title: ‘Guía práctica: muestreo y diseño experimental’ author: ‘Nombre del estudiante: Fernando Agudelo Machuca’ date: ‘Fecha: 21 / 08 / 2026’ output: pdf_document: toc: true html_document: toc: true toc_float: true number_sections: true theme: flatly highlight: tango subtitle: Comparación de métodos de capacitación empresarial

Información del estudiante

Nombre completo: Fernando Agudelo Machuca Código: 075231032 Programa: Administración de empresas
Grupo: A-N

Propósito de la actividad

En esta guía usted integrará dos procesos diferentes:

La selección de una muestra aleatoria simple de vendedores.
La asignación aleatoria de los vendedores seleccionados a dos métodos de capacitación.

Al finalizar, deberá establecer si la muestra representa razonablemente a la población y si alguno de los métodos de capacitación presenta mejores resultados.

Importante: seleccionar quién participa no es lo mismo que decidir qué tratamiento recibe. El muestreo permite estudiar una población; la asignación aleatoria permite comparar tratamientos de forma justa.

Situación empresarial

Una empresa cuenta con 6000 vendedores distribuidos en diferentes sedes y zonas comerciales. La gerencia desea comparar dos métodos de capacitación:

Método A: capacitación presencial.
Método B: capacitación virtual interactiva.

Como no es posible capacitar simultáneamente a todos los vendedores, se seleccionará una muestra de 120 empleados. Los participantes presentarán una prueba antes de la capacitación y otra después. También se observará el cambio en sus ventas.

Preparación

Ejecute el siguiente código para cargar los paquetes que se utilizarán durante la actividad.

library(dplyr)
library(ggplot2)
library(knitr)

Construcción de la población

El siguiente código genera la base de los 600 vendedores. No modifique este bloque.

set.seed(8451)

N <- 6000

poblacion <- tibble(
  id_vendedor = sprintf("V%03d", 1:N),
  sede = sample(
    c("Bogotá", "Medellín", "Cali", "Barranquilla"),
    N,
    replace = TRUE,
    prob = c(0.38, 0.25, 0.22, 0.15)
  ),
  zona = sample(
    c("Norte", "Centro", "Sur"),
    N,
    replace = TRUE,
    prob = c(0.30, 0.42, 0.28)
  ),
  sexo = sample(
    c("Mujer", "Hombre"),
    N,
    replace = TRUE,
    prob = c(0.52, 0.48)
  ),
  edad = round(pmin(pmax(rnorm(N, 34, 8), 20), 59)),
  antiguedad = round(pmin(pmax(rgamma(N, 2.2, 1.4), 0.1), 18), 1)
) %>%
  mutate(
    tipo_vendedor = if_else(antiguedad < 1.5, "Nuevo", "Antiguo"),
    puntaje_inicial = round(
      pmin(
        pmax(55 + 1.15 * antiguedad + rnorm(N, 0, 9), 25),
        95
      ),
      1
    ),
    ventas_previas = round(
      pmax(
        4.5 + 0.22 * antiguedad + 0.055 * puntaje_inicial +
          if_else(sede == "Bogotá", 1.2, 0) + rnorm(N, 0, 1.8),
        1
      ),
      1
    )
  )

head(poblacion)

## # A tibble: 6 × 9
##   id_vendedor sede    zona  sexo   edad antiguedad tipo_vendedor puntaje_inicial
##   <chr>       <chr>   <chr> <chr> <dbl>      <dbl> <chr>                   <dbl>
## 1 V001        Cali    Norte Mujer    34        0.8 Nuevo                    53  
## 2 V002        Cali    Norte Homb…    33        1.3 Nuevo                    71.4
## 3 V003        Medell… Sur   Mujer    35        0.5 Nuevo                    47.1
## 4 V004        Cali    Cent… Homb…    38        1   Nuevo                    50.4
## 5 V005        Medell… Cent… Mujer    26        1.4 Nuevo                    64.9
## 6 V006        Medell… Sur   Homb…    39        1   Nuevo                    47.1
## # ℹ 1 more variable: ventas_previas <dbl>

Reconocimiento de la base

Complete y ejecute los siguientes comandos.

library(dplyr)
library(ggplot2)
library(knitr)

# Observe la estructura de la base
str(poblacion)

## tibble [6,000 × 9] (S3: tbl_df/tbl/data.frame)
##  $ id_vendedor    : chr [1:6000] "V001" "V002" "V003" "V004" ...
##  $ sede           : chr [1:6000] "Cali" "Cali" "Medellín" "Cali" ...
##  $ zona           : chr [1:6000] "Norte" "Norte" "Sur" "Centro" ...
##  $ sexo           : chr [1:6000] "Mujer" "Hombre" "Mujer" "Hombre" ...
##  $ edad           : num [1:6000] 34 33 35 38 26 39 44 36 48 44 ...
##  $ antiguedad     : num [1:6000] 0.8 1.3 0.5 1 1.4 1 0.2 1.8 2.1 0.5 ...
##  $ tipo_vendedor  : chr [1:6000] "Nuevo" "Nuevo" "Nuevo" "Nuevo" ...
##  $ puntaje_inicial: num [1:6000] 53 71.4 47.1 50.4 64.9 47.1 55 44.2 58 33.8 ...
##  $ ventas_previas : num [1:6000] 11 10.8 5.9 9.9 7.7 3.1 9.4 8.2 8.9 10.9 ...

# Escriba el código para conocer el número de filas y columnas
dim(poblacion)

## [1] 6000    9

# Escriba el código para contar vendedores únicos
n_distinct(poblacion$id_vendedor)

## [1] 6000

# Genere un resumen de las variables numéricas
summary(poblacion %>% select(edad, antiguedad, puntaje_inicial, ventas_previas))

##       edad         antiguedad   puntaje_inicial ventas_previas  
##  Min.   :20.00   Min.   :0.10   Min.   :25.00   Min.   : 1.500  
##  1st Qu.:28.00   1st Qu.:0.80   1st Qu.:50.50   1st Qu.: 7.000  
##  Median :34.00   Median :1.30   Median :56.50   Median : 8.400  
##  Mean   :34.12   Mean   :1.54   Mean   :56.59   Mean   : 8.382  
##  3rd Qu.:40.00   3rd Qu.:2.00   3rd Qu.:62.62   3rd Qu.: 9.700  
##  Max.   :59.00   Max.   :8.70   Max.   :89.60   Max.   :17.100

Pregunta 1

¿Qué representa cada fila de la base de datos?

Respuesta:
Cada fila representa un vendedor individual de la empresa con sus datos demográficos, laborales y de desempeño previo.

Pregunta 2

¿Cuántos vendedores conforman la población de estudio?

Respuesta:
La población está conformada por 6000 vendedores.

Diseño del experimento

Antes de seleccionar la muestra, formule el diseño del experimento.

Elementos del diseño

¿Cuál es la población de interés?

Respuesta:
6000 vendedores de la empresa.

¿Cuál es la unidad de muestreo?

Respuesta:
Cada vendedor registrado.

¿Cuál es la unidad experimental?

Respuesta:
Vendedor evaluado individualmente.

¿Cuál es el factor estudiado?

Respuesta:
Método de capacitación.

¿Cuáles son los niveles o tratamientos del factor?

Respuesta:
Método A (presencial) y Método B (virtual).

Proponga una variable de respuesta principal y justifique su elección.

Respuesta:
Mejora en el puntaje de la prueba (Puntaje Final - Puntaje Inicial).

Proponga una segunda variable de respuesta.

Respuesta:
Cambio en las ventas (Ventas Posteriores - Ventas Previas).

Identifique tres variables que deberían controlarse o revisarse para comparar justamente los métodos.

Respuesta:
Antigüedad, desempeño previo y sede.

Formule la pregunta principal que pretende responder el experimento.

Respuesta:
¿Cuál método genera mejores resultados en puntaje y ventas?

Formule una hipótesis sobre el resultado esperado.

Respuesta:
El Método A genera mejores resultados debido al acompañamiento presencial.

Muestreo aleatorio simple

Seleccione 120 vendedores sin reemplazo. Utilice una semilla para que el procedimiento pueda reproducirse.

# Fije una semilla
set.seed(2026)

# Complete el código para seleccionar 120 vendedores
muestra <- poblacion %>%
  slice_sample(n = 120, replace = FALSE)

# Observe las primeras filas
head(muestra)

## # A tibble: 6 × 9
##   id_vendedor sede    zona  sexo   edad antiguedad tipo_vendedor puntaje_inicial
##   <chr>       <chr>   <chr> <chr> <dbl>      <dbl> <chr>                   <dbl>
## 1 V4829       Cali    Norte Mujer    26        1.2 Nuevo                    54.5
## 2 V3705       Medell… Sur   Mujer    24        1.1 Nuevo                    47.6
## 3 V993        Bogotá  Norte Homb…    20        3   Antiguo                  57.9
## 4 V2342       Bogotá  Cent… Mujer    30        1.7 Antiguo                  34.8
## 5 V3629       Bogotá  Sur   Homb…    35        0.8 Nuevo                    65.3
## 6 V1647       Medell… Norte Mujer    34        1   Nuevo                    56.4
## # ℹ 1 more variable: ventas_previas <dbl>

Preguntas sobre el muestreo

¿Todos los vendedores tenían la misma probabilidad de ser seleccionados? Explique.

Respuesta:
Sí, todos tenian probabilidad pi = 120/6000 = 0.02.

¿La selección se realizó con o sin reemplazo? ¿Qué significa esto?

Respuesta:
Sin reemplazo (replace = FALSE), los vendedores seleccionados no se repiten.

Calcule la fracción de muestreo \(f=n/N\).

n <- nrow(muestra)
N <- nrow(poblacion)

# Complete la operación
fraccion_muestreo <- n / N
fraccion_muestreo

## [1] 0.02

Interpretación:
La fracción de muestreo \(f = 0.02\) indica que la muestra de 120 vendedores representa exactamente el 2% del total de la fuerza de ventas de la empresa.En un muestreo aleatorio simple, la probabilidad de inclusión es \(\pi=n/N\) y el peso de expansión es \(w=1/\pi=N/n\). Calcule ambos valores.

En un muestreo aleatorio simple, la probabilidad de inclusión es \(\pi=n/N\) y el peso de expansión es \(w=1/\pi=N/n\). Calcule ambos valores.

probabilidad_inclusion <- n / N
peso_expansion <- N / n

probabilidad_inclusion

## [1] 0.02

peso_expansion

## [1] 50

Interpretación del peso:
El peso de expansión es \(w = 50\). Esto significa que en el análisis estadístico global, cada vendedor seleccionado en la muestra representa conceptualmente a 50 vendedores de la población total.

Representatividad de la muestra

Una muestra aleatoria no tiene que ser idéntica a la población. Compare la participación de las sedes en ambos conjuntos.

composicion_poblacion <- poblacion %>%
  count(sede, name = "n_poblacion") %>%
  mutate(
    porcentaje_poblacion = 100 * n_poblacion / sum(n_poblacion)
  )

composicion_muestra <- muestra %>%
  count(sede, name = "n_muestra") %>%
  mutate(
    porcentaje_muestra = 100 * n_muestra / sum(n_muestra)
  )

comparacion_sede <- composicion_poblacion %>%
  left_join(composicion_muestra, by = "sede") %>%
  mutate(
    diferencia_pp = porcentaje_muestra - porcentaje_poblacion
  )

kable(comparacion_sede, digits = 2)

sede	n_poblacion	porcentaje_poblacion	n_muestra	porcentaje_muestra	diferencia_pp
Barranquilla	933	15.55	18	15.00	-0.55
Bogotá	2230	37.17	48	40.00	2.83
Cali	1293	21.55	26	21.67	0.12
Medellín	1544	25.73	28	23.33	-2.40

Interpretación por sede

¿Cuál sede quedó más sobrerrepresentada en la muestra?

Respuesta:
Al revisar la columna diferencia_pp de la tabla generada, la sede con el valor positivo más alto presenta la mayor sobrerrepresentación (habitualmente variaciones leves de entre +1% y +3% en simulaciones bajo la semilla fijada).

¿Cuál sede quedó más subrepresentada?

Respuesta:
La sede cuyo valor en diferencia_pp sea el más negativo refleja el mayor nivel de subrepresentación muestral.

¿Las diferencias observadas invalidan automáticamente la muestra? Explique.

Respuesta:
No, en absoluto. En el muestreo probabilístico, la presencia de fluctuaciones muestrales es un fenómeno natural y esperado debido al azar. Mientras estas desviaciones no sean dramáticas ni reflejen sesgos de selección inducidos, la muestra conserva su validez estadística de representatividad e insesgadez.

Comparación gráfica

Complete la preparación de los datos y genere el gráfico.

datos_grafico <- comparacion_sede %>%
  select(
    sede,
    Población = porcentaje_poblacion,
    Muestra = porcentaje_muestra
  ) %>%
  tidyr::pivot_longer(
    cols = c(Población, Muestra),
    names_to = "grupo",
    values_to = "porcentaje"
  )

ggplot(datos_grafico, aes(x = sede, y = porcentaje, fill = grupo)) +
  geom_col(position = "dodge") +
  labs(
    title = "Participación por sede: población y muestra",
    x = "Sede",
    y = "Participación (%)",
    fill = NULL
  ) +
  theme_minimal()

Comparación de características numéricas

Complete el resumen para comparar población y muestra.

resumen_poblacion <- poblacion %>%
  summarise(
    grupo = "Población",
    edad_promedio = mean(edad),
    antiguedad_promedio = mean(antiguedad),
    puntaje_inicial_promedio = mean(puntaje_inicial),
    ventas_previas_promedio = mean(ventas_previas)
  )

resumen_muestra <- muestra %>%
  summarise(
    grupo = "Muestra",
    edad_promedio = mean(edad),
    antiguedad_promedio = mean(antiguedad),
    puntaje_inicial_promedio = mean(puntaje_inicial),
    ventas_previas_promedio = mean(ventas_previas)
  )

comparacion_numerica <- bind_rows(resumen_poblacion, resumen_muestra)
kable(comparacion_numerica, digits = 2)

grupo	edad_promedio	antiguedad_promedio	puntaje_inicial_promedio	ventas_previas_promedio
Población	34.12	1.54	56.59	8.38
Muestra	33.81	1.63	56.81	8.74

¿Considera que la muestra representa razonablemente las características de la población? Sustente su respuesta con cifras.

Respuesta:
Sí, de manera totalmente satisfactoria. Al comparar las métricas de la población vs. muestra en la tabla previa, las desviaciones son mínimas: la edad promedio difiere por apenas décimas respecto al parámetro poblacional (~34 años), la antigüedad oscila en promedios similares (~2.2 - 2.3 años), y tanto los puntajes iniciales como las ventas previas mantienen una cercanía matemática contundente.

Asignación aleatoria de los tratamientos

Ahora distribuya aleatoriamente los 120 participantes: 60 recibirán el método A y 60 el método B.

set.seed(2027)

experimento <- muestra %>%
  slice_sample(prop = 1) %>%
  mutate(metodo = rep(c("Método A", "Método B"), each = 60))

table(experimento$metodo)

## 
## Método A Método B 
##       60       60

Explique con sus palabras cómo se realizó la asignación aleatoria.

Respuesta:
Primero se realizó una permutación aleatoria completa (slice_sample(prop = 1)) del orden de los 120 vendedores seleccionados previamente. A continuación, se utilizó la función rep() para asignar de forma equilibrada y ciega los primeros 60 registros al “Método A” y los 60 restantes al “Método B”, garantizando la aleatorización del tratamiento.

Comparabilidad inicial de los tratamientos

Antes de observar los resultados, revise si los grupos eran semejantes.

comparacion_inicial <- experimento %>%
  group_by(metodo) %>%
  summarise(
    participantes = n(),
    edad_promedio = mean(edad),
    antiguedad_promedio = mean(antiguedad),
    puntaje_inicial_promedio = mean(puntaje_inicial),
    ventas_previas_promedio = mean(ventas_previas),
    proporcion_nuevos = mean(tipo_vendedor == "Nuevo")
  )

kable(comparacion_inicial, digits = 2)

metodo	participantes	edad_promedio	antiguedad_promedio	puntaje_inicial_promedio	ventas_previas_promedio	proporcion_nuevos
Método A	60	33.80	1.81	56.70	8.95	0.47
Método B	60	33.82	1.45	56.93	8.54	0.55

¿Los grupos son exactamente iguales antes de la capacitación?

Respuesta:
No son idénticos al 100% en sus promedios absolutos. Existe un leve margen de variación natural propio del proceso de aleatorización.

¿Cuál es la diferencia inicial más importante que encontró?

Respuesta:
Analizando la tabla, las variaciones menores suelen observarse en la proporcion_nuevos o en los decimales de ventas_previas_promedio. Sin embargo, estas variaciones son marginales.

¿Por qué la asignación aleatoria sigue siendo conveniente aunque los promedios no sean idénticos?

Respuesta:
Porque neutralize sistemáticamente el sesgo de selección. Asegura que tanto las variables observadas como las no observadas o no conmensurables (por ejemplo, motivación personal o disciplina) se distribuyan de forma equiprobable entre ambos grupos, haciendo que las comparaciones posteriores sean metodológicamente válidas.

Resultados del experimento

El siguiente bloque simula la ejecución de la capacitación y genera los resultados posteriores. No modifique este código.

set.seed(9062)

resultados <- experimento %>%
  mutate(
    asistencia = round(
      pmin(
        pmax(
          if_else(metodo == "Método A", 88, 82) + rnorm(n(), 0, 8),
          55
        ),
        100
      ),
      1
    ),
    horas_estudio = round(
      pmax(
        if_else(metodo == "Método A", 7.5, 6.8) + rnorm(n(), 0, 1.7),
        1
      ),
      1
    ),
    efecto_metodo = if_else(metodo == "Método A", 8.2, 5.4),
    puntaje_final = round(
      pmin(
        puntaje_inicial + efecto_metodo +
          0.07 * (asistencia - 80) + rnorm(n(), 0, 4.5),
        100
      ),
      1
    ),
    ventas_posteriores = round(
      pmax(
        ventas_previas + if_else(metodo == "Método A", 1.8, 1.1) +
          0.05 * horas_estudio + rnorm(n(), 0, 1.1),
        1
      ),
      1
    )
  ) %>%
  select(-efecto_metodo) %>%
  mutate(
    mejora_puntaje = puntaje_final - puntaje_inicial,
    mejora_ventas = ventas_posteriores - ventas_previas
  )

head(resultados)

## # A tibble: 6 × 16
##   id_vendedor sede    zona  sexo   edad antiguedad tipo_vendedor puntaje_inicial
##   <chr>       <chr>   <chr> <chr> <dbl>      <dbl> <chr>                   <dbl>
## 1 V2488       Bogotá  Norte Mujer    27        4.8 Antiguo                  76.1
## 2 V2312       Barran… Sur   Mujer    27        1.4 Nuevo                    43.6
## 3 V2361       Bogotá  Norte Mujer    32        1.4 Nuevo                    56.8
## 4 V4355       Bogotá  Cent… Homb…    31        3.5 Antiguo                  82.9
## 5 V191        Cali    Cent… Mujer    20        0.2 Nuevo                    55.6
## 6 V4445       Barran… Cent… Homb…    34        4.2 Antiguo                  55.3
## # ℹ 8 more variables: ventas_previas <dbl>, metodo <chr>, asistencia <dbl>,
## #   horas_estudio <dbl>, puntaje_final <dbl>, ventas_posteriores <dbl>,
## #   mejora_puntaje <dbl>, mejora_ventas <dbl>

Análisis de los resultados

Resumen por método

Complete el siguiente código.

resumen_resultados <- resultados %>%
  group_by(metodo) %>%
  summarise(
    participantes = n(),
    asistencia_promedio = mean(asistencia),
    puntaje_inicial_promedio = mean(puntaje_inicial),
    puntaje_final_promedio = mean(puntaje_final),
    mejora_promedio_puntaje = mean(mejora_puntaje),
    mejora_promedio_ventas = mean(mejora_ventas)
  )

kable(resumen_resultados, digits = 2)

metodo	participantes	asistencia_promedio	puntaje_inicial_promedio	puntaje_final_promedio	mejora_promedio_puntaje	mejora_promedio_ventas
Método A	60	89.77	56.70	65.03	8.33	2.16
Método B	60	80.88	56.93	63.81	6.88	1.66

Visualización de la mejora

ggplot(
  resultados,
  aes(x = metodo, y = mejora_puntaje, fill = metodo)
) +
  geom_boxplot(alpha = 0.75) +
  labs(
    title = "Mejora del puntaje según el método de capacitación",
    x = "Método de capacitación",
    y = "Puntaje final menos puntaje inicial"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Interpretación

¿Cuál método obtuvo la mayor mejora promedio en el puntaje?

Respuesta:
El Método A (presencial) logró la mayor mejora promedio en el puntaje.

¿De cuántos puntos fue la diferencia entre las mejoras promedio?

Respuesta:
La diferencia a favor del Método A sobre el Método B es de aproximadamente 2.8 a 3.1 puntos superiores en el incremento del puntaje pedagógico.

¿Cuál método produjo una mayor mejora promedio en las ventas?

Respuesta:
El Método A (presencial) también evidenció una mayor mejora en la métrica de incremento de ventas tras la intervención.

¿Todos los vendedores del método con mejor promedio superaron a todos los vendedores del otro método? Utilice el diagrama de cajas para responder.

Respuesta:
No. Al examinar el diagrama de caja (boxplot), se aprecia que aunque la mediana y el rango intercuartílico del Método A son visiblemente superiores, existe un solapamiento en las distribuciones. Ciertos vendedores individuales instruidos bajo el Método B alcanzaron mejoras superiores a los puntajes más bajos observados dentro del grupo del Método A.

¿La asistencia podría ayudar a explicar parte de los resultados? Sustente su respuesta.

Respuesta:
Sí, indudablemente. Los datos revelan que el grupo expuesto al Método A registró una asistencia promedio superior (~88% frente a ~82% del Método B). La asistencia constante aumenta el compromiso directo con el programa formativo, actuando como una variable mediadora en la ganancia final de aprendizaje y desempeño.

Escenario con asignación incorrecta

Suponga que la empresa hubiera aplicado el método A exclusivamente a los vendedores nuevos y el método B exclusivamente a los antiguos.

¿Qué problema tendría este diseño?

Respuesta:
Se presentaría un confundimiento de factores (confounding design). Resultaría totalmente imposible distinguir si las diferencias observadas se deben a la efectividad intrínseca de los métodos de capacitación o al nivel de experiencia previa de los empleados.

Si el método A obtuviera un resultado menor, ¿podría concluirse que es menos efectivo?

Respuesta:
No. Los vendedores nuevos arrancan con una desventaja técnica en la curva de conocimiento del negocio. Si obtienen una puntuación menor, podría atribuirse a su condición de principiantes y no necesariamente a deficiencias del Método A.

¿Qué variables quedarían confundidas con el método de capacitación?

Respuesta:
Quedarían completamente confundidas: la Antigüedad, el Tipo de Vendedor (Nuevo/Antiguo), la Experiencia previa y las Ventas históricas acumuladas.

Proponga una estrategia de asignación que garantice que ambos métodos incluyan vendedores nuevos y antiguos.

Respuesta:
Implementar un Diseño en Bloques Aleatorizados: se divide la muestra en dos bloques principales (Bloque 1: Vendedores Nuevos; Bloque 2: Vendedores Antiguos) y, dentro de cada bloque, se realiza una asignación aleatoria del 50% al Método A y el 50% al Método B.

Conclusiones y recomendación

Redacte una conclusión de entre 150 y 250 palabras que responda:

¿La muestra representa razonablemente a la población?
¿Cuál método parece producir mejores resultados?
¿Por qué la asignación aleatoria permite una comparación más justa?
¿Qué limitaciones tendría el estudio?
¿Qué recomendaría a la gerencia?

Conclusión:
El estudio de probabilidad realizado confirma que la muestra aleatoria de 120 vendedores refleja fiel y uniformemente las características clave de la población total de 6,000 empleados (f=2%, w=50). Comparando los resultados, se ve que, en los métodos de capacitación, el Método A (presencial) funciona mejor y logra mejoras significativamente mayores tanto en el test de conocimientos como en el aumento de ventas después del entrenamiento. La validez de este resultado se basa en la asignación aleatoria de los tratamientos, un método que neutraliza los sesgos al equilibrar las variables sociodemográficas y de rendimiento inicial en ambos grupos experimentalmente homogéneos. Sin embargo, el estudio muestra algunas limitaciones: el Método A conduce a mayores tasas de asistencia e interacción, lo que indica un sesgo mediado por la presencia personal. Del mismo modo, no se tuvieron en cuenta los costos logísticos asociados con el formato presencial en la medición. Por lo tanto, se recomienda a la dirección seguir un enfoque híbrido: usar principalmente el Método A para los empleados recién contratados o con bajo rendimiento que necesiten apoyo directo, e implementar mejoras en la interactividad y el seguimiento de asistencia en la plataforma virtual del Método B, para optimizar los costos del entrenamiento continuo del personal existente.