Resumen para jamovi

Errores típicos de las variables

Sobre las bases de datos, identifica los errores de asignación de las variables. Tipos:
 ID: solamente identificadores únicos como Rut/Run o códigos.
 Nominal: variables categóricas sin orden, como género o color.
 Ordinal: categorías con orden lógico, por ejemplo, si te dan rangos de una escala de satisfacción (bajo,
medio y alto); si te dan nivel educativo (primaria, secundaria y universitaria)
 Continua: se usa parta datos numéricos con escalas que permiten sacar cálculos, por ejemplo, ingreso
mensual o edades.
Nota: Hay algunas variables que se pueden quitar cuando son todas iguales.

ELEMENTOS DE LA DESCRIPCIÓN DE VARIABLES

Pasos
1)Definición Conceptual→ qué representa la variable en términos teóricos o abstractos. Por ejemplo: La
satisfacción laboral podría definirse como el grado en que una persona se siente contenta y realizada con su
trabajo.
2)Definición operacional: Explica cómo se mide la variable en la práctica, especificando los instrumentos
utilizados. Por ejemplo: La satisfacción laboral puede medirse con una escala de 5 ítems en una encuesta, donde
1 = "muy insatisfecho" y 5 = "muy satisfecho".
3)Tipo de variable: cómo se clasifica según función dentro del estudio. Las categorías más comunes son
relacionadas a su escala de medición
 Nominal: Categorías sin orden (género, estado civil); recordar que hay nominales dicotómicas que en
presencia de algo es 1 y la falta es 0.
 Ordinal: Categorías con orden, NO numéricas (nivel educativo: primaria, secundaria, superior; nivel de
aprobación de 4distinguido al 1insuficiente).
 Intervalar: Datos numéricos sin unos cero absolutos (temperatura en °C).
Otras son según su relación con otras variables:
 Independiente: La que influye o explica a otra variable.
 Dependiente: La que resulta afectada por la variable independiente.
 Control: Aquella que se mantiene constante para evitar sesgos.
4)Rango de valores o categorías: según los valores que puede tomar la variable, por ejemplo: La variable edad
tiene un rango continuo (de 18 a 99 años).
5)Nivel de medida: determina cómo se analizará la variable estadísticamente. Por ejemplo: Variables continuas
permiten el cálculo de promedios, mientras que las nominales se describen con frecuencias y porcentajes.

Ejemplo práctico→ En un estudio sobre el impacto del ejercicio físico en la salud mental, se podrían describir
las variables así:
Ejercicio físico
 Definición conceptual: Actividad física regular que mejora la condición física y la salud.
 Definición operacional: Número de horas de actividad física moderada a intensa por semana, medido
mediante un cuestionario autoinformado.
  Tipo: Independiente, continua.
 Rango: De 0 a 20 horas por semana.
Salud mental
 Definición conceptual: Estado de bienestar emocional y psicológico.
 Definición operacional: Puntuación en la escala de ansiedad y depresión (HADS), donde menores
puntajes indican mejor salud mental.
 Tipo: Dependiente, continua (intervalo).
 Rango: De 0 a 42.

CONSIDERACIONES PARA EL TIPO DE PROBLEMA

DESCRIPTIVOS: 1 variable→ ¿Cuál es el grado de autoestima de estudiantes de psicología de la PUCV?

DIFERENCIA DE GRUPOS: Variables de agrupación y dependiente→ ¿Cuál es la diferencia entre
estudiantes de psicología y estudiantes de pedagogía en su grado de autoestima? En este caso debe ir una
“distinción de dos grupos”, por ende, su variable de agrupación seria la carrera, mientras que su variable
dependiente sería “grado de autoestima”.
CORRELACIONALES: Relaciona 2 variables o más ¡NO ES CAUSA-EFECTO! → ¿Cuál es la relación
entre el grado de autoestima y el bienestar psicológico en estudiantes de psicología de la PUCV? Aquí tenemos
dos constructos convertidos en variables (autoestima y bienestar), siempre pregunta sobre la relación de dos
variables. →Para la prueba es el que nos dará más posibilidad de análisis.
EXPLICATIVOS/PREDICTIVOS: Utiliza palabras como “efecto, influye, causa, produce, mejora”, etc.→
¿Cuál es el efecto de la autoestima en el grado de satisfacción con la vida en estudiantes de la PUCV? Aquí
podemos usar más variables, en este caso solamente tenemos dos autoestima y satisfacción con la vida.

Sobre las hipótesis debemos pensar que siempre

H0(hipótesis nula) = es aquella que se considera verdadera hasta que se presenten evidencias, siempre se asocia
a que NO existen cambios, diferencias, relaciones, etc.
H1(hipótesis de investigador) = en esta se proponen otras posibilidades, por ejemplo, hablamos de si existe un
cambio, relación o grado de esta.

Primero debemos de Realizar Las Descriptivas…

Sirve para hacer un análisis descriptivo inicial con información básica, sobre distribución, tendencia central y
dispersión es el paso 1.
¿Qué parte del programa se usa?
Exploración→ Descriptivas
1)Agregamos las variables a usar organizadas agrupadas según otra.
2)Consideramos:
Medidas de tendencia central
 N=muestra
 Perdidos= datos que se han dejado sin respuesta, si hay muchos estos afectan la inv.
 Media= es el promedio de los datos
 Mediana= valor central cuando los datos están ordenados
  Moda= valor o categoría más frecuente, es un poco irrelevante…
Medidas de dispersión o variabilidad
 Desviación estándar (SD)=Mide cuánto se desvían los valores respecto a la media “la desviación de los
datos con respecto a la media es” lo cual indica baja una baja variabilidad de datos y alta indica gran
variabilidad.
 Varianza= El cuadrado de la desviación estándar. Es una medida de dispersión más técnica. Cuando
tenemos una desviación estándar pequeña la varianza es pequeña también, si es grande la variabilidad
lo será de igual forma.
 Rango (Range)= diferencia entre el valor máximo y el mínimo.
 Rango intercuartílico (IQR)= Diferencia entre el tercer y el primer cuartil (Q3 - Q1). Indica la dispersión
en el 50% central de los datos.
Medidas de posición:
 Mínimo y máximo: Indican los valores más bajos y altos en la distribución.
 Percentiles o cuartiles: Dividen los datos en segmentos. Por ejemplo:
25% (Q1): Valor bajo el cual está el 25% de los datos.
50% (Q2 o Mediana): Valor central.
75% (Q3): Valor bajo el cual está el 75% de los datos.
Medidas de forma de la distribución:

 Asimetría (Skewness): Indica si la distribución está sesgada:

 Valores positivos: Cola más larga hacia la derecha.
  Valores negativos: Cola más larga hacia la izquierda.
 Cero: Distribución simétrica.
 Curtosis (Kurtosis): Mide la "altura" o concentración de la distribución en comparación con la normal:
 Curtosis > 3: Más concentrada ("peaked").
 Curtosis < 3: Más plana.

EJEMPLO:

PRUEBA T PARA DOS MUESTRAS

Considerar si tenemos una base de datos con N grande debemos usar la Puntuación Z, en cambio si es una N
pequeña es la T de Student la que usaremos. Hay que recordar que en esta sección podremos identificar que
indicadores hay para decir que existe una diferencia significativa o no entre grupos.
1)Vamos a la Sección de distrACTION → T- Distribution
2) lo más relevante va a ser si rechazamos o aceptamos la H1/H0
3) En esta sección vemos:
Grados de libertad (df) → determinan cuántos valores en el cálculo son libres para variar. En una prueba t, se
calculan en función del tamaño de las muestras y sus varianzas.
p-value (valor p)→ Probabilidad de obtener un valor t tan extremo (o más) bajo la hipótesis nula (que no hay
diferencia real entre los grupos); nos ayuda a tomar decisiones sobre la significancia estadística. Formula:
 P< 0.05: Rechazamos la hipótesis nula (hay diferencias significativas)→ por ende estaríamos aceptando
la hipótesis H1.

 P > o igual que 0.05: No se rechaza la hipótesis nula (no hay diferencias significativas) → aceptamos
H0.
Mean difference (diferencia de medias)→ comparación de los dos grupos; es decir, muestra el tamaño de la
diferencia entre los grupos, en las mismas unidades de la variable medida.
SE (error estándar de la diferencia)→ mide cuánto varía la diferencia de medias esperada si repetimos el
experimento varias veces, cuanto menor sea el SE, más precisa es la estimación de la diferencia entre medias.
CI (intervalo de confianza)→ es el rango de valores dentro del cual se encuentra la diferencia de medias
verdadera con un nivel de confianza específico (por defecto, 95%).
Sobre estas graficas considerar
 Si se solapan los datos→no hay diferencia significativa
 Si no se solapan los datos→ hablamos de una diferencia significativa
Sobre la respuesta formal sobre la puntuación p en pruebas tipo t
Por ejemplo:
-Con un nivel de significación de 5% contraste bilateral, se rechaza la hipótesis nula. Los grupos difieren en el
grado de bienestar.
-Con un contraste t de una muestra y nivel de significación de 5% se rechaza la hipótesis nula. No existen
diferencias respecto al nivel de depresión en jóvenes.
Nota: siempre poner información adicional, que sea coloquial, para que se comprenda lo escrito.
Poner siempre las gráficas descriptivas y descriptivas.
¿Por qué decimos al 5%? → pq el nivel de significación se divide en dos colas en este caso -2.02 (valor crítico)
y 2.02 (valor crítico) para decir que son significativos, con respecto al 97,5% restante de probabilidad no es
significativo en un contraste bilateral.

COMPLEJIDAD EN PRUEBAS T DE MUESTRAS INDEPENDIENTES

Cuando queremos saber si esta diferencia significativa es observable conductualmente usamos

Tamaño de efecto (d) → es una manera de observar o medir si la diferencia es real en la población, hay una
diferencia conductual o comportamental:
 0-0.2 es pequeño
 0.2-0.5 es moderado
 0.5- (oo) es grande
En general cuando hay diferencia de media grandes tienen tamaños de efecto grandes.
Agregamos en las pruebas de muestra t: descriptivas, diferencias de media, gráficas significativas, Tamaño
del efecto, Prueba de Homogeneidad, Normalidad y Gráfica Q-Q1.

Supuestos estadísticos
1)INDEPENDENCIA DE LAS OBSERVACIONES→ no se puede evaluar/medir. Se refiere a que los
participantes de la muestra sean independientes entre ellos (Ej. de cuando no sería independiente: puros
matrimonios o puros gemelos).
2) HOMOGENEIDAD Y NO HOMOGENEIDAD (HOMOCEDASTICIDAD)
Homogeneidad de Varianzas (homocedasticidad)→ Cada media tiene su desviación estándar, TEA y TDA
sobre la variable CIV. La variabilidad es igual en los dos grupos
No Homogeneidad de Varianzas/ Heterogeneidad de Varianzas→ La segunda esta sesgada, la variabilidad
es diferente (la desviación estándar)
Sobre la foto→En la 3era también hay homogeneidad (la
pequeña)
USAREMOS
Razón de Varianza (Variance Vatio en JAMOVI) =
Desviación estándar al 2do de TEA/ dividido en Desviación
estándar al 2do de TDAH = 1
Aquí también tenemos un valor p que tiene una hipótesis
distinta:
 La de investigador (H1): “los grupos no son homosedasticos (son distintos)”.
 La nula (H0): “los grupos son homosedasticos (son iguales)”
Aquí nos quedamos con la nula porque es un supuesto. Entonces en los supuestos se opera al revés de la
estadística el valor p debe ser mayor a 0.05 para decir que los grupos son homogéneos.
3) TEST DE NORMALIDAD
 H1: Las distribuciones son No normales
 H0: Las distribuciones son normales.
Aquí nuevamente el valor p debe ser mayor a 0.05
En la foto de las distribuciones
 La del medio es homogénea y normal
 La segunda abajo es no homogénea y no
 La tercera chica la ola, es homogénea y no normal

Los supuestos son para que la prueba t refleje la verdadera diferencia comportamental (que la prueba t no esté
sesgada).
4) RESIDUOS ESTANDARIZADOS
Aquí sobre el CI verbal cada punto es un dato real. Si los puntos están encima
de la línea es una distribución normal.
¿Qué hacemos si no se cumplen los 3 supuestos, sobre todo el de
homogeneidad? → vamos al análisis principal donde está el T de Student,
miramos la T de Welch es casi igual, pero sirve para ver cuando no hay
homogeneidad corrige los grados de libertad, le quita valores. En este caso
el supuesto se cumple entonces son el mismo valor.

EN RESUMEN, QUÉ
PRUEBAS VAMOS A USAR

Problema descriptivo (1 variable)→ ¿Cuál es el grado de autoestima de estudiantes de psicología? →para eso
usábamos una prueba z de una muestra, t de una muestra.
Problema de diferencias de grupo (2 grupos, respecto una diferencia)→ ¿Existe una diferencia en el grado
de autoestima entre estudiantes de psicología y de pedagogía? → pruebas t de una muestra independientes,
prueba t de welch cuando no se cumple el supuesto de homogeneidad.
Problema Correlacional (relación de 2 variables) → ¿Cuál es la relación entre el grado de motivación
intrínseca y el grado de productividad académica? → aquí usamos coeficiente de correlación de Pearson, no es
una prueba es un análisis; se le suma una prueba t.

MATRIZ DE CORRELACIONES

El análisis de correlación nos permite conocer la intensidad y el sentido de la relación entre dos variables
Xi e Yi→generalmente x causa; y consecuencia. Pero aquí no necesariamente significa eso OJO.
  El hecho que al mirar Xi y Yi tengan valores iguales hay una co-varianza, pero el análisis de las
correlaciones sirve para mirar esto…
 Las variables tienen que ser continuas NO categóricas para poder hacer este tipo de análisis.
 Para calcular la co-variación usamos el coeficiente de relación de Pearson.
Mediante el coeficiente de correlación de Pearson se intenta establecer la relación entre dos variables
continuas. Hay que tener presente que:
 La correlación entre dos variables implica tomar dos medidas a cada uno de los sujetos de una
muestra nunca son dos sujetos diferentes a quienes se les ha medido cada una de las variables.
 Sólo sirve cuando las relaciones son lineales.
 El concepto de Variable Independiente y Dependiente pierde sentido en el análisis de correlación,
sólo interesa la relación, no hay sentido o dirección.
 Las variables deben distribuirse ambas de modo aproximadamente normal cuando se lleva a cabo un
contraste de hipótesis.
 Mientras más cerca de 1 más relacionado.
Entonces vamos a ver las correlaciones lineales, es decir, deben ubicarse los sujetos en el gráfico (la nube de
puntos), que van en un mismo espacio lineal recto (así deben verse los datos).

r(correlación)= al ver los resultados el SENTIDO es

 El -1 correlación negativa inversa o menor a 0 (cuando una aumenta la otra disminuye).
 El 1 es correlación positiva directa (cuando una variable aumenta la otra también aumenta, si baja la
otra baja).
 Cuando r es 0 se ve como una pelota de datos, correlación lineal nula.
 Considerar, que la INTENSIDAD del valor es:
 si el valor de r esta entre 0 y -0.4 o bien 0.4 es una
correlación débil
 Si esta entre + o - 0.4 y -0.7 o bien 0.7 es correlación
moderada.
 Si es esta de + o - 0.7 y -1 o bien 1 la correlación alta.
 Si es 0 correlación nula.
NOTAS SOBRE JAMOVI
Las variables significativas tienen ** y debemos usar en la parte
de FACTOR→ ANÁLISIS DE FIABILIDAD (mapa de color)

JAMOVI BASE SATISFACCIÓN

Ejercicio
 Mirar las variables cuantitativas→ las dimensiones de la satisfacción
 La más independiente es que tan satisfecho esta con la carrera.
Paso a paso
1. Vamos a matriz de correlaciones en el apartado de Análisis
2. Pasamos competencia profesional y satisfacción general a la matriz
3. Pedimos en esta

Sobre los datos

Cuando sale una línea es igual a 1
La que nos interesa es la R de
Pearson que es 0.718 que es una
correlación alta
 La línea de regresión sirve
para ver si los datos son lineales, si
son no lineales no se pueden
interpretar…
 La distribución también las
muestra en los gráficos.
N= 80, es decir tenemos 80 datos.
Valor p <0.001
Una cosa es el valor de correlación, pero otra es que el resultado sea significativo. El resultado se aplica a la
muestra no a la población.
OJO: Los asteriscos nos dicen en R de Pearson que es una correlación significativa.
 SEGÚN FORMULA
 Hipótesis de inv la correlación es distinta de 0, es decir hay correlación
 La hipótesis nula dice que la correlación es igual a 0

Pasamos los datos sobre la prueba t

Está a 9.06 de la desviación estándar, que nos de 0 quiere decir
que la correlación. Entonces la relación es significativa

AHORA CON TODAS LAS VARIABLES

 Vemos que todas las significativas tienen un ***
 Tomamos la correlación más alta sobre la satisfacción debemos mejorar los recursos humanos que es el
valor más alto. La siguiente más alta es competencia profesional.
 La que menos le importa es la infraestructura.
Vamos a la parte de FACTOR a análisis de fiabilidad, usamos el mapa de calor
 Correlaciones negativas con rojo, mientras más rojo más negativo
 Correlaciones positivas con verde, a más verde más positivo
Respuesta para la pregunta 1: Con un nivel de significación de 5% contraste bilateral, en este caso se rechaza
la hipótesis nula. La variable competencia profesional se relaciona positiva y fuertemente con la satisfacción
con la carrera.

EJERCICIO COMPLETO BASE DEMENCIA

Results Descriptivas
Además de un conjunto de variables sociodemográficas, esta base muestra datos de 200 pacientes adultos mayores,
están divididos
en grupos de deterioro cognitivo: Control son los normales o sin deterioro, Alzheimer son los que tienen este
problema, Vascular es otro tipo de afectación cognitiva y Mixta una combinación de las previas. Luego se
consideraron variables adicionales como presencia o ausencia de Diabetes, Hipertensión, etc. Y luego dos
variables cuantitativas MM0 y MM3 que son medidas de deterioro cognitivo obtenidas con el MINI MENTAL
TEST, puntuaciones menores a 21 puntos refleja deterioro, entre 22 y 26 deterioro leve y más de 26 sin
deterioro. MM0 es la medida cuando llegaron al hospital y MM3 es medida a tres meses después de llegar.

Descriptivas
Asimetría Curtosis
GRUPO N Perdidos Media Mediana DE Mínimo Máximo Asimetría EE Curtosis EE

MM0 Alzhéime 50 0 22.1 22.0 1.27 20 24 0.0762 0.337 -1.2048 0.662

r
Control 50 0 28.0 28.0 1.03 26 30 0.3164 0.337 -0.6020 0.662
Mixta 50 0 19.7 20.0 1.01 18 21 -0.2641 0.337 -0.9898 0.662
Vascular 50 0 19.6 20.0 1.13 18 21 -0.1998 0.337 -1.3387 0.662
MM3 Alzhéime 50 0 19.1 19.0 1.45 16 22 0.1162 0.337 -0.6224 0.662
r
Control 50 0 28.0 28.0 1.02 26 30 0.1991 0.337 -0.5912 0.662
Mixta 50 0 15.4 15.0 1.33 13 19 0.3163 0.337 0.0580 0.662
Vascular 50 0 13.7 14.0 1.56 10 18 0.3617 0.337 0.4446 0.662

Se observa que el grupo control (sin deterioro) denotan una media claramente más alta que los abuelos con
deterioro. Entre los más deteriorados, en ambas medidas, están los vasculares, aunque todos denotan deterioro
bastante severo.
Gráficos

MM0

Los gráficos histogramas confirman la diferencia entre grupos, y evidencian además que las dispersiones o
desviaciones en las distribuciones no son grandes.
El gráfico de cajas es aún más evidente, las diferencias, incorporando la variabilidad, siguen siendo claras y muy
marcadas.

MM3

Después de tres meses las diferencias se mantienen, aunque todos los grupos con deterioro evidencian aun
menores desempeños, mientras que el grupo control se mantiene sin grandes cambios.
 El gráfico de cajas muestra las mismas diferencias sólo que ahora se observan algunos datos atípicos, que
muestran que no todos los pacientes se deterioraron tan rápido
¿El grado de deterioro cognitivo es distinto a lo que se ha informado en estudios
previos? Media de la población: 20
H1: El deterioro cognitivo ha
variado H0: El deterioro
cognitivo No ha variado

Prueba T en Una Muestra

Nótese que se toma como valor de referencia poblacional, mu = 20, que se ha puesto en la casilla Valor de Prueba

Prueba T en Una
Muestra
Estadístic gl p Diferencia de
o medias
MM0 T de Student 9.24 199 < .001 2.34

Nota. Hₐ μ ≠ 20

Con un valor t igual a 9.24, y grado de libertad n - 1 =199 (porque son 200), y un valor p < 0.001, se debe
rechazar la hipótesis nula. Con un nivel de 5% nivel de significación, contraste bilateral, se rechaza la H0.
Actualmente la media de deterioro cognitivo en la población es menor (menos deterioro) que lo que se sabía
previamente.

Descriptivas
N Media Mediana DE EE

MM0 200 22.3 21.0 3.58 0.253

Nótese que 22.3 es la media de la muestra de 200 datos, y es mayor por 2.34 puntos que la media poblacional de 20.

Gráficos
 El gráfico refleja la diferencia significativa, nótese que la media 22.3 está representada por el círculo rodeado de
su variabilidad (oscilación de la media en muestras del mismo tamaño), la línea punteada es la media de la
población.
¿Existes diferencias entre los abuelos sin deterioro y aquellos con deterioro cognitivo evidente en la prueba de
diagnóstico cognitivo Mini Mental Test?
H1: Existen diferencias entre ambos
grupos H0: No existen diferencias

Prueba T para Muestras Independientes

Prueba T para Muestras Independientes

Diferencia
Estadístico gl p
de
EE de Tamaño
medias la del
diferenci Efecto
a

MM0 T de 30.5 ᵃ 198 < .001 7.49 0.246

La d
Stude
nt de
4.97
Cohen
La d
T de Welch 38.0 135 < .001 7.49 0.197
de 5.49
Cohen

Nota. Hₐ μ Control ≠ μ Deterioro

ᵃ La prueba de Levene significativa (p < 0.05) sugiere que las varianzas no son iguales

Ambas pruebas estadísticas denotan un valor p estadísticamente significativo, la diferencia de medias es de 7.49
puntos, lo que refleja la relevante significación y además, el enorme tamaño de efecto obtenido, cerca de 5,
siendo que un tamaño de efecto grande es 0.8 o más.

Supuestos

Homogeneity of Variances Tests

 F df df2 p
MM0 Levene's 11.3 1 198 < .001
Variance 0.39 49 149 < .001
ratio 7
Nota. Additional results provided by moretests

No se cumple el supuesto, porque el valor p es menor a 0.05 lo que nos obliga a rechazar la H0, que es la que
señala que hay homogeneidad de varianzas, por eso se solicita la t de Welch, se observa que el resultado es casi
el mismo que la t de Student, porque la diferencia es demasiado obvia
Tests of Normality

statistic p

MM0 Shapiro-Wilk 0.952 < .001

Kolmogorov-Smirnov 0.136 0.001
Anderson-Darling 2.71 < .001

Nota. Additional results provided by moretests

Tampoco se cumple el supuesto de normalidad porque el resultado es significativo con un valor p menor a 0.05

Descriptivas de Grupo

Grupo N Media Mediana DE EE

MM0 Control 50 28.0 28.0 1.03 0.146

Deterioro 150 20.5 20.0 1.63 0.133

Nótese las medias, son claramente distintas y con desviaciones pequeñas. Note que transformamos la variable GRUPO a GRUPO2,
que toma los sujetos Control y los separa de los deteriorados, a quienes se les agrupa por el nombre "Deterioro"

Gráficos
MM0

Las diferencias de medias son evidentes y no hay ningún solapamiento entre ellos
El gráfico cuantil-cuantil denota

¿Cuál es el grado de relación entre la medida de deterioro cognitivo al llegar al hospital y la medida de deterioro cognitivo a los
tres meses?
H1: Existe correlación entre X e Y
H0: NO existe correlación entre X e Y

Matriz de Correlaciones
Lo que se hizo fue una correlación entre MM0 y MM3, que evidentemente están correlacionados, porque es la misma medida en
dos momentos distintos de las mismas personas.

Matriz de Correlaciones

MM0 MM3

MM0 R de Pearson —
gl —
valor p —

MM3 R de Pearson 0.968 *** —

gl 198 —
valor p < .001 —

Nota. * p < .05, ** p < .01, *** p < .001

La correlación positiva, alta y significativa, lo que no es tan extraño porque las medidas del mismo sujeto están relacionadas y más
si es la misma medida en dos tiempos relativamente cercanos.

Gráfica
El diagrama de dispersión denota la relación lineal fuerte que hay entre ambas variables, pero se notará que hay
como dos conjuntos de puntos, uno inferior y uno superior, el superior es el grupo control y abajo los de
deterioro, lo mismo se observa en las distribuciones que tienen dos curvas, la pequeña son los sujetos Control.