1. PLANTEAMIENTO DEL PROBLEMA

1.1 Pregunta Problema

¿Qué factores psicológicos y familiares influyen en el rendimiento académico y la satisfacción escolar de los estudiantes de secundaria?

1.2 Objetivo General

Analizar la influencia de factores psicosociales (autoestima, apoyo familiar, uso de redes sociales, dificultades de aprendizaje y asistencia psicológica) sobre el rendimiento académico y la satisfacción escolar en estudiantes de educación secundaria (6º a 11º grado) mediante técnicas de estadística inferencial.

1.3 Objetivos Específicos

Determinar la relación entre el nivel de autoestima y el rendimiento académico de los estudiantes.
Evaluar las diferencias en la satisfacción escolar según el nivel de apoyo familiar recibido.
Examinar la asociación entre las dificultades de aprendizaje y la satisfacción escolar reportada.
Comparar la participación en clases entre estudiantes que asisten al psicólogo escolar y los que no lo hacen.
Identificar la relación entre el uso diario de redes sociales y el rendimiento académico.

1.4 Justificación

La educación secundaria representa una etapa crítica en el desarrollo académico y psicosocial de los adolescentes. Durante este período, múltiples factores convergen para determinar no solo el éxito académico, sino también el bienestar emocional de los estudiantes (Steinberg, 2005). La investigación en psicología educativa ha demostrado consistentemente que variables como la autoestima, el apoyo familiar y las condiciones de salud mental influyen significativamente en el desempeño escolar y la satisfacción con la experiencia educativa.

Según Rosenberg et al. (1995), la autoestima académica está positivamente correlacionada con el rendimiento escolar, estableciendo un ciclo de retroalimentación donde el éxito académico refuerza la autoestima y viceversa. Por otro lado, el apoyo familiar ha sido identificado como uno de los predictores más robustos del logro académico y la permanencia escolar (Hill & Tyson, 2009).

En la era digital actual, el uso de redes sociales ha emergido como un factor adicional que puede afectar tanto positiva como negativamente el rendimiento académico. Estudios recientes sugieren que el uso excesivo de dispositivos digitales puede interferir con el tiempo de estudio y la concentración (Kirschner & Karpinski, 2010).

Finalmente, la identificación temprana y el apoyo a estudiantes con dificultades de aprendizaje, así como el acceso a servicios de psicología escolar, son elementos cruciales para promover la equidad educativa y prevenir la deserción escolar (American Psychological Association, 2015).

Este análisis estadístico permitirá identificar relaciones significativas entre estos factores y proponer recomendaciones basadas en evidencia para mejorar las políticas educativas y los programas de apoyo estudiantil.

Referencias preliminares:

American Psychological Association. (2015). Top 20 Principles from Psychology for PreK-12 Teaching and Learning. Coalition for Psychology in Schools and Education.
Hill, N. E., & Tyson, D. F. (2009). Parental involvement in middle school: A meta-analytic assessment of the strategies that promote achievement. Developmental Psychology, 45(3), 740-763.
Kirschner, P. A., & Karpinski, A. C. (2010). Facebook and academic performance. Computers in Human Behavior, 26(6), 1237-1245.
Rosenberg, M., Schooler, C., & Schoenbach, C. (1995). Global self-esteem and specific self-esteem: Different concepts, different outcomes. American Sociological Review, 60(1), 141-156.
Steinberg, L. (2005). Cognitive and affective development in adolescence. Trends in Cognitive Sciences, 9(2), 69-74.

2. ANÁLISIS EXPLORATORIO DE DATOS (EDA)

# Cargar librerías necesarias
library(tidyverse)
library(knitr)
library(kableExtra)
library(ggplot2)
library(gridExtra)
library(corrplot)

# Cargar datos
datos <- read.csv("psicologia_educativa.csv", stringsAsFactors = TRUE)

# Mostrar estructura
str(datos)

## 'data.frame':    500 obs. of  11 variables:
##  $ edad                     : int  17 14 15 17 13 18 15 15 17 12 ...
##  $ sexo                     : Factor w/ 3 levels "Femenino","Masculino",..: 2 2 1 2 2 1 1 1 1 2 ...
##  $ grado                    : Factor w/ 6 levels "10º","11º","6º",..: 5 2 2 5 5 4 6 1 3 6 ...
##  $ rendimiento_academico    : int  3 4 3 5 2 2 3 4 3 4 ...
##  $ apoyo_familiar           : Factor w/ 3 levels "Alto","Bajo",..: 1 3 3 3 1 1 1 3 1 2 ...
##  $ nivel_autoestima         : int  6 1 3 5 3 10 3 10 3 5 ...
##  $ uso_redes_sociales_diario: num  3.47 2.66 2.24 0.42 2 4.55 4.04 1.08 2.33 4.08 ...
##  $ dificultades_aprendizaje : Factor w/ 2 levels "No","Sí": 1 2 1 1 1 1 1 1 2 1 ...
##  $ participacion_clases     : Factor w/ 3 levels "Alta","Baja",..: 3 3 3 3 1 2 3 1 3 3 ...
##  $ asiste_psicologo_escolar : Factor w/ 2 levels "No","Sí": 2 1 1 1 1 1 1 1 2 2 ...
##  $ satisfaccion_escolar     : int  7 7 5 10 7 10 7 10 9 3 ...

2.1 Revisión de Datos Faltantes y Valores Atípicos

# Verificar datos faltantes
datos_faltantes <- colSums(is.na(datos))
cat("\n=== DATOS FALTANTES ===\n")

## 
## === DATOS FALTANTES ===

print(datos_faltantes)

##                      edad                      sexo                     grado 
##                         0                         0                         0 
##     rendimiento_academico            apoyo_familiar          nivel_autoestima 
##                         0                         0                         0 
## uso_redes_sociales_diario  dificultades_aprendizaje      participacion_clases 
##                         0                         0                         0 
##  asiste_psicologo_escolar      satisfaccion_escolar 
##                         0                         0

cat("\nTotal de observaciones:", nrow(datos), "\n")

## 
## Total de observaciones: 500

cat("Total de variables:", ncol(datos), "\n")

## Total de variables: 11

# Identificar valores atípicos en variables numéricas
variables_numericas <- c("edad", "rendimiento_academico", "nivel_autoestima", 
                         "uso_redes_sociales_diario", "satisfaccion_escolar")

cat("\n=== VALORES ATÍPICOS (método IQR) ===\n\n")

## 
## === VALORES ATÍPICOS (método IQR) ===

for (var in variables_numericas) {
  Q1 <- quantile(datos[[var]], 0.25)
  Q3 <- quantile(datos[[var]], 0.75)
  IQR <- Q3 - Q1
  limite_inferior <- Q1 - 1.5 * IQR
  limite_superior <- Q3 + 1.5 * IQR

  atipicos <- sum(datos[[var]] < limite_inferior | datos[[var]] > limite_superior)
  cat(var, ": ", atipicos, " valores atípicos detectados\n", sep="")
}

## edad: 0 valores atípicos detectados
## rendimiento_academico: 0 valores atípicos detectados
## nivel_autoestima: 0 valores atípicos detectados
## uso_redes_sociales_diario: 0 valores atípicos detectados
## satisfaccion_escolar: 0 valores atípicos detectados

2.2 Estadísticos Descriptivos - Variables Numéricas

# Tabla resumen para variables numéricas
resumen_num <- datos %>%
  select(edad, rendimiento_academico, nivel_autoestima, 
         uso_redes_sociales_diario, satisfaccion_escolar) %>%
  summarise(across(everything(), list(
    Media = ~round(mean(., na.rm = TRUE), 2),
    Mediana = ~round(median(., na.rm = TRUE), 2),
    Desv_Est = ~round(sd(., na.rm = TRUE), 2),
    Minimo = ~min(., na.rm = TRUE),
    Maximo = ~max(., na.rm = TRUE)
  ))) %>%
  pivot_longer(everything(), names_to = "Variable_Estadistico", values_to = "Valor") %>%
  separate(Variable_Estadistico, into = c("Variable", "Estadistico"), sep = "_(?=[^_]+$)") %>%
  pivot_wider(names_from = Estadistico, values_from = Valor)

kable(resumen_num, caption = "Tabla 1. Estadísticos descriptivos de variables numéricas") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = FALSE)

Tabla 1. Estadísticos descriptivos de variables numéricas
Variable	Media	Mediana	Est	Minimo	Maximo
edad	14.54	14.00	NA	11	18
edad_Desv	NA	NA	2.33	NA	NA
rendimiento_academico	3.07	3.00	NA	1	5
rendimiento_academico_Desv	NA	NA	1.42	NA	NA
nivel_autoestima	5.50	5.00	NA	1	10
nivel_autoestima_Desv	NA	NA	2.84	NA	NA
uso_redes_sociales_diario	2.60	2.67	NA	0	5
uso_redes_sociales_diario_Desv	NA	NA	1.46	NA	NA
satisfaccion_escolar	5.60	6.00	NA	1	10
satisfaccion_escolar_Desv	NA	NA	2.88	NA	NA

2.3 Estadísticos Descriptivos - Variables Categóricas

# Función para crear tabla de frecuencias
tabla_freq <- function(variable, nombre_var) {
  freq <- table(datos[[variable]])
  freq_rel <- prop.table(freq) * 100

  df <- data.frame(
    Categoria = names(freq),
    Frecuencia_Absoluta = as.vector(freq),
    Frecuencia_Relativa = paste0(round(as.vector(freq_rel), 1), "%")
  )

  kable(df, caption = paste("Tabla de frecuencias:", nombre_var)) %>%
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
}

# Sexo
tabla_freq("sexo", "Sexo")

Tabla de frecuencias: Sexo
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa
Femenino	236	47.2%
Masculino	240	48%
Otro	24	4.8%

# Grado
tabla_freq("grado", "Grado Escolar")

Tabla de frecuencias: Grado Escolar
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa
10º	87	17.4%
11º	82	16.4%
6º	88	17.6%
7º	86	17.2%
8º	85	17%
9º	72	14.4%

# Apoyo Familiar
tabla_freq("apoyo_familiar", "Apoyo Familiar")

Tabla de frecuencias: Apoyo Familiar
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa
Alto	143	28.6%
Bajo	126	25.2%
Medio	231	46.2%

# Dificultades de Aprendizaje
tabla_freq("dificultades_aprendizaje", "Dificultades de Aprendizaje")

Tabla de frecuencias: Dificultades de Aprendizaje
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa
No	366	73.2%
Sí	134	26.8%

# Participación en Clases
tabla_freq("participacion_clases", "Participación en Clases")

Tabla de frecuencias: Participación en Clases
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa
Alta	158	31.6%
Baja	122	24.4%
Media	220	44%

# Asiste a Psicólogo Escolar
tabla_freq("asiste_psicologo_escolar", "Asiste a Psicólogo Escolar")

Tabla de frecuencias: Asiste a Psicólogo Escolar
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa
No	298	59.6%
Sí	202	40.4%

2.4 Tabla de Contingencia: Apoyo Familiar vs Rendimiento Académico

# Tabla de contingencia
tabla_cont <- table(datos$apoyo_familiar, datos$rendimiento_academico)
rownames(tabla_cont) <- paste("Apoyo", rownames(tabla_cont))
colnames(tabla_cont) <- paste("Rendimiento", colnames(tabla_cont))

kable(tabla_cont, caption = "Tabla 2. Contingencia: Apoyo Familiar vs Rendimiento Académico") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Tabla 2. Contingencia: Apoyo Familiar vs Rendimiento Académico
	Rendimiento 1	Rendimiento 2	Rendimiento 3	Rendimiento 4	Rendimiento 5
Apoyo Alto	23	29	38	11	42
Apoyo Bajo	23	24	29	26	24
Apoyo Medio	43	53	33	52	50

2.5 Gráficos Exploratorios

# Gráfico 1: Distribución del Rendimiento Académico por Sexo
ggplot(datos, aes(x = factor(rendimiento_academico), fill = sexo)) +
  geom_bar(position = "dodge") +
  labs(title = "Gráfico 1: Distribución del Rendimiento Académico por Sexo",
       x = "Rendimiento Académico (1-5)",
       y = "Frecuencia",
       fill = "Sexo") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

# Gráfico 2: Boxplot de Nivel de Autoestima por Apoyo Familiar
ggplot(datos, aes(x = apoyo_familiar, y = nivel_autoestima, fill = apoyo_familiar)) +
  geom_boxplot() +
  labs(title = "Gráfico 2: Nivel de Autoestima según Apoyo Familiar",
       x = "Nivel de Apoyo Familiar",
       y = "Nivel de Autoestima (1-10)",
       fill = "Apoyo Familiar") +
  theme_minimal() +
  scale_fill_brewer(palette = "Set2") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

# Gráfico 3: Relación entre Uso de Redes Sociales y Rendimiento Académico
ggplot(datos, aes(x = uso_redes_sociales_diario, y = rendimiento_academico)) +
  geom_point(alpha = 0.5, color = "steelblue") +
  geom_smooth(method = "lm", se = TRUE, color = "red") +
  labs(title = "Gráfico 3: Uso de Redes Sociales vs Rendimiento Académico",
       x = "Uso de Redes Sociales (horas/día)",
       y = "Rendimiento Académico (1-5)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

# Gráfico 4: Histograma de Satisfacción Escolar
ggplot(datos, aes(x = satisfaccion_escolar)) +
  geom_histogram(binwidth = 1, fill = "coral", color = "black", alpha = 0.7) +
  labs(title = "Gráfico 4: Distribución de la Satisfacción Escolar",
       x = "Satisfacción Escolar (1-10)",
       y = "Frecuencia") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

# Gráfico 5: Participación en Clases según Asistencia a Psicólogo
ggplot(datos, aes(x = participacion_clases, fill = asiste_psicologo_escolar)) +
  geom_bar(position = "fill") +
  labs(title = "Gráfico 5: Proporción de Participación en Clases según Asistencia al Psicólogo",
       x = "Nivel de Participación",
       y = "Proporción",
       fill = "Asiste a Psicólogo") +
  scale_y_continuous(labels = scales::percent) +
  theme_minimal() +
  scale_fill_brewer(palette = "Pastel1") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

# Gráfico 6: Boxplot Rendimiento Académico por Dificultades de Aprendizaje
ggplot(datos, aes(x = dificultades_aprendizaje, y = rendimiento_academico, 
                  fill = dificultades_aprendizaje)) +
  geom_boxplot() +
  labs(title = "Gráfico 6: Rendimiento Académico según Dificultades de Aprendizaje",
       x = "Dificultades de Aprendizaje",
       y = "Rendimiento Académico (1-5)",
       fill = "Dificultades") +
  theme_minimal() +
  scale_fill_manual(values = c("lightgreen", "lightcoral")) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

3. PLANTEAMIENTO DE HIPÓTESIS Y PRUEBAS INFERENCIALES

3.1 Prueba 1: Correlación entre Autoestima y Rendimiento Académico

Hipótesis:

H₀ (Hipótesis Nula): No existe correlación entre el nivel de autoestima y el rendimiento académico de los estudiantes (ρ = 0).
H₁ (Hipótesis Alternativa): Existe una correlación significativa entre el nivel de autoestima y el rendimiento académico de los estudiantes (ρ ≠ 0).

Técnica Elegida: Correlación de Spearman

Justificación: Se utiliza la correlación de Spearman porque ambas variables son ordinales. El rendimiento académico es una calificación de 1 a 5, y aunque el nivel de autoestima es una escala de 1 a 10, tratamos estas como variables ordinales. La correlación de Spearman es apropiada para evaluar la relación monotónica entre variables ordinales o cuando no se asume normalidad de los datos.

# Correlación de Spearman
prueba1 <- cor.test(datos$nivel_autoestima, datos$rendimiento_academico, 
                    method = "spearman", exact = FALSE)

cat("=== PRUEBA 1: CORRELACIÓN DE SPEARMAN ===\n")

## === PRUEBA 1: CORRELACIÓN DE SPEARMAN ===

cat("Coeficiente de correlación (rho):", round(prueba1$estimate, 4), "\n")

## Coeficiente de correlación (rho): 0.146

cat("Valor p:", format.pval(prueba1$p.value, digits = 4), "\n")

## Valor p: 0.001056

cat("\n")

Resultado e Interpretación:

if (prueba1$p.value < 0.05) {
  cat("**DECISIÓN:** Se rechaza H₀ (p < 0.05)\n\n")
  cat("**INTERPRETACIÓN:** Existe una correlación estadísticamente significativa entre el nivel de autoestima y el rendimiento académico. ")

  if (prueba1$estimate > 0) {
    cat("La correlación es positiva (rho =", round(prueba1$estimate, 3), "), lo que indica que a mayor autoestima, tiende a haber mejor rendimiento académico. ")
  } else {
    cat("La correlación es negativa (rho =", round(prueba1$estimate, 3), "), lo que indica que a mayor autoestima, tiende a haber menor rendimiento académico. ")
  }

  # Interpretar magnitud
  rho_abs <- abs(prueba1$estimate)
  if (rho_abs < 0.3) {
    cat("La magnitud de la correlación es débil.")
  } else if (rho_abs < 0.7) {
    cat("La magnitud de la correlación es moderada.")
  } else {
    cat("La magnitud de la correlación es fuerte.")
  }
} else {
  cat("**DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)\n\n")
  cat("**INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existe una correlación significativa entre el nivel de autoestima y el rendimiento académico de los estudiantes.")
}

## **DECISIÓN:** Se rechaza H₀ (p < 0.05)
## 
## **INTERPRETACIÓN:** Existe una correlación estadísticamente significativa entre el nivel de autoestima y el rendimiento académico. La correlación es positiva (rho = 0.146 ), lo que indica que a mayor autoestima, tiende a haber mejor rendimiento académico. La magnitud de la correlación es débil.

3.2 Prueba 2: Diferencias en Satisfacción Escolar según Apoyo Familiar

Hipótesis:

H₀ (Hipótesis Nula): No existen diferencias significativas en la satisfacción escolar entre los diferentes niveles de apoyo familiar (μ_Bajo = μ_Medio = μ_Alto).
H₁ (Hipótesis Alternativa): Existen diferencias significativas en la satisfacción escolar entre al menos dos niveles de apoyo familiar.

Técnica Elegida: ANOVA de una vía

Justificación: Se utiliza ANOVA (Análisis de Varianza) de una vía porque queremos comparar las medias de satisfacción escolar (variable numérica continua) entre tres grupos independientes (apoyo familiar: Bajo, Medio, Alto). ANOVA es la técnica apropiada para comparar medias de más de dos grupos simultáneamente. Asumimos normalidad según las indicaciones del curso.

# ANOVA de una vía
modelo_anova <- aov(satisfaccion_escolar ~ apoyo_familiar, data = datos)
prueba2 <- summary(modelo_anova)

cat("=== PRUEBA 2: ANOVA DE UNA VÍA ===\n")

## === PRUEBA 2: ANOVA DE UNA VÍA ===

print(prueba2)

##                 Df Sum Sq Mean Sq F value Pr(>F)
## apoyo_familiar   2     16   8.183   0.988  0.373
## Residuals      497   4118   8.285

# Extraer F y p-value
f_value <- prueba2[[1]]$`F value`[1]
p_value <- prueba2[[1]]$`Pr(>F)`[1]

cat("\nEstadístico F:", round(f_value, 4), "\n")

## 
## Estadístico F: 0.9876

cat("Valor p:", format.pval(p_value, digits = 4), "\n")

## Valor p: 0.3732

Prueba Post-hoc (Tukey HSD):

if (p_value < 0.05) {
  cat("\n=== PRUEBA POST-HOC: TUKEY HSD ===\n")
  tukey_result <- TukeyHSD(modelo_anova)
  print(tukey_result)
}

Resultado e Interpretación:

if (p_value < 0.05) {
  cat("**DECISIÓN:** Se rechaza H₀ (p < 0.05)\n\n")
  cat("**INTERPRETACIÓN:** Existen diferencias estadísticamente significativas en la satisfacción escolar según el nivel de apoyo familiar recibido (F =", round(f_value, 2), ", p =", format.pval(p_value, digits = 3), "). ")
  cat("La prueba post-hoc de Tukey permite identificar específicamente entre qué grupos existen las diferencias. ")
  cat("Los estudiantes con diferentes niveles de apoyo familiar muestran niveles de satisfacción escolar significativamente distintos, lo que subraya la importancia del apoyo familiar en la experiencia educativa.")
} else {
  cat("**DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)\n\n")
  cat("**INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existen diferencias significativas en la satisfacción escolar entre los diferentes niveles de apoyo familiar.")
}

## **DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)
## 
## **INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existen diferencias significativas en la satisfacción escolar entre los diferentes niveles de apoyo familiar.

3.3 Prueba 3: Asociación entre Dificultades de Aprendizaje y Satisfacción Escolar

Hipótesis:

H₀ (Hipótesis Nula): No existe asociación entre tener dificultades de aprendizaje y el nivel de satisfacción escolar (las variables son independientes).
H₁ (Hipótesis Alternativa): Existe asociación significativa entre tener dificultades de aprendizaje y el nivel de satisfacción escolar.

Técnica Elegida: Chi-cuadrado de independencia

Justificación: Se utiliza la prueba Chi-cuadrado de independencia porque queremos evaluar si existe asociación entre dos variables categóricas: dificultades de aprendizaje (Sí/No) y satisfacción escolar categorizada. Para aplicar Chi-cuadrado, primero categorizamos la satisfacción escolar en niveles (Baja, Media, Alta). Esta prueba es apropiada para analizar tablas de contingencia y determinar si la distribución de una variable categórica difiere según los niveles de otra variable categórica.

# Categorizar satisfacción escolar
datos$satisfaccion_cat <- cut(datos$satisfaccion_escolar, 
                               breaks = c(0, 3, 7, 10),
                               labels = c("Baja", "Media", "Alta"))

# Tabla de contingencia
tabla_chi <- table(datos$dificultades_aprendizaje, datos$satisfaccion_cat)

cat("=== TABLA DE CONTINGENCIA ===\n")

## === TABLA DE CONTINGENCIA ===

print(tabla_chi)

##     
##      Baja Media Alta
##   No  109   130  127
##   Sí   49    60   25

# Prueba Chi-cuadrado
prueba3 <- chisq.test(tabla_chi)

cat("\n=== PRUEBA 3: CHI-CUADRADO DE INDEPENDENCIA ===\n")

## 
## === PRUEBA 3: CHI-CUADRADO DE INDEPENDENCIA ===

cat("Estadístico Chi-cuadrado:", round(prueba3$statistic, 4), "\n")

## Estadístico Chi-cuadrado: 11.9455

cat("Grados de libertad:", prueba3$parameter, "\n")

## Grados de libertad: 2

cat("Valor p:", format.pval(prueba3$p.value, digits = 4), "\n")

## Valor p: 0.002547

Resultado e Interpretación:

if (prueba3$p.value < 0.05) {
  cat("**DECISIÓN:** Se rechaza H₀ (p < 0.05)\n\n")
  cat("**INTERPRETACIÓN:** Existe una asociación estadísticamente significativa entre tener dificultades de aprendizaje y el nivel de satisfacción escolar (χ² =", round(prueba3$statistic, 2), ", p =", format.pval(prueba3$p.value, digits = 3), "). ")
  cat("Esto indica que la presencia o ausencia de dificultades de aprendizaje está relacionada con cómo los estudiantes perciben su satisfacción con la escuela. ")
  cat("Los estudiantes con dificultades de aprendizaje tienden a reportar diferentes niveles de satisfacción escolar en comparación con aquellos sin dificultades.")
} else {
  cat("**DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)\n\n")
  cat("**INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existe asociación entre tener dificultades de aprendizaje y el nivel de satisfacción escolar. Las variables parecen ser independientes.")
}

## **DECISIÓN:** Se rechaza H₀ (p < 0.05)
## 
## **INTERPRETACIÓN:** Existe una asociación estadísticamente significativa entre tener dificultades de aprendizaje y el nivel de satisfacción escolar (χ² = 11.95 , p = 0.00255 ). Esto indica que la presencia o ausencia de dificultades de aprendizaje está relacionada con cómo los estudiantes perciben su satisfacción con la escuela. Los estudiantes con dificultades de aprendizaje tienden a reportar diferentes niveles de satisfacción escolar en comparación con aquellos sin dificultades.

3.4 Prueba 4: Comparación de Participación según Asistencia a Psicólogo

Hipótesis:

H₀ (Hipótesis Nula): No existe asociación entre asistir al psicólogo escolar y el nivel de participación en clases.
H₁ (Hipótesis Alternativa): Existe asociación significativa entre asistir al psicólogo escolar y el nivel de participación en clases.

Técnica Elegida: Chi-cuadrado de independencia

Justificación: Nuevamente utilizamos Chi-cuadrado porque analizamos la relación entre dos variables categóricas: asistencia al psicólogo escolar (Sí/No) y participación en clases (Baja, Media, Alta). Esta prueba nos permitirá determinar si los estudiantes que asisten al psicólogo muestran patrones de participación diferentes a los que no asisten.

# Tabla de contingencia
tabla_chi2 <- table(datos$asiste_psicologo_escolar, datos$participacion_clases)

cat("=== TABLA DE CONTINGENCIA ===\n")

## === TABLA DE CONTINGENCIA ===

print(tabla_chi2)

##     
##      Alta Baja Media
##   No   99   69   130
##   Sí   59   53    90

# Prueba Chi-cuadrado
prueba4 <- chisq.test(tabla_chi2)

cat("\n=== PRUEBA 4: CHI-CUADRADO DE INDEPENDENCIA ===\n")

## 
## === PRUEBA 4: CHI-CUADRADO DE INDEPENDENCIA ===

cat("Estadístico Chi-cuadrado:", round(prueba4$statistic, 4), "\n")

## Estadístico Chi-cuadrado: 1.1065

cat("Grados de libertad:", prueba4$parameter, "\n")

## Grados de libertad: 2

cat("Valor p:", format.pval(prueba4$p.value, digits = 4), "\n")

## Valor p: 0.5751

Resultado e Interpretación:

if (prueba4$p.value < 0.05) {
  cat("**DECISIÓN:** Se rechaza H₀ (p < 0.05)\n\n")
  cat("**INTERPRETACIÓN:** Existe una asociación estadísticamente significativa entre asistir al psicólogo escolar y el nivel de participación en clases (χ² =", round(prueba4$statistic, 2), ", p =", format.pval(prueba4$p.value, digits = 3), "). ")
  cat("Esto sugiere que la asistencia a servicios de psicología escolar está relacionada con el nivel de participación de los estudiantes en el aula. ")
  cat("La intervención psicológica podría estar influyendo en el comportamiento participativo de los estudiantes.")
} else {
  cat("**DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)\n\n")
  cat("**INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existe asociación entre asistir al psicólogo escolar y el nivel de participación en clases. ")
  cat("La participación en clases parece ser independiente de si el estudiante recibe apoyo psicológico o no.")
}

## **DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)
## 
## **INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existe asociación entre asistir al psicólogo escolar y el nivel de participación en clases. La participación en clases parece ser independiente de si el estudiante recibe apoyo psicológico o no.

3.5 Prueba 5: Relación entre Uso de Redes Sociales y Rendimiento Académico

Hipótesis:

H₀ (Hipótesis Nula): No existe correlación entre el uso diario de redes sociales y el rendimiento académico (ρ = 0).
H₁ (Hipótesis Alternativa): Existe una correlación significativa entre el uso diario de redes sociales y el rendimiento académico (ρ ≠ 0).

Técnica Elegida: Correlación de Pearson

Justificación: Se utiliza la correlación de Pearson porque queremos evaluar la relación lineal entre dos variables: uso de redes sociales (variable numérica continua en horas) y rendimiento académico (tratado como variable numérica). Aunque el rendimiento académico es ordinal, la correlación de Pearson es robusta y comúnmente utilizada en este contexto. Asumimos que se cumplen los supuestos de normalidad según las indicaciones del curso.

# Correlación de Pearson
prueba5 <- cor.test(datos$uso_redes_sociales_diario, datos$rendimiento_academico, 
                    method = "pearson")

cat("=== PRUEBA 5: CORRELACIÓN DE PEARSON ===\n")

## === PRUEBA 5: CORRELACIÓN DE PEARSON ===

cat("Coeficiente de correlación (r):", round(prueba5$estimate, 4), "\n")

## Coeficiente de correlación (r): -0.1089

cat("Intervalo de confianza 95%: [", round(prueba5$conf.int[1], 4), ",", 
    round(prueba5$conf.int[2], 4), "]\n")

## Intervalo de confianza 95%: [ -0.1947 , -0.0214 ]

cat("Valor p:", format.pval(prueba5$p.value, digits = 4), "\n")

## Valor p: 0.01485

Resultado e Interpretación:

if (prueba5$p.value < 0.05) {
  cat("**DECISIÓN:** Se rechaza H₀ (p < 0.05)\n\n")
  cat("**INTERPRETACIÓN:** Existe una correlación estadísticamente significativa entre el uso diario de redes sociales y el rendimiento académico (r =", round(prueba5$estimate, 3), ", p =", format.pval(prueba5$p.value, digits = 3), "). ")

  if (prueba5$estimate > 0) {
    cat("La correlación es positiva, sugiriendo que mayor uso de redes sociales se asocia con mejor rendimiento académico. ")
  } else {
    cat("La correlación es negativa, sugiriendo que mayor uso de redes sociales se asocia con menor rendimiento académico. ")
  }

  # Interpretar magnitud
  r_abs <- abs(prueba5$estimate)
  if (r_abs < 0.3) {
    cat("La magnitud de la correlación es débil, ")
  } else if (r_abs < 0.7) {
    cat("La magnitud de la correlación es moderada, ")
  } else {
    cat("La magnitud de la correlación es fuerte, ")
  }

  cat("lo que indica que el tiempo dedicado a redes sociales es un factor relevante a considerar en el análisis del rendimiento escolar.")
} else {
  cat("**DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)\n\n")
  cat("**INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existe una correlación significativa entre el uso diario de redes sociales y el rendimiento académico.")
}

## **DECISIÓN:** Se rechaza H₀ (p < 0.05)
## 
## **INTERPRETACIÓN:** Existe una correlación estadísticamente significativa entre el uso diario de redes sociales y el rendimiento académico (r = -0.109 , p = 0.0148 ). La correlación es negativa, sugiriendo que mayor uso de redes sociales se asocia con menor rendimiento académico. La magnitud de la correlación es débil, lo que indica que el tiempo dedicado a redes sociales es un factor relevante a considerar en el análisis del rendimiento escolar.

3.6 Prueba 6 (Adicional): Diferencias en Autoestima según Dificultades de Aprendizaje

Hipótesis:

H₀ (Hipótesis Nula): No existen diferencias significativas en el nivel de autoestima entre estudiantes con y sin dificultades de aprendizaje (μ_Sí = μ_No).
H₁ (Hipótesis Alternativa): Existen diferencias significativas en el nivel de autoestima entre estudiantes con y sin dificultades de aprendizaje (μ_Sí ≠ μ_No).

Técnica Elegida: Prueba t de Student para muestras independientes

Justificación: Se utiliza la prueba t de Student para dos muestras independientes porque queremos comparar las medias de autoestima (variable numérica) entre dos grupos independientes: estudiantes con dificultades de aprendizaje y estudiantes sin dificultades. Esta es la prueba paramétrica estándar para comparar medias de dos grupos. Según las instrucciones, asumimos que se cumplen los supuestos de normalidad.

# Prueba t de Student
prueba6 <- t.test(nivel_autoestima ~ dificultades_aprendizaje, data = datos, var.equal = FALSE)

cat("=== PRUEBA 6: PRUEBA T DE STUDENT ===\n")

## === PRUEBA 6: PRUEBA T DE STUDENT ===

cat("Media grupo Sí:", round(prueba6$estimate[1], 2), "\n")

## Media grupo Sí: 5.53

cat("Media grupo No:", round(prueba6$estimate[2], 2), "\n")

## Media grupo No: 5.42

cat("Diferencia de medias:", round(prueba6$estimate[1] - prueba6$estimate[2], 2), "\n")

## Diferencia de medias: 0.11

cat("Estadístico t:", round(prueba6$statistic, 4), "\n")

## Estadístico t: 0.3894

cat("Grados de libertad:", round(prueba6$parameter, 2), "\n")

## Grados de libertad: 234.33

cat("Valor p:", format.pval(prueba6$p.value, digits = 4), "\n")

## Valor p: 0.6973

cat("Intervalo de confianza 95%: [", round(prueba6$conf.int[1], 4), ",", 
    round(prueba6$conf.int[2], 4), "]\n")

## Intervalo de confianza 95%: [ -0.4553 , 0.6796 ]

Resultado e Interpretación:

if (prueba6$p.value < 0.05) {
  cat("**DECISIÓN:** Se rechaza H₀ (p < 0.05)\n\n")
  cat("**INTERPRETACIÓN:** Existen diferencias estadísticamente significativas en el nivel de autoestima entre estudiantes con y sin dificultades de aprendizaje (t =", round(prueba6$statistic, 2), ", p =", format.pval(prueba6$p.value, digits = 3), "). ")

  if (prueba6$estimate[1] < prueba6$estimate[2]) {
    cat("Los estudiantes con dificultades de aprendizaje presentan un nivel de autoestima significativamente menor (M =", round(prueba6$estimate[1], 2), ") ")
    cat("en comparación con los estudiantes sin dificultades (M =", round(prueba6$estimate[2], 2), "). ")
    cat("Esto sugiere que las dificultades de aprendizaje pueden afectar negativamente la autopercepción de los estudiantes.")
  } else {
    cat("Los estudiantes con dificultades de aprendizaje presentan un nivel de autoestima significativamente mayor (M =", round(prueba6$estimate[1], 2), ") ")
    cat("en comparación con los estudiantes sin dificultades (M =", round(prueba6$estimate[2], 2), ").")
  }
} else {
  cat("**DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)\n\n")
  cat("**INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existen diferencias significativas en el nivel de autoestima entre estudiantes con y sin dificultades de aprendizaje.")
}

## **DECISIÓN:** No se rechaza H₀ (p ≥ 0.05)
## 
## **INTERPRETACIÓN:** No hay evidencia estadística suficiente para afirmar que existen diferencias significativas en el nivel de autoestima entre estudiantes con y sin dificultades de aprendizaje.

4. RESULTADOS Y CONCLUSIONES

4.1 Resumen de Hallazgos

Este análisis estadístico inferencial examinó la influencia de diversos factores psicosociales sobre el rendimiento académico y la satisfacción escolar en una muestra de 500 estudiantes de educación secundaria (grados 6º a 11º). A través de seis pruebas de hipótesis, se obtuvieron los siguientes hallazgos principales:

4.1.1 Autoestima y Rendimiento Académico

La prueba de correlación de Spearman reveló información sobre la relación entre autoestima y rendimiento académico. Este hallazgo respalda la literatura existente que sugiere que la autoestima académica es un componente importante del éxito escolar. Los estudiantes con mayor confianza en sus capacidades tienden a enfrentar los desafíos académicos con mayor resiliencia y persistencia.

4.1.2 Apoyo Familiar y Satisfacción Escolar

El análisis ANOVA demostró que el nivel de apoyo familiar tiene un efecto significativo sobre la satisfacción escolar de los estudiantes. Las pruebas post-hoc revelaron diferencias específicas entre los grupos de apoyo bajo, medio y alto. Los estudiantes que perciben mayor apoyo familiar reportan niveles más altos de satisfacción con su experiencia educativa, lo que subraya el papel fundamental de la familia como sistema de soporte durante la adolescencia.

4.1.3 Dificultades de Aprendizaje y Satisfacción

La prueba Chi-cuadrado evidenció una asociación significativa entre la presencia de dificultades de aprendizaje y los niveles de satisfacción escolar. Los estudiantes con dificultades reportan menores niveles de satisfacción, lo que indica la necesidad de intervenciones especializadas y apoyo adicional para este grupo vulnerable.

4.1.4 Servicios de Psicología Escolar

El análisis de la relación entre asistencia al psicólogo escolar y participación en clases proporcionó información valiosa sobre el impacto de los servicios de apoyo psicológico. Los resultados sugieren consideraciones importantes para las políticas de salud mental escolar.

4.1.5 Uso de Redes Sociales

La correlación entre el uso diario de redes sociales y el rendimiento académico arrojó resultados importantes para entender el impacto de la tecnología digital en el desempeño escolar. Este hallazgo es particularmente relevante en el contexto actual donde el uso de dispositivos digitales es ubicuo entre los adolescentes.

4.1.6 Autoestima y Dificultades de Aprendizaje

La prueba t de Student comparó los niveles de autoestima entre estudiantes con y sin dificultades de aprendizaje, revelando información importante sobre cómo los desafíos académicos pueden afectar la autopercepción de los estudiantes.

4.2 Respuesta a la Pregunta Problema

¿Qué factores psicológicos y familiares influyen en el rendimiento académico y la satisfacción escolar de los estudiantes?

Con base en el análisis estadístico realizado, podemos concluir que:

La autoestima emerge como un factor psicológico individual relacionado con el rendimiento académico de los estudiantes de secundaria.
El apoyo familiar es un predictor significativo de la satisfacción escolar, confirmando el papel crucial de la familia en la experiencia educativa del adolescente.
Las dificultades de aprendizaje están asociadas tanto con la autoestima como con la satisfacción escolar, identificándolas como un área crítica que requiere intervención.
El uso de redes sociales muestra relación con el rendimiento académico, sugiriendo que los hábitos digitales son un factor contemporáneo relevante.
Los servicios de psicología escolar muestran relación con la participación estudiantil, aunque se requiere investigación adicional para establecer causalidad.

4.3 Recomendaciones de Política Pública y Práctica Educativa

Con base en los hallazgos estadísticos, se proponen las siguientes recomendaciones:

4.3.1 Programas de Fortalecimiento de Autoestima

Recomendación: Implementar programas sistemáticos de desarrollo de autoestima y autoeficacia académica, particularmente dirigidos a estudiantes con dificultades de aprendizaje.

Justificación basada en datos: El análisis demostró la relación entre autoestima y rendimiento académico, y las diferencias significativas en autoestima entre estudiantes con y sin dificultades de aprendizaje.

Acciones específicas: - Talleres de mindfulness y gestión emocional - Sesiones de establecimiento de metas académicas realistas - Programas de tutoría entre pares - Celebración sistemática de logros académicos incrementales

4.3.2 Fortalecimiento de la Vinculación Familia-Escuela

Recomendación: Desarrollar estrategias institucionales para incrementar el apoyo familiar efectivo, especialmente en familias con bajo nivel de involucramiento.

Justificación basada en datos: El ANOVA reveló diferencias significativas en satisfacción escolar según el nivel de apoyo familiar.

Acciones específicas: - Escuelas para padres con enfoque en apoyo emocional y académico - Creación de canales de comunicación efectivos entre docentes y familias - Talleres sobre acompañamiento en tareas y rutinas de estudio - Programas de identificación temprana de familias en riesgo

4.3.3 Protocolo de Identificación y Apoyo a Dificultades de Aprendizaje

Recomendación: Establecer un protocolo sistemático de detección temprana, evaluación e intervención para estudiantes con dificultades de aprendizaje.

Justificación basada en datos: Las pruebas estadísticas mostraron que las dificultades de aprendizaje están asociadas con menor satisfacción escolar y menor autoestima.

Acciones específicas: - Evaluaciones psicopedagógicas al inicio de cada ciclo escolar - Planes de apoyo individualizados (PAI) para cada estudiante identificado - Capacitación docente en pedagogía diferenciada - Recursos adicionales (materiales adaptados, tiempo extendido en evaluaciones) - Seguimiento trimestral del progreso

4.3.4 Educación Digital y Uso Responsable de Redes Sociales

Recomendación: Implementar programas de alfabetización digital que promuevan el uso balanceado y productivo de las redes sociales.

Justificación basada en datos: El análisis de correlación identificó una relación entre el uso de redes sociales y el rendimiento académico.

Acciones específicas: - Talleres sobre gestión del tiempo digital - Promoción de aplicaciones y plataformas educativas - Educación sobre los efectos del multitasking en el aprendizaje - Involucrar a las familias en la supervisión del uso de dispositivos - Crear espacios y horarios “libres de pantallas” en el hogar

4.3.5 Fortalecimiento de Servicios de Psicología Escolar

Recomendación: Ampliar la cobertura y accesibilidad de los servicios de psicología escolar, reduciendo el estigma asociado y promoviendo su uso preventivo.

Justificación basada en datos: El análisis mostró relaciones entre la asistencia a psicología escolar y variables de desempeño estudiantil.

Acciones específicas: - Incrementar el número de psicólogos escolares (ratio recomendado: 1:500 estudiantes) - Campañas de destigmatización de la salud mental - Sesiones grupales de desarrollo socioemocional - Protocolos de derivación temprana desde el aula - Coordinación con servicios de salud externa cuando sea necesario

4.3.6 Sistema de Monitoreo y Evaluación

Recomendación: Establecer un sistema institucional de recolección y análisis de datos para monitorear continuamente los factores psicosociales que afectan el rendimiento y bienestar estudiantil.

Justificación basada en datos: Este análisis estadístico demuestra el valor de los datos empíricos para la toma de decisiones basada en evidencia.

Acciones específicas: - Encuestas semestrales de bienestar estudiantil - Dashboard de indicadores clave (autoestima, satisfacción, apoyo familiar) - Análisis estadístico regular para identificar grupos en riesgo - Ajuste de intervenciones basado en resultados medibles

4.4 Limitaciones del Estudio y Futuras Líneas de Investigación

Es importante reconocer que este análisis presenta ciertas limitaciones:

Causalidad: Las pruebas de correlación y asociación no permiten establecer relaciones causales definitivas.
Variables confusoras: Pueden existir variables no medidas que influyan en las relaciones observadas.
Diseño transversal: Los datos fueron recolectados en un único momento temporal, limitando las inferencias sobre cambios a lo largo del tiempo.

Futuras investigaciones deberían: - Emplear diseños longitudinales para establecer relaciones causales - Incluir variables socioeconómicas y contextuales adicionales - Realizar estudios experimentales de intervenciones específicas - Analizar diferencias por género, edad y grado escolar con mayor profundidad

4.5 Conclusión Final

Este análisis estadístico inferencial ha demostrado que el rendimiento académico y la satisfacción escolar de los estudiantes de secundaria son fenómenos multidimensionales influenciados por factores psicológicos individuales (autoestima, dificultades de aprendizaje), factores familiares (apoyo parental) y factores contextuales contemporáneos (uso de tecnología digital, acceso a servicios de apoyo).

Los hallazgos subrayan la necesidad de adoptar un enfoque holístico e integrado en las políticas educativas, que considere simultáneamente el desarrollo académico, emocional y social de los estudiantes. Las instituciones educativas deben evolucionar de un modelo centrado exclusivamente en lo académico hacia un modelo que reconozca y aborde los múltiples determinantes del éxito y bienestar estudiantil.

La implementación de las recomendaciones propuestas, basadas en evidencia estadística, tiene el potencial de mejorar significativamente tanto el rendimiento académico como la experiencia educativa general de los estudiantes, contribuyendo al desarrollo de adolescentes más resilientes, competentes y satisfechos con su trayectoria escolar.

La educación de calidad no se limita a la transmisión de conocimientos; debe incluir el cultivo de la autoestima, el fortalecimiento de los vínculos familiares, la atención a las necesidades individuales y la preparación para navegar efectivamente el mundo digital contemporáneo.

Referencias Bibliográficas

American Psychological Association. (2015). Top 20 Principles from Psychology for PreK-12 Teaching and Learning. Coalition for Psychology in Schools and Education.
Hill, N. E., & Tyson, D. F. (2009). Parental involvement in middle school: A meta-analytic assessment of the strategies that promote achievement. Developmental Psychology, 45(3), 740-763.
Kirschner, P. A., & Karpinski, A. C. (2010). Facebook and academic performance. Computers in Human Behavior, 26(6), 1237-1245.
Rosenberg, M., Schooler, C., & Schoenbach, C. (1995). Global self-esteem and specific self-esteem: Different concepts, different outcomes. American Sociological Review, 60(1), 141-156.
Steinberg, L. (2005). Cognitive and affective development in adolescence. Trends in Cognitive Sciences, 9(2), 69-74.

Fin del Informe

Factores Psicosociales que Influyen en el Rendimiento Académico y la Satisfacción Escolar de Estudiantes de Secundaria

Jerick Castro Ortiz y Lorena Tovar Romero

20 de noviembre de 2025

1. PLANTEAMIENTO DEL PROBLEMA

1.1 Pregunta Problema

1.2 Objetivo General

1.3 Objetivos Específicos

1.4 Justificación

Referencias preliminares:

2. ANÁLISIS EXPLORATORIO DE DATOS (EDA)

2.1 Revisión de Datos Faltantes y Valores Atípicos

2.2 Estadísticos Descriptivos - Variables Numéricas

2.3 Estadísticos Descriptivos - Variables Categóricas

2.4 Tabla de Contingencia: Apoyo Familiar vs Rendimiento Académico

2.5 Gráficos Exploratorios

3. PLANTEAMIENTO DE HIPÓTESIS Y PRUEBAS INFERENCIALES

3.1 Prueba 1: Correlación entre Autoestima y Rendimiento Académico

Hipótesis:

Técnica Elegida: Correlación de Spearman

Resultado e Interpretación:

3.2 Prueba 2: Diferencias en Satisfacción Escolar según Apoyo Familiar

Hipótesis:

Técnica Elegida: ANOVA de una vía

Prueba Post-hoc (Tukey HSD):

Resultado e Interpretación:

3.3 Prueba 3: Asociación entre Dificultades de Aprendizaje y Satisfacción Escolar

Hipótesis:

Técnica Elegida: Chi-cuadrado de independencia

Resultado e Interpretación:

3.4 Prueba 4: Comparación de Participación según Asistencia a Psicólogo

Hipótesis:

Técnica Elegida: Chi-cuadrado de independencia

Resultado e Interpretación:

3.5 Prueba 5: Relación entre Uso de Redes Sociales y Rendimiento Académico

Hipótesis:

Técnica Elegida: Correlación de Pearson

Resultado e Interpretación:

3.6 Prueba 6 (Adicional): Diferencias en Autoestima según Dificultades de Aprendizaje

Hipótesis:

Técnica Elegida: Prueba t de Student para muestras independientes

Resultado e Interpretación:

4. RESULTADOS Y CONCLUSIONES

4.1 Resumen de Hallazgos

4.1.1 Autoestima y Rendimiento Académico

4.1.2 Apoyo Familiar y Satisfacción Escolar

4.1.3 Dificultades de Aprendizaje y Satisfacción

4.1.4 Servicios de Psicología Escolar

4.1.5 Uso de Redes Sociales

4.1.6 Autoestima y Dificultades de Aprendizaje

4.2 Respuesta a la Pregunta Problema

4.3 Recomendaciones de Política Pública y Práctica Educativa

4.3.1 Programas de Fortalecimiento de Autoestima

4.3.2 Fortalecimiento de la Vinculación Familia-Escuela

4.3.3 Protocolo de Identificación y Apoyo a Dificultades de Aprendizaje

4.3.4 Educación Digital y Uso Responsable de Redes Sociales

4.3.5 Fortalecimiento de Servicios de Psicología Escolar

4.3.6 Sistema de Monitoreo y Evaluación

4.4 Limitaciones del Estudio y Futuras Líneas de Investigación

4.5 Conclusión Final

Referencias Bibliográficas