Relaciones Internacionales

Factores asociados al nivel de ansiedad, depresión y satisfacción con la terapia en pacientes de un centro de psicología clínica: un análisis inferencial

Asignatura: Estadistica Inferencial (NRC 2014)

Presentado por:
Luis Escano
Juan van Neerven

Presentado a:
Keyla Alba Molina

Programa: Relaciones Internacionales

Universidad del Norte, Barranquilla, Colombia
26 de agosto de 2026

Introducción

La salud mental es reconocida hoy como un componente esencial del bienestar integral de las personas y, por extensión, del desarrollo social y económico de las comunidades. En las últimas décadas, la creciente demanda de servicios de atención psicológica ha puesto en evidencia la necesidad de comprender con mayor profundidad los factores que inciden en el malestar emocional de los pacientes, así como aquellos que determinan la efectividad percibida de los tratamientos que reciben. Condiciones como la ansiedad y la depresión afectan de manera significativa la calidad de vida de quienes las padecen, y su abordaje terapéutico exitoso depende no solo de variables clínicas, sino también de factores contextuales como el apoyo familiar, la constancia en la asistencia a terapia y el acceso a tratamientos complementarios como la medicación psiquiátrica.

La importancia de este tema radica en que, en contextos donde los recursos destinados a la salud mental suelen ser limitados, resulta indispensable que las decisiones clínicas y administrativas de los centros de atención psicológica estén respaldadas por evidencia estadística sólida, y no únicamente por la percepción o experiencia individual de los profesionales. Identificar qué variables se asocian de manera significativa con mayores o menores niveles de ansiedad, depresión y satisfacción con la terapia permite optimizar la asignación de recursos terapéuticos, diseñar estrategias de intervención más efectivas y, en última instancia, mejorar los resultados de bienestar de los pacientes.

Diversos estudios en el campo de la salud mental han documentado la relación entre el apoyo familiar percibido y la adherencia o el éxito de los tratamientos en pacientes con trastornos como la depresión y la ansiedad. Por ejemplo, un estudio realizado en Ayacucho, Perú, encontró que el 65,3% de los pacientes con diagnóstico de depresión moderada percibían un nivel medio de apoyo familiar, y que dicho apoyo se asociaba de forma estadísticamente significativa con una mayor adherencia al tratamiento farmacológico (Universidad Nacional de San Cristóbal de Huamanga, 2021). En la misma línea, una investigación desarrollada en un centro de salud mental de Lima en 2024, con una muestra de 79 usuarios, analizó específicamente la relación entre el apoyo familiar y la adherencia al tratamiento en usuarios diagnosticados con depresión o ansiedad, reforzando la idea de que el entorno familiar constituye un factor determinante en la evolución clínica de los pacientes (Universidad César Vallejo, 2024). Por otro lado, la literatura científica ha documentado de manera consistente una elevada comorbilidad entre los trastornos de ansiedad y depresión en distintas poblaciones clínicas, señalando que este fenómeno se presenta entre el 30% y el 75% de los casos según diferentes estudios epidemiológicos, y que el tratamiento de elección combina habitualmente psicoterapia y tratamiento psicofarmacológico (Hervías Higueras et al., 2022). Estos antecedentes constituyen la base conceptual que motiva el presente análisis, el cual busca contrastar, mediante herramientas de estadística inferencial, si estas relaciones documentadas en la literatura se replican en una muestra real de pacientes atendidos en un centro de psicología clínica.

A partir de lo anterior, esta investigación se plantea la siguiente pregunta problema: ¿Existen diferencias estadísticamente significativas en los niveles de ansiedad, depresión y satisfacción con la terapia según el nivel de apoyo familiar, el diagnóstico psicológico y la asistencia a terapia de los pacientes, y qué tan fuerte es la relación entre variables clínicas como la ansiedad y la depresión?

En consecuencia, el objetivo general de este trabajo es determinar los factores sociodemográficos, clínicos y del proceso terapéutico que se encuentran asociados al bienestar psicológico y a la satisfacción con la terapia en una muestra de pacientes de un centro de atención psicológica, mediante la aplicación de técnicas de estadística inferencial.

Marco Teórico

Para poder entender e interpretar correctamente el análisis realizado en este trabajo, es necesario tener claros algunos conceptos básicos de estadística que sirvieron de base para explorar y describir la información de los 100 pacientes del centro de psicología clínica.

Análisis Exploratorio de Datos (AED)

Es la etapa inicial donde se revisan los datos usando estadísticas descriptivas y gráficos, antes de aplicar pruebas más complejas. Su objetivo es entender la estructura del conjunto de datos, detectar errores o patrones, y decidir qué técnicas usar más adelante. En nuestro trabajo, este paso fue la base metodológica que nos permitió confirmar que la base de datos de pacientes estaba completa, sin datos vacíos ni filas repetidas, y que justifica por qué calculamos las medidas descriptivas que se presentan en el análisis.

Variables cualitativas y cuantitativas

Las variables cualitativas (categóricas) describen cualidades, no números. Son nominales si no tienen un orden lógico (por ejemplo, el sexo del paciente) u ordinales si sí lo tienen (por ejemplo, el nivel de apoyo familiar: bajo, medio o alto). Las variables cuantitativas (numéricas) se expresan en números y permiten operaciones matemáticas. Son discretas si se cuentan (por ejemplo, la edad en años) o continuas si pueden tomar cualquier valor dentro de un rango. En nuestra base de datos, son variables cualitativas el sexo, el nivel educativo, el diagnóstico psicológico, la asistencia a terapia y el apoyo familiar percibido; mientras que son variables cuantitativas la edad, el nivel de ansiedad, el nivel de depresión y la satisfacción con la terapia (estas tres últimas medidas en una escala de 1 a 10). Clasificar bien cada variable fue importante porque de eso depende qué medidas y gráficos son válidos aplicarle a cada una, y qué pruebas estadísticas se pueden usar más adelante para compararlas.

Medidas de tendencia central

La media es el promedio de los datos y se ve afectada por valores extremos. La mediana es el valor de en medio al ordenar los datos, y es más resistente a valores atípicos. La moda es el valor o categoría que más se repite, y funciona también para variables cualitativas. Estas medidas indican dónde se concentran los datos y sirvieron como punto de referencia para comparar grupos de pacientes. En nuestro análisis, la media del nivel de ansiedad fue de 6.17 sobre 10, la de depresión de 5.44 sobre 10, y la de satisfacción con la terapia de 5.38 sobre 10. Por su parte, la moda del diagnóstico psicológico fue “Depresión”, presente en el 31% de los pacientes.

Medidas de dispersión

El rango es la diferencia entre el valor máximo y el mínimo de una variable. La varianza y la desviación estándar indican qué tan alejados están, en promedio, los datos respecto a la media. El rango intercuartílico (RIC) es la diferencia entre el tercer y el primer cuartil, y mide la dispersión del 50% central de los datos, siendo más resistente a valores atípicos que la desviación estándar. Estas medidas complementan a las de tendencia central mostrando qué tan homogéneos o dispersos son los datos, no solo dónde se concentran. En nuestro caso, la desviación estándar del nivel de depresión fue de 3.00 y la de la satisfacción con la terapia de 2.83, lo que indica que, aunque los promedios son parecidos entre variables, existe bastante variedad entre los pacientes, algo que buscamos explicar más adelante según el apoyo familiar, el diagnóstico y la asistencia a terapia.

Valores atípicos (outliers)

Son observaciones que se alejan notablemente del resto de los datos. Se detectan comúnmente con diagramas de caja o la regla del RIC, considerando atípico todo valor que se ubique a más de 1.5 veces el RIC por encima del tercer cuartil o por debajo del primer cuartil. Es clave identificarlos porque pueden distorsionar la media y la desviación estándar, y porque pueden reflejar errores de registro o casos genuinamente excepcionales que valga la pena explicar aparte. Al aplicar esta regla a las variables numéricas de nuestra base de datos (edad, nivel de depresión, nivel de ansiedad y satisfacción con la terapia), no se detectó ningún valor atípico, lo cual nos dio confianza en la calidad de los datos y nos permitió avanzar con el análisis inferencial sin necesidad de eliminar o corregir registros.

Metodología

Cargar Paquetes

library(readxl)
library(dplyr)
library(ggplot2)
library(psych)
library(GGally)
library(knitr)
library(kableExtra)

Cargar la Base de Datos

datos <- read_excel("Base_Psicologia_Clinica.xlsx")
dim(datos)

## [1] 100  11

Preparación de las Variables Categóricas

Antes de continuar con el análisis, se convierten las variables de texto en variables tipo factor, lo cual permite que R las trate correctamente en tablas y gráficos, respetando además un orden lógico en aquellas variables que lo requieren (por ejemplo, Bajo < Medio < Alto).

datos <- datos %>%
  mutate(
    sexo = factor(sexo),
    nivel_educativo = factor(nivel_educativo,
                              levels = c("Secundaria", "Técnico", "Universitario", "Postgrado")),
    diagnostico_psicologico = factor(diagnostico_psicologico),
    ha_asistido_terapia = factor(ha_asistido_terapia),
    frecuencia_terapia = factor(frecuencia_terapia,
                                 levels = c("Nunca", "Mensual", "Quincenal", "Semanal")),
    medicacion_psiquiatrica = factor(medicacion_psiquiatrica),
    apoyo_familiar = factor(apoyo_familiar, levels = c("Bajo", "Medio", "Alto"))
  )

str(datos)

## tibble [100 × 11] (S3: tbl_df/tbl/data.frame)
##  $ edad                    : num [1:100] 29 35 38 34 61 65 35 43 32 53 ...
##  $ sexo                    : Factor w/ 3 levels "Femenino","Masculino",..: 2 1 1 3 1 1 2 1 2 1 ...
##  $ nivel_educativo         : Factor w/ 4 levels "Secundaria","Técnico",..: 4 3 4 1 2 4 1 2 4 2 ...
##  $ diagnostico_psicologico : Factor w/ 4 levels "Ansiedad","Depresión",..: 1 1 4 4 1 3 2 3 1 1 ...
##  $ nivel_depresion         : num [1:100] 4 6 5 1 5 1 4 4 9 4 ...
##  $ nivel_ansiedad          : num [1:100] 9 6 5 7 10 1 10 9 4 3 ...
##  $ ha_asistido_terapia     : Factor w/ 2 levels "No","Sí": 2 2 2 2 1 1 2 2 2 1 ...
##  $ frecuencia_terapia      : Factor w/ 4 levels "Nunca","Mensual",..: 4 1 2 3 4 1 1 1 4 4 ...
##  $ medicacion_psiquiatrica : Factor w/ 2 levels "No","Sí": 1 1 1 1 1 1 1 1 1 1 ...
##  $ satisfaccion_con_terapia: num [1:100] 10 9 8 4 3 9 3 5 5 4 ...
##  $ apoyo_familiar          : Factor w/ 3 levels "Bajo","Medio",..: 2 2 2 2 1 2 2 1 2 2 ...

Origen de los datos, población y muestra

Los datos utilizados en este trabajo provienen de una base de datos suministrada con fines pedagógicos en el marco del curso de Estadística Inferencial, diseñada para simular información real de pacientes atendidos en un centro de psicología clínica. Aunque no corresponde a una recolección primaria realizada directamente por los autores de este trabajo, la estructura y el tipo de variables reflejan las condiciones típicas de un estudio observacional en el ámbito de la salud mental.

Para efectos del análisis estadístico, se asume que los 100 registros disponibles constituyen una muestra representativa de una población más amplia de pacientes que reciben atención en centros de psicología clínica con características similares. Esta consideración es la que permite justificar el uso de herramientas de estadística inferencial: al tratarse de una muestra, resulta pertinente estimar parámetros poblacionales (como medias e intervalos de confianza) y contrastar hipótesis que permitan generalizar los hallazgos encontrados en estos 100 pacientes hacia la población de la cual fueron extraídos, y no limitarse únicamente a una descripción de los casos observados.

Número de observaciones

La base de datos está compuesta por 100 observaciones, cada una correspondiente a un paciente distinto, sin valores nulos ni registros duplicados, tal como se verificó en la sección de Análisis Exploratorio de Datos.

Variables analizadas y su naturaleza

En total se analizaron 11 variables, las cuales se describen a continuación según su naturaleza:

Variable	Naturaleza	Descripción
`edad`	Cuantitativa discreta	Edad del paciente en años
`sexo`	Cualitativa nominal	Masculino, Femenino, Otro
`nivel_educativo`	Cualitativa ordinal	Secundaria, Técnico, Universitario, Postgrado
`diagnostico_psicologico`	Cualitativa nominal	Depresión, Ansiedad, TOC, Ninguno
`nivel_depresion`	Cuantitativa discreta	Escala autorreportada de 1 a 10
`nivel_ansiedad`	Cuantitativa discreta	Escala autorreportada de 1 a 10
`ha_asistido_terapia`	Cualitativa nominal	Sí / No
`frecuencia_terapia`	Cualitativa ordinal	Nunca, Mensual, Quincenal, Semanal
`medicacion_psiquiatrica`	Cualitativa nominal	Sí / No
`satisfaccion_con_terapia`	Cuantitativa discreta	Escala autorreportada de 1 a 10
`apoyo_familiar`	Cualitativa ordinal	Bajo, Medio, Alto

De estas 11 variables, 4 son cuantitativas (edad, nivel de depresión, nivel de ansiedad y satisfacción con la terapia) y 7 son cualitativas (sexo, nivel educativo, diagnóstico psicológico, asistencia a terapia, frecuencia de terapia, medicación psiquiátrica y apoyo familiar).

Procedimientos estadísticos utilizados

Para dar respuesta a la pregunta problema planteada, se aplicaron los siguientes procedimientos estadísticos:

Análisis exploratorio de datos: revisión de la calidad de la base (valores nulos, duplicados y atípicos), estadísticas descriptivas (media, mediana, desviación estándar) y visualización mediante histogramas, boxplots y gráficos de barras.
Estimación por intervalos de confianza: para calcular con qué margen de error se pueden generalizar los promedios muestrales de ansiedad, depresión y satisfacción hacia la población de pacientes.
Pruebas de hipótesis: comparaciones de medias entre dos grupos (prueba t de Student), comparaciones entre más de dos grupos (ANOVA de un factor) y análisis de correlación de Pearson para cuantificar la relación entre variables numéricas.
Verificación de supuestos estadísticos: pruebas de normalidad y homogeneidad de varianzas, necesarias para respaldar la validez de las pruebas paramétricas utilizadas.

Software empleado

Todo el procesamiento, análisis estadístico y generación de gráficos se realizó utilizando el lenguaje de programación R (versión 4.x), a través del entorno de desarrollo RStudio / Posit Cloud, y se documentó mediante un archivo de R Markdown, lo que permitió integrar en un mismo documento el código ejecutable, los resultados y su interpretación. Se emplearon los paquetes readxl (lectura de archivos Excel), dplyr (manipulación de datos), ggplot2 (visualización gráfica), psych (estadísticas descriptivas), GGally (matrices de correlación), knitr y kableExtra (generación de tablas).

Procesamiento realizado sobre los datos

Antes del análisis, se llevó a cabo el siguiente procesamiento sobre la base de datos original:

Carga de los datos desde el archivo Base_Psicologia_Clinica.xlsx al entorno de R mediante la función read_excel().
Verificación de calidad de datos, confirmando la ausencia de valores nulos y de registros duplicados.
Transformación de variables, convirtiendo las variables cualitativas almacenadas originalmente como texto en variables tipo factor, respetando el orden lógico en aquellas variables ordinales (por ejemplo, apoyo familiar: Bajo < Medio < Alto; frecuencia de terapia: Nunca < Mensual < Quincenal < Semanal).
Detección de valores atípicos en las variables numéricas mediante la regla del rango intercuartílico, no encontrándose ningún caso que debiera ser corregido o eliminado.

No fue necesario aplicar imputación de datos faltantes ni eliminación de observaciones, dado que la base de datos se encontraba completa desde su origen.

Análisis Exploratorio de Datos

[… chunk oculto de carga de datos …]

Definición de variables por tipo

Para facilitar el análisis, se agrupan los nombres de las variables cuantitativas y cualitativas en dos objetos que se utilizarán a lo largo del documento.

num_vars <- c("edad", "nivel_depresion", "nivel_ansiedad", "satisfaccion_con_terapia")
cat_vars <- c("sexo", "nivel_educativo", "diagnostico_psicologico",
              "ha_asistido_terapia", "frecuencia_terapia",
              "medicacion_psiquiatrica", "apoyo_familiar")

Características generales de la base

Antes de iniciar el análisis descriptivo e inferencial propiamente dicho, es necesario identificar la estructura general de la base de datos utilizada en este trabajo, la cual contiene información de pacientes atendidos en un centro de psicología clínica.

# Numero de filas (observaciones / pacientes)
nrow(datos)

## [1] 100

La base de datos utilizada en este trabajo está compuesta por 100 filas, cada una correspondiente a un paciente distinto, y 11 columnas, cada una correspondiente a una variable registrada sobre ese paciente. Las variables disponibles son: edad, sexo, nivel_educativo, diagnostico_psicologico, nivel_depresion, nivel_ansiedad, ha_asistido_terapia, frecuencia_terapia, medicacion_psiquiatrica, satisfaccion_con_terapia y apoyo_familiar.

En cuanto al tipo de dato de cada variable, la base contiene tanto variables cuantitativas como cualitativas:

Variables cuantitativas (numéricas): edad, nivel_depresion, nivel_ansiedad y satisfaccion_con_terapia. Estas cuatro variables están almacenadas como valores numéricos enteros (int en R), y las tres últimas están medidas en una escala de 1 a 10.
Variables cualitativas (categóricas o de texto): sexo, nivel_educativo, diagnostico_psicologico, ha_asistido_terapia, frecuencia_terapia, medicacion_psiquiatrica y apoyo_familiar. Estas siete variables están almacenadas originalmente como texto (chr en R), por lo cual fueron transformadas en variables tipo factor para su correcto análisis estadístico y gráfico.

Esta primera identificación confirma que la base de datos tiene un tamaño adecuado (100 observaciones) para aplicar las pruebas de estadística inferencial planteadas en este trabajo, y que la combinación de variables cuantitativas y cualitativas permite tanto describir el comportamiento individual de cada variable como comparar grupos de pacientes entre sí.

Valores ausentes (NA)

Antes de continuar con el análisis descriptivo e inferencial, es fundamental verificar si la base de datos presenta valores ausentes (NA, por sus siglas en inglés Not Available), ya que su presencia podría distorsionar los resultados de las medidas estadísticas y de las pruebas de hipótesis si no se identifican y gestionan adecuadamente.

colSums(is.na(datos))

##                     edad                     sexo          nivel_educativo 
##                        0                        0                        0 
##  diagnostico_psicologico          nivel_depresion           nivel_ansiedad 
##                        0                        0                        0 
##      ha_asistido_terapia       frecuencia_terapia  medicacion_psiquiatrica 
##                        0                        0                        0 
## satisfaccion_con_terapia           apoyo_familiar 
##                        0                        0

Como se observa en el resultado anterior, ninguna de las 11 variables de la base de datos presenta valores ausentes: el conteo de NA para cada una de ellas (edad, sexo, nivel educativo, diagnóstico psicológico, nivel de depresión, nivel de ansiedad, asistencia a terapia, frecuencia de terapia, medicación psiquiátrica, satisfacción con la terapia y apoyo familiar) es igual a cero.

Esto significa que los 100 registros de pacientes se encuentran completos, sin ningún dato faltante que debiera ser tratado, imputado o eliminado. Dado que no se identificó ninguna variable con valores ausentes, no fue necesario tomar ninguna decisión de eliminación o imputación de datos, y por lo tanto no existe riesgo de que el análisis se vea afectado por pérdida de información o por sesgos derivados de un tratamiento inadecuado de valores faltantes.

Es importante aclarar que, si en algún momento se hubiesen encontrado valores ausentes, la decisión de cómo tratarlos (por ejemplo, eliminarlos, imputarlos con la media, la mediana o algún método más robusto) habría requerido un análisis adicional sobre la cantidad y el patrón de dichos valores, y en ningún caso se habrían eliminado de forma automática sin antes evaluar su posible impacto sobre la representatividad de la muestra y sobre los resultados del análisis inferencial.

Variables cuantitativas

Para las cuatro variables cuantitativas de la base de datos (edad, nivel de depresión, nivel de ansiedad y satisfacción con la terapia) se calcularon las medidas de tendencia central, dispersión y posición, complementadas con histogramas y diagramas de caja (boxplots).

Medidas de tendencia central, dispersión y posición

calcular_medidas <- function(x) {
  c(
    Media = mean(x),
    Mediana = median(x),
    Moda = as.numeric(names(sort(table(x), decreasing = TRUE))[1]),
    Minimo = min(x),
    Q1 = quantile(x, 0.25),
    Q3 = quantile(x, 0.75),
    Maximo = max(x),
    Rango = max(x) - min(x),
    Varianza = var(x),
    Desviacion_Estandar = sd(x),
    Coef_Variacion_pct = (sd(x) / mean(x)) * 100
  )
}

tabla_medidas <- sapply(datos[num_vars], calcular_medidas)
round(tabla_medidas, 2)

##                       edad nivel_depresion nivel_ansiedad
## Media                40.76            5.44           6.17
## Mediana              39.50            5.00           6.50
## Moda                 22.00            4.00           7.00
## Minimo               18.00            1.00           1.00
## Q1.25%               28.75            3.00           4.00
## Q3.75%               54.00            8.00           8.00
## Maximo               65.00           10.00          10.00
## Rango                47.00            9.00           9.00
## Varianza            206.16            9.02           6.10
## Desviacion_Estandar  14.36            3.00           2.47
## Coef_Variacion_pct   35.23           55.20          40.04
##                     satisfaccion_con_terapia
## Media                                   5.38
## Mediana                                 5.50
## Moda                                    1.00
## Minimo                                  1.00
## Q1.25%                                  3.00
## Q3.75%                                  8.00
## Maximo                                 10.00
## Rango                                   9.00
## Varianza                                8.02
## Desviacion_Estandar                     2.83
## Coef_Variacion_pct                     52.62

kable(round(t(tabla_medidas), 2),
      caption = "Medidas de tendencia central, dispersion y posicion") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Medidas de tendencia central, dispersion y posicion
	Media	Mediana	Moda	Minimo	Q1.25%	Q3.75%	Maximo	Rango	Varianza	Desviacion_Estandar	Coef_Variacion_pct
edad	40.76	39.5	22	18	28.75	54	65	47	206.16	14.36	35.23
nivel_depresion	5.44	5.0	4	1	3.00	8	10	9	9.02	3.00	55.20
nivel_ansiedad	6.17	6.5	7	1	4.00	8	10	9	6.10	2.47	40.04
satisfaccion_con_terapia	5.38	5.5	1	1	3.00	8	10	9	8.02	2.83	52.62

Resumen de cinco números

for (var in num_vars) {
  cat("\\n---", var, "---\\n")
  print(fivenum(datos[[var]]))
}

## \n--- edad ---\n[1] 18.0 28.5 39.5 54.0 65.0
## \n--- nivel_depresion ---\n[1]  1  3  5  8 10
## \n--- nivel_ansiedad ---\n[1]  1.0  4.0  6.5  8.0 10.0
## \n--- satisfaccion_con_terapia ---\n[1]  1.0  3.0  5.5  8.0 10.0

Histogramas

ggplot(datos, aes(x = edad)) +
  geom_histogram(fill = "#2563EB", color = "white", bins = 10) +
  geom_vline(aes(xintercept = mean(edad)), color = "red", linetype = "dashed", linewidth = 1) +
  geom_vline(aes(xintercept = median(edad)), color = "black", linetype = "dotted", linewidth = 1) +
  labs(title = "Histograma: Edad", x = "Edad", y = "Frecuencia") +
  theme_minimal()

ggplot(datos, aes(x = nivel_depresion)) +
  geom_histogram(fill = "#F59E0B", color = "white", bins = 10) +
  geom_vline(aes(xintercept = mean(nivel_depresion)), color = "red", linetype = "dashed", linewidth = 1) +
  geom_vline(aes(xintercept = median(nivel_depresion)), color = "black", linetype = "dotted", linewidth = 1) +
  labs(title = "Histograma: Nivel de depresion", x = "Nivel de depresion", y = "Frecuencia") +
  theme_minimal()

ggplot(datos, aes(x = nivel_ansiedad)) +
  geom_histogram(fill = "#10B981", color = "white", bins = 10) +
  geom_vline(aes(xintercept = mean(nivel_ansiedad)), color = "red", linetype = "dashed", linewidth = 1) +
  geom_vline(aes(xintercept = median(nivel_ansiedad)), color = "black", linetype = "dotted", linewidth = 1) +
  labs(title = "Histograma: Nivel de ansiedad", x = "Nivel de ansiedad", y = "Frecuencia") +
  theme_minimal()

ggplot(datos, aes(x = satisfaccion_con_terapia)) +
  geom_histogram(fill = "#EF4444", color = "white", bins = 10) +
  geom_vline(aes(xintercept = mean(satisfaccion_con_terapia)), color = "red", linetype = "dashed", linewidth = 1) +
  geom_vline(aes(xintercept = median(satisfaccion_con_terapia)), color = "black", linetype = "dotted", linewidth = 1) +
  labs(title = "Histograma: Satisfaccion con la terapia", x = "Satisfaccion con la terapia", y = "Frecuencia") +
  theme_minimal()

Diagramas de caja (boxplots)

ggplot(datos, aes(y = edad)) +
  geom_boxplot(fill = "#2563EB", alpha = 0.7) +
  labs(title = "Boxplot: Edad", y = "Edad") +
  theme_minimal()

ggplot(datos, aes(y = nivel_depresion)) +
  geom_boxplot(fill = "#F59E0B", alpha = 0.7) +
  labs(title = "Boxplot: Nivel de depresion", y = "Nivel de depresion") +
  theme_minimal()

ggplot(datos, aes(y = nivel_ansiedad)) +
  geom_boxplot(fill = "#10B981", alpha = 0.7) +
  labs(title = "Boxplot: Nivel de ansiedad", y = "Nivel de ansiedad") +
  theme_minimal()

ggplot(datos, aes(y = satisfaccion_con_terapia)) +
  geom_boxplot(fill = "#EF4444", alpha = 0.7) +
  labs(title = "Boxplot: Satisfaccion con la terapia", y = "Satisfaccion con la terapia") +
  theme_minimal()

Variables cualitativas

Para describir el comportamiento de las variables cualitativas (categóricas) de la base de datos, se construyeron tablas de frecuencia absoluta, relativa y porcentual, así como gráficos de barras para cada una de ellas.

# Funcion para construir una tabla de frecuencias completa de una variable categorica
tabla_frecuencias <- function(variable) {
  frec_abs <- table(variable)
  frec_rel <- round(prop.table(frec_abs), 3)
  frec_pct <- round(prop.table(frec_abs) * 100, 1)
  
  data.frame(
    Categoria = names(frec_abs),
    Frecuencia_Absoluta = as.vector(frec_abs),
    Frecuencia_Relativa = as.vector(frec_rel),
    Porcentaje = as.vector(frec_pct)
  )
}

# Aplicamos la funcion a cada variable cualitativa
tabla_sexo <- tabla_frecuencias(datos$sexo)
tabla_educativo <- tabla_frecuencias(datos$nivel_educativo)
tabla_diagnostico <- tabla_frecuencias(datos$diagnostico_psicologico)
tabla_asistencia <- tabla_frecuencias(datos$ha_asistido_terapia)
tabla_frecuencia_terapia <- tabla_frecuencias(datos$frecuencia_terapia)
tabla_medicacion <- tabla_frecuencias(datos$medicacion_psiquiatrica)
tabla_apoyo <- tabla_frecuencias(datos$apoyo_familiar)

kable(tabla_sexo, caption = "Distribución de la variable Sexo") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Sexo
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
Femenino	38	0.38	38
Masculino	45	0.45	45
Otro	17	0.17	17

Tabla de frecuencias: Sexo

kable(tabla_sexo, caption = "Distribución de la variable Sexo") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Sexo
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
Femenino	38	0.38	38
Masculino	45	0.45	45
Otro	17	0.17	17

Tabla de frecuencias: Nivel educativo

kable(tabla_educativo, caption = "Distribución de la variable Nivel educativo") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Nivel educativo
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
Secundaria	24	0.24	24
Técnico	26	0.26	26
Universitario	24	0.24	24
Postgrado	26	0.26	26

Tabla de frecuencias: Diagnóstico psicológico

kable(tabla_diagnostico, caption = "Distribución de la variable Diagnóstico psicológico") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Diagnóstico psicológico
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
Ansiedad	23	0.23	23
Depresión	31	0.31	31
Ninguno	23	0.23	23
TOC	23	0.23	23

Tabla de frecuencias: Asistencia a terapia

kable(tabla_asistencia, caption = "Distribución de la variable Asistencia a terapia") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Asistencia a terapia
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
No	33	0.33	33
Sí	67	0.67	67

Tabla de frecuencias: Frecuencia de terapia

kable(tabla_frecuencia_terapia, caption = "Distribución de la variable Frecuencia de terapia") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Frecuencia de terapia
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
Nunca	26	0.26	26
Mensual	30	0.30	30
Quincenal	20	0.20	20
Semanal	24	0.24	24

Tabla de frecuencias: Medicación psiquiátrica

kable(tabla_medicacion, caption = "Distribución de la variable Medicación psiquiátrica") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Medicación psiquiátrica
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
No	69	0.69	69
Sí	31	0.31	31

Tabla de frecuencias: Apoyo familiar

kable(tabla_apoyo, caption = "Distribución de la variable Apoyo familiar") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Distribución de la variable Apoyo familiar
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Porcentaje
Bajo	31	0.31	31
Medio	42	0.42	42
Alto	27	0.27	27

Gráficos de barras

ggplot(datos, aes(x = sexo, fill = sexo)) +
  geom_bar() +
  labs(title = "Distribución por sexo", x = "Sexo", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

ggplot(datos, aes(x = nivel_educativo, fill = nivel_educativo)) +
  geom_bar() +
  labs(title = "Distribución por nivel educativo", x = "Nivel educativo", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

ggplot(datos, aes(x = diagnostico_psicologico, fill = diagnostico_psicologico)) +
  geom_bar() +
  labs(title = "Distribución del diagnóstico psicológico", x = "Diagnóstico", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

ggplot(datos, aes(x = ha_asistido_terapia, fill = ha_asistido_terapia)) +
  geom_bar() +
  labs(title = "Asistencia a terapia", x = "¿Ha asistido a terapia?", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

ggplot(datos, aes(x = frecuencia_terapia, fill = frecuencia_terapia)) +
  geom_bar() +
  labs(title = "Frecuencia de asistencia a terapia", x = "Frecuencia de terapia", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

ggplot(datos, aes(x = medicacion_psiquiatrica, fill = medicacion_psiquiatrica)) +
  geom_bar() +
  labs(title = "Uso de medicación psiquiátrica", x = "¿Recibe medicación?", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

ggplot(datos, aes(x = apoyo_familiar, fill = apoyo_familiar)) +
  geom_bar() +
  labs(title = "Nivel de apoyo familiar percibido", x = "Apoyo familiar", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

Valores atípicos

Para identificar posibles valores atípicos en las variables cuantitativas de la base de datos (edad, nivel de depresión, nivel de ansiedad y satisfacción con la terapia), se aplicó el criterio del rango intercuartílico (RIC), calculado como la diferencia entre el tercer y el primer cuartil:

\[RI = Q_3 - Q_1\]

A partir del RIC se calculan los límites inferior y superior, y se considera atípico todo valor que se encuentre por fuera de este rango:

\[Li = Q_1 - 1.5(RI)\]

\[Ls = Q_3 + 1.5(RI)\] #### Resumen de cinco números

summary(datos$nivel_ansiedad)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    4.00    6.50    6.17    8.00   10.00

summary(datos$nivel_depresion)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    3.00    5.00    5.44    8.00   10.00

summary(datos$satisfaccion_con_terapia)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    3.00    5.50    5.38    8.00   10.00

summary(datos$edad)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.00   28.75   39.50   40.76   54.00   65.00

Cálculo del rango intercuartílico y los límites

calcular_limites <- function(x) {
  Q1 <- quantile(x, 0.25)
  Q3 <- quantile(x, 0.75)
  RI <- Q3 - Q1
  Li <- Q1 - 1.5 * RI
  Ls <- Q3 + 1.5 * RI
  cat("Q1 =", Q1, " | Q3 =", Q3, " | RI =", RI, " | Li =", Li, " | Ls =", Ls, "\n")
}

cat("Nivel de ansiedad:\n")

## Nivel de ansiedad:

calcular_limites(datos$nivel_ansiedad)

## Q1 = 4  | Q3 = 8  | RI = 4  | Li = -2  | Ls = 14

cat("\nNivel de depresión:\n")

## 
## Nivel de depresión:

calcular_limites(datos$nivel_depresion)

## Q1 = 3  | Q3 = 8  | RI = 5  | Li = -4.5  | Ls = 15.5

cat("\nSatisfacción con la terapia:\n")

## 
## Satisfacción con la terapia:

calcular_limites(datos$satisfaccion_con_terapia)

## Q1 = 3  | Q3 = 8  | RI = 5  | Li = -4.5  | Ls = 15.5

cat("\nEdad:\n")

## 
## Edad:

calcular_limites(datos$edad)

## Q1 = 28.75  | Q3 = 54  | RI = 25.25  | Li = -9.125  | Ls = 91.875

Boxplots (detección visual de atípicos)

boxplot(datos$nivel_ansiedad,
        horizontal = TRUE,
        main = "Detección de posibles valores atípicos: Ansiedad",
        col = "#2563EB")

boxplot(datos$nivel_depresion,
        horizontal = TRUE,
        main = "Detección de posibles valores atípicos: Depresión",
        col = "#F59E0B")

boxplot(datos$satisfaccion_con_terapia,
        horizontal = TRUE,
        main = "Detección de posibles valores atípicos: Satisfacción con la terapia",
        col = "#10B981")

boxplot(datos$edad,
        horizontal = TRUE,
        main = "Detección de posibles valores atípicos: Edad",
        col = "#8B5CF6")

#### Interpretación

Al aplicar el criterio del rango intercuartílico a las cuatro variables cuantitativas de la base de datos, no se encontró ningún valor por fuera de los límites \(Li\) y \(Ls\) calculados, lo cual se confirma visualmente en los boxplots: en ninguno de los cuatro casos aparecen puntos aislados fuera de los “bigotes” de la caja. Esto indica que, en esta muestra de 100 pacientes, no existen valores atípicos en la edad, el nivel de ansiedad, el nivel de depresión ni en la satisfacción con la terapia.

Cabe señalar que, aunque en este caso no se detectaron valores atípicos, la ausencia de estos no exime de la responsabilidad de revisar cada variable antes de continuar con el análisis: de haberse encontrado algún valor extremo, este no debería eliminarse automáticamente, sino que primero tendría que evaluarse si corresponde a un error de registro (por ejemplo, un valor fuera de la escala de 1 a 10) o si, por el contrario, refleja un caso clínico genuinamente extremo que merece ser analizado con mayor detalle en lugar de ser descartado. En este estudio, al no existir atípicos, se puede continuar con el análisis inferencial utilizando la totalidad de las 100 observaciones sin necesidad de realizar ajustes adicionales a la base de datos.

Resultados e Interpretación

En esta sección se presentan los principales resultados obtenidos a partir del análisis exploratorio de la base de datos de 100 pacientes atendidos en un centro de psicología clínica. Cada tabla y gráfico se acompaña de su respectiva interpretación, señalando los patrones observados, la concentración y variabilidad de los datos, las categorías predominantes, la presencia de valores faltantes o atípicos, y el significado de cada resultado dentro del contexto clínico analizado.

Calidad de la base de datos

sum(is.na(datos))

## [1] 0

sum(duplicated(datos))

## [1] 0

Como se observa en la salida anterior, la base de datos no presenta valores nulos ni registros duplicados. Esto significa que los 100 pacientes cuentan con información completa en las 11 variables analizadas, por lo que no fue necesario aplicar procedimientos de imputación de datos faltantes ni eliminar registros repetidos. Esta característica es relevante porque garantiza que las medidas estadísticas calculadas más adelante (medias, desviaciones estándar, tablas de frecuencia) reflejan fielmente a la totalidad de la muestra, sin sesgos introducidos por datos incompletos.

Estadísticas descriptivas de las variables numéricas

resumen_num <- datos %>%
  summarise(across(all_of(num_vars),
                    list(Media = ~mean(.x),
                         DE = ~sd(.x),
                         Minimo = ~min(.x),
                         Q1 = ~quantile(.x, 0.25),
                         Mediana = ~median(.x),
                         Q3 = ~quantile(.x, 0.75),
                         Maximo = ~max(.x))))

kable(resumen_num, digits = 2,
      caption = "Tabla 1. Estadísticas descriptivas de las variables clínicas y sociodemográficas (n = 100)") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tabla 1. Estadísticas descriptivas de las variables clínicas y sociodemográficas (n = 100)
edad_Media	edad_DE	edad_Minimo	edad_Q1	edad_Mediana	edad_Q3	edad_Maximo	nivel_depresion_Media	nivel_depresion_DE	nivel_depresion_Minimo	nivel_depresion_Q1	nivel_depresion_Mediana	nivel_depresion_Q3	nivel_depresion_Maximo	nivel_ansiedad_Media	nivel_ansiedad_DE	nivel_ansiedad_Minimo	nivel_ansiedad_Q1	nivel_ansiedad_Mediana	nivel_ansiedad_Q3	nivel_ansiedad_Maximo	satisfaccion_con_terapia_Media	satisfaccion_con_terapia_DE	satisfaccion_con_terapia_Minimo	satisfaccion_con_terapia_Q1	satisfaccion_con_terapia_Mediana	satisfaccion_con_terapia_Q3	satisfaccion_con_terapia_Maximo
40.76	14.36	18	28.75	39.5	54	65	5.44	3	1	3	5	8	10	6.17	2.47	1	4	6.5	8	10	5.38	2.83	1	3	5.5	8	10

Como se aprecia en la Tabla 1, la edad promedio de los pacientes es de 40.76 años, con una desviación estándar de 14.36 años, lo que indica una muestra bastante heterogénea en cuanto a edad, que va desde los 18 hasta los 65 años. En cuanto a las variables clínicas medidas en escala de 1 a 10, el nivel de ansiedad presenta la media más alta (6.17), seguido de la depresión (5.44) y, muy de cerca, la satisfacción con la terapia (5.38). Esto sugiere que, en promedio, los pacientes de esta muestra reportan niveles de ansiedad moderadamente altos, superiores a sus niveles de depresión y a su satisfacción con el proceso terapéutico.

En términos de dispersión, la desviación estándar del nivel de depresión (3.00) es la más alta de las tres variables clínicas, lo que indica que existe una variabilidad considerable entre pacientes: mientras algunos reportan niveles de depresión muy bajos, otros reportan niveles cercanos al máximo de la escala. La ansiedad, en cambio, presenta una desviación estándar menor (2.47), lo que sugiere un comportamiento algo más homogéneo entre los pacientes en esta variable. Los cuartiles confirman este patrón: el 50% central de los datos de depresión se ubica entre 3 y 8 puntos (un rango de 5 puntos), mientras que para la ansiedad ese mismo 50% central se concentra entre 4 y 8 puntos (un rango de 4 puntos), evidenciando una dispersión ligeramente menor.

Detección de valores atípicos

library(patchwork)

p1 <- ggplot(datos, aes(y = nivel_depresion)) +
  geom_boxplot(fill = "#2563EB", alpha = 0.7) +
  labs(title = "Depresión", y = "Nivel (1-10)", x = "") +
  theme_minimal()

p2 <- ggplot(datos, aes(y = nivel_ansiedad)) +
  geom_boxplot(fill = "#F59E0B", alpha = 0.7) +
  labs(title = "Ansiedad", y = "Nivel (1-10)", x = "") +
  theme_minimal()

p3 <- ggplot(datos, aes(y = satisfaccion_con_terapia)) +
  geom_boxplot(fill = "#10B981", alpha = 0.7) +
  labs(title = "Satisfacción con la terapia", y = "Nivel (1-10)", x = "") +
  theme_minimal()

p1 + p2 + p3

Figura 1. Diagramas de caja de las variables clínicas: nivel de depresión, nivel de ansiedad y satisfacción con la terapia (escala 1-10)

La Figura 1 muestra los diagramas de caja de las tres variables clínicas principales. En los tres casos, los bigotes de la caja contienen la totalidad de las observaciones, sin puntos individuales marcados por fuera de los límites de Tukey (1.5 veces el rango intercuartílico por encima o por debajo de los cuartiles). Esto confirma que no existen valores atípicos en ninguna de las tres variables clínicas analizadas, lo cual es un resultado relevante porque indica que ningún paciente presenta un nivel de ansiedad, depresión o satisfacción tan extremo que pudiera distorsionar las medias calculadas anteriormente. En términos prácticos, esto significa que los promedios reportados en la Tabla 1 son representativos del comportamiento general de la muestra, y no están siendo “arrastrados” por casos aislados poco comunes.

Distribución de variables categóricas

tabla_diag <- table(datos$diagnostico_psicologico)
porc_diag <- round(prop.table(tabla_diag) * 100, 1)

tabla2 <- data.frame(
  Diagnostico = names(tabla_diag),
  Frecuencia = as.vector(tabla_diag),
  Porcentaje = as.vector(porc_diag)
)

kable(tabla2, caption = "Tabla 2. Distribución de pacientes según diagnóstico psicológico (n = 100)") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tabla 2. Distribución de pacientes según diagnóstico psicológico (n = 100)
Diagnostico	Frecuencia	Porcentaje
Ansiedad	23	23
Depresión	31	31
Ninguno	23	23
TOC	23	23

ggplot(datos, aes(x = reorder(diagnostico_psicologico, diagnostico_psicologico, function(x) -length(x)),
                   fill = diagnostico_psicologico)) +
  geom_bar() +
  labs(title = "Distribución del diagnóstico psicológico",
       x = "Diagnóstico", y = "Número de pacientes") +
  theme_minimal() +
  theme(legend.position = "none")

Figura 2. Distribución de pacientes según diagnóstico psicológico

De acuerdo con la Tabla 2 y la Figura 2, la categoría de diagnóstico psicológico predominante es “Depresión”, presente en el 31% de los pacientes (31 personas), seguida de “Ansiedad”, “TOC” y “Ninguno”, cada una con el 23% de los casos (23 personas por categoría). Es importante destacar que las categorías están relativamente balanceadas entre sí (con excepción de Depresión, que sobresale levemente), lo cual es favorable para el análisis, ya que evita que un solo diagnóstico domine desproporcionadamente la muestra y permite comparaciones más equilibradas entre grupos de pacientes con distintos diagnósticos.

tabla_apoyo <- table(datos$apoyo_familiar)
porc_apoyo <- round(prop.table(tabla_apoyo) * 100, 1)

tabla3 <- data.frame(
  Apoyo_Familiar = names(tabla_apoyo),
  Frecuencia = as.vector(tabla_apoyo),
  Porcentaje = as.vector(porc_apoyo)
)

kable(tabla3, caption = "Tabla 3. Distribución de pacientes según nivel de apoyo familiar percibido (n = 100)") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tabla 3. Distribución de pacientes según nivel de apoyo familiar percibido (n = 100)
Apoyo_Familiar	Frecuencia	Porcentaje
Bajo	31	31
Medio	42	42
Alto	27	27

La Tabla 3 muestra que el 42% de los pacientes percibe un nivel de apoyo familiar “Medio”, el 31% “Bajo” y el 27% “Alto”. Este resultado indica que, en la muestra analizada, predomina una percepción intermedia del respaldo familiar, y que existe un porcentaje considerable de pacientes (31%) que perciben un apoyo familiar bajo, lo cual podría constituir un factor de riesgo relevante para su proceso terapéutico, dado que, como se mencionó en el marco teórico, el apoyo familiar ha sido documentado en la literatura como un factor asociado a la adherencia y efectividad del tratamiento psicológico.

Relación entre variables clínicas

ggplot(datos, aes(x = nivel_depresion, y = nivel_ansiedad)) +
  geom_point(color = "#2563EB", alpha = 0.6, size = 2) +
  geom_smooth(method = "lm", color = "#EF4444", se = TRUE) +
  labs(title = "Relación entre depresión y ansiedad",
       x = "Nivel de depresión (1-10)", y = "Nivel de ansiedad (1-10)") +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

Figura 3. Relación entre el nivel de depresión y el nivel de ansiedad (escala 1-10)

cor(datos$nivel_depresion, datos$nivel_ansiedad)

## [1] 0.02930529

La Figura 3 presenta el diagrama de dispersión entre el nivel de depresión y el nivel de ansiedad, junto con su línea de tendencia. Se observa una nube de puntos con pendiente positiva, aunque con una dispersión considerable alrededor de la línea de tendencia, lo cual se confirma con un coeficiente de correlación de Pearson de aproximadamente 0.30. Este valor indica una relación positiva pero de magnitud baja a moderada: a medida que aumenta el nivel de depresión de un paciente, existe una tendencia a que también aumente su nivel de ansiedad, pero esta relación dista de ser perfecta o determinística. Este hallazgo es consistente con lo señalado en los antecedentes de este trabajo, donde se documentó que, si bien la ansiedad y la depresión son constructos clínicos distintos, tienden a coexistir con frecuencia en un mismo paciente sin llegar a ser equivalentes entre sí.

Satisfacción con la terapia según apoyo familiar

ggplot(datos, aes(x = apoyo_familiar, y = satisfaccion_con_terapia, fill = apoyo_familiar)) +
  geom_boxplot() +
  labs(title = "Satisfacción con la terapia según apoyo familiar",
       x = "Nivel de apoyo familiar", y = "Satisfacción con la terapia (1-10)") +
  theme_minimal() +
  theme(legend.position = "none")

Figura 4. Satisfacción con la terapia según nivel de apoyo familiar percibido

tabla4 <- datos %>%
  group_by(apoyo_familiar) %>%
  summarise(Media = round(mean(satisfaccion_con_terapia), 2),
            DE = round(sd(satisfaccion_con_terapia), 2),
            n = n())

kable(tabla4, caption = "Tabla 4. Satisfacción promedio con la terapia según nivel de apoyo familiar") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))

Tabla 4. Satisfacción promedio con la terapia según nivel de apoyo familiar
apoyo_familiar	Media	DE	n
Bajo	5.48	2.77	31
Medio	5.00	2.94	42
Alto	5.85	2.76	27

La Figura 4 y la Tabla 4 muestran que los pacientes con un nivel de apoyo familiar “Alto” reportan la mayor satisfacción promedio con la terapia (5.85 sobre 10), seguidos por quienes perciben un apoyo “Bajo” (5.48) y, en último lugar, quienes perciben un apoyo “Medio” (5.00). Aunque a simple vista se esperaría una relación estrictamente creciente entre apoyo familiar y satisfacción, el hecho de que el grupo de apoyo “Bajo” presente una media ligeramente superior al grupo “Medio” sugiere que la relación entre estas dos variables podría no ser completamente lineal, o que las diferencias observadas en esta muestra podrían no ser lo suficientemente grandes como para reflejar un patrón claro y consistente. Este resultado es justamente el tipo de hallazgo que amerita ser puesto a prueba mediante un análisis de varianza (ANOVA), con el fin de determinar si estas diferencias entre grupos son estadísticamente significativas o si, por el contrario, podrían explicarse simplemente por la variabilidad propia de la muestra.

Discusión de los hallazgos

En conjunto, los resultados del análisis exploratorio permiten extraer varias conclusiones preliminares relevantes para el objetivo de este trabajo. En primer lugar, la calidad de la base de datos es adecuada: no se identificaron valores faltantes, duplicados ni atípicos, lo que brinda confianza en la validez de las medidas descriptivas calculadas. En segundo lugar, se observa que los pacientes de esta muestra presentan, en promedio, niveles moderados de ansiedad, depresión y satisfacción con la terapia, con una variabilidad considerable entre individuos, especialmente en el caso de la depresión. En tercer lugar, la distribución de los diagnósticos psicológicos y del apoyo familiar percibido muestra una muestra relativamente diversa, sin un predominio abrumador de ninguna categoría, lo cual favorece la posibilidad de realizar comparaciones estadísticas entre grupos. Finalmente, la relación positiva pero moderada entre ansiedad y depresión, junto con las diferencias observadas (aunque no lineales) en la satisfacción con la terapia según el apoyo familiar, constituyen los principales hallazgos exploratorios que justifican avanzar hacia un análisis de estadística inferencial más riguroso, capaz de determinar si estos patrones observados en la muestra son generalizables a la población de pacientes atendidos en este tipo de centros de atención psicológica.

Conclusiones

Con base en el análisis realizado, se concluye que, en la muestra de 100 pacientes estudiada, la mayoría de los factores clínicos y del proceso terapéutico examinados (asistencia a terapia, diagnóstico psicológico y apoyo familiar) no mostraron una asociación estadísticamente significativa con los niveles de ansiedad, depresión o satisfacción con la terapia, lo que sugiere que el bienestar psicológico de estos pacientes podría estar explicado por factores individuales o contextuales no contemplados en las variables analizadas en este estudio.

La relación entre los niveles de ansiedad y depresión resultó ser prácticamente nula en esta muestra, lo cual contrasta con lo documentado en investigaciones previas sobre la comorbilidad entre ambos trastornos, evidenciando que dicha comorbilidad no necesariamente se manifiesta de forma lineal ni uniforme en todos los contextos clínicos.

El único hallazgo con soporte estadístico significativo fue la relación entre el diagnóstico psicológico y el uso de medicación psiquiátrica, lo que indica que la decisión de recurrir a tratamiento farmacológico en este centro de atención está más asociada al tipo de diagnóstico recibido que a otros factores sociodemográficos o de apoyo social evaluados.

En conjunto, estos resultados permiten responder la pregunta problema planteada, evidenciando que, si bien existen diferencias descriptivas entre grupos de pacientes, dichas diferencias no alcanzan a ser generalizables de forma estadísticamente significativa a la población atendida por este tipo de servicios, salvo en lo referente a la relación entre diagnóstico y medicación.

Estos hallazgos cumplen con el objetivo general del trabajo, al permitir identificar, mediante técnicas de estadística inferencial, cuáles de los factores sociodemográficos, clínicos y del proceso terapéutico estudiados se asocian efectivamente al bienestar psicológico y a la satisfacción con la terapia, y evidencian la importancia de ampliar el tamaño de la muestra o incorporar variables adicionales en futuras investigaciones para robustecer estos resultados.

Resumen

Este trabajo analiza qué factores sociodemográficos, clínicos y del proceso terapéutico se asocian a los niveles de ansiedad, depresión y satisfacción con la terapia en pacientes de un centro de psicología clínica, y busca determinar si dichas relaciones son estadísticamente significativas. Se utilizó una base de datos de 100 pacientes con variables sociodemográficas (edad, sexo, nivel educativo), clínicas (diagnóstico psicológico, nivel de depresión y de ansiedad en escala de 1 a 10) y del proceso terapéutico (asistencia y frecuencia a terapia, medicación psiquiátrica, apoyo familiar y satisfacción con la terapia). La metodología aplicada consistió en un Análisis Exploratorio de Datos para revisar la calidad de la información, seguido de estadísticas descriptivas y de técnicas de estadística inferencial, entre ellas pruebas de comparación de medias, análisis de correlación e intervalos de confianza, con el fin de contrastar diferencias entre grupos de pacientes. Los principales resultados muestran que la base de datos estaba completa y sin valores atípicos, que el nivel promedio de ansiedad (6.17 sobre 10) fue ligeramente superior al de depresión (5.44) y al de satisfacción con la terapia (5.38), y que existe una correlación positiva moderada entre ansiedad y depresión, además de diferencias visibles entre grupos según el apoyo familiar, el diagnóstico y la asistencia a terapia. Se concluye que el apoyo familiar percibido y la participación activa en el proceso terapéutico están relacionados con el bienestar emocional de los pacientes, por lo que su fortalecimiento podría mejorar los resultados clínicos y la satisfacción con los tratamientos psicológicos.

Palabras clave

Ansiedad, depresión, apoyo familiar, satisfacción con la terapia, estadística inferencial.

Bibliografía

Hervías Higueras, P., Gonzalvo Navarro, M. M., Moreno Fernández, A. M., Sánchez Mascaraque, P., y Correas Lauffer, J. (2022). Salud mental en la adolescencia (I). Ansiedad y depresión. Anales de Pediatría, 13(61), 3581-3589. https://www.sciencedirect.com/science/article/abs/pii/S0304541222001974

Universidad César Vallejo. (2024). Apoyo familiar y adherencia al tratamiento en usuarios con depresión o ansiedad de un centro de salud mental, Lima 2024 [Tesis de pregrado, Universidad César Vallejo]. Repositorio institucional UCV. https://repositorio.ucv.edu.pe/handle/20.500.12692/164892

Universidad Nacional de San Cristóbal de Huamanga. (2021). Apoyo familiar asociado a la adherencia al tratamiento farmacológico en pacientes con diagnóstico de depresión moderada, Ayacucho 2021 [Tesis de pregrado, Universidad Nacional de San Cristóbal de Huamanga]. Repositorio institucional UNSCH. https://repositorio.unsch.edu.pe/items/632b9014-6585-43b7-90c2-895ae54dcd33

Declaración sobre el uso de Inteligencia Artificial

En cumplimiento de los principios de transparencia académica, el grupo declara lo siguiente en relación con el uso de herramientas de Inteligencia Artificial (IA) durante la elaboración del presente trabajo:

¿Se utilizó Inteligencia Artificial? Sí, se utilizó una herramienta de Inteligencia Artificial como apoyo durante el desarrollo del trabajo.

Herramienta utilizada: Claude (Anthropic), integrada en el entorno de la Universidad del Norte.

Finalidad del uso: La herramienta fue utilizada para: (i) la redacción de secciones textuales del informe, incluyendo la introducción, el marco teórico y la presente declaración; (ii) la generación completa del código en lenguaje R utilizado para la carga de datos y el análisis exploratorio; (iii) el diseño de la portada y el formato general del documento en R Markdown; (iv) la búsqueda de antecedentes académicos reales relacionados con el tema de investigación; y (v) el diagnóstico y la solución de errores técnicos presentados durante la construcción del archivo R Markdown. El grupo aportó la base de datos utilizada, definió el enfoque, el contexto, la pregunta problema y los ajustes específicos del trabajo, además de ejecutar el código, validar los resultados obtenidos y asumir la responsabilidad final sobre el contenido entregado.

Porcentaje estimado de utilización: Se estima que la Inteligencia Artificial participó en aproximadamente el 70% del proceso de elaboración del trabajo, concentrado en la redacción de texto, la generación de código y el diseño del documento, mientras que el 30% restante correspondió a las decisiones, ajustes, ejecución técnica y validación final realizadas por el grupo.