados. Si aplicamos la corrección de Bonferroni tendríamos
que corregir el nivel de significación α y trabajar con α/n. Por tanto,
consideramos como sospechosos aquellos residuos estandarizados que
estén fuera del intervalo [−tn−p−1,1− 2nα ,t α ].
n−p−1,1− 2n
Ejemplo 27.10 (Residuos estudentizados) Calculamos para los

datos gen19254 los residuos estudentizados con la función rstudent. La
pregunta que nos hacemos es si alguno de estos residuos es muy grande
o muy pequeño. Comparamos el módulo de los residuos estandarizados
con tn−p−1,1− 2n
α .
gen19254.rs = rstudent(gen19254.lm)
Comparamos los residuos con el percentil correspondiente.
table(abs(gen19254.rs) > qt(1-.05/(50*2),44))
##
## FALSE
## 39
Un punto influyente es aquel que cuando lo quitamos causa una

modificación importante del ajuste. Un punto influyente puede ser o
no una observación anómala, puede tener o no una alta influencia pero
tenderá a tener al menos una de las dos propiedades. El estadístico de
Cook es una de las maneras de medir la influencia. Se define como
(ŷi − ŷ(i) )′ (ŷi − ŷ(i) ) 1 hi
Di = = ri2 . (27.41)
pσ̂ 2 p 1 − hi
Ejemplo 27.11 Con los datos gen19254 representamos las distancias
de Cook y las obtenemos utilizando la función Cooks.distance. Lo
tenemos en la figura 27.18.
png(paste0(dirTamiFigures,"ModLin49.png"))
plot(gen19254.lm, which = 4)
dev.off()
## pdf
## 2
También podemos ver los valores de la distancia de Cook.
Figura 27.18: Distancias de Cook

para el ajuste gen19254.lm.
head(cooks.distance(gen19254.lm))
## GSM1085665_HE32H001.CEL
## 0.0095804543
## GSM1085666_HE32H003.CEL
## 0.0005716436
## GSM1085667_HE32H004.CEL
## 0.0007746346
## GSM1085668_HE32H005.CEL
## 0.0071691187
## GSM1085669_HE32H006_2_.CEL
## 0.0630919910
## GSM1085670_HE32H007_2_.CEL
## 0.0461454249
27.11 Inferencia sobre el modelo

Hemos formulado un modelo probabilístico en donde relacionamos
la variable respuesta con una serie de variables predictoras. Es claro
que el experimentador introduce en el modelo como variables predic-
toras variables que a priori sospecha que pueden ser relevantes a la
hora de predecir. Esto no quiere decir que luego podamos prescindir
de alguna o algunas de ellas. Bien porque se demuestra que dicha va-
riable no es relevante o bien porque la información que contiene esa
variable predictora está contenida en las otras.
Supongamos que nos planteamos el siguiente contraste de hipóte-
sis: H0 : βi1 = . . . = βir = 0 frente a la alternativa H1 : No H0 . Si
un coeficiente determinado βi es nulo entonces la variable respuesta
Y no dependería de la variable asociada a dicho coeficiente. En defini-
tiva, la hipótesis nula considerada se podría formular diciendo que la
variable Y no depende de las variables xi1 , . . . , xir . ¿Cómo contrastar
las hipótesis indicadas? Se puede hacer mediante el test del cociente
de verosimilitudes, es decir, utilizando el estadístico
max(β,σ)∈Ω0 L(β, σ)
Λ= (27.42)
max(β,σ)∈Ω L(β, σ)
siendo L(β, σ) = 1
n exp{− 2σ1 2 (y−Xβ)′ (y−Xβ)}, Ω0 = {(β, σ) ∈
(2π) 2 σ n
Rp × (0, +∞) : βi1 = . . . = βir = 0} y Ω = Rp × (0, +∞). Como es
habitual en un test del cociente de verosimilitudes rechazaríamos la
hipótesis nula si Λ es pequeño (menor que una cierta constante) que
se prueba es equivalente a que
SS(Error)Ω0 − SS(Error)Ω
SS(Error)Ω
sea grande (mayor que una cierta constante). Denotamos por SS(Error)Ω0
la suma de cuadrados del error bajo la hipótesis nula y SS(Error)Ω
la suma de cuadrados sobre todo el espacio paramétrico. Bajo la hi-
pótesis nula se verifica que
SS(Error)Ω0 − SS(Error)Ω
∼ χ2r
σ2 r
27.11. INFERENCIA SOBRE EL MODELO 449
y
SS(Error)Ω
∼ χ2n−p
σ 2 (n − p)
además ambas cantidades son independientes. Por ello se verifica que
(SS(Error)Ω0 − SS(Error)Ω )/r

F = ∼ Fr,n−p .
(SS(Error)Ω )/(n − p)
De modo que rechazaremos la hipótesis nula de que H0 : βi1 = . . . =

βir = 0 si
F > Fr,n−p,1−α
donde Fr,n−p,1−α es el percentil 1 − α de una F con r y n − p grados
de libertad.
¿Realmente depende la variable respuesta de alguna de las varia-
bles predictoras? Realmente nos estamos planteando la hipótesis de
que todos los coeficientes, salvo el término constante β0 , valen cero,
es decir, la hipótesis nula H0 : β1 = . . . = βp−1 = 0. En este caso
tendremos que
((y − 1n ȳ)′ (y − 1n ȳ) − (y − X β̂)′ (y − X β̂))/(p − 1)

F = ∼ Fp−1,n−p .
(y − X β̂)′ (y − X β̂)/(n − p)
Como segundo caso tendríamos la situación en que contrastamos que

un solo coeficiente vale cero, es decir, la hipótesis nula H0 : βi = 0
frente a la alternativa H1 : βi ̸= 0. Tenemos que bajo la hipótesis nula
indicada
β̂i
ti = ∼ tn−p
SE(β̂i )
donde SE(β̂i ) es el error estándar de β̂i y viene dado en ecuación
27.32. Se tiene, de hecho, que
F = t2i .
Rechazaremos la hipótesis nula si
|ti | > tn−p,1− α2
o bien si
F = t2i > F1,n−p,1− α2 .
Ambos procedimientos son equivalentes como se puede ver fácilmente.
Ejemplo 27.12 (Contrastes sobre los coeficientes) Cuando con-

trastamos la hipótesis de que cada coeficiente valga cero vemos que
podemos rechazarlo para las dos variables predictoras. Realizamos un
summary del modelo de regresión ajustado.
summary(gen19254.lm)
##
## Call:
## lm(formula = y ~ x, data = gse44456_19254)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.7492 -0.1943 -0.0165 0.2621 0.8560

##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.3143 1.5311 -2.165 0.0369
## x 1.9084 0.2356 8.100 1.02e-09
##
## (Intercept) *
## x ***
## ---
## Signif. codes:
## 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3998 on 37 degrees of freedom
## Multiple R-squared: 0.6394,Adjusted R-squared: 0.6297
## F-statistic: 65.62 on 1 and 37 DF, p-value: 1.024e-09
Podemos tener intervalos de confianza para cada uno de los coefi-

β̂i −βi
cientes βi . Teniendo en cuenta que SE( β̂i )
∼ tn−p entonces el intervalo
de confianza al nivel 1 − α para el coeficiente βi sería
β̂i ± tn−p,1− α2 SE(β̂i ).
Ejemplo 27.13 (Intervalos de confianza) Calculamos los inter-

valos de confianza para los coeficientes de gen19254 con la función
confint.
confint(gen19254.lm)
## 2.5 % 97.5 %
## (Intercept) -6.416593 -0.2121019
## x 1.431029 2.3857477
Supongamos que consideramos un vector de predictores x0 y preten-

demos predecir la correspondiente media de la variable respuesta. Esta
media viene dada por
E[Y |x0 ] = x′0 β.
La estimación de esta media es
x′0 β̂,
que tiene varianza
var(x′0 β̂) = x′0 (X ′ X)−1 x0 σ 2 .
Esta varianza la estimamos mediante
ar(x′0 β̂) = x′0 (X ′ X)−1 x0 σ̂ 2 .

vd
Y el intervalo de confianza sería

√
x′0 β̂ ± tn−p,1− α2 σ̂ x′0 (X ′ X)−1 x0 .
Supongamos que, en lugar de predecir la media de la variable res-

puesta para un conjunto de predictores dados, pretendemos predecir
27.11. INFERENCIA SOBRE EL MODELO 451
la propia variable respuesta. Recordemos que según nuestro modelo

tenemos
Y = x′0 β + ϵ.
En consecuencia la predicción de la propia observación sería
x′0 β̂
pero hay que considerar la varianza añadida por el error ϵ de modo

que la varianza al predecir Y dado x0 sería
var(x′0 β̂) + σ 2
que estimaríamos como
ar(x′0 β̂) + σ̂ 2 = x′0 (X ′ X)−1 x0 σ̂ 2 + σ̂ 2 = (x′0 (X ′ X)−1 x0 + 1)σ̂ 2 .

vd
Finalmente tendremos que el intervalo de confianza para una obser-

vación Y que tiene predictores x0 es el siguiente
√
x′0 β̂ ± tn−p,1− α2 σ̂ x′0 (X ′ X)−1 x0 + 1
Ejemplo 27.14 Con los datos gen19254 consideramos cómo obte-

ner las predicciones, intervalos de confianza para las medias y para
las predicciones. Utilizamos los propios datos que se han utilizado
para ajustar el modelo. Con la función predict obtenemos las pre-
dicciones así como los intervalos de confianza para las medias de
las predicciones (predict con la opción interval=confidence) y los in-
tervalos de confianza para las observaciones (predict con la opción
interval=”prediction”).
Primero obtengamos las predicciones para los propios datos.
head(predict(gen19254.lm))
## GSM1085665_HE32H001.CEL
## 9.261931
## GSM1085666_HE32H003.CEL
## 7.334459
## GSM1085667_HE32H004.CEL
## 9.433686
## GSM1085668_HE32H005.CEL
## 9.261931
## GSM1085669_HE32H006_2_.CEL
## 9.147428
## GSM1085670_HE32H007_2_.CEL
## 9.223763
En segundo lugar, obtenemos los intervalos de confianza para la

predicción de la media.
head(predict(gen19254.lm, interval = "confidence"))
## fit lwr
## GSM1085665_HE32H001.CEL 9.261931 9.124197
## GSM1085666_HE32H003.CEL 7.334459 6.879696
## GSM1085667_HE32H004.CEL 9.433686 9.276231
## GSM1085668_HE32H005.CEL 9.261931 9.124197

## GSM1085669_HE32H006_2_.CEL 9.147428 9.016505
## GSM1085670_HE32H007_2_.CEL 9.223763 9.088936
## upr
## GSM1085665_HE32H001.CEL 9.399665
## GSM1085666_HE32H003.CEL 7.789221
## GSM1085667_HE32H004.CEL 9.591140
## GSM1085668_HE32H005.CEL 9.399665
## GSM1085669_HE32H006_2_.CEL 9.278350
## GSM1085670_HE32H007_2_.CEL 9.358590
Y finalmente obtenemos los intervalos de confianza para la predic-

ción de la observación.
head(predict(gen19254.lm, interval = "prediction"))
## Warning in predict.lm(gen19254.lm, interval = "prediction"):

predictions on current data refer to _future_ responses
## fit lwr
## GSM1085665_HE32H001.CEL 9.261931 8.440140
## GSM1085666_HE32H003.CEL 7.334459 6.405385
## GSM1085667_HE32H004.CEL 9.433686 8.608361
## GSM1085668_HE32H005.CEL 9.261931 8.440140
## GSM1085669_HE32H006_2_.CEL 9.147428 8.326751
## GSM1085670_HE32H007_2_.CEL 9.223763 8.402454
## upr
## GSM1085665_HE32H001.CEL 10.083722
## GSM1085666_HE32H003.CEL 8.263533
## GSM1085667_HE32H004.CEL 10.259011
## GSM1085668_HE32H005.CEL 10.083722
## GSM1085669_HE32H006_2_.CEL 9.968104
## GSM1085670_HE32H007_2_.CEL 10.045072
27.12 Selección de variables

Habitualmente tenemos un gran conjunto de variables y preten-
demos determinar un buen conjunto de variables. ¿En qué sentido
bueno? En primer lugar, bueno en el sentido de sencillo. Tener pocas
variables supone un modelo más simple, más fácil de entender. Es
bueno tener pocas variables porque luego no tendremos que recoger
esta información. Es bueno porque los estimadores de los parámetros
que intervienen en el modelo son mucho menos variables.
Dos son las aproximaciones al problema de la selección de varia-
bles. En la primera vamos comparando modelos sucesivos y, básica-
mente, consideramos si los modelos sucesivos que comparamos difieren
significativamente como modelos. En la segunda se adopta una medi-
da de calidad global del ajuste y se plantea el problema de determinar
el modelo que optimiza ese criterio global.
27.12.1 Procedimientos que comparan modelos

Tres procedimientos se pueden considerar: selección backward,
selección forward y selección stepwise. En el primer procedi-
27.12. SELECCIÓN DE VARIABLES 453
miento, selección backward (selección hacia atrás), empezamos el

proceso de selección con un modelo en que tenemos todas las variables
consideradas a priori. Elegimos aquella que, cuando la quitamos, el p-
valor resultante de comparar ambos modelos (completo y aquel que le
falta la variable considerada) es mayor. Si este p-valor es mayor que
un valor α previamente especificado entonces eliminamos la variable
del modelo. Y así continuamos hasta que al eliminar una variable el
p-valor correspondiente sea menor que el α elegido.
El procedimiento selección forward (o hacia adelante) empeza-
mos con un modelo en el cual solamente tenemos la constante. Ele-
gimos para entrar la variable tal que cuando se incorpora el modelo
cambia lo más posible. Esto es, el p-valor es el más significativo. Si
el p-valor de la comparación de los modelos es menor que α (siempre
elegido antes de iniciar el proceso de selección y no reajustado a lo lar-
go del mismo) entonces la variable entra en el modelo. Continuamos
hasta que el modelo no cambia significativamente.
El procedimiento más usado es el selección stepwise (hacia ade-
lante y hacia atrás). Vistos los anteriores es de esperar cómo funciona
este método. Después de la inclusión de una variable consideramos la
posible exclusión de las variables que están en el modelo. Si es posible
eliminar una lo hacemos y nos planteamos la inclusión de la variable
que produzca un cambio más significativo.
27.12.2 Procedimientos basados en criterios

Estamos ajustando un modelo de regresión lineal múltiple con al-
gún propósito. Podemos fijarnos en una medida global de calidad del
ajuste y buscar la selección de variables que nos da el óptimo según
ese criterio. Una medida global puede ser AIC (Akaike Information
Criterion) definido como
AIC = −2 max logverosimilitud + 2p.
A partir de la definición de esta medida global es claro que un valor

pequeño indica un mejor ajuste.
Ejemplo 27.15 (Selección de variables) Notemos que con en la

función step podemos indicar con el argumento direction si quere-
mos both (stepwise), o bien backward o bien forward. Utilizamos
MASS::stepAIC.
library(MASS)
stepAIC(gen19254.lm)
## Start: AIC=-69.55
## y ~ x
##
## Df Sum of Sq RSS AIC
## <none> 5.9155 -69.554
## - x 1 10.49 16.4058 -31.771
##
## Call:
## lm(formula = y ~ x, data = gse44456_19254)
##
## Coefficients:
## (Intercept) x
## -3.314 1.908
Vemos que se conservan ambas variables predictoras.

Capítulo 28
Conceptos
fundamentales de
Estadística
El contenido tratado en los temas anteriores es intencionadamen-

te muy básico. Se pretende llegar al lector que no tiene ningún co-
nocimiento de Probabilidad y Estadística. Sin embargo, hay proce-
dimientos que se tratan en este manual y que requieren un nivel de
formalización mayor. En este tema se aborda este otro nivel. Para una
primera lectura del manual no se requiere. Pero sí para una lectura
completa. El lenguaje utilizado es más preciso y directo.
28.1 Verosimilitud
Sea y = (y1 , . . . , yn ) una realización del vector aleatorio Y =
(Y1 , . . . , Yn ). Es habitual asumir que Y tiene una función de densi-
dad conjunta f en una cierta familia F. Para una función dada f ,
el valor f (y) nos muestra cómo varía la densidad dentro del espacio
muestral de valores posibles de y. Y viceversa, si consideramos unos
datos y y lo que hacemos variar es la función de densidad entonces
estamos viendo cómo de verosímil es cada una de las funciones dados
los datos y. Esta función recibe el nombre de verosimilitud de f
dados los datos y y se suele denotar como
V erosimilitud[f ; y] = L(f ; y) = f (y). (28.1)
Con frecuencia, es conveniente trabajar con el logaritmo natural de la
función anterior y hablaremos de la log-verosimilitud.
l[f ; y] = log f (y). (28.2)
Una simplificación adicional (que es habitual en las aplicaciones) su-
pone que la función de densidad f pertenece a una familia paramétri-
ca F, esto es, cada elemento de la familia es conocido completamente
salvo un número finito de parámetros θ = (θ1 , . . . , θp ) de modo que
denotaremos f (y; θ) o fY (y; θ). Al conjunto de valores posibles de θ
se le llama espacio paramétrico y lo denotaremos por Θ. En este
caso, la logverosimilitud es una función de θ y denotaremos
V erosimilitud[θ; y] = l(θ; y) = log f (y; θ). (28.3)
455
456CAPÍTULO 28. CONCEPTOS FUNDAMENTALES DE ESTADÍSTICA
Supongamos una transformación 1-1 de Y a Z, Z = g(Y ). Las den-

sidades de ambos vectores se relacionan según la siguiente relación

∂y
fZ (z) = fY (y) ,
∂z

donde ∂y
∂z es el jacobiano de la transformación de z a y. Se tiene la
siguiente relación entre las verosimilitudes

∂y
LZ (θ; z) = LY (θ; y).
∂z
Esto sugiere que es mejor trabajar con el cociente de las verosimili-

tudes para dos vectores de parámetros θ1 y θ2 en lugar de los valores
aislados.
Si asumimos que los distintos Y1 , . . . , Yn son independientes en-
tonces
∏ n
LY (θ; y) = fY (y) = fYi (yi ),
i=1
y
∑
n ∑
n
ly (θ; y) = log fYi (yi ) = LYi (θ; yi ).
i=1 i=1
Veamos algunos ejemplos de verosimilitud.
Ejemplo 28.1 (Pruebas Bernoulli) Y1 , . . . , Yn son independientes

y con la misma distribución (i.i.d.) P (Yi = yi ) = θyi (1 − θ)1−yi y
∑n ∑n
L(θ; y) = θ i=1 yi
(1 − θ)n− i=1 yi
Ejemplo 28.2 (Número de éxitos en n pruebas Bernoulli) Nuestros

datos son ahora el número total de éxitos en un número dado de prue-
bas de Bernoulli, r. Entonces la variable correspondiente R tiene una
distribución binomial con n pruebas y una probabilidad de éxito θ. La
verosimilitud viene dada por
( )
n r
L(θ; r) = θ (1 − θ)n−r
r
Ejemplo 28.3 (Muestreo Bernoulli inverso) Nuestros datos son

ahora el número total de pruebas necesarias para alcanzar un número
previamente especificado de éxitos. La variable aleatoria correspon-
diente N tendrá una distribución binomial negativa con r éxitos y
una probabilidad de éxito θ. La función de verosimilitud correspon-
diente viene dada por
( )
n−1 r
L(θ; n) = θ (1 − θ)n−r
r−1
Consideremos los tres ejemplos anteriores 28.1, 28.2 y 28.3. Si consi-

deramos dos valores del parámetro θ1 y θ2 entonces el cociente de las
verosimilitudes calculados en ambos valores tiene el mismo valor en
los tres ejemplos.
28.2. ESTIMACIÓN 457
28.2 Estimación
Denotamos por Θ el espacio formado por los valores que puede
tomar θ o espacio paramétrico. Un estimador del parámetros o vector
paramétrico θ es cualquier función de la muestra X1 , . . . , Xn que toma
valores en el espacio paramétrico. Si δ(X1 , . . . , Xn ) es un estimador
del parámetro θ entonces se define el error cuadrático medio como
M SE(δ) = E[δ(X1 , . . . , Xn ) − θ]2 (28.4)
En el caso en que se verifique que Eδ(X1 , . . . , Xn ) = µδ = θ, es decir,

que el estimador sea insesgado entonces:
M SE(δ) = E[δ(X1 , . . . , Xn )−θ]2 = E[δ(X1 , . . . , Xn )−µδ ]]2 = var(δ).
Y el error cuadrático medio no es más que la varianza del estimador.

Consideremos la siguiente cadena de igualdades. Denotamos
M SE(δ) = E[δ − θ]2 = E[δ − µδ + µδ − θ]2 = E[δ − µδ ]2 + [µδ − θ]2

(28.5)
La diferencia entre la media del estimador y el parámetro, µδ −θ, recibe
el nombre de sesgo. Finalmente lo que nos dice la ecuación anterior
es que el error cuadrático medio M SE(δ) lo podemos expresar como
la suma de la varianza del estimador, E[δ − µδ ]2 , más el sesgo al
cuadrado, [µδ − θ]2 .
A la raíz cuadrada de la varianza de un estimador, es decir, a su
desviación típica o estándar se le llama error estándar. La expresión
error estándar se usa en ocasiones indistintamente para referirse o bien
dicha desviación típica o bien al estimador de la misma.
28.2.1 Estimación insesgada de media y varianza

Dada una muestra Y1 , . . . , Yn de una variable. Un estimador habi-
tualmente utilizado para estimar µ = EYi es la media muestral dada
por
1∑
n
Ȳ = Yi . (28.6)
n i=1
Notemos que
1∑ 1∑ 1∑
n n n
E Ȳ = E[ Yi ] = EYi = µ = µ.
n i=1 n i=1 n i=1
En definitiva, la media muestral es un estimador que no tiene ningún

sesgo cuando estima la media de Yi (la media poblacional) o, lo que
es lo mismo, es un estimador insesgado.
Para estimar de un modo insesgado la varianza σ 2 a partir de una
muestra Y1 , . . . , Yn se utiliza la varianza muestral dada por
1 ∑
n
S2 = (Yi − Ȳ )2 . (28.7)
n − 1 i=1
La razón de la división por n − 1 en lugar de dividir por n viene de

las siguientes igualdades.

∑
n
E (Yi − Ȳ )2 =
i=1
∑
n ∑
n
E [(Yi − µ) − (Ȳ )2 − µ)]2 = E(Yi − µ)2 − nE(Ȳ − µ)2 ,
i=1 i=1
(28.8)
pero E(Yi −µ) = σ y E(Ȳ −µ) = var(Ȳ ) = σ /n. En consecuencia,
2 2 2 2
∑
n
σ2
E (Yi − Ȳ )2 = nσ 2 − = nσ 2 − σ 2 = (n − 1)σ 2 ,
i=1
n
de donde,
1 ∑
n
ES 2 = E (Yi − Ȳ )2 = σ 2 ,
n − 1 i=1
es decir, S 2 estima la varianza σ 2 sin sesgo.
28.2.2 Estimación insesgada del vector de medias

y la matriz de covarianzas
Ahora consideramos una muestra de un vector de dimensión d,
Y1 , . . . , Yn i.i.d. con vector de medias µ = EYi y matriz de covarianzas
Σ = cov(Yi ). Los estimadores insesgados de µ y Σ son las versiones
multivariantes de la media y varianza muestrales. Si
 
Yi1
 .. 
Yi =  . 
Yip
Entonces podemos representar toda la muestra como la siguiente ma-
triz
 ′  
Y1 Y11 . . . Y1d
   .. 
Y =  ...  =  ... ..
. . 
′
Yn Yn1 . . . Ynd
mientras que los datos observados, la matriz de datos, vendría dada
por
 ′  
y1 y11 . . . y1d
   .. 
y =  ...  =  ... ..
. . 
′
yn yn1 . . . ynd
El vector de medias muestral viene dado por la siguiente expresión en
términos de la matriz Y ,
1∑
n
1
Ȳ = Yi = Y ′ 1n . (28.9)
n i=1 n
siendo 1n el vector n × 1 con todos los valores iguales a uno. También

denotaremos
 
Ȳ·1
 .. 
Ȳ =  . 
Ȳ·p
28.3. ESTIMADOR MÁXIMO VEROSÍMIL 459
El estimador de la matriz de covarianzas (poblacional) Σ sería la ma-

triz de covarianzas muestral que tiene en la posición (j, k) la covarian-
za muestral entre las componentes j y k,
1 ∑
n
Sjk = (Yij − Ȳ·j )(Yik − Ȳ·k ),
n − 1 i=1
de modo que
 
S11 ... S1d
1 ∑
n
 .. .. ..  = 1
S= . . .  (Yi − Ȳ )(Yi − Ȳ )′ = Q.
n − 1 i=1 n−1
Sd1 ... Sdd
Es inmediato que E Ȳ = µ porque componente a componente hemos

visto que se verifica la igualdad. A partir de los vectores Yi conside-
ramos Xi = Yi − µ de modo que se verifica X̄ = X̄ − µ. Se sigue
que
∑
n ∑
n ∑
n
(Yi − Ȳ )(Yi − Ȳ )′ = (Xi − X̄)(Xi − X̄)′ = Xi Xi′ − nX̄ X̄ ′ .
i=1 i=1 i=1
Los vectores X1 , . . . , Xn tienen vector de medias nulo y matriz de

covarianzas Σ, la misma que los Yi . En consecuencia, E X̄ X̄ ′ = Σ y
∑
n
Σ
EQ = cov(Yi )−n cov(Ȳ ) = nΣ−n cov(Ȳ ) = nΣ−n = (n−1)Σ.
i=1
n
Tenemos pues que S es un estimador insesgado de la matriz Σ.

Finalmente, si denotamos por rjk el coeficiente de correlación entre
las variables j y k, es decir,
∑n
(Yij − Ȳ·j )(Yik − Ȳ·k ) Sjk
rjk = √∑ i=1 ∑ =√ (28.10)
n n Sjj Skk
i=1 (Yij − Ȳ·j ) i=1 (Yik − Ȳ·k )
2 2
Denotaremos por R la matriz de correlaciones muestrales R =

[rjk ].
28.3 Estimador máximo verosímil

El método de estimación que vamos a utilizar en este curso el
método de máxima verosimilitud. El estimador máximo verosímil
de θ, que denotaremos por θ̂, se obtienen máximizando la función
de verosimilitud o, equivalentemente, la transformación monótona de
dicha función que es la función de logverosimilitud. Utilizaremos para
denotar el estimador máximo verosímil la notación inglesa MLE.
L(θ̂) = max L(θ), (28.11)

θ∈Θ
o también
θ̂ = argmaxθ∈Θ L(θ), (28.12)
Ejemplo
∑n 28.4 (Bernoulli) Se puede comprobar sin dificultad que
i=1 xi
p̂ = n .
Una propiedad importante de los estimadores máximo verosímiles con-

siste en que si θ∗ = f (θ) siendo f una biyección entonces el estimador
máximo verosímil de θ∗ es verifica que
θˆ∗ = f (θ̂). (28.13)
Ejemplo 28.5 (Normal) En este caso se comprueba que µ̂ = X̂n y

c2 = n−1 S 2 = 1 ∑n (Xi − X̄n )2 . Teniendo en que cuenta la
que σ n n i=1 √
propiedad enunciada en 28.13 tendremos que σ̂ = n−1
n S .
2
En muchas situaciones la función L(θ) es cóncava y el estimador má-

ximo verosímil θ̂ es la solución de las ecuaciones de verosimilitud
∂L(θ
∂θ = 0. Si cov(θ̂) denota la matriz de covarianzas de θ̂ entonces,
para un tamaño muestral grande y bajo ciertas condiciones de regu-
laridad (ver [116], página 364), se verifica que cov(θ̂) es la inversa de
la matriz de información cuyo elemento (j, k) viene dado por
( 2 )
∂ l(θ)
−E (28.14)
∂θj ∂θk
Notemos que el error estándar de θ̂j será el elemento que ocupa la po-
sición (j, j) en la inversa de la matriz de información. Cuanto mayor
es la curvatura de la logverosimilitud menores serán los errores están-
dar. La racionalidad que hay detrás de esto es que si la curvatura es
mayor entonces la logverosimilitud cae rápidamente cuando el vector
θ se aleja de θ̂. En resumen, es de esperar que θ esté más próximo a
θ̂.
Ejemplo 28.6 (Binomial) Supongamos que una muestra en una po-
blación finita y consideremos como valor observado el número de éxi-
tos. Entonces la verosimilitud sería
( )
n y
L(p) = p (1 − p)n−y , (28.15)
y
y la logverosimilitud viene dada como

( )
n
l(p) = log + y log p + (n − y) log(1 − p), (28.16)
y
La ecuación de verosimilitud sería

∂l(p) y n−y y − np
= − = . (28.17)
∂p p 1−p p(1 − p)
Igualando a cero tenemos que la solución es p̂ = ny que no es más

que la proporción muestral de éxitos en las n pruebas. La varianza
asíntótica sería
[ 2 ] [ ]
∂ l(p) y n−y n
−E = E + = . (28.18)
∂p2 p2 (1 − p)2 p(1 − p)
En consecuencia asintóticamente p̂ tiene varianza p(1−p)

n lo cual era
de prever pues si consideramos la variable Y que nos da el número de
éxitos entonces sabemos que EY = np y que var(Y ) = np(1 − p).
28.4. CONTRASTE DE HIPÓTESIS 461
H0 H1
Rechazamos H0 Error tipo I
No rechazamos H0 Error tipo II
28.4 Contraste de hipótesis

Genéricamente vamos a considerar situaciones en donde particio-
namos el espacio paramétrico Θ en dos conjuntos Θ0 y Θ1 , es decir,
Θ0 ∩ Θ1 = ∅ (son disjuntos) y y Θ0 ∪ Θ1 = Θ (cubren todo el espacio
paramétrico). Consideramos el contraste de hipótesis siguiente.
H0 :θ ∈ Θ0 (28.19)
H1 :θ ∈ Θ1 (28.20)
Basándonos en una muestra aleatoria X1 , . . . , Xn hemos de tomar

una decisión. Las decisiones a tomar son una entre dos posibles: (i)
Rechazar la hipótesis nula o bien (ii) no rechazar la hipótesis nula.
Notemos que, una vez hemos tomado una decisión, podemos tener dos
posibles tipos de error como recoge la siguiente tabla. En las columnas
indicamos la realidad mientras que en las filas indicamos la decisión
que tomamos.
Supongamos que Rn es el conjunto de valores que puede tomar el
vector aleatorio (X1 , . . . , Xn ). Entonces el contraste de hipótesis se
basa en tomar un estadístico o función de la muestra que denotamos
δ(X1 , . . . , Xn ) de modo que si δ(X1 , . . . , Xn ) ∈ C entonces rechaza-
mos la hipótesis nula mientras que si δ(X1 , . . . , Xn ) ∈ / C entonces no
rechazamos la hipótesis nula. Notemos que simplemente estamos par-
ticionando el espacio muestral (que suponemos) Rn en dos partes, C
y C c , de modo que tomamos una decisión basándonos en si el estadís-
tico δ está en C o bien está en el complementario de C. Al conjunto
C se le suele llamar la región crítica. La función potencia se define
como
π(θ) = P (δ ∈ C|θ). (28.21)
28.4.1 Contraste de la media en la poblaciones nor-

males
Si tenemos una muestra X1 , . . . , Xn de una población normal con
media µ y varianza σ 2 donde ambos parámetros se asumen descono-
cidos un test habitualmente considerado es si la media toma un valor
dado. l test formalmente planteado sería:
H0 :µ = µ0 , (28.22)
H1 :µ ̸= µ0 . (28.23)
∑n
i=1 (Xi −X̄)
2
Siendo S 2 = n−1 , el estadístico habitualmente utilizado es el
siguiente
X̄ − µ0
T = √ .
S/ n
Bajo la hipótesis nula este estadístico sigue una distribución t de Stu-
dent con n − 1 grados de libertad,
T ∼ t(n − 1).
Si suponemos que trabajamos con un nivel de significación α la región

crítica en la cual rechazamos la hipótesis nula sería
|T | > tn−1,1− α2 .
28.4.2 Test del cociente de verosimilitudes

El cociente de verosimilitudes para contrastar estas hipótesis se
define como
maxθ∈Θ0 L(θ)
Λ= (28.24)
maxθ∈Θ L(θ)
Es razonable pensar que en la medida en que Λ tome valores menores
entonces la hipótesis alternativa sea más plausible que la hipótesis
nula y por lo tanto rechacemos la hipótesis nula. Realmente se suele
trabajar con −2 log Λ pues bajo la hipótesis nula tiene una distribución
asintótica ji-cuadrado donde el número de grados de libertad es la
diferencia de las dimensiones de los espacios paramétricos Θ = Θ0 ∪Θ1
y Θ0 . Si denotamos L0 = maxθ∈Θ0 L(θ) y L1 = maxθ∈Θ L(θ) entonces
L0
Λ= L 1
y
L0
−2 log λ = −2 log = −2(l0 − l1 ) (28.25)
L1
siendo l0 y l1 los logaritmos de L0 y L1 respectivamente que también
corresponden con los máximos de la logverosimilitud sobre Θ0 y sobre
Θ.
28.4.3 Test de Wald

Supongamos que el θ es un parámetro y θ̂ denota su estimador
máximo verosímil. Supongamos que queremos contrastar las siguientes
hipótesis:
H0 :θ = θ0 , (28.26)
H1 :θ ̸= θ0 . (28.27)
Denotamos por SE(θ̂) el error estándar bajo la hipótesis alternativa

de θ̂. Entonces el estadístico
θ̂ − θ0
z= (28.28)
SE(θ̂)
tiene, bajo la hipótesis nula, aproximadamente una distribución nor-

mal estándar, z ∼ N (0, 1). Este tipo de estadísticos donde se utiliza
el error estándar del estimador bajo la hipótesis alternativa recibe el
nombre de estadístico de Wald.
Supongamos que θ es un vector de parámetros y queremos con-
trastar las hipótesis dadas en 28.26. La versión multivariante del es-
tadístico dado en 28.28 viene dada por
W = (θ̂ − θ0 )′ [cov(θ̂)]−1 (θ̂ − θ0 ), (28.29)
donde cov(θ̂) se estima como la matriz de información observada en

el MLE θ̂. La distribución asintótica de W bajo la hipótesis nula es
una distribución ji-cuadrado donde el número de grados de libertad
coincide con el número de parámetros no redundantes en θ.
28.4. CONTRASTE DE HIPÓTESIS 463
28.4.4 Intervalos de confianza

Empezamos recordando el concepto de intervalo de confianza con
un ejemplo muy conocido como es la estimación de la media en po-
blaciones normales.
Ejemplo 28.7 (Intervalo de confianza para la media de una normal)
Veámoslo con un ejemplo y luego planteamos la situación más ge-
neral. Tenemos una muestra aleatoria X1 , . . . , Xn i.i.d. tales que
Xi ∼ N (µ, σ2). Entonces es conocido que
X̄n − µ
√ ∼ tn−1 . (28.30)
S/ n
−µ
Vemos cómo X̄ n√
S/ n
depende tanto de la muestra que conocemos como
de un parámetro (la media µ) que desconocemos. Fijamos un valor de
α (habitualmente tomaremos α = 0.05) y elegimos un valor tn−1,1−α/2
tal que
X̄n − µ
P (−tn−1,1−α/2 ≤ √ ≤ tn−1,1−α/2 ) = 1 − α. (28.31)
S/ n
La ecuación anterior la podemos reescribir como
S S
P (X̄n − tn−1,1−α/2 √ ≤ µ ≤ X̄n + tn−1,1−α/2 √ ) = 1 − α. (28.32)
n n
Tenemos una muestra aleatoria X1 , . . . , Xn y por lo tanto tenemos un
intervalo aleatorio dado por [X̄n − tn−1,1−α/2 √Sn , X̄n + tn−1,1−α/2 √Sn ].
Este intervalo tiene una probabilidad de 1 − α de contener a la verda-
dera media. Tomemos ahora la muestra y consideremos no los valores
aleatorios de X̄n y de S 2 sino los valores observados x̄n y s. Tene-
mos ahora un intervalo [x̄n − tn−1,1−α/2 √sn , x̄n + tn−1,1−α/2 √sn ] fijo.
Es posible que µ esté en este intervalo y es posible que no lo esté.
Sabemos que antes de tomar la muestra teníamos una probabilidad
de 1 − α de contener a la verdadera media pero después de tomar la
muestra tenemos una confianza de 1 − α de contener a la verdadera
media. Al intervalo [x̄n −tn−1,1−α/2 √sn , x̄n +tn−1,1−α/2 √sn ] se le llama
intervalo de confianza para µ con nivel de confianza 1 − α.
Vamos a ver un planteamiento más general del problema. Supongamos
que tenemos un test para contrastar la hipótesis simple H0 : θ = θ0
frente a la alternativa H1 : θ ̸= θ0 . Supongamos que elegimos un
nivel de significación α para contrastar las hipótesis anteriores y con-
sideramos el siguiente conjunto formado por todos los θ0 tales que no
rechazamos la hipótesis nula al nivel α. Este conjunto es un conjunto
de confianza al nivel 1 − α. Cuando el conjunto de confianza es un
intervalo hablamos de intervalo de confianza.
Supongamos que consideramos el test del cociente de verosimilitu-
des. Denotemos por χ2k (1 − α) el percentil 1 − α de una distribución
ji-cuadrado con k grados de libertad. Entonces el intervalo de con-
fianza al nivel 1 − α sería el conjunto
{θ0 : −2[l(θ0 ) − l(θ̂)] < χ2k (1 − α)} (28.33)
Consideremos ahora un test de Wald. En este caso, el intervalo de
confianza de Wald vendría dado por el siguiente conjunto:
|θ̂ − θ0 |
{θ0 : < Z1−α/2 } (28.34)
SE(θ̂)
donde SE(θ̂) es el error estándar estimado de θ̂ bajo la hipótesis

alternativa.
Capítulo 29
Modelos lineales
generalizados
En este tema se habla de modelos lineales generalizados. Este tipo

de modelos se utilizan, en el contexto de los datos ómicos, cuando
trabajamos con conteos de secuencias cortas alineadas sobre regiones
genómicas. La referencia básica en este capítulo es el texto [4].
Los datos que pretendemos modelizar son pares (xi , yi ) siendo xi
un vector de covariables o variables predictoras que queremos utilizar
para conocer o predecir el valor de yi . Los valores yi que pretendemos
predecir serán categóricos con dos categorías (binarios) yi ∈ {0, 1} o
un más de dos o bien conteos. Nuestro interés se centra en la modeli-
zación de conteos pero es conveniente adoptar una visión más amplia
para la comprensión y manejo de este tipo de modelos probabilísticos.
En donde se modeliza la distribución conjunta de las respuestas Yi
condicionadas a los predictores xi .
29.1 Un modelo lineal generalizado

Un modelo lineal generalizado263 se compone de los tres elementos 263 Abreviadamente utiliza-
que siguen: remos la expresión GLM por
generalized linear model.
La componente aleatoria En donde se indica la variable respuesta
Y así como su distribución de probabilidad (marginal).
La componente sistemática Especificamos las variables explicati-
vas (o independientes o predictoras) utilizadas como combinar-
las linealmente.
Función de enlace 264 Especifica la función que nos relaciona la 264
Link function.
media de la variable Y , EY , con la combinación lineal de las
variables predictoras.
Veamos con detalle cada elemento.
La componente aleatoria de un GLM consiste de una variable

aleatoria Y con observaciones independientes (Y1 , . . . , Yn ). Los valo-
res observados son (y1 , . . . , yn ) Suponemos que la distribución de Y
está en la familia exponencial natural. Para la i-ésima variable Yi su-
ponemos una función de densidad o de probabilidad en la familia de
dispersión exponencial.265 265
Exponential dispersion
family
465
466 CAPÍTULO 29. MODELOS LINEALES GENERALIZADOS
[ ]
yi θi − b(θi )
f (yi |θi , ϕ) = exp + c(yi , ϕ) (29.1)
a(ϕ)
donde θi es el parámetro natural y ϕ es el parámetro de dispersión.

Si a(ϕ) = 1 entonces tenemos la familia exponencial natural con den-
sidad
f (yi |θi ) = h(yi ) exp [yi θi − b(θi ))]
La componente sistemática de un GLM es el vector (η1 , . . . , ηn )

siendo ∑
ηi = βj xij , con i = 1, . . . , n,
j
donde xij es el valor∑del j-ésimo predictor en el i-ésimo individuo. La

combinación lineal j βj xij es el predictor lineal. Como es habitual,
se suele considerar que uno de los predictores xij vale uno para todos
los i de modo que consideramos el término independiente. Cuando
esto es así consideraremos que el vector de covariables para la i-ésima
observación viene dado por xi = (1, xi1 , . . . , xi,p−1 )′ . De este modo
podemos representar de un modo simplificado
ηi = x′i β
donde xi es el vector de covariables o predictores y βi = (β0 , β1 , . . . , βp−1 )′ .

266
Link function Mediante la función de enlace266 relacionamos las componentes
aleatoria y sistemática. En concreto nos especifica cómo obtener la
componente sistemática a partir de la media de la variable Yi , µi =
E(Yi ), con i = 1, . . . , n. En concreto tenemos que
ηi = g(µi )
O lo que es lo mismo ∑
g(µi ) = βj xij
j
para i = 1, . . . , n.
En el siguiente ejemplo consideramos el caso de respuesta binaria.
Ejemplo 29.1 (Modelos logit binomiales para datos binarios)
Tenemos respuesta binaria (éxito como 1 y fracaso como 0), esto es,
Y ∼ Bi(1, π).
f (y|π) = π y (1 − π)1−y =
( )
π
(1 − π)[π/(1 − π)]y = (1 − π) exp y log
1−π
con y = 0, 1 El parámetro natural sería

p
Q(p) = log = logit(p)
1−p
Ejemplo 29.2 (Modelos loglineales Poisson para conteos) La va-

riable respuesta Y es un conteo (número de defectos, conteo en una
tabla de contingencia o, en nuestro caso, lecturas alienadas sobre un
gen). Asumimos que la variable Y sigue una distribución de Poisson
con media µ. La función de probabilidad viene dada por
Y ∼ P o(µ)
29.2. DESVIACIÓN 467
donde EY = µ. Veamos que esta función de probabilidad pertenece a

la familia exponencial natural.
e−µ µy 1
f (y; µ) = = e−µ ey log µ ,
y! y!
con y = 0, 1, . . . El parámetro natural sería
Q(µ) = log(µ),
y la función de enlace canónica es η = log µ.
29.2 Desviación
Los valores observados son y = (y1 , . . . , yn ) y el vector de me-
dias µ = (µ1 , . . . , µn ) Sea L(µ; y) la logverosimilitud expresada como
función de las medias. Sea L(µ̂; y) el máximo de la logverosimilitud
asumiendo el modelo. Si utilizamos un parámetro distinto para cada
observación. Esto nos proporciona un ajuste perfecto con
µ̂ = y.
La logverosimilitud máxima es L(y; y). El modelo con un parámetro

por observación se llama un modelo saturado. No supone reducción
alguna de los datos. No es modelo parsimonioso que suponga una
descripción simplificada de los datos. La desviación se define como
la diferencia entre las dos logverosimilitudes, esto es,
[ ]
−2 L(µ̂; y) − L(y; y) .
Es el test del cociente de verosimilitud para contrastar el modelo que

asumimos frente a la alternativa del modelo saturado. Cuando los
conteos de Poisson o bien el número de pruebas las distintas binomiales
con n fijo tenemos que aproximadamente
[ ]
−2 L(µ̂; y) − L(y; y) ∼ χ2 (n − p)
29.3 Modelos lineales generalizados para

datos binarios
Consideramos que la variable aleatoria Y es binaria. Entonces
EY = P (Y = 1) y la denotamos por π(x) indicando la dependen-
cia de x = (x1 , . . . , xp ). Además su varianza viene dada por var(Y ) =
π(x)(1 − π(x)).
Ejemplo 29.3 (GLM binomial y tablas 2 × 2) La variable predic-

tora X es binaria.
link[π(x)] = α + βx.
El efecto de X viene descrito por
β = link[π(1)] − link[π(0)]
Con la función de enlace identidad:
β = π(1) − π(0)
es la diferencia de proporciones. Si la función de enlace es el logaritmo

natural:
π(1)
β = log π(1) − log π(0) = log
π(0)
es el logaritmo del riesgo relativo. Con el la función de enlace logit:
π(1)/(1 − π(1))
β = logit(π(1)) − logit(π(0)) = log
π(0)/(1 − π(0))
es el logaritmo de los odds ratio.
Ejemplo 29.4 Probit y otras funciones de enlace Con un solo pre-
dictor parece natural el modelo
π(x) = F (x)
siendo F una función de distribución de probabilidad. Si consideramos
F (x) = Φ(x) siendo Φ(x) la función de distribución de la normal
estándar entonces
π(x) = Φ(α + βx)
o equivalentemente
Φ−1 (π(x)) = α + βx
y tenemos un modelo probit.
29.4 Modelo Poisson loglineal

Asumimos Y con distribución de Poisson. El modelo loglineal con
variable explicativa X es
log µ = α + βx.
En este modelo ( )x
µ = exp(α + βx) = eα eβ
Sobredispersión en GLM Poisson. En una distribución de Pois-

son, la media y la varianza son iguales. Cuando trabajamos con conteos
reales no suele ser cierta esta hipótesis. Con frecuencia la varianza
es mayor que la media. A esto se le llama sobredispersión. Interpre-
tación como mixturas de Poisson. No es un problema cuando Y tiene
una distribución normal pues la normal tiene un parámetro que la
modeliza.
Consideremos un modelo lineal generalizado binomial negativo. La
densidad de la distribución binomial negativa es
( )k ( )y
Γ(y + k) k k
f (y; k, µ) = 1−
Γ(k)Γ(y + 1) µ + k µ+k
con y = 0, 1, 2, . . . donde k y µ son los parámetros.
Se tiene que
E(Y ) = µ, var(Y ) = µ + µ2 /k.
El parámetro 1/k es un parámetro de dispersión. Si 1/k → 0,
entonces var(Y ) → µ y la distribución binomial negativa converge
a una distribución de Poisson. Con k fijo esta densidad está en la
familia exponencial natural y podríamos hablar de un GLM binomial
negativo.
29.5. VEROSIMILITUD DE MODELOS LINEALES GENERALIZADOS469
29.4.1 GLM Poisson e independencia en tablas de

contingencia I × J
• Vamos a utilizar un modelo loglineal Poisson para modelizar
conteos en tablas de contingencia.
• Suponemos que el conteo Yij ∼ P o(µij ).
• Suponemos que
µij = µαi βj
∑ ∑
siendo αi , βj ≥ 0 tales que i αi = 1 y j βj = 1.
• Si consideramos un log link tenemos
log µij = log µ + log αi + log βj
• Se comprueba que si hay independencia tenemos que αi = πi+

y βj = π+j .
29.5 Verosimilitud de modelos lineales ge-

neralizados
29.5.1 Familia de dispersión exponencial
• Tenemos (y1 , . . . , yn ) independientes.
• La variable yi tiene densidad en la familia de dispersión ex-
ponencial
([ ] )
f (yi ; θi , ϕ) = exp yi θi − b(θi ) /a(ϕ) + c(yi , ϕ)
• θi es el parámetro natural.
• Si ϕ es conocido entonces la densidad anterior es de la familia
exponencial natural.
Normal Poisson Binomial
2 (n ) µ
f (y) √1
2πσ
exp(− (y−µ)
2σ 2 ) µy e−µ /y! y ( n )(1 − n )
µ n−y
θ µ log µ log(µ/(n − µ))

ϕ σ2 1 1
a(ϕ) ϕ ϕ ϕ
θ2
b(θ) exp(θ) n log(1 + eθ )
2
2 ( )
c(y, ϕ) − 2 [ ϕ + log(2πϕ)]
1 y
− log y! log ny
Se tiene que la media y varianza de la componente aleatoria vienen
dadas por Se verifica:
µi = E(Yi ) = b′ (θi ).
y
var(Yi ) = b′′ (θi )a(ϕ).
La componente sistemática viene dada por
∑
ηi = βj xij , i = 1, . . . , n.
j
y en forma matricial
η = Xβ
con η = (η1 , . . . , ηp )′ y β = (β1 , . . . , βp )′ siendo X la matriz de
modelo.
• Un GLM relaciona ηi con µi con la función link.

∑
ηi = g(µi ) = βj xij , i = 1, . . . , n.
j
• El parámetro natural θi es
∑
θi = g(µi ) = βj xij
j
La logverosimilitud sería
∑ ∑ ∑ yi θi − b(θi ) ∑
L(β) = Li = log f (yi ; θi , ϕ) = + c(yi , ϕ).
i i i
a(ϕ) i
Las ecuaciones de verosimilitud son

∑n
(yi − µi )xij ∂µi
= 0, j = 1, . . . , p.
i=1
var(Yi ) ∂ηi
La matriz de covarianza asintótica se puede obtener del siguiente

modo.
2
∂ L(β)
• Puesto que −E ∂β h ∂βj
= E ∂L(β)
∂βh
∂L(β)
∂βj ,
∂ 2 L(β) ∑n
∂ 2 Li (β)
Ihj = −E =− E =
∂βh ∂βj i=1
∂βh ∂βj
∑ ( )2
∂Li (β) ∂Li (β) ∑ xih xij ∂µi
n n
E =
i=1
∂βh ∂βj i=1
var(Yi ) ∂ηi
• Y la podemos expresar como
I = X ′W X
siendo
W = diag(w1 , . . . , wp )
con ( )2
1 ∂µi
wi =
var(Yi ) ∂ηi
La matriz de covarianza asintótica estimada.
• Estimamos W en β̂ y tendremos
Î = X ′ Ŵ X
siendo
c β̂) = (X ′ Ŵ X)−1
cov(
29.6. INFERENCIA PARA MODELOS LINEALES GENERALIZADOS471
Ejemplo 29.5 (Modelo loglineal de Poisson) • Tenemos
log µ = Xβ
• La componente sistemática se relaciona con la media como
ηi = log µi
de donde
∂µi
= exp ηi = µi
∂ηi
• Además
varYi = µi
• En este caso las ecuaciones de verosimilitud son

∑
(yi − µi )xij = 0 para j = 1, . . . , p.
i
∑
• Estamos igualando∑ los estadísticos suficientes i yi xij a sus
valores esperados i µi xij
• Además ( )2
1 ∂µi
wi = = µi
var(Yi ) ∂ηi
29.6 Inferencia para modelos lineales ge-

neralizados
29.6.1 Desviación y bondad de ajuste
• Un GLM saturado es el modelo que tiene un parámetro distinto
para cada observación.
• Nos proporciona un (completamente inútil) ajuste perfecto.
• Sea θ̃i la estimación de θi en el modelo saturado que corresponde
con µ̃i = yi para cualquier i.
• Consideremos un modelo (insaturado) y denotemos por θ̂i y µ̂i
los estimadores máximo verosímiles.
• La desviación viene dada por
− 2[L(µ̂; y) − L(y; y)] =

∑[ ] ∑[ ]
2 yi θ̃i − b(θ̃i ) /a(ϕ) − 2 yi θ̂i − b(θ̂i ) /a(ϕ)
i i
Si asumimos que
ϕ
a(ϕ) =
ωi
entonces
− 2[L(µ̂; y) − L(y; y)] =

∑ [ ]
2 ωi yi (θ̃i − θ̂i ) − b(θ̃i ) + b(θ̂i ) /ϕ = D(y; µ̂)/ϕ.
i
• D(y; µ̂)/ϕ es la desviación escalada y
• D(y; µ̂) es la desviación.
Ejemplo 29.6 (Desviación para modelos loglineales Poisson) •

Tenemos θ̂i = log µ̂i , b(θ̂i ) = exp θ̂i = µ̂i , θ̃i = log yi , b(θ̃) = yi ,
a(ϕ) = 1.
• La desviación es igual a
∑
D(y, µ̂) = 2 [yi log(yi /µ̂i ) − yi + µ̂i ].
i
• Si el modelo incorpora un termino∑constante

∑ entonces una de
las ecuaciones de verosimilitud es i yi = i µ̂i y
∑
D(y, µ̂) = 2 yi log(yi /µ̂i ).
i
• Por tanto, si hay término constante en el modelo

∑ Observado
D(y, µ̂) = 2 Observado log .
i
Ajustado
Ejemplo 29.7 (Desviación para modelos binomiales) • Denotamos

yi la proporción muestral basada en una muestra ni .
• Tenemos
θ̂i = log[π̂i /(1 − π̂i )]
θ̃i = log[yi /(1 − yi )]
1
a(ϕ) =
ni
ϕ = 1, ωi = ni .
• La desviación viene dada por

∑ ni yi ∑ ni − ni yi
2 ni yi log +2 (ni − ni yi ) log
i
ni π̂i i
ni − ni π̂i
• Si consideramos la tabla de contingencia en donde la fila i-ésima

corresponde con el i-ésimo setting (todas las covariables o va-
riables predictoras son comunes) y tenemos dos columnas co-
rrespondiendo con éxito y fracaso entonces la desviación tiene
la (bonita) interpretación
∑ Observado
2 Observado log
i
Ajustado
29.6. INFERENCIA PARA MODELOS LINEALES GENERALIZADOS473
29.6.2 Comparación de modelos utilizando la des-

viación
• En un modelo binomial o Poisson, ϕ = 1, y la desviación es
D(y; µ̂) = −2[L(µ̂; y) − L(y; y)].
• Queremos comparar dos modelos M0 frente a M1 .
• M0 anidado en M1 (posiblemente eliminando algunas variables).
• Se tiene
−2[L(µ̂0 ; y) − L(µ̂1 ; y)] = D(y; µ̂0 ) − D(y; µ̂1 )
por lo que el estadístico del test del cociente de verosimilitudes

es la diferencia de las desviaciones.
Comparación de modelos utilizando la desviación:
• En concreto en modelos loglineales Poisson con término cons-

tante y en modelos logit binomiales se tiene
∑ Ajustado1
D(y; µ̂0 ) − D(y; µ̂1 ) = 2 Observado log
i
Ajustado0
29.6.3 Residuos en un GLM

• Si definimos
[ ]
di = 2ωi yi (θ̃i − θ̂i ) − b(θ̃i ) + b(θ̂i )
entonces el residuo de la desviación es

√
di × signo(yi − µ̂i )
• El residuo de Pearson es
yi − µ̂i
ei =
vd
ar(Yi )1/2
• Pero
cov(Y − µ̂) = cov(Y )(I − H)
con
H = W 2 X(X ′ W X)−1 X ′ W 2
1 1
• Sustituyendo W por Ŵ obtenemos Ĥ.
• Si ĥi es el elemento que ocupa la posición i-ésima en la diagonal

principal entonces el residuo de Pearson estandarizado es
yi − µ̂i
ri = ( ) 12
vd
ar(Yi )(1 − ĥi )
• notaR/notaR025.pdf.
29.6.4 Ajuste de un GLM mediante Newton-Raphson

• Sea el vector gradiente
∂L(β)
u=
∂β
y la matriz hessiana
[ ]
∂ 2 L(β)
H=
∂βa ∂βb a,b=1,...,p
• u(t) y H (t) denotan u y H evaluados en β (t) .
• Actualizamos nuestra estimación β (t)

( )−1
β (t+1)
=β (t)
− H (t)
u(t)
hasta que no haya una variación apreciable en la estimación

obtenida.
29.6.5 IRLS
En esta sección vamos a ver el procedimiento que se utiliza para el
267
Iteratively Reweighted ajuste de los modelos lineales generalizados conocido como IRLS267
Least Square, esto es, míni- Vamos a suponer que la componente aleatoria del modelo o distri-
mos cuadrados iterativamen- bución de la variable respuesta sigue una distribución en la familia de
te reponderados. dispersión exponencial.
• Es como el método Newton-Raphson en donde sustituimos la

matriz hessiana que no es más que la información observada por
la matriz de información de Fisher o valor esperado de dicha
matriz, es decir, por
[ ]
∂ 2 L(β)
I=− E
∂βa ∂βb a,b=1,...,p
• Actualizamos la estimación de los parámetros mediante

( )−1
β (t+1) = β (t) + I(t) u(t)
o bien
I(t) β (t+1) = I(t) β (t) + u(t)
• Notemos que I = X ′ W X y I(t) = X ′ W (t) X donde W (t) es W

evaluada en β (t) . Cuando finalizamos el proceso iterativo ten-
dremos la matriz I(t) cuya inversa es la matriz de covarianzas
de los estimadores. Obtenemos pues dicha matriz como un sub-
producto.
29.7. ML COMO MÍNIMOS CUADRADOS REPONDERADOS ITERATIVAMENTE475
29.7 ML como mínimos cuadrados repon-

derados iterativamente
• Si consideramos un modelo lineal general
z = Xβ + ϵ
donde ϵ tiene matriz de covarianzas V entonces la estimación

mínimo cuadrática es
(X ′ V −1 X)−1 X ′ V −1 z
• Se ve fácilmente que
I(t) β (t) + u(t) = X ′ W (t) z (t)
con
(t)
∑ (t) (t)
(t)
∂ηi
zi = xij βj + (yi − µi ) (t)
=
j ∂µi
(t)
(t) (t) ∂ηi
ηi + (yi − µi ) (t)
∂µi
• El método de actualización del Fisher scoring method queda

como
(X ′ W (t) X)β (t+1) = X ′ W (t) z (t)
que no son más que las ecuaciones normales en un modelo lineal

general donde las respuestas son z (t) y la matriz de covarianzas
del error es W (t) .
• Notemos que zi se relaciona con yi mediante una aproximación

lineal de la función link g.
∂ηi
g(yi ) ≈ g(µi ) + (yi − µi )g ′ (µi ) = ηi + (yi − µi ) = zi
∂µi
• En cada iteración z es estimado mediante z (t) y son utilizados

como respuestas mientras que la matriz de covarianzas es esti-
mada con Ŵ (t) .
• Obtenemos β (t+1) que nos da una nueva componente sistemá-

tica η (t+1) (utilizada para calcular Ŵ (t+1) ) y un nuevo vector
respuesta z (t+1) .
• Vemos que estamos aplicando iterativamente unos mínimos cua-

drados ponderados donde en cada iteración cambia la matriz de
pesos (la matriz de covarianza estimada).
• Por ello se habla de mínimos cuadrado iterativos reponde-

rados o iterative reweighted least squares.
29.8 Cuasiverosimilitud Wedderburn(1974)

• Las ecuaciones de verosimilitud son
∑n
(yi − µi )xij ∂µi
= 0, j = 1, . . . , p.
i=1
var(Yi ) ∂ηi
siendo v(µi ) = var(Yi ).

• Las ecuaciones de verosimilitud depende de la distribución de
Yi solamente a través de su media y su varianza, µi y v(µi ).
• Dada una distribución tenemos determinada la relación entre
media y varianza, esto es, v(µi ).
• Wedderburn(1974) propuso asumir solamente una relación entre
media y varianza en lugar de una distribución en la variable
respuesta.
• Asumimos una función link y un predictor lineal.
• No asumimos una distribución para Yi . En lugar de ello, asumi-
mos
var(Yi ) = v(µi )
para alguna función varianza v.
• Las ecuaciones que permiten obtener los estimadores cuasivero-
símiles son las mismas.
• Pero no son ecuaciones de verosimilitud sin asumir una distri-
bución.
• Wedderburn propuso utilizar estos estimadores incluso aunque
no asumamos que Yi están en la familia exponencial natural.
• La matriz de covarianzas asintótica es tiene la forma
(X ′ Ŵ X)−1
con ( )2
∂µi 1
wi =
∂ηi var(Yi )
29.8.1 Sobredispersión en GLM Poisson y cuasive-

rosimilitud
• Una posibilidad es considerar
v(µi ) = ϕµi ,
para alguna constante ϕ.

• En las ecuaciones que utilizamos para estimar (que no son de
verosimilitud) se cancela ϕ.
• Los estimadores son los mismos que los máximo verosímiles.
• notaR/notaR036.pdf
Capítulo 30
Meta-análisis
Trata del problema de combinar los resultados de distintos expe-

rimentos o análisis con el fin de obtener una conclusión única.
30.1 Método de Fisher

Supongamos que contrastamos una misma hipótesis nula, H0 , k
veces de un modo independiente (distintos conjuntos de datos obteni-
dos independientemente uno de otro). Si suponemos que el estadístico
del contraste que estamos utilizando tiene una distribución continua
entonces el p-valor sigue una distribución uniforme en el intervalo
unitario [0, 1], P ∼ U (0, 1) para cada uno de los tests. Una forma
de combinar estos p-valores es la propuesta por Ronald A. Fisher y
conocida como el método de Fisher.268 Tenemos que los p-valores, 268 Fisher’s method o
P1 , . . . , Pk (antes de tomar las muestras) son independientes y con Fisher’s combined probabi-
una distribución común Pi ∼ U (0, 1). Fisher propuso como forma de lity test.
combinar estos valores el siguiente estadístico
∑
k
X 2 = −2 ln Pi . (30.1)
i=1
Asumiendo que la hipótesis nula H0 es cierta (bajo la hipótesis nula)

y que los tests son independientes entonces el estadístico anterior se
distribuye como una ji-cuadrado con 2k grados de libertad. 269 269
Si el estadístico tie-
ne una distribución conti-
∑
k nua entonces P ∼ U (0, 1).
X = −2
2
ln Pi ∼ χ2k . (30.2) Es fácil ver que −2 ln P ∼
i=1 Exp(1) = Ga(1, 1), es de-
cir, P se distribuye expo-
Notemos que un p-valor significativo significa un valor p pequeño y nencial con media 1 que es
por lo tanto su logaritmo neperiano será muy pequeño (y negativo). una distribución gamma con
Finalmente el estadístico X 2 será grande si los pi observados son pe- parámetros (1, 1). Entonces
queños, esto es, si nos indican que la hipótesis nula no es cierta. El ∑k
− i=1 ln Pi ∼ Ga(k, 1) y
p-valor asociado al test anterior está calculado bajo la hipótesis de ∑k
tests independientes. ¿Y si son dependientes? La dependencia que ca- finalmente −2 i=1 ln Pi ∼
be esperar es de tipo positivo, esto es, si son pequeños tenderán a ser Ga(k, 1/2). Pero una gamma
todos pequeños. De este modo observaremos un p-valor en el test an- con parámetros k y 1/2 no es
terior menor al que observaríamos si realmente tuviéramos p-valores más que una ji-cuadrado con
independientes. 2k grados de libertad.
477
478 CAPÍTULO 30. META-ANÁLISIS
30.2 Método de Stouffer

270 270
Stouffer’s Z-score met- Es un procedimiento muy relacionado con el método de Fisher.
hod. Si Pi son los p-valores aleatorios originales y denotamos por Φ la
∫z 271
e− 2 t función de distribución de la normal estándar, entonces definimos
1 2
271 1
Φ(z) = −∞ √2πσ
con −∞ < z < +∞. el Z-score o la puntuación Z como
∑k
Zi
Z = i=1√ , (30.3)
k
siendo Zi = Φ−1 (1 − Pi ).
Notemos que el método de Fisher suma los valores −2 ln(pi ). Por
otro lado el Z-valor de Stouffer lo que propone es (por una constante)
una suma de Zi valores. En ambos casos sumamos la contribución de
cada test que√ en un caso lo cuantificamos con −2 ln(pi ) y en otro con
Φ−1 (1 − pi )/ k. En la figura ?? comparamos los sumandos con el
siguiente código.
2
1
p = seq(.01,.99,.001)
plot(-log(p),qnorm(1-p),type="l",xlab = expression(-ln(p)),
0
z
ylab = "z")
−1
−2
0 1 2 3 4
− ln(p)
Figura 30.1: Comparamos la apor-

tación de cada test según método
de Fisher y Stouffer. En abscisas
ln(p) y en ordenadas Φ−1 (1 − p).
Capítulo 31
Miscelánea
En el texto hemos utilizado una serie de técnicas y conceptos es-

tadísticos. Es preferible, antes que insertar su explicación en el texto
incluirlos en un capítulo aparte. Cada sección responde a un concepto
distinto. No hay ningún tipo de continuidad entre las secciones. Es
un capítulo auxiliar para el resto de los capítulos. Cuando explicamos
los conceptos también indicamos cómo hacerlo con R.
31.1 Algoritmo bipesado de Tukey de un

solo paso
Su denominación en la literatura estadística sería One-Step Tu-
key’s Biweight Algorithm. Veamos cómo funciona. Tenemos unos datos
x1 , . . . , xn de los cuales pretendemos tener algún tipo de valor medio o
de valor central que no esté muy afectado por valores anómalos como
lo está, por ejemplo, la media muestral.
1. Calculamos la mediana mx de los datos x1 , . . . , xn .
2. Determinamos las distancias di = |xi − mx |.
3. Calculamos la mediana md de di con i = 1, . . . , n. Esta mediana

md o mediana de las desviaciones absolutas se suele denotar com
MAD (median absolute deviation). Es una medida de dispersión.
4. Consideramos1
xi − m x
ui = ,
cmd + ϵ
con i = 1, . . . , n. Los valores por defecto son c = 5 y e = 0.0001
(con el valor de e evitamos la división por cero).
5. Consideremos una función bicuadrada (bisquare) definida como

{
(1 − u2 )2 si |u| ≤ 1
w(u) =
0 si |u| > 1
6. Se define el estimador en un solo paso como

∑n
w(ui )xi
Tbi (x1 , . . . , xn ) = ∑i=1
n .
i=1 w(ui )
1 En la implementación original del procedimiento c = 1 y ϵ = 0.
479
480 CAPÍTULO 31. MISCELÁNEA
Notemos que si sustituimos el valor mx por Tb podríamos aplicar ite-

rativamente el procedimiento hasta que se estabilice. No lo hacemos.
Simplemente se hace una sola iteración.
Ejemplo 31.1 Supongamos que tenemos los datos siguientes
x = c(12,3,45,21,34,35,21,456)
Y ahora podemos usar la función tukey.biweight del paquete [49,

affy].
library(affy)
tukey.biweight(x, c = 5, epsilon = 1e-04)
## [1] 25.1902
31.2 Median polish

Tenemos una matriz de datos tal que en la fila i y columna j
tenemos yij con i = 1, . . . , I y j = 1, . . . , J. El procedimiento del
median polish consiste en expresar estos valores de la siguiente forma
yij = m + ai + bj + eij
de forma que se verifique que:

• La mediana de {a1 , . . . , aI } sea cero. Abreviadamente denota-
mos M ediana{a1 , . . . , aI } = 0.
• M ediana{b1 , . . . , bJ } = 0.
• M ediana{ei1 , . . . , eiJ } = 0 para cada i.
• M ediana{e1j , . . . , eIj } = 0 para cada j.
Pueden haber muchas soluciones para las ecuaciones y restricciones
que acabamos de considerar. Consideremos la siguiente matriz.
y11 ... y1J

.. ..
. .
yI1 ... yIJ
El algoritmo median polish (propuesto por Tukey y Mosteller)

consiste en aumentar la matriz con una columna y una fila adicionales.
Consideremos la matriz aumentada siguiente
e11 ... e1J a1

.. .. ..
. . .
eI1 ... eIJ aI
b1 ... bJ m
El procedimiento actúa iterativamente sobre esta matriz aumen-

tada del siguiente modo:
1. Inicializamos el procedimiento con todos los ai = 0 y bj = 0,
m = 0 y eij = yij .
31.2. MEDIAN POLISH 481
2. Calculamos la mediana de las columnas de la 1 a la I.

3. Restamos dicha mediana a cada elemento de las filas de la 1 a
la I y se la sumamos a la columna I+1, esto es, se la sumamos
a los valores ai y m.
4. Calculamos la mediana de cada columna para
5. Restamos dicha mediana a cada elemento de la columna.
6. Sumamos, para cada columna j, la mediana de la columna al
valor de la última columna.
7.
Ejemplo 31.2 Consideremos los datos.
y = matrix(c(18,11,8,21,4,13,7,5,16,7,15,6,7,16,6,19,15,12,18,5),
ncol=5)
rownames(y) = paste("chip",1:4)
colnames(y) = paste("sonda",1:5)
Veamos los datos.

y
## sonda 1 sonda 2 sonda 3 sonda 4 sonda 5

## chip 1 18 4 16 7 15
## chip 2 11 13 7 16 12
## chip 3 8 7 15 6 18
## chip 4 21 5 6 19 5
Y aplicamos una median polish.
medpolish(y)
## 1: 82
## Final: 82
##
## Median Polish Results (Dataset: "y")
##
## Overall: 10.5
##
## Row Effects:
## chip 1 chip 2 chip 3 chip 4
## 5 2 -2 -4
##
## Column Effects:
## 1.0 -1.5 0.0 0.5 -0.5
##
## Residuals:
## chip 1 1.5 -10 0.5 -9 0
## chip 2 -2.5 2 -5.5 3 0
## chip 3 -1.5 0 6.5 -3 10
## chip 4 13.5 0 -0.5 12 -1
31.3 Datos faltantes

Tenemos nuestra matriz de datos de expresión X y tenemos da-
tos faltantes en algunas características para algunas muestras. Una
posibilidad es no perder datos utilizando alguna técnica que impute
un valor a los datos que no tenemos. En § 31.3.1 explicamos el proce-
dimiento utilizado por el método SAM (§ 9.1) y por el método GSA
(§ 17.11).
31.3.1 Algoritmo de normalización del k-vecino más

próximo
Fijamos el número de vecinos k a utilizar en la imputación. Por
defecto se toman k = 10. El procedimiento es el siguiente:
1. Para cada gen i con al menos un valor faltante:
(a) Denotamos por Si las muestras para los cuales conocemos

la expresión del gen.
(b) Determinamos los k-vecinos más próximos del gen i utili-
zando solamente las muestras Si para calcular la distancia
euclídea. Si los otros genes tienen datos faltantes en las
muestras Si se utilizan las muestras de las cuales se conoce
su expresión.
(c) Para las muestras que no están en Si asignamos el promedio
de los k-vecinos más próximos. Si alguno de estos k-vecinos
no tiene alguna expresión entonces hacemos la media de los
que disponemos.
2. Si un gen tiene todavía un dato faltante entonces asignamos la

expresión media de la muestra considerada.
El algoritmo anterior puede ser lento cuando tenemos muchos genes.

Con objeto de acelerar el proceso de asignación de datos faltantes
se combina con el siguiente procedimiento de agrupamiento recursivo
basado en el k-medias (§ 14.7.1).
1. Si el número de genes p es mayor que pmax (por defecto, vale

1500):
(a) Ejecutamos una clasificación del procedimiento k-medias

con k = 2 al conjunto de los genes (clasificamos genes y no
muestras). Las distancias entre los genes están basadas en
las muestras para las cuales se conocen ambas expresiones.
(b) Formamos dos matrices de expresión una con cada conjunto
de genes. Aplicamos recursivamente el paso anterior.
2. Si p < pmax entonces aplicamos el procedimiento de imputación

utilizando el promedio de los k-vecinos más próximos en cada
uno de los grupos encontrados previamente.
El procedimiento fue propuesto en [140] y está implementado en la

función impute::impute.knn.
31.4. DATOS MULTIMODALES 483
31.4 Datos multimodales

31.4.1 TCGA
Los datos con los que vamos a trabajar proceden de TCGA.272 272
The Cancer Genome
Podemos utilizar el paquete [83, RTCGA] permite el manejo de Atlas. Podemos bajar da-
datos de esta base de datos de un modo simple. tos con los conteos ya
Lo que sigue está tomado (en gran parte) de la viñeta del paquete calculados en https://
[163, RnaSeqSampleSizeData]. tcga-data.nci.nih.gov/
Los datos se pueden bajar de https://tcga-data.nci.nih.gov/ tcga/tcgaHome2.jsp y en
tcga/tcgaDownload.jsp. Por ejemplo, en https://tcga-data.nci. https://cghub.ucsc.edu/
nih.gov/tcgafiles/ftp_auth/distro_ftpusers/anonymous/tumor/podemos conseguir datos
brca/cgcc/unc.edu/illuminahiseq_rnaseqv2/rnaseqv2/ se tiene originales.
las distintas versiones de las muestras de BRCA. Los conteos están
en los ficheros .rsem.genes.results.
Parte VIII
Investigación
reproducible
485
Capítulo 32
Investigacion
reproducible
Tratamos sobre investigación reproducible.273 relacionado con 273

Reproducible research
la programación comentada274 aunque no son sinónimos. 274
Literate programming
Estamos acostumbrados a que los investigadores275 en sus publica- 275
En ciencias experimenta-
ciones comenten los resultados obtenidos en sus investigaciones. Han
les.
obtenido unos datos, los han analizado y, finalmente, los han inter-
pretado y discutido. H emos de creer que han producido los datos
correctamente, que han aplicado un tratamiento adecuado (que han
hecho lo que dicen que han hecho es un mínimo) y que, finalmente, la
interpretación de los resultados de las técnicas utilizadas es correcta.
Los demás hemos de creer en ellos. Que los distintos paso se han hecho
bien, al menos, lo mejor que han podido. Y que además el nivel de
corrección en todas las etapas es suficiente. Si no tenemos los datos,
el código y la interpretación: ¿cómo sabemos que el trabajo es co-
rrecto? En gran parte, es una cuestión de fe ¿Dónde están los datos?
Exactamente, no aproximadamente: ¿qué análisis de los datos han
realizado? En otras palabras, deme el código para que yo (y cualquier
otra persona) pueda reproducir exactamente el tratamiento estadísti-
co que se ha realizado. La interpretación es lo único que tenemos: es
la publicación científica que nos ha dado la noticia de la existencia de
la investigación.
Por investigación reproducible entendemos procedimientos que per-
mitan reproducir la investigación completa.
Personalmente añadiría que los distintos elementos han de ser to-
talmente libres. Los datos han de estar a disposición de la comuni-
dad276 y el software que se utiliza para realizar los análisis han de ser 276
Una vez se han publicado
libres también. Quizás esta opción personal es radical pero creo en los trabajos.
ella firmemente. 277 277
Todo lo que he usado en
Este manual es un ejemplo de lo que [159] llama un documento este manual es libre. No se
dinámico. Es un documento en donde se combinan las explicaciones ha utilizado sofware propie-
metodológicas junto con el código que las implementa. 278 La herra- tario ni datos que no estén a
mienta fundamental utilizada es el paquete [160, knitr].279 . En [159] disposición de todos en algún
tenemos una detallada y amena exposición que recomiendo vivamente. repositorio público.
Dos son las opciones para escribir el texto, LATEXy Markdown. Este 278
Sobre la obtención de los
manual está hecho con LATEX. Es un documento largo con muchas
datos hay que consultar las
expresiones matemáticas que hacían aconsejable (imprescindible para
referencias bibliográficas.
un estadístico como yo) utilizar este lenguaje de marcas, el primero
279
de todos y posiblemente el mejor. Sin embargo, los documentos con Hay miles de paquetes de
R pero pocos como este ma-
487 ravilloso paquete.
488 CAPÍTULO 32. INVESTIGACION REPRODUCIBLE
ejemplos asociados al manual está hechos con otro lenguaje de mar-

cas (ligero) conocido como Markdown. Utilizamos RMarkdown ([6,
rmarkdown]).
De un modo genérico son de interés las referencias [56, 55] así como
las siguientes direcciones:
1. El task view en el repositorio de R http://cran.r-project.org/web/views/ReproducibleResearch.html.
2. La página de Harrell http://biostat.mc.vanderbilt.edu/twiki/bin/view/Main/StatReport
3. Si se elige la opción de investigación reproducible utilizando

LATEXentonces una (muy) buena referencia [107].
En este documento nos centramos en R y por ello la opción para

investigación reproducible es combinar R bien con Markdown bien con
LATEX. Sin embargo, en otros lenguajes hay otras opciones similares y
tan buenas como esta. Es recomendable leer https://blog.ouseful.
info/2017/11/15/programming-meh-lets-teach-how-to-write-computational-essays-instead/.
32.1 Markdown
Es un lenguaje de marcas ligero (minimal sería más correcto). Pre-
tende ser una forma rápida de escribir HTML. Segun su autor, John
Gruber, “HTML is a publishing format; Markdown is a writing for-
mat.”
La dirección indicada contiene una muy buena exposición de este
lenguaje de marcas.
De las distintas versiones del lenguaje Markdown la más intere-
sante para nosotros es la asociada a pandoc, Pandoc’s Markdown.
32.2 RMarkdown
El paquete [6, rmarkdown] incorpora una implementación del len-
guaje de marcas Markdown y utilizado conjuntamente con [160, knitr]
permite generar unos muy buenos informes. La página http://rmarkdown.
rstudio.com/ es el mejor lugar para aprender a manejarlo.
32.3 RStudio y RMarkdown

Es la mejor opción. RStudio permite elegir esta opción y lleva
incorporados en los menús opciones para generar informes en formatos
280
En el colmo de las locu- html, pdf e incluso280 en formado Word.
ras.
32.4 emacs y RMarkdown

El editor emacs puede ser configurado para trabajar con R y Mark-
down. Consiste en utilizar el paquete polymode Siguiendo lo indicado
en esta página los pasos a seguir (y funciona) son los siguientes:
1. En /home/gag/emacs.d/1 ejecutamos
git clone https://github.com/vitoshka/polymode.git

1 Sustituimos por el directorio personal correspondiente.
32.4. EMACS Y RMARKDOWN 489
2. Incluimos en .emacs los caminos correspondientes así como los

modos necesarios. Hay que añadir las siguientes líneas (sustitu-
yendo el directorio personal por el correspondiente).
(add-to-list 'load-path "/home/gag/.emacs.d/polymode/")

(add-to-list 'load-path "/home/gag/.emacs.d/polymode/modes/")
(require 'poly-R)
(require 'poly-markdown)
490 CAPÍTULO 32. INVESTIGACION REPRODUCIBLE
Capítulo 33
Lo que no se debe hacer

pero se hace
En un texto de Estadística aplicada a datos ómicos parece que lo

natural es explicar solamente cómo diseñar un experimento y cómo
analizar de un modo correcto los datos obtenidos. Pero la experiencia
le dice a uno que raramente preguntan los experimentadores previa-
mente a realizar su estudio. Luego no suelen encontrar a algún alma
que les intente analizar los datos obtenidos sin pensar un poco en el
diseño previo. Esto es así.
En este tema hablamos de barbaridades. Pequeñas y grandes bar-
baridades. Posiblemente las más peligrosas son las pequeñas por lo
frecuentes. Ejemplos que me he ido encontrando de lo que se hace y
(en mi opinión) no se debe hacer. Responde a una experiencia per-
sonal. Vamos a explicar en negativo (lo incorrecto) y no en positivo
(lo correcto) como se pretende en el resto del texto. No es una mala
opción. Si todo el texto se hiciera así sería muy largo ya que el número
de incorrecciones que se pueden cometer es infinito. Esperemos que, al menos,
sea un infinito numerable.
Pero no lo sé. Podría ser de
33.1 Mejor no usarlo un cardinal estrictamente
mayor. Yo diría que con
Un breve listado de cosas que hay que evitar. probabilidad uno lo es.
Diagramas de sectores Los periódicos los aman. Los experimen-
tadores también. Y no lo entiendo. Lo más habitual entre los
estadísticos es odiarlos. En mi caso con toda mi alma. No usar-
los. Es mucho más claro un diagrama de barras como opción
alternativa si queremos un dibujo de frecuencias. La compara-
ción entre las frecuencias de las distintas categorías es mucho
más simple. Otra vez, evitarlos.
Histogramas Los histogramas como una estimación de la función

de densidad de la variable (aleatoria) que estamos estudiando
tienen una gran tradición en Estadística. Su principal problema
es que la elección del número de clases es crítica. El dibujo cam-
bia mucho cuando modificamos el número de clases. Depende
demasiado de una elección previa del usuario. Los programas
llevan procedimientos que fijan este número. Es mejor utilizar
un estimador no paramétrico de la densidad o estimadores ba-
sados en funciones kernel. En el texto lo usamos. Con grandes
491
492CAPÍTULO 33. LO QUE NO SE DEBE HACER PERO SE HACE
cantidades de datos dan una muy buena (y robusta) estimación

de la función de densidad de la variable aleatoria.
33.2 Combinando información de distin-

tos experimentos
Las (buenas) revistas científicas han introducido el buen hábito de
obligar a que se depositen los datos en repositorios público. Este texto
utiliza datos de estos repositorios. Esto es muy bueno. Además debiera
de obligarse a poner el código que se ha desarrollado en el lenguaje o
lenguajes que sean para poder reproducir el estudio. Este último punto
todavía no es habitual pero creo que lo será en no mucho tiempo. Al
menos en buenas revistas. Tener muchos bancos de datos disponibles
es bueno. Pero puede ser malo, de hecho, puede ser malísimo si no
se usan con sensatez. Ha aparecido otra bibliografía que utiliza estos
datos prestados para realizar análisis conjuntos o meta-análisis. El
meta-análisis es una parte de la Estadística que se explica poco. No
suele estar en los programas de las asignaturas básicas. Y podría estar.
Y debiera de estar porque se están cometiendo auténticos crimenes
(contra la humanidad).
En datos ómicos hay una cierta confusión entre qué son las va-
riables y qué son las observaciones. Y a esta confusión no ayuda el
costumbre de representar las matrices de expresión traspuestas. La
matriz de datos tiene habitualmente las filas correspondiendo con las
observaciones y las columnas correspondiendo a las variables que ob-
servamos en dichas observaciones. Sin embargo, con datos ómicos es
muy habitual (y en este texto seguimos este hábito) representar la
matriz de expresión de modo que las columnas son observaciones o
muestras y las filas son las variables (genes, sondas, grupos de sondas,
etc). Las columnas o muestras u observaciones son independientes
mientras que las filas no lo son. Es conveniente seguir esta costumbre
porque los paquetes de Bioconductor lo hacen y son nuestra fuente
principal de software estadístico.
Cuando combinamos información de distintos experimentos es cla-
ro que las variables pueden parecer ser las mismas pero no serlo. Una
variable puede estar cuantificando información sobre un mismo gen
pero tiene porqué tener una misma distribución de probabilidad. No
tenemos muestras aleatorias en donde se asume una distribución co-
mún. Por ejemplo, nos colocamos en la mejor de las situaciones. Cada
experimento utiliza el mismo chip. ¿Podemos simplemente combinar
las columnas y metadatos? Los distintos experimentos se han realiza-
do en distintos laboratorios. ¿Sus protocolos experimentales son los
mismos? ¿El material biológico se ha seleccionado de la misma forma?
¿Hay influencia del laboratorio? Son preguntas que si tienen respuesta
negativa significa que no observamos lo mismo aunque sea el mismo
chip y el mismo diseño.
Por supuesto si el chip no es el mismo no tiene sentido combinar
la información considerando que tenemos una muestra mayor y que-
dándonos con aquellos genes que están en todos los chips. Aunque ha-
blamos de unos mismos genes no tenemos la misma variable aleatoria.
Si la covariable que utilizamos para evaluar los perfiles de expresión
es la misma entonces podemos pensar en realizar un meta-análisis
utilizando los p-valores pero no combinando efectos. No tenemos la
33.2. COMBINANDO INFORMACIÓN DE DISTINTOS EXPERIMENTOS493
misma variable.
¿Y con RNA-seq? La cosa no es tan simple de evaluar. Es claro
que el tema de los protocolos han de ser los mismos. Y luego hay
que utilizar los mismos alineadores y con los mismos parámetros. Hay
que considerar los posibles errores sistemáticos producidos por los
procedimientos de alineamiento. En este sentido si se utilizan datos
procesados disponibles en la red no parece razonable combinar esta
información. Se debe de utilizar el mismo material base, con lecturas
de la misma longitud, conseguidas con el mismo producto.
Una práctica (que espero no se transforme en habitual) consiste
en construir bancos de datos reunión datos de distintos experimentos.
Esta confusión hace que a veces se toman distintos experimentos.
De cada uno de estos experimentos se observa una variable distinta
asociada a un mismo gen. Y se construye una matriz de datos donde
en filas tenemos genes y en columnas tenemos variables medidas en
distintos experimentos. Las variables que observamos en distintas ex-
perimentaciones aunque se refieran a un mismo gen son observaciones
independientes que además no están observadas en las mismas condi-
ciones experimentales. Por lo tanto no podemos estudiar la dependen-
cia que pueda existir entre ellas. Insisto, son valores independientes
de distribuciones distintas y la posible dependencia que observemos
será puro ruido. Y se hace.
494CAPÍTULO 33. LO QUE NO SE DEBE HACER PERO SE HACE
Apéndice A
Soluciones ejercicios
Solución (Ej. 1) — 1.mean(x)

## [1] 5
var(x)
## [1] 4.484848
sd(x)
## [1] 2.117746
2.sum(x == 3)
## [1] 16
3.y = sort(x)
cumsum(y)
## [1] 0 1 3 5 7 9 11 13 15 17 20
## [12] 23 26 29 32 35 38 41 44 47 50 53
## [23] 56 59 62 65 69 73 77 81 85 89 93
## [34] 97 101 105 109 113 117 121 125 129 133 137
## [45] 141 146 151 156 161 166 171 176 181 186 191
## [56] 196 201 206 211 216 221 226 232 238 244 250
## [67] 256 262 268 274 280 286 292 298 304 310 316
## [78] 323 330 337 344 351 358 365 372 379 387 395
## [89] 403 411 419 427 435 443 452 461 470 479 489
## [100] 500
Solución (Ej. 2) — 1.sum(x >= 39.4)

## [1] 23328
O bien podemos ver los TRUE de
495
496 APÉNDICE A. SOLUCIONES EJERCICIOS
table(x >= 39.4)

##
## FALSE TRUE
## 161 23328
2.sum(x <46)
## [1] 15778
3.sum(x >= 39.4 & x < 46)

## [1] 15617
4.Significa que son mayores o iguales a 40 y estrictamente menores

que 41. Por tanto podemos
sum(x >= 40 & x < 41)

## [1] 638
Otra posibilidad es usar la función base::floor.
sum(floor(x) == 40)
## [1] 638
Solución (Ej. 3) — 1.ncol(x)

## [1] 122
2.which.max(apply(x,2,mean))
## [1] 58
3.which.min(apply(x,1,mean))
## [1] 143
4.which.min(apply(x,1,IQR))
## [1] 282
5.sum(x[,1] >= x[,2])

## [1] 1183
6.rowmean = apply(x,1,mean)
sum(x[,45] >= rowmean)
## [1] 1220
Solución (Ej. 4) — Empezamos leyendo los datos y transformando

en factor la variable golub.cl.
497
golub.fac = factor(golub.cl,levels=0:1,labels=c("ALL","AML"))
1.La expresión media en cada condición la tenemos con
m1 = apply(golub,1,mean)
2.sd1 = apply(golub,1,sd)
3.df = data.frame(x0= m1,y0 =sd1)

pdf(paste0(dirTamiFigures,"tt171113a.pdf"))
ggplot(df,aes(x=x0,y=y0)) + geom_point()
dev.off()
Solución (Ej. 7) — 1.ncol(x)

## [1] 5
2.apply(x,2,max)
3.minrow = apply(x,1,min)
which.min(minrow)
## [1] 78
4.which.max(minrow)
## [1] 50
5.quantile(x[,1],probs=0.34)
## 34%
## 0.3489822
6.meanrow = apply(x,1,mean)
quantile(x[,1],probs=0.34)
## 34%
## 0.3489822
7.min(x)
## [1] 0.0004653491
max(x)
## [1] 0.9994045
mean(x)
## [1] 0.4952837
8.pacman::p_load(ggplot2)
df= data.frame(x)
ggplot(df,aes(x=X1)) + geom_histogram()
6
count
0.00 0.25 0.50 0.75 1.00

X1
9.pacman::p_load(ggplot2)
df= data.frame(x)
ggplot(df,aes(x=X1)) + geom_density()
499
0.9
density 0.6
0.3
0.0
0.00 0.25 0.50 0.75 1.00

X1
10.sum(x>.12)
## [1] 448
11.x1 = apply(x< .12,1,sum)
12.IQR(x1)
## [1] 1
13.sum(x[,1] > x[,2])

## [1] 51
Solución (Ej. 8) — 1.data(golub,package="multtest")

df = t(golub)
df = data.frame(df)
2.names(df) = paste0("probe",1:ncol(df))
3.type = factor(golub.cl,levels=0:1,labels=c("ALL","AML"))
df= data.frame(df,type)
Solución (Ej. 9) — a100218a = function(x)

list(media = mean(x),varianza = var(x))
Solución (Ej. 10) — a100218a = function(x){

q0 = quantile(x,probs = c(alpha,1-alpha))
sel0 = which(x >= q0[1] & x <= q0[2])
list(media_ajustada = mean(x[sel0]),varianza_ajustada = var(x[sel0]))
}
Solución (Ej. 11) — Los dos primeros paquetes [71, ggfortify] y [46,
faraway] están en CRAN y por lo tanto los instalamos con utils::install.packages.
Nos pedirá que elijamos repositorio. Elegimos el que nos guste.
pkgs = c("ggfortify","faraway")
install.packages(pkgs)
Los paquetes [112, multtest] y [34, edgeR] son de Bioconductor. Se
instalan con
source("https://bioconductor.org/biocLite.R")
pkgs = c("multtest","edgeR")
biocLite(pkgs)
Solución (Ej. 12) — Cargamos la base de datos de tipo OrgDb co-

rrespondiente a homo sapiens.
pacman::p_load(org.Hs.eg.db)
Buscamos cómo acceder al SYMBOL o nombre abreviado del gen.
keytypes(org.Hs.eg.db)
## [13] "IPI" "MAP" "OMIM"
Por tanto los nombres abreviados de los genes los tendremos con
keys(org.Hs.eg.db, keytype="SYMBOL")
Una opción muy simple puede ser
(posBRCA1 = which(keys(org.Hs.eg.db, keytype="SYMBOL") == "BRCA1"))
## [1] 554
(posBRCA2 = which(keys(org.Hs.eg.db, keytype="SYMBOL") == "BRCA2"))
## [1] 556
posBRCA = c(posBRCA1,posBRCA2)
Supongamos que no tenemos claro su nombre exacto y sabemos que
es BRCA seguido de algo más. Podemos mirar aquellos genes que
empiezan por BRCA.
(beginBRCA = grep("^BRCA",keys(org.Hs.eg.db, keytype="SYMBOL")))
## [1] 554 556 6406 14103 23866
¿Cuáles son sus nombres abreviados?
501
keys(org.Hs.eg.db, keytype="SYMBOL")[beginBRCA]
## [1] "BRCA1" "BRCA2" "BRCATA" "BRCA3"
## [5] "BRCA1P1"
Construimos un data.frame con la información pedida.
symbol = keys(org.Hs.eg.db, keytype="SYMBOL")[posBRCA]
entrezid = keys(org.Hs.eg.db, keytype="ENTREZID")[posBRCA]
ensembl = keys(org.Hs.eg.db, keytype="ENSEMBL")[posBRCA]
go = keys(org.Hs.eg.db, keytype="GO")[posBRCA]
data.frame(symbol, entrezid,ensembl,go)
## symbol entrezid ensembl go
## 1 BRCA1 672 ENSG00000235017 GO:0060041
## 2 BRCA2 675 ENSG00000206372 GO:0006101
Solución (Ej. 13) — pacman::p_load(org.Mm.eg.db)

(posBRCA1 = which(keys(org.Mm.eg.db, keytype="SYMBOL") == "BRCA1"))
## integer(0)
Solución (Ej. 21) — 1.Seleccionamos:
¿Qué columnas ocupan?
pacman::p_load("Biobase")
pData(gse20986)[,"tissue"] == "iris" | pData(gse20986)[,"tissue"] == "huvec"
De otro modo:
(sel = which(is.element(pData(gse20986)[,"tissue"],c("iris","huvec"))))
## [1] 1 4 6 10 11 12
Seleccionamos las muestras.
eset = gse20986[,sel]
Con el siguiente código eliminamos las categorías que no utiliza-

mos.
pData(eset)[,"tissue"] = factor(pData(eset)[,"tissue"])
2.Con genefilter::rowttests.
tt = genefilter::rowttests(eset,pData(eset)[,"tissue"])
3.tt1 = multtest::mt.rawp2adjp(tt[,"p.value"],"BH")
Los p-valores ajustados serían
tt1$adjp[,2]
4.Tenemos como significativos

sum(tt1$adjp[,2] < 0.05,na.rm = TRUE)

## [1] 1828
que ocupan las siguientes posiciones en la matriz original.
sigIH = tt1$index[1:1828]
5.sel = which(is.element(pData(gse20986)[,"tissue"],c("retina","huvec")))
tt1 = multtest::mt.rawp2adjp(tt[,"p.value"],"BH")
sigRH = tt1$index[1:sum(tt1$adjp[,2] < 0.05,na.rm = TRUE)]
6.sel = which(is.element(pData(gse20986)[,"tissue"],c("coroides","huvec")))
tt1 = multtest::mt.rawp2adjp(tt[,"p.value"],"BH")
sigCH = tt1$index[1:sum(tt1$adjp[,2] < 0.05,na.rm = TRUE)]
7.sigIR = intersect(sigIH,sigRH)
sigIRC = intersect(sigIR,sigCH)
Y el resultado (no mostrado) es
sigIRC
Que corresponde con los genes.
featureNames(gse20986[sigIRC,])
Solución (Ej. 22) — Leemos los datos.

eset = gse1397
1.tt = genefilter::rowttests(eset,pData(eset)[,"type"])
Solución (Ej. 25) — 1.pacman::p_load("SummarizedExperiment","GenomicRanges","edgeR","m

se = PRJNA297664
rm(PRJNA297664)
pvalor13 = binomTest(assay(se)[,1], assay(se)[,3])
2.tt = multtest::mt.rawp2adjp(pvalor13,"BH")
pvalor13.BH = tt$adjp[,"BH"]
503
3.numsig = sum(pvalor13.BH < 0.001)

sig13 = rownames(se)[tt$index[1:numsig]]
4.pvalor25 = binomTest(assay(se)[,2], assay(se)[,5])

tt = multtest::mt.rawp2adjp(pvalor25,"BH")
pvalor25.BH = tt$adjp[,"BH"]
numsig = sum(pvalor25.BH < 0.001)
sig25 = rownames(se)[tt$index[1:numsig]]
5.intersect(sig13,sig25)
Bibliografía
[1] H. Abdi y L. J. Williams. «Principal component analysis».

En: Wiley Interdisciplinary Reviews: Computational Statistics
2.4 (2010), págs. 433-459. url: /home / gag / BIBLIOGRAFIA /
REPRINTS/AbdiWilliams10.pdf.
[2] Sudipta Acharya, Sriparna Saha y N. Nikhil. «Unsupervised
gene selection using biological knowledge : application in sam-
ple clustering». En: BMC Bioinformatics 18.1 (2017), pág. 513.
issn: 1471-2105. doi: 10 . 1186 / s12859 - 017 - 1933 - 0. url:
https://doi.org/10.1186/s12859-017-1933-0.
[3] A. Agresti. Categorical Data Analysis. Second. Wiley, 2002.
url: /home/gag/BIBLIOGRAFIA/MISLIBROS/Agresti_Alan_
Categorical_Data_Analysis_2nd_ed_2002.pdf.
[4] A. Agresti. Categorical Data Analysis. Third. Wiley-Interscience,
2013. url: http://www.stat.ufl.edu/~aa/cda/cda.html.
[5] Adrian Alexa y Jorg Rahnenfuhrer. topGO: Enrichment Analy-
sis for Gene Ontology. R package version 2.30.0. 2016.
[6] JJ Allaire y col. rmarkdown: Dynamic Documents for R. R
package version 1.9. 2018. url: https://CRAN.R- project.
org/package=rmarkdown.
[7] Simon Anders y Wolfgang Huber. «Differential expression analy-
sis for sequence count data». En: Genome Biology 11.10 (2010),
R106. issn: 1465-6906. doi: 10.1186/gb-2010-11-10-r106.
url: http://genomebiology.com/2010/11/10/R106.
[8] S. Anders y col. «Count-based differential expression analysis
of RNA sequencing data using R and Bioconductor». En: Nat.
Protocols 8.9 (2013), págs. 1765-1786. doi: 10.1038/nprot.
2013.099.
[9] John D. Storey with contributions from Andrew J. Bass, Alan
Dabney y David Robinson. qvalue: Q-value estimation for false
discovery rate control. R package version 2.10.0. 2015. url:
http://github.com/jdstorey/qvalue.
[10] Guillermo Ayala. tami: Statistical Bioinformatics. R package
version 0.9. 2018. url: http://www.uv.es/ayala/docencia/
tami.
[11] Guillermo Ayala. tamidata: Data sets for Statistical Bioinfor-
matics. R package version 0.5. 2018. url: http://www.uv.
es/ayala/docencia/tami.
505
506 BIBLIOGRAFÍA
[12] M. Baker y D. Penny. «Is there a reproducibility crisis?» En:

Nature 533.7604 (2016). cited By 44, págs. 452-454. doi: 10.
1038/533452A. url: http://www.nature.com/news/1-500-
scientists-lift-the-lid-on-reproducibility-1.19970.
[13] Andrew J. Bass y col. biobroom: Turn Bioconductor objects
into tidy data frames. R package version 1.10.1. 2018. url:
https://github.com/StoreyLab/biobroom.
[14] Yoav Benjamini y Yosef Hochberg. «Controlling the False Dis-
covery Rate: A Practical and Powerful Approach to Multiple
Testing». English. En: Journal of the Royal Statistical Society.
Series B (Methodological) 57.1 (1995), págs. 289-300. issn:
00359246. url: http://www.jstor.org/stable/2346101.
[15] Yoav Benjamini y Daniel Yekutieli. «The control of the false
discovery rate in multiple testing under dependency». En: The
Annals of Statistics 29.4 (2001), págs. 1165-1188.
[16] J. M. Bland y D. G. Altman. «Statistical methods for assessing
agreement between two methods of clinical measurement». En:
Lancet (1986), págs. 307-310. url: http://www-users.york.
ac.uk/~mb55/meas/ba.htm.
[17] Ben Bolstad. affyPLM: Methods for fitting probe-level models.
R package version 1.54.0. 2017. url: https://github.com/
bmbolstad/affyPLM.
[18] Ben Bolstad. «Methods in Microarray Normalization». En: Drug
Discovery Series 10. CRC Press, 2008. Cap. 3, págs. 41-60.
[19] B.M. Bolstad y col. «A comparison of normalization methods
for high density oligonucleotide array data based on varian-
ce and bias». En: Bioinformatics 19.2 (2003), págs. 185-193.
doi: 10.1093/bioinformatics/19.2.185. eprint: http://
bioinformatics.oxfordjournals.org/content/19/2/185.
full.pdf+html. url: http://bioinformatics.oxfordjournals.
org/content/19/2/185.abstract.
[20] Anne-Laure Boulesteix y Martin Slawski. «Stability and ag-
gregation of ranked gene lists». En: Briefings in Bioinforma-
tics 10.5 (2009), págs. 556-568. doi: 10 . 1093 / bib / bbp034.
eprint: http://bib.oxfordjournals.org/content/10/5/
556 . full . pdf + html. url: http : / / bib . oxfordjournals .
[21] Richard Bourgon, Robert Gentleman y Wolfgang Huber. «In-
dependent filtering increases detection power for high-throughput
experiments». En: Proceedings of the National Academy of
Sciences 107.21 (2010), págs. 9546-9551. doi: 10.1073/pnas.
0914005107. eprint: http://www.pnas.org/content/107/
21 / 9546 . full . pdf + html. url: http : / / www . pnas . org /
content/107/21/9546.abstract.
[22] Rosemary Braun, Leslie Cope y Giovanni Parmigiani. «Iden-
tifying differential correlation in gene/pathway combinations».
En: BMC Bioinformatics 9.1 (2008), pág. 488. issn: 1471-
2105. doi: 10.1186/1471- 2105- 9- 488. url: http://www.
biomedcentral.com/1471-2105/9/488.
BIBLIOGRAFÍA 507
[23] Andrew C Browning y col. «Comparative gene expression pro-

filing of human umbilical vein endothelial cells and ocular vas-
cular endothelial cells». En: British Journal of Ophthalmology
96.1 (2012), págs. 128-132. doi: 10 . 1136 / bjophthalmol -
2011- 300572. eprint: http:/ /bjo .bmj .com /content/ 96/
1/128.full.pdf+html. url: http://bjo.bmj.com/content/
96/1/128.abstract.
[24] Marc Carlson. GO.db: A set of annotation maps describing the
entire Gene Ontology. R package version 3.5.0. 2017.
[25] Marc Carlson. hgu133a.db: Affymetrix Human Genome U133
Set annotation data (chip hgu133a). R package version 3.2.3.
2016.
[26] Marc Carlson. hgu133plus2.db: Affymetrix Human Genome U133
Plus 2.0 Array annotation data (chip hgu133plus2). R package
version 3.2.3. 2016.
[27] Marc Carlson. hgu95av2.db: Affymetrix Human Genome U95
Set annotation data (chip hgu95av2). R package version 3.2.3.
2016.
[28] Marc Carlson. org.Hs.eg.db: Genome wide annotation for Hu-
man. R package version 3.5.0. 2017.
[29] Marc Carlson. org.Mm.eg.db: Genome wide annotation for Mou-
se. R package version 3.5.0. 2017.
[30] M. Carlson y col. GenomicFeatures: Tools for making and ma-
nipulating transcript centric annotations. R package version
1.30.3. 2018.
[31] Benilton Carvalho y Rafael Irizarry. oligo: Preprocessing tools
for oligonucleotide arrays. R package version 1.42.0. 2017.
[32] Min Chen y col. «A powerful Bayesian meta-analysis met-
hod to integrate multiple gene set enrichment studies». En:
Bioinformatics 29.7 (2013), págs. 862-869. doi: 10 . 1093 /
bioinformatics/btt068. eprint: http://bioinformatics.
oxfordjournals.org/content/29/7/862.full.pdf+html.
url: http://bioinformatics.oxfordjournals.org/content/
29/7/862.abstract.
[33] Quan Chen, Xianghong J. Zhou y Fengzhu Sun. «Finding Ge-
netic Overlaps Among Diseases Based on Ranked Gene Lists».
En: Journal of Computational Biology 22.2 (feb. de 2015),
págs. 111-123. issn: 1066-5277. doi: 10.1089/cmb.2014.0149.
url: http://dx.doi.org/10.1089/cmb.2014.0149.
[34] Yunshun Chen y col. edgeR: Empirical Analysis of Digital Gene
Expression Data in R. R package version 3.20.8. 2018. url:
http://bioinf.wehi.edu.au/edgeR.
[35] Peter J A Cock y col. «The Sanger FASTQ file format for se-
quences with quality scores, and the Solexa/Illumina FASTQ
variants». En: Nucleic Acids Research 38.6 (nov. de 2009),
págs. 1767-1771. issn: 1362-4962. url: http : / / www . ncbi .
nlm.nih.gov/pmc/articles/PMC2847217/.
[36] Ana Conesa y col. «A survey of best practices for RNA-seq
data analysis». En: Genome Biology 17.1 (2016), págs. 1-19.
issn: 1474-760X. doi: 10.1186/s13059- 016- 0881- 8. url:
http://dx.doi.org/10.1186/s13059-016-0881-8.
508 BIBLIOGRAFÍA
[37] Aedín C. Culhane y col. «GeneSigDB: a manually curated da-

tabase and resource for analysis of gene expression signatures».
En: Nucleic Acids Research 40.D1 (2012), págs. D1060-D1066.
doi: 10.1093/nar/gkr901. eprint: http://nar.oxfordjournals.
org/content/40/D1/D1060.full.pdf+html. url: http://
nar.oxfordjournals.org/content/40/D1/D1060.abstract.
[38] Sean Davis. GEOquery: Get data from NCBI Gene Expression
Omnibus (GEO). R package version 2.46.14. 2018. url: https:
//github.com/seandavi/GEOquery.
[39] Nicolas Delhomme e Ismael Padioleau. RnaSeqTutorial: RNA-
Seq Tutorial (EBI Cambridge UK, October 2011). R package
version 0.16.0. 2015.
[40] S. Dudoit, J.P. Shaffer y J.C. Boldrick. «Multiple hypothesis
testing in microarray experiments». En: Statistical Science 18
(2003). Microarrays, págs. 71-103.
[41] Sandrine Dudoit y Robert Gentleman. Cluster Analysis in DNA
Microarray Experiments. Bioconductor Short Course Winter
2002. Bioconductor.org. 2002. url: http://www.bioconductor.
org / help / course - materials / 2002 / Seattle02 / Cluster /
cluster.pdf.
[42] Steffen Durinck y Wolfgang Huber. biomaRt: Interface to Bio-
Mart databases (e.g. Ensembl, COSMIC, Wormbase and Gra-
mene). R package version 2.34.2. 2018.
[43] Brad Efron y R. Tibshirani. GSA: Gene set analysis. R package
version 1.03. 2010. url: https : / / CRAN . R - project . org /
package=GSA.
[44] Bradley Efron y Robert Tibshirani. «On testing the significan-
ce of sets». En: Annals of Applied Statistics 1.1 (2007). Gene
set analysis, págs. 107-129. doi: 10.1214/07-AOAS101.
[45] S. Falcon y R. Gentleman. «Using GOstats to test gene lists for
GO term association». En: Bioinformatics 23.2 (2007), págs. 257-258.
doi: 10 . 1093 / bioinformatics / btl567. eprint: http : / /
[46] Julian Faraway. faraway: Functions and Datasets for Books by
Julian Faraway. R package version 1.0.7. 2016. url: https:
//CRAN.R-project.org/package=faraway.
[47] Richard Fox y Matthew Dimmic. «A two-sample Bayesian t-
test for microarray data». En: BMC Bioinformatics 7.1 (2006),
pág. 126. issn: 1471-2105. doi: 10.1186/1471-2105-7-126.
url: http://www.biomedcentral.com/1471-2105/7/126.
[48] Kyle Furge y Karl Dykema. PGSEA: Parametric Gene Set
Enrichment Analysis. R package version 1.52.0. 2012.
[49] Laurent Gautier y col. «affy—analysis of Affymetrix Gene-
Chip data at the probe level». En: Bioinformatics 20.3 (2004),
págs. 307-315. issn: 1367-4803. doi: http://dx.doi.org/10.
1093/bioinformatics/btg405.
[50] Ludwig Geistlinger y col. EnrichmentBrowser: Seamless navi-
gation through combined results of set-based and network-based
enrichment analysis. R package version 2.8.7. 2018.
BIBLIOGRAFÍA 509
[51] Ludwig Geistlinger y col. «From sets to graphs: towards a

realistic enrichment analysis of transcriptomic systems». En:
Bioinformatics 27.13 (2011), págs. i366-i373. doi: 10.1093/
bioinformatics/btr228. eprint: http://bioinformatics.
oxfordjournals . org / content / 27 / 13 / i366 . full . pdf +
html. url: http://bioinformatics.oxfordjournals.org/
content/27/13/i366.abstract.
[52] R. Gentleman. annotate: Annotation for microarrays. R pac-
kage version 1.56.1. 2017.
[53] Robert Gentleman. Category: Category Analysis. R package
version 2.44.0. 2017.
[54] Robert Gentleman. GOstats: Tools for manipulating GO and
microarrays. R package version 2.44.0. 2017.
[55] Robert Gentleman. «Reproducible Research: A Bioinformatics
Case Study». En: Statistical Applications in Genetics and Mo-
lecular Biology 4.1 (2005), pág. 2. doi: 10.2202/1544-6115.
1034.
[56] Robert Gentleman y Duncan Temple Lang. Statistical Analy-
ses and Reproducible Research. Inf. téc. Bioconductor Project.
Bioconductor Project Working Papers, 2004.
[57] R. Gentleman y col. Biobase: Base functions for Bioconductor.
R package version 2.38.0. 2017.
[58] R. Gentleman y col., eds. Bioinformatics and Computational
Biology Solutions Using R and Bioconductor. Springer, 2005.
[59] R. Gentleman y col. genefilter: methods for filtering genes from
high-throughput experiments. R package version 1.60.0. 2017.
[60] J. J. Goeman y P. Buhlmann. «Analyzing gene expression data
in terms of gene sets: methodological issues». En: Bioinforma-
tics 23.8 (2007), págs. 980-987. doi: 10.1093/bioinformatics/
btm051. eprint: http://bioinformatics.oxfordjournals.
org/content/23/8/980.full.pdf+html. url: http://dx.
doi.org/10.1093/bioinformatics/btm051.
[61] T. R. Golub y col. «Molecular classification of cancer: class dis-
covery and class prediction by gene expression monitoring.»
eng. En: Science 286.5439 (1999), págs. 531-537. url: 10 .
1126/science.286.5439.53.
[62] Todd Golub. golubEsets: exprSets for golub leukemia data. R
package version 1.20.0. 2017.
[63] Cedric Gondro. Primer to Analysis of Genomic Data Using R.
Springer International Publishing, 2015. doi: 10.1007/978-
3-319-14475-7.
[64] Juergen Gross y Uwe Ligges. nortest: Tests for Normality. R
package version 1.0-4. 2015. url: https://CRAN.R-project.
org/package=nortest.
[65] Manuel Ugidos Guerrero. «Estudio del perfil de expresión de
micro-RNA en pacientes de cáncer de mama». Tesis de mtría.
Universidad de Valencia, 2017.
[66] Justin Guinney y Robert Castelo. GSVA: Gene Set Variation
Analysis for microarray and RNA-seq data. R package version
1.26.0. 2017. url: https://github.com/rcastelo/GSVA.
510 BIBLIOGRAFÍA
[67] Jason A. Hackney y col. ReportingTools: Tools for making re-

ports in various formats. R package version 2.17.3. 2017.
[68] Florian Hahne y col. Bioconductor Case Studies. Use R! Sprin-
ger, 2008.
[69] Sonja Hanzelmann, Robert Castelo y Justin Guinney. «GS-
VA: gene set variation analysis for microarray and RNA-Seq
data». En: BMC Bioinformatics 14.1 (2013), pág. 7. issn: 1471-
2105. doi: 10.1186/1471- 2105- 14- 7. url: http://www.
biomedcentral.com/1471-2105/14/7.
[70] Frank E Harrell Jr. Hmisc: Harrell Miscellaneous. R package
version 4.1-1. 2018. url: https : / / CRAN . R - project . org /
package=Hmisc.
[71] Masaaki Horikoshi y Yuan Tang. ggfortify: Data Visualiza-
tion Tools for Statistical Analysis Results. R package version
0.4.2. 2018. url: https://CRAN.R- project.org/package=
ggfortify.
[72] Wolfgang Huber y col. «Orchestrating high-throughput geno-
mic analysis with Bioconductor». En: Nat Meth 12.2 (feb. de
2015), págs. 115-121. issn: 1548-7091. url: http://dx.doi.
org/10.1038/nmeth.3252.
[73] Affymetrix Inc., Crispin J Miller y PICR. plier: Implements the
Affymetrix PLIER algorithm. R package version 1.48.0. 2017.
[74] Rafael A. Irizarry y col. affy: Methods for Affymetrix Oligonu-
cleotide Arrays. R package version 1.56.0. 2017.
[75] R.A. Irizarry y col. «Exploration, normalization, and summa-
ries of high density oligonucleotide array probe level data».
En: Biostatistics 4.2 (2003), págs. 249-264. doi: 10 . 1093 /
biostatistics/4.2.249. eprint: http://biostatistics.
oxfordjournals. org / content /4/ 2 / 249 . full. pdf + html.
url: http://biostatistics.oxfordjournals.org/content/
4/2/249.abstract.
[76] R.A. Irizarry y col. «Gene set enrichment analysis made sim-
ple». En: Statistical Methods in Medical Research 18.6 (2009).
Gene set analysis, págs. 565-575.
[77] Laurent Jacob, Pierre Neuvial y Sandrine Dudoit. DEGraph:
Two-sample tests on a graph. R package version 1.30.0. 2012.
[78] Laurent Jacob, Pierre Neuvial y Sandrine Dudoit. «More po-
wer via graph-structured tests for differential expression of ge-
ne networks». En: Ann. Appl. Stat. 6.2 (jun. de 2012), págs. 561-600.
doi: 10.1214/11- AOAS528. url: http://dx.doi.org/10.
1214/11-AOAS528.
[79] Arnoud J. Kal y col. «Dynamics of Gene Expression Revealed
by Comparison of Serial Analysis of Gene Expression Trans-
cript Profiles from Yeast Grown on Two Different Carbon Sour-
ces». En: Molecular Biology of the Cell 10.6 (1999), págs. 1859-1872.
doi: 10.1091/mbc.10.6.1859. eprint: http://www.molbiolcell.
org/content/10/6/1859.full.pdf+html. url: http://www.
molbiolcell.org/content/10/6/1859.abstract.
BIBLIOGRAFÍA 511
[80] Audrey Kauffmann, Ibrahim Emam y Michael Schubert. Arra-

yExpress: Access the ArrayExpress Microarray Database at EBI
and build Bioconductor data structures: ExpressionSet, Affy-
Batch, NChannelSet. R package version 1.38.0. 2017.
[81] L. Kaufman y P.J. Rousseeuw. Finding Groups in Data. An
Introduction to Cluster Analysis. Wiley, 1990.
[82] Eija Korpelainen y col. RNA-seq Data Analysis A Practical
Approach. CRC Press, 2015.
[83] Marcin Kosinski y Przemyslaw Biecek. RTCGA: The Cancer
Genome Atlas Data Integration. R package version 1.8.0. 2016.
url: https://rtcga.github.io/RTCGA.
[84] Eric Lecoutre. R2HTML: HTML Exportation for R Objects. R
package version 2.3.2. 2016. url: https://CRAN.R-project.
org/package=R2HTML.
[85] Jun Li y Robert Tibshirani. «Finding consistent patterns: A
nonparametric approach for identifying differential expression
in RNA-Seq data». En: Statistical Methods in Medical Research
22.5 (2013), págs. 519-536. doi: 10.1177/0962280211428386.
eprint: http://smm.sagepub.com/content/22/5/519.full.
pdf+html. url: http://smm.sagepub.com/content/22/5/
519.abstract.
[86] Xiaochun Li. ALL: A data package. R package version 1.20.0.
2009.
[87] Q. Liu y col. «Comparative evaluation of gene-set analysis met-
hods». En: BMC Bioinformatics 8.1 (2007), págs. 1-15. issn:
1471-2105. doi: 10 . 1186 / 1471 - 2105 - 8 - 431. url: http :
//dx.doi.org/10.1186/1471-2105-8-431.
[88] Michael Love. airway: RangedSummarizedExperiment for RNA-
Seq in airway smooth muscle cells, by Himes et al PLoS One
2014. R package version 0.112.0. 2017.
[89] Michael Love. parathyroidSE: RangedSummarizedExperiment
for RNA-Seq of primary cultures of parathyroid tumors by Ha-
glund et al., J Clin Endocrinol Metab 2012. R package version
1.16.0. 2017.
[90] Michael Love, Wolfgang Huber y Simon Anders. «Moderated
estimation of fold change and dispersion for RNA-seq data with
DESeq2». En: Genome Biology 15.12 (2014), pág. 550. issn:
1465-6906. doi: 10.1186/s13059- 014- 0550- 8. url: http:
//genomebiology.com/2014/15/12/550.
[91] P. Lund Steven y col. Detecting Differential Expression in
RNA-sequence Data Using Quasi-likelihood with Shrunken Dis-
persion Estimates. 2012. url: //www.degruyter.com/view/
j/sagmb.2012.11.issue- 5/1544- 6115.1826/1544- 6115.
1826.xml.
[92] James W. MacDonald. affycoretools: Functions useful for those
doing repetitive analyses with Affymetrix GeneChips. R packa-
ge version 1.50.6. 2008.
512 BIBLIOGRAFÍA
[93] Henryk Maciejewski. «Gene set analysis methods: statistical

models and methodological differences». En: Briefings in Bio-
informatics (2013). doi: 10.1093/bib/bbt002. eprint: http:
//bib.oxfordjournals.org/content/early/2013/02/09/
bib.bbt002.full.pdf+html. url: http://bib.oxfordjournals.
org/content/early/2013/02/09/bib.bbt002.abstract.
[94] S. C. Madeira y A. L. Oliveira. «Biclustering algorithms for
biological data analysis: a survey». En: IEEE/ACM Transac-
tions on Computational Biology and Bioinformatics 1.1 (2004),
págs. 24-45. doi: 10.1109/TCBB.2004.2.
[95] Martin Maechler y col. cluster: ”Finding Groups in Data”:
Cluster Analysis Extended Rousseeuw et al. R package version
cluster.
[96] Paolo Martini y col. «Along signal paths: an empirical gene
set approach exploiting pathway topology». En: Nucleic Acids
Research 41.1 (2013), e19. doi: 10.1093/nar/gks866. eprint:
http : / / nar . oxfordjournals . org / content / 41 / 1 / e19 .
full . pdf + html. url: http : / / nar . oxfordjournals . org /
content/41/1/e19.abstract.
[97] Qinxue Meng y col. «DBNorm: normalizing high-density oligo-
nucleotide microarray data based on distributions». En: BMC
Bioinformatics 18.1 (nov. de 2017). doi: 10 . 1186 / s12859 -
017-1912-5.
[98] V.K . Mootha y col. «PGC-1alpha-responsive genes involved in
oxidative phosphorylation are coordinately downregulated in
human diabetes». En: Nature Genetics 34 (2003), págs. 267-73.
[99] Martin Morgan, Seth Falcon y Robert Gentleman. GSEABase:
Gene set enrichment data structures and methods. R package
version 1.40.1. 2017.
[100] Martin Morgan, Michael Lawrence y Simon Anders. ShortRead:
FASTQ input and manipulation. R package version 1.36.0.
2017.
[101] Martin Morgan y col. Rsamtools: Binary alignment (BAM),
FASTA, variant call (BCF), and tabix file import. R packa-
ge version 1.30.0. 2017. url: http : / / bioconductor . org /
packages/release/bioc/html/Rsamtools.html.
[102] Martin Morgan y col. SummarizedExperiment: SummarizedEx-
periment container. R package version 1.8.1. 2017.
[103] Ali Mortazavi y col. «Mapping and quantifying mammalian
transcriptomes by RNA-Seq». En: Nat Meth 5.7 (jul. de 2008),
págs. 621-628. issn: 1548-7091. url: http://dx.doi.org/10.
1038/nmeth.1226.
[104] Haroon Naeem y col. «Rigorous assessment of gene set enrich-
ment tests». En: Bioinformatics 28.11 (2012), págs. 1480-1486.
doi: 10 . 1093 / bioinformatics / bts164. eprint: http : / /
bioinformatics . oxfordjournals . org / content / 28 / 11 /
1480.full.pdf+html. url: http://bioinformatics.oxfordjournals.
BIBLIOGRAFÍA 513
[105] Richard M. Neve y col. «A collection of breast cancer cell lines

for the study of functionally distinct cancer subtypes». En:
Cancer cell 10.6 (2006), págs. 515-527. doi: 10.1016/j.ccr.
2006.10.008.
[106] Michael A. Newton y col. «Random-set methods identify dis-
tinct aspects of the enrichment signal in gene-set analysis».
En: Annals of Appied Statistics 1.1 (2007), págs. 85-106. doi:
10 .1214 / 07 - AOAS104. url: http: / / projecteuclid . org /
euclid.aoas/1183143730.
[107] Tobias Oetiker y col. La introducción no-tan-corta a LATeX
2e. 2010.
[108] Alicia Oshlack, Mark Robinson y Matthew Young. «From RNA-
seq reads to differential expression results». En: Genome Bio-
logy 11.12 (2010), pág. 220. issn: 1465-6906. doi: 10.1186/gb-
2010- 11- 12- 220. url: http://genomebiology.com/2010/
11/12/220.
[109] Hervé Pagès y col. AnnotationDbi: Annotation Database Inter-
face. R package version 1.40.0. 2017.
[110] Yudi Pawitan y Alexander Ploner. OCplus: Operating charac-
teristics plus sample size and local fdr for microarray experi-
ments. R package version 1.52.0. 2017.
[111] J. K. Pickrell y col. «Understanding mechanisms underlying
human gene expression variation with RNA sequencing». En:
Nature 464 (2010). doi: 10.1038/nature08872. url: http:
//dx.doi.org/10.1038/nature08872.
[112] Katherine S. Pollard y col. multtest: Resampling-based multiple
hypothesis testing. R package version 2.34.0. 2017.
[113] Weiliang Qiu, Mei-Ling Ting Lee y George Alex Whitmore.
sizepower: Sample Size and Power Calculation in Micorarray
Studies. R package version 1.48.0. 2017.
[114] R Core Team. R: A Language and Environment for Statistical
Computing. R Foundation for Statistical Computing. Vienna,
Austria, 2018. url: https://www.R-project.org/.
[115] Yasir Rahmatallah, Frank Emmert-Streib y Galina Glazko.
«Comparative evaluation of gene set analysis approaches for
RNA-Seq data». En: BMC Bioinformatics 15.1 (2014), págs. 1-15.
issn: 1471-2105. doi: 10 . 1186 / s12859 - 014 - 0397 - 8. url:
http://dx.doi.org/10.1186/s12859-014-0397-8.
[116] C.R. Rao. Linear Statistical Inference and Its Applications.
Wiley, 1967.
[117] Anat Reiner, Daniel Yekutieli y Yoav Benjamini. «Identifying
differentially expressed genes using false discovery rate contro-
lling procedures». En: Bioinformatics 19.3 (2003), págs. 368-375.
doi: 10 . 1093 / bioinformatics / btf877. eprint: http : / /
[118] Tyler Rinker y Dason Kurkiewicz. pacman: Package Manage-
ment Tool. R package version 0.4.6. 2017. url: https://CRAN.
R-project.org/package=pacman.
514 BIBLIOGRAFÍA
[119] David Robinson. broom: Convert Statistical Analysis Objects

into Tidy Data Frames. R package version 0.4.3. 2017. url:
https://CRAN.R-project.org/package=broom.
[120] M. D. Robinson y A. Oshlack. «A scaling normalization met-
hod for differential expression analysis of RNA-seq data». En:
Genome Biol 11.3 (2010), R25. issn: 1465-6906. doi: 10.1186/
gb-2010-11-3-r25. url: http://dx.doi.org/10.1186/gb-
2010-11-3-r25.
[121] Mark D. Robinson y Gordon K. Smyth. «Moderated statistical
tests for assessing differences in tag abundance». En: Bioinfor-
matics 23.21 (2007), págs. 2881-2887. doi: 10.1093/bioinformatics/
btm453. eprint: http://bioinformatics.oxfordjournals.
org / content / 23 / 21 / 2881 . full . pdf + html. url: http :
//bioinformatics.oxfordjournals.org/content/23/21/
2881.abstract.
[122] Mark D. Robinson y Gordon K. Smyth. «Small-sample estima-
tion of negative binomial dispersion, with applications to SA-
GE data». En: Biostatistics 9.2 (2008), págs. 321-332. doi: 10.
1093/biostatistics/kxm030. eprint: http://biostatistics.
oxfordjournals. org / content / 9/ 2 / 321 . full. pdf + html.
url: http://biostatistics.oxfordjournals.org/content/
9/2/321.abstract.
[123] Gabriele Sales y col. «Graphite Web: web tool for gene set
analysis exploiting pathway topology». En: Nucleic Acids Re-
search (2013). doi: 10.1093/nar/gkt386. eprint: http://nar.
oxfordjournals . org / content / early / 2013 / 05 / 10 / nar .
gkt386.full.pdf+html. url: http://nar.oxfordjournals.
org/content/early/2013/05/10/nar.gkt386.abstract.
[124] Fatemeh Seyednasrollah, Asta Laiho y Laura L. Elo. «Compa-
rison of software packages for detecting differential expression
in RNA-seq studies». En: Briefings in Bioinformatics (2013).
doi: 10.1093/bib/bbt086. eprint: http://bib.oxfordjournals.
org/content/early/2013/12/02/bib.bbt086.full.pdf+
html. url: http : / / bib . oxfordjournals . org / content /
early/2013/12/02/bib.bbt086.abstract.
[125] Mirko Signorelli, Veronica Vinciotti y Ernst C. Wit. «NEAT:
an efficient network enrichment analysis test». En: BMC Bio-
informatics 17.1 (2016), págs. 1-17. issn: 1471-2105. doi: 10.
1186/s12859- 016- 1203- 6. url: http://dx.doi.org/10.
1186/s12859-016-1203-6.
[126] Mirko Signorelli, Veronica Vinciotti y Ernst C. Wit. neat: Ef-
ficient Network Enrichment Analysis Test. R package version
neat.
[127] P.P. Sinha. Bioinformatics with R Cookbook. Packt Publishing,
2014.
[128] Martin Slawski y Anne-Laure Boulesteix. GeneSelector: Sta-
bility and Aggregation of ranked gene lists. R package version
2.28.0. 2017.
BIBLIOGRAFÍA 515
[129] Gordon K. Smyth. «Linear Models and Empirical Bayes Met-

hods for Assessing Differential Expression in Microarray Ex-
periments». En: Statistical Applications in Genetics and Mole-
cular Biology 1 (2004), pág. 3.
[130] Gordon Smyth y col. limma: Linear Models for Microarray
Data. R package version 3.34.8. 2018. url: http://bioinf.
wehi.edu.au/limma.
[131] Peter H.A. Sneath y Rober R. Sokal. Numerical Taxonomy.
The principes and practice of numerical Classification. San
Francisco, USA: W.H. Freeman y Company, 1973.
[132] Phillip Stafford, ed. Methods in Microarray Normalization.
CRC Press, 2008.
[133] John D. Storey y Robert Tibshirani. «Statistical significan-
ce for genomewide studies». En: Proceedings of the National
Academy of Sciences 100.16 (2003), págs. 9440-9445. doi: 10.
1073 / pnas . 1530509100. eprint: http : / / www . pnas . org /
content/100/16/9440.full.pdf+html. url: http://www.
pnas.org/content/100/16/9440.abstract.
[134] Aravind Subramanian y col. «Gene set enrichment analysis:
A knowledge-based approach for interpreting genome-wide ex-
pression profiles». En: Proceedings of the National Academy
of Sciences of the United States of America 102.43 (2005),
págs. 15545-15550. doi: 10.1073/pnas.0506580102. eprint:
http://www.pnas.org/content/102/43/15545.full.pdf+
html. url: http://www.pnas.org/content/102/43/15545.
abstract.
[135] Dan Tenenbaum. KEGGREST: Client-side REST access to
KEGG. R package version 1.14.1. 2017.
[136] Terry M Therneau. RNASeqPower: Sample size for RNAseq
studies. R package version 1.18.0. 2017.
[137] Lu Tian y col. «Discovering statistically significant pathways
in expression profiling studies». En: Proceedings of the National
Academy of Sciences of the United States of America 102.38
(2005), págs. 13544-13549. doi: 10.1073/pnas.0506577102.
eprint: http : / / www . pnas . org / content / 102 / 38 / 13544 .
full.pdf+html. url: http://www.pnas.org/content/102/
38/13544.abstract.
[138] R. Tibshirani y col. samr: SAM: Significance Analysis of Mi-
croarrays. R package version 2.0. 2011. url: https://CRAN.R-
project.org/package=samr.
[139] Shailesh Tripathi, Galina V. Glazko y Frank Emmert-Streib.
«Ensuring the statistical soundness of competitive gene set
approaches: gene filtering and genome-scale coverage are es-
sential». En: Nucleic Acids Research 41.7 (2013), e82. doi:
10.1093/nar/gkt054. eprint: http://nar.oxfordjournals.
org/content/41/7/e82.full.pdf+html. url: http://nar.
oxfordjournals.org/content/41/7/e82.abstract.
516 BIBLIOGRAFÍA
[140] Olga Troyanskaya y col. «Missing value estimation methods for

DNA microarrays». En: Bioinformatics 17.6 (2001), págs. 520-525.
doi: 10.1093/bioinformatics/17.6.520. eprint: http://
[141] Virginia Goss Tusher, Robert Tibshirani y Gilbert Chu. «Sig-
nificance analysis of microarrays applied to the ionizing radia-
tion response». En: Proceedings of the National Academy of
Sciences 98.9 (2001). Gene set analysis, págs. 5116-5121. doi:
10.1073/pnas.091062498. eprint: http://www.pnas.org/
content / 98 / 9 / 5116 . full . pdf + html. url: http : / / www .
pnas.org/content/98/9/5116.abstract.
[142] Maarten van Iterson. SSPA: General Sample Size and Power
Analysis for Microarray and Next-Generation Sequencing Data.
R package version 2.18.0. 2017. url: http://www.humgen.nl/
MicroarrayAnalysisGroup.html.
[143] Leif Varemo e Intawat Nookaew. piano: Platform for integrati-
ve analysis of omics data. R package version 1.18.1. 2018. url:
http://www.sysbio.se/piano.
[144] Marie Verbanck, Sebastien Le y Jerome Pages. «A new unsu-
pervised gene clustering algorithm based on the integration of
biological knowledge into expression data». En: BMC Bioin-
formatics 14.1 (2013), pág. 42. issn: 1471-2105. doi: 10.1186/
1471- 2105- 14- 42. url: http://www.biomedcentral.com/
1471-2105/14/42.
[145] John Verzani. UsingR: Data Sets, Etc. for the Text ”Using R
for Introductory Statistics”, Second Edition. R package version
2.0-5. 2015. url: https://CRAN.R- project.org/package=
UsingR.
[146] Zhong Wang, Mark Gerstein y Michael Snyder. «RNA-Seq:
a revolutionary tool for transcriptomics». En: Nat Rev Genet
10.1 (ene. de 2009), págs. 57-63. issn: 1471-0056. url: http:
//dx.doi.org/10.1038/nrg2484.
[147] Gregory R. Warnes, Peng Liu y Fasheng Li. ssize: Estimate
Microarray Sample Size. R package version 1.52.0. 2012.
[148] Hadley Wickham. reshape: Flexibly Reshape Data. R package
version 0.8.7. 2017. url: https : / / CRAN . R - project . org /
package=reshape.
[149] Hadley Wickham. «Reshaping Data with the reshape Packa-
ge». En: Journal of Statistical Software 21.1 (2007), págs. 1-20.
issn: 1548-7660. doi: 10.18637/jss.v021.i12. url: https:
/ / www . jstatsoft . org / index . php / jss / article / view /
v021i12.
[150] Hadley Wickham. «Tidy Data». En: Journal of Statistical Soft-
ware 59.1 (2014), págs. 1-23. issn: 1548-7660. doi: 10.18637/
jss.v059.i10. url: https://www.jstatsoft.org/index.
php/jss/article/view/v059i10.
BIBLIOGRAFÍA 517
[151] Hadley Wickham y Winston Chang. ggplot2: Create Elegant

Data Visualisations Using the Grammar of Graphics. R packa-
ge version 2.2.1. 2016. url: https://CRAN.R-project.org/
package=ggplot2.
[152] Rand R. Wilcox. Basic Statistics. Oxford University Press,
2009. url: /home / gag / BIBLIOGRAFIA / MISLIBROS / Wilcox _
Basic_Statistics_Oxford_University_Press_2009.pdf.
[153] E. Wit y J.D. McClure. Statistics for microarrays: design,
analysis, and inference. Wiley, 2004.
[154] Daniela M Witten y Robert Tibshirani. «Scientific research
in the age of omics: the good, the bad, and the sloppy». En:
Journal of the American Medical Informatics Association 20.1
(2013), págs. 125-127. doi: 10.1136/amiajnl-2012-000972.
eprint: http://jamia.bmj.com/content/20/1/125.full.
pdf+html. url: http://jamia.bmj.com/content/20/1/125.
abstract.
[155] Di Wu y Gordon K. Smyth. «Camera: a competitive gene set
test accounting for inter-gene correlation». En: Nucleic Acids
Research 40.17 (2012), e133. doi: 10.1093/nar/gks461. eprint:
http://nar.oxfordjournals.org/content/40/17/e133.
full . pdf + html. url: http : / / nar . oxfordjournals . org /
content/40/17/e133.abstract.
[156] Hao Wu. PROPER: PROspective Power Evaluation for RNA-
seq. R package version 1.10.0. 2016.
[157] Jean Wu y Rafael Irizarry with contributions from James Mac-
Donald Jeff Gentry. gcrma: Background Adjustment Using Se-
quence Information. R package version 2.50.0. 2017.
[158] Jianguo Xia, Erin E Gill y Robert E W Hancock. «NetworkA-
nalyst for statistical, visual and network-based meta-analysis of
gene expression data». En: Nat. Protocols 10.6 (jun. de 2015),
págs. 823-844. issn: 1754-2189. url: http://dx.doi.org/10.
1038/nprot.2015.052.
[159] Yihui Xie. Dynamic Documents with R and knitr. 2nd. Chap-
man & Hall/CRC The R Series. Chapman y Hall/CRC, 2015.
[160] Yihui Xie. knitr: A General-Purpose Package for Dynamic
Report Generation in R. R package version 1.20. 2018. url:
https://CRAN.R-project.org/package=knitr.
[161] Qing Xiong y col. «Integrating genetic and gene expression
evidence into genome-wide association analysis of gene sets».
En: Genome Research 22.2 (2012), págs. 386-397. doi: 10 .
1101/gr.124370.111. eprint: http://genome.cshlp.org/
content/22/2/386.full.pdf+html. url: http://genome.
cshlp.org/content/22/2/386.abstract.
[162] Matthew Young. geneLenDataBase: Lengths of mRNA trans-
cripts for a number of genomes. R package version 1.14.0. 2017.
[163] Shilin Zhao y col. RnaSeqSampleSizeData: RnaSeqSampleSize-
Data. R package version 1.10.0. 2014.
518 BIBLIOGRAFÍA
[164] Yi-Hui Zhou, William T. Barry y Fred A. Wright. «Empiri-

cal pathway analysis, without permutation». En: Biostatistics
(2013). doi: 10.1093/biostatistics/kxt004. eprint: http:
/ / biostatistics . oxfordjournals . org / content / early /
2013/02/20/biostatistics.kxt004.full.pdf+html. url:
http : / / biostatistics . oxfordjournals . org / content /
early/2013/02/20/biostatistics.kxt004.abstract.
[165] Jack Zhu y Sean Davis. SRAdb: A compilation of metadata
from NCBI SRA and tools. R package version 1.40.0. 2017.
url: http://gbnci.abcc.ncifcrf.gov/sra/.
[166] Chandler Zuo y Sunduz Keles. CSSP: ChIP-Seq Statistical Po-
wer. R package version 1.16.0. 2015.
Índice alfabético
affy, 89 Distribución Poisson, 338

Affymetrix Distribución de los sucesos ra-
Fichero CDF, 52 ros, 339
Fichero CEL, 52
Fichero DAT, 52 edgeR
hgu133a.db, 253 binomTest, 172
Affymetrix GeneChip, 51 Ensembl, 191
ALL, 77, 257 Error cuadrático medio, 451
annotate, 190 Error estándar, 451
annotation, 190 Espacio paramétrico, 450
getSYMBOL, 191 Estimador, 451
lookUp, 191 Estimador máximo verosímil, 453
Análisis cluster, 5
Análisis de la varianza, 137 FDR
ArrayExpress, 94 False discovery rate, 143
Tasa de falsamente rechaza-
base dos, 143
apply, 127 Filtrado independiente, 126
Biobase Fold-change, 131
ExpressionSet, 78 Fox-Dimmic, 290
sample.ExpressionSet, 73 Función de distribución empírica,
Bioconductor, 28 330
ALL, 28 FWER
biocLite, 28 Familywise error rate, 143
multtest tasa de error global, 143
golub, 16
Bootstrap, 294 Gene Ontology: GO, 191
Gene set analysis, 5
Category, 252 Gene set enrichment analysis, 5
coldata, 110 genefilter, 129
Comparaciones múltiples, 141 kOverA, 129
Control débil del error, 144 nsFilter, 131
Control fuerte del error, 144 rowFtests, 139
rowttests, 135, 136
Datos GeneSelector, 289, 290
GEO AggregateSimple, 297
GSE21779, 88 GenerateBootMatrix, 295
gse1397, 290 RankingFC, 290
GSE37211, 112 RankingLimma, 290
GSE64099, 111 RankingTstat, 136, 290
Distribución binomial RepeatRanking, 295
Aproximación Poisson, 339 toplist, 292
Distribución binomial negativa, 340 GenomicRanges
Distribución empírica, 330 assay, 110
Distribución geométrica, 340 coldata, 110
519
520 ÍNDICE ALFABÉTICO
rowRanges, 111 golub, 75

GEOquery, 92 p.adjust, 149
getGEOSuppFiles, 92 Método de Benjamini y Hochberg,
ggplot2, 85 148
qplot Método de Bonferroni, 147
facets, 19 Método de Hochberg, 148
GO.db, 254 Método de Holm, 148
golubEsets Método de Sǐdák, 147
golub, 77
GOstats, 252 NCBI Gene Expression Omnibus
hyperGTest, 254 (GEO), 88
GSE1397, 89 Nivel de confianza, 457
GSE20986, 92, 189, 190, 242, 255 Normalización de cuantiles, 64
gse20986, 255 nsFilter, 256
GSE34764, 93
GSE37211, 109 org.Sc.sgd.db, 244
GSE64099, 111
GSEABase p-valor ajustado, 146
GeneSetCollection, 245 Paquete R
GSEAbase, 242 parathyroidSE, 109
details, 243 PGSEA, 279
geneIds, 242 Prueba Bernoulli, 334
GeneSet, 242
q-valor, 150
GeneSetCollection, 243
qvalue, 152
hgu133plus2.db, 190, 255
R
IDE as.matrix, 79
RStudio, 10 base
Intervalo de confianza, 457 apply, 21
IRanges::DataFrame, 110 class, 18
colnames, 21
Jackknife, 294 dim, 18
factor, 17
leave-one-out, 294 help, 11
Limma, 290 help.start, 10
limma mean, 21
normalizeBetweenArrays, 71 ncol, 18
Lista ordenada, 289 nrow, 18
Listas ordenadas rownames, 21
estabilidad, 290 sort, 13
Logverosimilitu, 449 class, 79
data.frame, 79
MA plot, 57 function, 26
MAS5, 61 Instalación, 9
Matriz de correlaciones muestral, Listas, 24
453 Logical Operators, 13
Matriz de covarianzas muestral, 453 matplot, 54
max T por pasos de bajada, 148 Paquetes
Median polish, 66 ggplot2, 17
Meta-analisis UsingR, 10
Método de Fisher, 471 paste0, 25
Método de Stouffer, 472 read.csv, 79
Microarray, 51 read.table, 79
multtest return, 26
ÍNDICE ALFABÉTICO 521
sapply, 82
save, 89
setwd, 89
Short-refcard, 10
which, 13
R2HTML, 191
HTML, 192
Región crítica, 455
ReportingTools, 192
finish, 193
HTMLReport, 193
publish, 193
reshape
melt, 54, 85
Robust multichip average (RMA),
63
rowRanges, 111
RStudio, 10
SAM, 155
samr, 158
Selección no específica, 126
Sesgo, 451
SummarizedExperiment
RangedSummarizedExperiment,
110
tami13
AllTami.R, 28
TCGA: The Cancer Genome Atlas,
477
Test de Fisher unilateral, 249
fisher.test, 251
Test de Wald, 456
Test del cociente de verosimilitu-
des, 456
Top-k list, 290
topGO, 279
Variable aleatoria
Bernoulli, 334
discreta
Poisson, 338
Variable Bernoulli, 334
Verosimilitud, 449
522 ÍNDICE ALFABÉTICO
Glosario
Affymetrix http://www.affymetrix.com/. 33
BAM Es la versión binaria del formato SAM. http://genome.sph.

umich.edu/wiki/SAM y la especificación del formato la tenemos
en http://samtools.sourceforge.net/SAM1.pdf.. 105
Bioconductor Red de espejos con paquetes de R para análisis de

datos ómicos: https://www.bioconductor.org/. 28, 494
BioMart http://www.biomart.org Es un sistema de almacenamien-

to de datos orientado a las consultas. Ha sido desarrollado por
el European Bioinformatics Institute (EBI) y el Cold Spring
Harbor Laboratory (CSHL). . 43
Bowtie2 Alineador de secuencias. http://bowtie-bio.sourceforge.

net/bowtie2/index.shtml . 107, 108, 119
CDS Es la región codificante de un gen: Coding DNA Sequence. Es

la parte del gen (DNA o RNA) compuesta por los exones que
codifican proteína. El CDS es la porción de un transcrito que es
trasladado por un ribosoma. . 39, 40
CRAN Red de espejos con paquetes de R: https://cran.r-project.

org/ . 28, 494
Ensembl https://en.wikipedia.org/wiki/Ensembl. 35, 36, 45, 47,

48
Entrez https://en.wikipedia.org/wiki/Entrez. 33, 35, 45, 47,

48
ExpressionSet Clase S4 para almacenar datos de expresión de mi-

croarrays. Definida en [57].. xvii, 24, 209
FASTQ Es un formato para guardar datos de secuencias. Consiste

de cuatro líneas. La primera contiene el nombre de la secuencia.
La segunda línea contiene a la propia secuencia. La tercera línez
contiene información opcional sobre la secuencia. La cuarta línea
cuantifica la confianza o calidad en la determinación de cada
base recogida en la segunda línea. . 100, 105
Gene Ontology Abreviadamente GO. https://en.wikipedia.org/

wiki/Gene_ontology y en http://geneontology.org/.. 35, 36,
48, 237, 241, 248, 254, 255, 261, 262, 273, 282
523
524 Glosario
GEO NCBI GEO (Gene Expression Omnibus) es una base de datos

de datos de expresión obtenidos con microarrays. También tiene
algo de datos de secuenciación. Su dirección es http://www.
ncbi.nlm.nih.gov/geo/. . 52, 88, 92, 99, 111
GitHub Es un lugar web para desarrollo colaborativo de software.
http://bowtie-bio.sourceforge.net/bowtie2/index.shtml
. 518
GTEx Herramienta de análisis en línea que incluye análisis transcrip-
tómico y estudios de asociación genética. Los datos son propios
de la herramienta. https://www.gtexportal.org/home/.. 5
GTF/GFF Formato de fichero cuya descripción detallada se puede
encontrar en http://www.ensembl.org/info/website/upload/
gff.html.. 106
KEGG http://www.genome.jp/kegg/ https://en.wikipedia.org/

wiki/KEGG Es una colección de bases de datos sobre genomas,
rutas biológicas, enfermedades, medicamentos y sustancias quí-
micas. . 241, 248, 282
OrgDb Tipo de paquetes de anotación centrados en el organismos a

que se refieren. Por ejemplo [28, org.Hs.eg.db].. 494
R R es un entorno de programación estadístico. https://www.r-project.

org/ . xvi, 75, 99
RNA-Seq https://en.wikipedia.org/wiki/RNA-Seq. . 97
RPKM Reads per kilobase per million reads. C es el total de lec-
turas alineadas sobre la característica. El total de lecturas que
podemos alinear es N (o tamaño de la librería), L la longitud
9
de la característica de interés en bp. RP KM = 10 C
N L . . 115
SAM Sequence Alignment/Map https://samtools.github.io/hts-specs/

SAMv1.pdf . 106, 108
SAM http://genome.sph.umich.edu/wiki/SAM y la especificación
del formato la tenemos en http://samtools.sourceforge.net/
SAM1.pdf.. 105, 517
Samtools Es un conjunto de programas para trabajar con datos
de secuenciación. Ver http://www.htslib.org/. En Debian/U-
buntu se instala con apt-get install samtools. En R/Bioconduc-
tor tenemos el paquete [101, Rsamtools].. 105
SRA NCBI SRA (Sequence Read Archive) es una base de datos
con datos de secuenciación de DNA en forma de lecturas cor-
tas generadas mediante secuenciación de alto rendimiento. Su
dirección es http://www.ncbi.nlm.nih.gov/sra. En http://
www.ncbi.nlm.nih.gov/books/NBK47528/ tenemos más infor-
mación. Si no funciona el enlace buscamos en Google SRA hand-
book.. 99, 104
STAR Es un ejecutable que se baja desde GitHub https://github.
com/alexdobin/STAR/archive/master.zip. Con STAR alig-
ner en Google lo encontramos... 104
Glosario 525
TCGA The Cancer Genome Atlas es una base de datos online

con estudios de cáncer utilizando distintas técnicas https://
cancergenome.nih.gov/. . 5

Bioinformática Estadística

Cargado por

Copyright:

Formatos disponibles

Bioinformática Estadística

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bioinformática Estadística

Cargado por

Copyright:

Formatos disponibles

Guillermo Ayala Universidad de Valencia

4.4 Sonda y conjunto de sondas . . . . . . . . . . . . . . . 60

6 Datos de RNA-seq 105

6.13 GSE63776 a partir de conteos . . . . . . . . . . . . . . 120

III Expresión diferencial 131

8 Comparaciones múltiples 149

9 Expresión diferencial con microarrays 163

10 Expresión diferencial con datos RNASeq 179

11 Tamaño muestral y potencia 195

12 Generando un informe 197

IV Reducción de dimensión y clasificación 203

14 Análisis cluster 221

14.8 Silueta . . . . . . . . . . . . . . . . . . . . . . . . . . 235

V Análisis de grupos de genes 245

16 Test de Fisher unilateral 255

17 Análisis de conjuntos de genes 267

18 Enriquecimiento de grafos 287

VII Probabilidad y Estadística 305

21.4.1 Media de una variable aleatoria discreta . . . . 337

22 Distribución muestral 353

24 Contraste de hipótesis 379

25 Comparación de dos poblaciones 395

25.3.3 Los contrastes unilaterales o direccionales . . . 404

26 Datos categóricos 415

27 Modelos lineales 425

28 Conceptos fundamentales de Estadística 455

29 Modelos lineales generalizados 465

VIII Investigación reproducible 485

33 Lo que no se debe hacer pero se hace 491

A Soluciones ejercicios 495

Sobre la gran cantidad de publicaciones ¿innecesarias? Un

8. Los datos originales no disponibles.

10. Una revisión por parte de la revista insuficiente.

Estas notas tratan de la aplicación de procedimientos estadísti-

Sobre la parte biológica. El objetivo es que estas notas ayuden a

Sobre R/Bioconductor. Estas notas utilizan sistemáticamente R/-

TAMI Uno es una breve introducción en 20 horas lectivas en tercer

Bioinformática Estadística El segundo curso es un módulo en Bio-

Sobre la investigación reproducible. Es ingente la cantidad de

Sobre la generación simple de informes. Hemos de poder rea-

Cómo usar el texto. Se intenta explicar Estadística aplicada a

Sobre la estructura del documento. Empezamos en I indicán-

datos públicas y cómo preprocesarlo (normalizarlo). Finalmente se ve

4. En § 5 se comentan los datos que utilizamos en el resto del ma-

5. De § 7 se utilizan las secciones § 7.1, § 7.2, § 7.4, § 7.6 y § 7.7.

A todo el material anterior hay que añadir las viñetas incluidas en el

Estas notas se ocupan de revisar y aplicar técnicas estadísticas a

1.1 Estructura de los datos

el número de variables y n es el número de muestras. Y justo lo con-

mientos diseñados en muchas ocasiones para el contexto habitual en

En lo que sigue se aborda también problemas de cálculo del tamaño

1.3 Sobre herramientas online

NetworkAnalyst http://www.networkanalyst.ca Es de particu-

InnateDB con Cytoscape http://www.innatedb.ca y http://www.

1.4 Paquetes transversales

Nuestra opción de trabajo es la utilización de R y Bioconductor.

2.1 Sobre R y su instalación

1. Bajamos el programa de la siguiente dirección http://cran.r-

Instalación de un paquete R tiene muchos paquetes que extien-